CN113125969A - 基于aukf的电池数据处理方法、设备和介质 - Google Patents
基于aukf的电池数据处理方法、设备和介质 Download PDFInfo
- Publication number
- CN113125969A CN113125969A CN202010037766.2A CN202010037766A CN113125969A CN 113125969 A CN113125969 A CN 113125969A CN 202010037766 A CN202010037766 A CN 202010037766A CN 113125969 A CN113125969 A CN 113125969A
- Authority
- CN
- China
- Prior art keywords
- battery
- value
- preset
- model
- aukf
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
- G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current measurements
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种基于AUKF的电池模型和状态参数的数据处理方法、设备和介质。所述方法包括:建立电化学热耦合模型;获取预设电池体的离线测试数据;根据离线测试数据确定电化学热耦合模型的模型参数的初始值;将电化学热耦合模型的模型参数和电池状态作为AUKF联合向量值,建立电池状态空间方程;根据实际运行数据、电池状态空间方程以及包含模型参数的初始值的电化学热耦合模型,确定电池在实际运行过程的模型参数估算值和SOC估算值。本发明可以在对电池SOC值进行实时精确预估的同时,还对电化学热耦合模型的模型参数进行优化,从而可以根据优化之后的模型参数更准确预估电池SOC值,提升电池的安全性、电池管理的高效性和运行的可靠性。
Description
技术领域
本发明涉及电池温度技术领域,具体涉及一种基于AUKF(自适应无迹卡尔曼滤波器)的电池数据处理方法、设备和介质。
背景技术
锂离子电池凭借自身在能量密度、功率密度以及循环寿命的优势,成为电动汽车动力锂离子电池的首选。作为电池能量状态(State of energy,简称SOE)和电池功率状态(State of power,简称SOP)的估计基础,电池荷电状态(State of charge,简称SOC)的准确估计不仅有助于提升电池系统的均衡控制效率和电动汽车的能量管理效率,与动态工况下电动汽车的整车安全更是密切相关。然而,锂离子电池的固有非线性以及自身参数对环境温度和运行工况的高度依赖性的客观存在,大大加深了实车动态工况下锂离子电池SOC的估计难度。
在现有技术中,对锂离子电池的SOC值的估计方法包括安时积分法、开路电压法、基于电池模型和基于化学模型的估计方法。上述方法的不足之处在于:安时积分法无法消除初始SOC误差和累积误差;开路电压法则需在静态条件下对电池SOC进行反推计算,不适用于实车动态工况下的电池SOC估计。基于电池模型的估计方法通过建立电池等效模型模拟电池动态特性,并结合滤波技术对电池SOC进行实时估计,但电池SOC估计的最终精度同样受限于电池模型参数的准确性,若电池模型参数与电池SOC不匹配,将会导致算法精度低;基于化学模型的估计方法则存在计算量特别大、参数复杂且获取比较困难等问题。
现有技术中,需要对电池模型参数进行离线参数辨识或基于估计器的在线参数辨识,并结合滤波技术将辨识得到的参数用于动态工况下的电池SOC估计。但是,由于电池模型参数将随着锂离子电池运行温度、工况类型、SOC区间以及电池健康状态的变化而改变,仅采用离线辨识得到的参数进行电池SOC估计必将导致估计算法在不同运行条件下的精度下降甚至失效;而基于估计器的在线参数辨识方法是首先对电池模型参数进行实时辨识,继而利用滤波算法实现电池SOC的估计,该方法将模型参数估计与电池SOC估计相分离,并未消除电池SOC误差对参数辨识结果的影响,将会导致电池模型参数不匹配现象的出现,进而将引发后续电池SOC估计精度的下降,不利于电池的高效管理和可靠运行。因此,无论采用离线辨识算法或基于估计器的在线参数辨识均无法消除电池SOC误差对参数辨识结果的影响,都将会导致模型参数不匹配现象的出现,进而将引发后续电池SOC估计精度的下降,不利于电动车辆的电池的高效管理和可靠运行。
同时,在根据电池模型参数对电池SOC估计时,由于电池管理系统(Batterymanagement system,简称BMS)中软件代码的存储空间有限,可以选择电池模型和滤波算法进行电池SOC在线估计,此时,业内常用的滤波技术为扩展卡尔曼滤波(Extended Kalmanfilter,简称EKF)、无迹卡尔曼滤波(Unscented Kalman filter,简称UKF)和自适应无迹卡尔曼滤波(Adaptive unscented Kalman filter,简称AUKF)。其中基于EKF的电池SOC估计需要求取复杂的雅克比矩阵对电池模型中的非线性方程进行线性近似,而近似过程中所忽视的高阶误差将导致电池SOC估计精度的下降。UKF则需要准确的系统噪声的先验信息以确保最优性能,过大的系统噪声将可能诱发算法的逐渐发散,而过小的系统噪声则会降低滤波器的追踪性能。AUKF在UKF基础上增加了噪声自适应规则,但自适应规则成立的前提是电池模型绝对准确的理想状态,与实际应用情况并不相符,因此,直接应用噪声自适应规则将会在系统存在误差和扰动时大大降低滤波算法的稳定性,甚至导致算法发散。
发明内容
本发明实施例提供一种基于AUKF的电池数据处理方法、设备和介质,可以在对电池SOC值进行实时精确预估的同时,还对电化学热耦合模型的模型参数进行优化,从而可以根据优化之后的模型参数更准确预估电池SOC值,进而,使得本发明可以根据实时精确预估的电池SOC值优化电池的工作条件,提升电池的安全性,进而提升电池管理的高效性和运行的可靠性。
为实现上述目的,本发明提供了一种基于AUKF的电池数据处理方法,包括:
建立电化学热耦合模型;
获取预设电池体的离线测试数据;所述预设电池体包括电池、正半电池和负半电池;所述正半电池的正极材料为所述电池的正极材料,所述正半电池的负极材料为金属锂;所述负半电池的正极材料为所述电池的负极材料,所述负半电池的负极材料为金属锂;
根据所述离线测试数据确定电化学热耦合模型的模型参数的初始值;
将所述电化学热耦合模型的模型参数和电池状态作为AUKF联合向量值,建立电池状态空间方程;
获取所述电池在实际运行过程中的实际运行数据;
根据所述实际运行数据、所述电池状态空间方程以及包含所述模型参数的初始值的电化学热耦合模型,确定所述电池在实际运行过程的模型参数估算值和SOC估算值。
本发明还提供了一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令,所述处理器执行所述计算机可读指令时实现所述的基于AUKF的电池数据处理方法。
本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可读指令,所述计算机可读指令被处理器执行时实现所述的基于AUKF的电池数据处理方法。
本发明提供的基于AUKF的电池数据处理方法、设备和介质,首先建立电化学热耦合模型;获取预设电池体的离线测试数据;所述预设电池体包括电池、正半电池和负半电池;根据所述离线测试数据确定电化学热耦合模型的模型参数的初始值;将所述电化学热耦合模型的模型参数和电池状态作为AUKF联合向量值,建立电池状态空间方程;获取电池在实际运行过程中的实际运行数据;根据所述实际运行数据、所述电池状态空间方程以及包含所述模型参数的初始值的电化学热耦合模型,确定所述电池在实际运行过程的模型参数估算值和SOC估算值。本发明可以在对电池SOC值进行实时精确预估的同时,还对电化学热耦合模型的模型参数进行优化,从而可以根据优化之后的模型参数更准确预估电池SOC值(如此,可以消除电池SOC值估计误差对参数辨识结果的影响,使得模型参数更为匹配,减少了电池SOC值的估计误差),进而,使得本发明可以根据实时精确预估的电池SOC值优化电池的工作条件,提升电池的安全性、电池管理的高效性和运行的可靠性。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一实施例中基于AUKF的电池数据处理方法的流程图;
图2是本发明一实施例中的锂离子电池的电化学机理模型图;
图3是本发明一实施例中电池在实际工况下的实际电流值和实际电压值曲线示意图;
图4是采用本发明AUKF方法进行SOC估计的SOC估计值与实际测得的SOC值之间的分布对比示意图;
图5是采用本发明AUKF方法进行SOC估计的SOC估计值与实际测得的SOC值之间的误差示意图;
图6是本发明一实施例中基于AUKF的电池数据处理方法的步骤S20的流程图;
图7是本发明一实施例中基于AUKF的电池数据处理方法的步骤S60的流程图;
图8是本发明另一实施例中基于AUKF的电池数据处理方法的步骤S60的流程图;
图9是本发明一实施例中计算机设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,提供一种基于AUKF的电池数据处理方法,包括以下步骤S10-S50:
S10,建立电化学热耦合模型;作为优选,所述电化学热耦合模型包括锂离子在正负极材料内的第一扩散模型、锂离子在电解液内的第二扩散模型、正负极材料内的第一电势分布模型、电解液内的第二电势分布模型以及正负极材料和电解液接触的表面化学反应模型。在本发明中,可以在MATLAB平台搭建所用的简化的电化学热耦合模型,简化的电化学热耦合模型可以提升MATLAB中的仿真速度,减少了运算时间;但在本发明中,简化的电化学热耦合模型中依旧保留了对电池(在本发明中,提及的电池即为锂离子电池的简称,且锂离子电池包括但不限于为三元锂电池和磷酸铁锂电池等)的电性能和热性能的考察,因此,兼顾了仿真精度,提升了后续获取的电池内部参数的准确度;并且,本发明基于MATLAB平台进行仿真运算,与后续的控制算法和策略更容易结合。
S20,获取预设电池体的离线测试数据;所述预设电池体包括电池(也即锂离子电池)、正半电池和负半电池;所述正半电池的正极材料为所述电池的正极材料,所述正半电池的负极材料为金属锂;所述负半电池的正极材料为所述电池的负极材料,所述负半电池的负极材料为金属锂;比如,在一实施例中,锂离子电池的正极材料为三元材料,负极材料为石墨,因此进行充放电实验的正半电池的正极材料为三元材料;负半电池的正极材料为石墨,且正半电池和负半电池的负极材料均为金属锂。如图2所示的电化学机理模型图,图中,锂离子电池包括负极11、正极13以及隔膜12;其中,L为负极、隔膜和正极总的厚度(x为锂离子电池在长度方向上的坐标值,长度方向即为与负极隔膜和正极总的厚度方向相同的方向,也即,x在0到L的范围内变化)。δn为负极涂层厚度;δp为正极涂层厚度;δsep为隔膜厚度;cs,p为正极材料内的锂离子浓度;cs,n为负极材料内的锂离子浓度。r为球形颗粒半径,0≤r≤R;R为球形颗粒的最大半径。
在本发明中,离线测试包括容量测试、脉冲测试以及典型工况测试。由于各预设电池体(包括电池、正半电池和负半电池)的初始状态未知,因此各预设电池体的初次放电的放电容量和初次充电的充电容量并不完全相等,通过容量测试可以使得二者差异小于第一预设容量阈值(比如0.1Ah),从而保证每一个预设电池体的充电容量与放电容量接近,进而使得电池状态稳定。在容量测试之后进行的脉冲测试中可以获取脉冲测试数据,进而,根据脉冲测试数据获取各预设电池体的OCV-SOC曲线;在容量测试之后进行的典型工况测试中,可以获取典型工况测试数据。在本发明一实施例中,所述离线测试数据包括上述脉冲测试数据、OCV-SOC曲线和典型工况测试数据。
S30,根据所述离线测试数据确定电化学热耦合模型的模型参数的初始值;在本实施例中,具体地,首先基于所述脉冲测试数据、所述第一OCV-SOC曲线、所述第二OCV-SOC曲线和所述第三OCV-SOC曲线,利用预设优化算法(包括但不限定于为遗传算法、粒子群优化算法等)确定所述电化学热耦合模型的多组电池模型初始参数。可理解地,在确定电化学热耦合模型的多组电池模型初始参数之后,根据所述典型工况测试数据,确定所述电化学热耦合模型的多组电池模型初始参数中的一组最优电池模型参数,并将所述最优模型参数记录为所述电化学热耦合模型的模型参数的初始值。也即,可以将典型工况测试数据输入具有上述各组电池模型初始参数的电化学热耦合模型中,之后计算具有不同的电池模型初始参数的电化学热耦合模型在各组典型工况测试数据下的误差和计算时间。之后根据计算的误差和计算时间确定最优电池模型参数,使得在将典型工况测试数据输入包含所述最优模型参数的电化学热耦合模型之后,电化学热耦合模型输出的实际输出参数的误差最小且计算时间最短。本发明通过电池的离线测试数据确定电化学热耦合模型的初始值,并根据参数的特点来确定哪些参数随工况变化,哪些参数不发生变化,以减少参数矩阵的维度,进而提高基于AUKF算法最终的SOC等的估计精度。
S40,将所述电化学热耦合模型的模型参数和电池状态作为AUKF联合向量值,建立电池状态空间方程;本发明将电化学热耦合模型的模型参数和电池状态作为联合状态向量,可以确保电化学热耦合模型的模型参数和电池SOC估计的匹配程度,避免因模型参数和电池SOC估计不匹配引发的电池SOC估计精度下降问题。
在该步骤中,首先,确定所述AUKF联合向量值为:
Xjoint=[Pparameter T,Xstate T]T
Xstate(k)=[SOC(k),U(k)]T其中,Pparameter为所述电化学热耦合模型的模型参数组成的列向量;Rsei为SEI膜阻,Rsei=Rsei,n+Rsei,p;其中,RSEI,p为正极材料中SEI膜的值;ERSEI,n为负极材料中SEI膜的值;kn为负极材料表面和电解液发生化学反应的速率;kp为正极材料表面和电解液发生化学反应的速率;Ds,n为负极材料内锂离子的扩散系数;Ds,p为正极材料内锂离子的扩散系数;为正极活性材料体积分数(正极中活性物质的比例);为负极活性材料体积分数(负极中活性物质的比例);Xstate为电池状态组成的列向量。SOC(k)为电池实际运行的第k时刻的全电池SOC值,U为电池实际运行的第k时刻的实际电池电压值。可理解地,在在电池实际运行的初始时刻,k=0,此时,初始时刻的初始AUKF联合向量值,可以根据所述电化学热耦合模型的模型参数的初始值以及初始时刻的电池状态初始值进行确定。
其次,建立如下电池状态空间方程:
Xjoint(k)=f(Xjoint(k-1),I(k))+ω(k)
U(k)=g(Xjoint(k),I(k),Temp(k))+γ(k)
其中,Xjoint(k)为所述电池在实际运行的第k时刻的AUKF联合向量值;k为整数;在电池实际运行的第一时刻,k=1;在电池实际运行的第N时刻,k=N;且Xjoint(0)即为所述初始AUKF联合向量值。Xjoint(k-1)为所述电池在实际运行的第k-1时刻的AUKF联合向量值;I(k)为第k时刻的实际电池电流(比如后文中提及的第一实际电池电流值或第二实际电池电流值);U(k)为第k时刻的实际电池电压值(比如后文中提及的第一实际电池电压值或第二实际电池电压值),可描述为由上述AUKF联合向量值Xjoint(k)的g(·)函数;f(·)和g(·)为与所述电化学热耦合模型对应的非线性函数。也即,f(·)和g(·)均可以由步骤S10中创建的电化学热耦合模型进行描述;Temp(k)为第k时刻的实际电池温度值(比如后文中提及的第一实际电池温度值或第二实际电池温度值);ω(k)为第k时刻的过程噪声;可理解地,根据过程噪声可以确定过程噪声方差Q(k);γ(k)为第k时刻的测量噪声,根据测量噪声可以确定测量噪声方差R(k);可理解地,在电池并未实际运行的初始状态,初始过程噪声ω(0)和初始测量噪声ω(0)均为预先设定的已知值,且可以根据该初始过程噪声ω(0)和初始测量噪声ω(0),确定初始过程噪声方差Q(0)=QS和初始测量噪声方差R(0)=RS。
可理解地,在本发明中,对于简化的电化学热耦合模型而言,电池实际运行的第k时刻,电池正负极表面的SOC值SOCi,surf(k)被定义为:
电池实际运行的第t时刻,所述电池的正负极本身的SOC值的定义为:
其中,
cs,i,surf(k)为电池实际运行的第k时刻的固相表面锂离子浓度;
cs,i,avg(k)为电池实际运行的第k时刻的固相平均锂离子浓度;
cs,i,max为电池实际运行过程中的固相最大锂锂离子浓度。
并且,上述固相表面锂离子浓度与平均锂离子浓度的关系为:
cs,i,surf(k)=cs,i,avg(k)+λ1w1(k)+λ2w2(k)
其中,λ1为第一权重;λ2为第二权重;w1(k)为第一转换系数;w2(k)为第二转换系数;第k-1时刻为第k时刻之前且与其相邻的时刻;Δt为第k时刻与第k-1时刻之间的时间间隔;T1和T2为电池实际温度;e为自然常数;ji为平均体密度(i=n或i=p;jp代表正极区域的平均体密度,jn代表负极区域的平均体密度);Rsei,i为正负极材料中SEI膜的值;i=n或i=p;p代表正极区域,n代表负极区域;RSEI,p为正极材料中SEI膜的值;ERSEI,n为负极材料中SEI膜的值。
所述电池的正负极本身的SOC值与全电池SOC值的关系如下:
SOCi(k)=SOC(k)*(SOCi,max-SOCi,min)+SOCi,min
其中,SOCi(k)为电池实际运行的第k时刻的正负极本身的SOC值;SOC(k)为电池实际运行的第k时刻的全电池的SOC值;SOCi,max为所述电池的正负极本身的最大SOC值;SOCi,min为所述电池的正负极本身的最小SOC值。对应于电化学热耦合模型,上述电池的状态空间方程可转换为为:
其中,V为端电压;SOCi(k+1)为电池实际运行的第k+1时刻的正负极本身的SOC值;Rs,i为正负极微观粒子颗粒半径;I(k)为电池实际运行的第k时刻的实际电池电流;h(·)为与所述电化学热耦合模型对应的非线性函数,h(·)可以由步骤S10中创建的电化学热耦合模型进行描述;Up为正极材料的OCV值;Un为负极材料在不同时刻的OCV值。
S50,获取所述电池在实际运行过程中的实际运行数据;也即,在上述电化学热耦合模型确定之后,可将该电化学热耦合模型应用于电池中,进而基于电池实际运行的实际运行数据,确定电池实际运行时电池的SOC估算值(比如后文中提及的电池实际运行的第一时刻的第一SOC估算值、电池实际运行的第N时刻的第二SOC估算值等)。可理解地,实际运行数据是指在电池实际运行的任意一个时刻获取的电池运行指标,包括但不限定于为实际电池电流值、实际电池电压值和实际电池温度值等。上述实际运行数据可以通过连接电池的传感器等直接测得。
S60,根据所述实际运行数据、所述电池状态空间方程以及包含所述模型参数的初始值的电化学热耦合模型,确定所述电池在实际运行过程的模型参数估算值和SOC估算值。
可理解地,本发明可以在该步骤中对电池状态空间方程中包含的具有误差的初始AUKF联合向量值进行逐步反馈修正,从而使得根据该反馈修正之后的初始AUKF联合向量值的准确度越来越高,由于AUKF联合向量值由模型参数和电池状态组合而成,因此,一方面,通过对AUKF联合向量值进行反馈修正,可以使得电池的实时的电池SOC值的准确度越来越高,也即通过本发明可以得到更精确的电池SOC值;另一方面,还可以对电化学热耦合模型的模型参数进行优化,从而可以根据优化之后的模型参数更准确预估电池SOC值(如此,可以消除电池SOC值估计误差对参数辨识结果的影响,使得模型参数更为匹配,减少了电池SOC值的估计误差),进而,获取的精确的电池SOC值可以输出至BMS(BATTERY MANAGEMENTSYSTEM,电池管理系统),BMS可以根据接收到的电池SOC值优化电池工作状态,提升电池管理的高效性、运行的可靠性和安全性。同时,本发明可以同时对电池SOC值和电化学热耦合模型的模型参数进行反馈修正,可以有效地消除电化学热耦合模型的误差以及初始AUKF联合向量值的误差对实时的电池SOC值带来的误差影响。
在一实施例中,所述电化学热耦合模型中,所述第一扩散模型包括:
其中:
i=n或i=p;p代表正极区域,所述正极区域包括正极材料所属区域;n代表负极区域,所述负极区域包括负极材料所属区域;
cs,i为正负极材料内的锂离子浓度;
Ds,i为正负极材料内的锂离子扩散系数;
r为球形颗粒半径,0≤r≤R;R为球形颗粒的最大半径;可理解地,所述第一扩散模型的边界条件为:
其中:F为法拉第常数,t为时间;ri为正负极材料内的球形颗粒半径;Ri为正负极材料内的球形颗粒的最大半径;as为颗粒的比表面积;jf(x,t)为局部电流体密度;可理解地,局部电流体密度可以用其不同区域的平均体密度进行简化,其中,正极区域的平均体密度负极区域的平均体密度上述式中:I(t)为所述电池的输出电流;A为电池总表面积;δp为正极涂层厚度。
在一实施例中,所述电化学热耦合模型中,所述第二扩散模型包括:
其中:
i=n或i=p;p代表正极区域;n代表负极区域;
Ci为球形颗粒中的锂离子浓度;
εe为液相体积分数;
jf(x,t)为局部电流体密度;
t为时间;
x为电池在长度方向上的坐标值;如图2所示的x。
t+为锂离子的迁移数;
F为法拉第常数。
作为优选,所述第二扩散模型的初值条件为:
ce(x,t)|t=0=e,0(0≤x≤L)
其中,ce(x,t)为电解液中锂离子浓度;L为负极隔膜和正极总的厚度(x为电池在长度方向上的坐标值,长度方向即为与负极、隔膜和正极总的厚度方向相同的方向,也即,x在0到L的范围内变化)。
在一实施例中,所述电化学热耦合模型中,所述第一电势分布模型包括:
其中:
δeff为固相有效离子电导率;
φ(x,t)为正负极材料内的电势分布;
jf(x,t)为局部电流体密度;
t为时间;
x为电池在长度方向上的坐标值。
所述第一电势分布模型的边界条件为:
其中:L为负极隔膜和正极总的厚度(x为电池在长度方向上的坐标值,长度方向即为与负极隔膜和正极总的厚度方向相同的方向,也即,x在0到L的范围内变化)。I(t)为所述电池的输出电流;A为电池总表面积;δn为负极涂层厚度;δsep为隔膜厚度。σeff为正负极材料的有效离子电导率;σeff=σ*εs,εs为固相体积分数。
在一实施例中,所述电化学热耦合模型中,所述第二电势分布模型包括:
可理解地,所述第二电势分布模型的边界条件为:
其中:
φe(x,t)为正负极材料内的电势分布;
ce(x,t)为电解液中锂离子浓度;
jf(x,t)为局部电流体密度;
t为时间;
x为电池在长度方向上的坐标值。
在一实施例中,所述表面化学反应模型包括:
Butler-Volmer(巴特勒-伏尔摩)动力学模型:
其中:jf(x,t)为局部电流体密度;as为颗粒的比表面积;i0为交换电流密度;α为电化学反应传递系数(通常取恒定值0.5);F为法拉第常数;R为气体常数;T为电池单体平均温度;ηact(x,t)为主反应的活化过电势;
交换电流密度模型:
其中:i=n或i=p;p代表正极区域;n代表负极区域;ki为正负极材料与电解液界面化学反应速率常数;cs,i,max为固相最大锂离子浓度;ce为电解液中锂离子浓度;cs,i,surf为固相表面锂离子浓度;可理解地:
不同温度下的扩散系数模型:
其中:Ds,i为正负极材料内的锂离子扩散系数;Ds,i,0为25℃常温下正负极材料中锂离子的扩散系数;Eai为正负极的扩散活化能;Tref为参考温度;
不同温度下的反应速率常数模型:
其中:ki,0为25℃常温下正负极材料中锂离子的化学反应速率常数;Eki为正负极的反应活化能;
端电压模型:
其中:V(t)为仿真端电压;Up(t)为正极材料在不同时刻的OCV值;
Un(t)为负极材料在不同时刻的OCV值,可理解地,活性材料的平衡电势Ui可视为其开路电压,且其可以用表面锂离子浓度的函数进行表示,此处引入变量soc_i,soc_i=cs,i,surf/cs,i,max。对应于变量soc_i,i=n或i=p;p代表正极区域;n代表负极区域,Up=f(soc_p);f(soc_p)代表正极的OCV-SOC,soc_p代表正极的SOC值Un=f(soc_n);f(soc_n)为负极的OCV-SOC,soc_n代表负极的SOC值。
RSEI,p为正极材料中SEI膜的值;ERSEI,n为负极材料中SEI膜的值;t+为锂离子的迁移数;ce(0,t)为负极集流体位置的锂离子浓度;ce(L,t)为正极集流体位置的锂离子浓度;I(t)为所述电池的输出电流(对应于本发明中的实际电池电流);A为电池总表面积;δn为负极涂层厚度;δsep隔膜厚度;δp为正极涂层厚度;为负极处的电解液电导率;隔膜处的电解液电导率;正极处的电解液电导率;as,p为正极颗粒的比表面积;i0,p为正极处交换电流密度;as,n为负极颗粒的比表面积;i0,n为负极处交换电流密度;jp为正极区域的平均电流体密度;jn为负极区域的平均电流体密度;
正负极的容量模型:
电池的产热的计算过程为:
散热的计算过程为:
qn=h(TS-T)
qn为换热功率,h为换热系数,Ts为环境温度,T为电池单体平均温度。
在一实施例中,如图6所示,所述步骤S20,也即所述获取预设电池体的离线测试数据,包括:
S201,对所述预设电池体进行容量测试,直至所述预设电池体状态稳定;由于各预设电池体(包括电池、正半电池和负半电池)的初始状态未知,因此各预设电池体的初次放电的放电容量和初次充电的充电容量并不完全相等,例如,预设电池体初始状态为空电,则首次放电时预设电池体无可用容量,对应的放电容量为零,但首次充电时预设电池体可以充入充电容量,例如,预设电池体额定容量为100Ah,此时预设电池体对应的充电容量可达100Ah;因此,通过容量测试可以使得二者差异小于第一预设容量阈值(比如0.1Ah),从而保证每一个预设电池体的充电容量与放电容量接近,进而使得电池状态稳定。
S202,对状态稳定之后的所述预设电池体进行脉冲测试并获取脉冲测试数据;在容量测试之后进行的脉冲测试中可以获取脉冲测试数据(脉冲测试数据可以包括但不限定于为电压值、电流值、温度值等),进而,根据脉冲测试数据获取各预设电池体的OCV-SOC曲线,并将其记录为离线测试数据的一部分。
S203,对所述预设电池体进行典型工况测试,并获取典型工况测试数据。在容量测试之后进行的典型工况测试中,可以获取典型工况测试数据。典型工况测试旨在电池充满电后,更加真实地模拟电池实际运行的情况,其中,典型工况可采用自定义工况,也可参考国际标准和国家标准。
在本发明中,所述离线测试数据包括但不限定于为上述脉冲测试数据、OCV-SOC曲线和典型工况测试数据。
在一实施例中,所述步骤S201,也即所述对所述预设电池体进行容量测试,直至所述预设电池体状态稳定,包括:
将所述预设电池体以预设的容量测试电流值(可以为电池生产商建议的容量测试电流值,比如1C)放电至第一电压下限(根据实际情况设定)之后,获取放电过程中的放电容量值,并将所述预设电池体静置第一预设时长;其中,第一预设时长可以根据需求设定,比如设定为30分钟。预设电池体在充电和放电之后,内部还需要一定时间来达到物理和化学平衡,因此,预设电池体在充电和放电测试之后,均需要静置一段时间,以消除达到平衡前的电压波动。
将所述预设电池体以所述容量测试电流值充电至第一电压上限(根据实际情况设定,比如,设定为4.25V)之后,以所述第一电压上限进行恒压充电,获取所述预设电池体在充电过程中的充电容量值,并将所述预设电池体静置所述第一预设时长。
在所述放电容量值与所述充电容量值之间的差值小于第一预设容量阈值时,确认完成容量测试;其中,第一预设容量阈值可以根据需求设定,比如设定为0.1Ah。可理解地,在所述放电容量值与所述充电容量值之间的差值小于第一预设容量阈值时,代表预设电池体的充电容量与放电容量接近,此时电池状态稳定,可以确定完成容量测试。
在所述放电容量值与所述充电容量值之间的差值大于或等于所述第一预设容量阈值时,返回至将所述预设电池体以所述容量测试电流值放电至第一电压下限之后,获取放电过程中的放电容量值。可理解地,在所述放电容量值与所述充电容量值之间的差值大于或等于所述第一预设容量阈值时,代表预设电池体的充电容量与放电容量尚未达到预设的接近程度,此时视为电池状态尚未稳定,需要继续返回再次循环上述容量测试的各步骤,直至所述放电容量值与所述充电容量值之间的差值小于第一预设容量阈值。
在一实施例中,所述步骤S202,也即所述对状态稳定之后的所述预设电池体进行脉冲测试并获取脉冲测试数据,包括:
对所述预设电池体依次进行第一数量(优选为18组)的第一充电脉冲组合测试,一组所述第一充电脉冲组合测试包括第二预设时长(优选为3分钟)的恒流脉冲和第一预设时长的静置;其中,所述恒流脉冲的数值优选为与容量测试中的所述容量测试电流值相等。可理解地,上述第一数量的第一充电脉冲组合测试循环进行。
对所述预设电池体依次进行第二数量(优选为2组)的第二充电脉冲组合测试,一组所述第二充电脉冲组合测试包括累积脉冲小于第二预设容量阈值(比如,脉冲累积小于优选的第二预设容量阈值容量的5%)的恒流-恒压脉冲和第一预设时长的静置。可理解地,上述第二数量的第二充电脉冲组合测试循环进行。
对所述预设电池体依次进行第三数量(优选为20组)的脉冲放电组合测试;所述放电脉冲组合测试包括第二预设时长的恒流脉冲(其中,所述恒流脉冲的数值优选为与容量测试中的所述容量测试电流值相等)和第一预设时长的静置。可理解地,上述第三数量的放电脉冲组合测试循环进行。
获取所述预设电池体的SOC值以及与所述SOC值对应的所述第一充电脉冲组合测试、所述第二充电脉冲组合测试和所述放电脉冲组合测试中测得的电压值,根据所述SOC值和所述电压值确定OCV-SOC曲线;所述OCV-SOC曲线包括所述正半电池对应的第一OCV-SOC曲线、所述负半电池对应的第二OCV-SOC曲线和所述电池对应的第三OCV-SOC曲线。可理解地,预设电池体在充放电时的电压值可以实时测得,SOC值亦可以根据测得数据计算得出,根据所述SOC值和电压值可以确定各预设电池体OCV-SOC曲线。
在一实施例中,所述步骤S203,也即所述对所述预设电池体进行典型工况测试,并获取典型工况测试数据,包括:
将所述预设电池体以预设的容量测试电流值(可以根据需求设定,比如,为电池生产商建议的容量测试电流值)充电至第二电压上限(根据实际情况设定)后,对所述预设电池体以预设的恒压值(可以根据需求设定,比如,为与第二电压上限相等的恒压值)进行恒压充电,并将所述预设电池体静置第一预设时长。
将所述预设电池体以预设的典型工况放电至第二电压下限(根据实际情况设定)。
将所述预设电池体在典型工况放电过程中的测试电流、测试电压和测试温度记录为典型工况测试数据。典型工况测试旨在电池充满电后,更加真实地模拟电池实际运行的情况,其中,典型工况可采用自定义工况,也可参考国际标准和国家标准。
在一实施例中,所述步骤S30,也即所述根据所述离线测试数据确定电化学热耦合模型的模型参数的初始值,包括:
基于所述脉冲测试数据(包括所述第一OCV-SOC曲线、所述第二OCV-SOC曲线和所述第三OCV-SOC曲线等),利用预设优化算法(包括但不限定于为遗传算法、粒子群优化算法等)确定所述电化学热耦合模型的多组电池模型初始参数;可理解地,在上述确定电化学热耦合模型的多组电池模型初始参数的过程中,需要使用到的所述电池的结构材料参数可以直接从BMS系统中中调取,上述电池的结构材料参数部分可以直接在锂离子电池的制作过程中获取(其中一部分结构材料参数亦可以在后续对锂离子电池进行拆解获得);比如:锂离子电池的容量和尺寸、正负极涂层厚度、隔膜厚度、隔膜孔隙率、电解液的浓度等;而部分结构材料参数为公知常识,可以在查阅相关文献获取;比如:在获取电解液的扩散系数,电导率、活性相关度、正负极材料的最大锂离子浓度等。可理解地,在获取结构材料参数之后,可以将其直接存储至BMS系统中,在后续需要使用该结构材料参数时,直接根据需求自BMS系统中调取即可。
根据所述典型工况测试数据,确定所述电化学热耦合模型的多组电池模型初始参数中的一组最优电池模型参数,并将所述最优模型参数记录为所述电化学热耦合模型的模型参数的初始值。也即,可以将典型工况测试数据输入具有上述各组电池模型初始参数的电化学热耦合模型中,之后计算具有不同的电池模型初始参数的电化学热耦合模型在各组典型工况测试数据下的误差和计算时间。之后根据计算的误差和计算时间确定最优电池模型参数,使得在将典型工况测试数据输入包含所述最优模型参数的电化学热耦合模型之后,电化学热耦合模型输出的实际输出参数的误差最小且计算时间最短。
在一实施例中,所述实际运行数据包括在电池实际运行的第一时刻采集的第一实际电池电流值、第一实际电池温度值和第一实际电池电压值;
如图7所示,所述步骤S60,也即所述根据所述实际运行数据、所述电池状态空间方程以及包含所述模型参数的初始值的电化学热耦合模型,确定所述电池在实际运行过程的模型参数估算值和SOC估算值,包括:
S601,根据所述模型参数的初始值确定参数协方差初始值;也即,参数协方差初始值可以根据上述步骤S30中已知的电化学热耦合模型的模型参数的初始值确定。
S602,根据所述实际运行数据确定所述电池在实际运行的初始时刻的电池状态初始值,并根据所述电池状态初始值确定电池状态协方差初始值;也即,所述电池状态协方差初始值可以根据电池状态初始值确定。其中,电池初始状态向量值是指电池在并未实际运行的初始状态(电池也并未发生充放电)下的电池初始状态向量值,所述电池初始状态向量值为一个预设值,且电池初始状态向量值与电池实际运行时电池的SOC值相关联,在本发明中,电池初始状态向量值可以具有一定误差,且本发明可以在后续步骤中对该具有误差的电池初始状态向量值进行逐步反馈修正(比如,后文中提及的在第一时刻进行第一次修正后即得到反馈修正之后的第一联合向量后验值,之后可以根据所述第一联合向量后验值和第一联合向量协方差后验值确定在电池实际运行的第一时刻反馈修正之后的第一SOC估算值),从而使得根据该反馈修正之后的电池初始状态向量值(比如,后文中提及的第一联合向量后验值,第三联合向量后验值等)的准确度越来越高,进而使得电池的SOC值(比如后文中提及的第一SOC估算值、第二SOC估算值等)的准确度越来越高。
S603,根据所述模型参数的初始值和所述电池状态初始值确定初始AUKF联合向量值;可理解地,在在电池实际运行的初始时刻,k=0,此时,根据上述步骤S30中对AUKF联合向量值所述内容,初始时刻的初始AUKF联合向量值,可以根据所述电化学热耦合模型的模型参数的初始值以及初始时刻的电池状态初始值进行确定。
S604,根据所述参数协方差初始值和所述电池状态协方差初始值确定联合向量协方差初始值;也即,在上述参数协方差初始值和所述电池状态协方差均确定之后,可以根据两者确定联合向量协方差初始值。
S605,将所述初始AUKF联合向量值和所述联合向量协方差初始值输入预设的对称采样模型中,生成初始AUKF联合向量特征点集。也即,在上述参数协方差初始值和所述电池状态协方差均确定之后,可以根据两者确定联合向量协方差初始值。
作为优选,所述对称采样模型为:
其中:
k为电池实际运行的第k时刻,0≤k≤N,且k为整数;在电池实际运行的第一时刻,k=1;在电池实际运行的第N时刻,k=N;
M为联合向量后验值Xjoint的长度;
μ为预设的缩放系数;
Pjoint(k-1)为第k-1时刻的联合向量协方差后验值;
可理解地,在电池实际运行的第一时刻,k=1;此时,对称采样模型为:
其中,由上述内容可知,初始AUKF联合向量值Xjoint(0)、联合向量协方差初始值Pjoint(0)均已知,初始AUKF联合向量值Xjoint(0)的长度M以及缩放系数μ也已知,因此以及可以根据上述参数进行确定;进而,初始联合向量特征点集可以被确定。
S606,将所述初始AUKF联合向量特征点集以及所述第一实际电池电流值输入所述电池状态空间方程中,获取所述电池状态空间方程输出的所述电池在实际运行的第一时刻的第一特征点状态值;可理解地,在电池实际运行的第一时刻,k=1;此时,由上述电池状态空间方程可知:
S607,将所述第一实际电池电流值、所述第一实际电池温度值、所述第一特征点状态值以及预设的噪声方差初始值输入预设的状态空间模型中,确定电池实际运行的第一时刻的第一联合向量先验值、第一联合向量协方差先验值以及第一测量修正矩阵;可理解地,ω(k)代表电池实际运行的第k时刻的过程噪声,根据过程噪声可以确定过程噪声方差Q(k);γ(k)代表电池实际运行的第k时刻的测量噪声;而根据测量噪声可以确定测量噪声方差R(k)。在本实施例中,第一时刻的噪声方差初始值包括初始过程噪声方差Q(1)和初始测量噪声方差R(1),且该初始过程噪声方差Q(1)和初始测量噪声方差R(1)可以根据预设的初始过程噪声ω(0)和初始测量噪声ω(0)确定,也即,噪声方差初始值为已知的预设值。此时,根据噪声方差初始值以及上述计算得到的第一特征点状态值可以确定所述电池在电池实际运行的第一时刻的第一联合向量先验值第一联合向量协方差先验值以及第一测量修正矩阵Kjoint(1)。
作为优选,所述状态空间模型包括:
其中:
k为电池实际运行的第k时刻,0≤k≤N,且k为整数;在电池实际运行的第一时刻,k=1;在电池实际运行的第N时刻,k=N;
α为正值常数,α≤1;
β为正值常数,β=2;
M为联合向量后验值Xjoint的长度;
μ为预设的缩放系数;
其中:
Q(k)为电池实际运行的第k时刻,电化学热耦合模型的过程噪声方差,在一些实施例中,第k时刻电化学热耦合模型的过程噪声方差,即为第k-1时刻已修正的理论噪声方差中的理论过程噪声方差。可理解地,第一时刻的初始过程噪声方差Q(1)为预设值。
其中:
I(k)为电池实际运行第k时刻的实际电池电流值;
Temp(k)为电池实际运行第k时刻的实际电池温度值;
其中:
R(k)为电池实际运行的第k时刻,电化学热耦合模型的测量噪声方差,在一些实施例中,第k时刻电化学热耦合模型的测量噪声方差,即为第k-1时刻已修正的理论噪声方差中的理论测量噪声方差。可理解地,第一时刻的初始测量噪声方差R(1)为预设值。Kjoint(k)为电池实际运行的第k时刻的测量修正矩阵。
在电池实际运行的第一时刻,k=1;此时,第一时刻的第一测量修正矩阵Kjoint(1)可以根据上述公式计算得出。
S608,将所述第一实际电池电压值、所述第一联合向量先验值、所述第一联合向量协方差先验值以及所述第一测量修正矩阵输入预设的估算模型中,确定电池实际运行的第一时刻的第一联合向量后验值和第一联合向量协方差后验值;作为优选,所述估算模型为:
其中,
Xjoint(k)为电池实际运行的第k时刻的联合向量后验值;
Pjoint(k)为电池实际运行的第k时刻的联合向量协方差后验值;
Kjoint(k)为电池实际运行的第k时刻的测量修正矩阵;
U(k)为第k时刻的实际电池电压值;
在电池实际运行的第一时刻,k=1;此时,由于第一时刻的所述第一实际电池电压值U(1)已知;所述第一联合向量先验值第一联合向量协方差先验值以及第一测量修正矩阵Kjoint(1)均已知,估算模型中的其他参数也由本发明中上述内容已知,因此,可以根据所述估算模型确定所述电池在电池实际运行的第一时刻的第一联合向量后验值Xjoint(1)和第一联合向量协方差后验值Pjoint(1)。
S609,根据所述第一联合向量后验值和第一联合向量协方差后验值确定在电池实际运行的第一时刻的第一模型参数估算值以及第一SOC估算值。在本实施例中,由于AUKF联合向量值可表达为:其中,Pparameter为所述电化学热耦合模型的模型参数组成的列向量,Xstate为电池状态组成的列向量。因此,根据第一时刻的第一联合向量后验值Xjoint(1)和第一联合向量协方差后验值Pjoint(1),可以确定第一SOC估算值以及第一模型参数估算值。也即,第一联合向量后验值、第一联合向量协方差后验值、第一SOC估算值以及第一模型参数估算值等均为第一次迭代更新的结果,且迭代更新之后的上述参数均可以在后续过程被持续迭代,进而使得电池SOC值的估算越来越精准。
本发明可以对该具有误差的初始AUKF联合向量值进行逐步反馈修正,从而使得根据该反馈修正之后的初始AUKF联合向量值的准确度越来越高,由于AUKF联合向量值由模型参数和电池状态组合而成,因此,一方面,通过对AUKF联合向量值进行反馈修正,可以得到更精确的电池SOC值;另一方面,还可以对电化学热耦合模型的模型参数进行优化,从而可以根据优化之后的模型参数更准确预估电池SOC值(如此,可以消除电池SOC值估计误差对参数辨识结果的影响,使得模型参数更为匹配,减少了电池SOC值的估计误差),进而,获取的精确的电池SOC值可以输出至BMS,BMS可以根据接收到的精准的电池SOC值优化电池工作状态,提升电池的安全性、电池管理的高效性和运行的可靠性。同时,本发明可以同时对电池SOC值和电化学热耦合模型的模型参数进行反馈修正,可以有效地消除电化学热耦合模型的误差以及初始AUKF联合向量值的误差对实时的电池SOC值带来的误差影响。
在一实施例中,如图8所示,所述步骤S609之后,也即所述根据所述第一联合向量后验值和第一联合向量协方差后验值确定在电池实际运行的第一时刻的第一模型参数估算值以及第一SOC估算值之后,还包括步骤S610-S611:
S610,根据所述第一模型参数估算值和所述第一SOC估算值,获取所述电化学热耦合模型在电池实际运行的第一时刻的第一理论噪声方差。作为优选,所述步骤S610包括:
获取预设的时刻序列长度和电池实际运行的第一时刻的所述第一实际电池电压值;设LAUKF为预设的时刻序列长度;LAUKF≤k;也即LAUKF的具体数值可以根据用户需求设定。电池在实际运行的第一时刻的第一实际电池电压值可以直接测得。
根据所述第一SOC估算值、所述第一模型参数估算值和所述第一实际电池电压值,确定所述电化学热耦合模型在电池实际运行的第一时刻的第一模型输出残差;在该步骤中,可以根据预设的残差模型计算第一时刻的电化学热耦合模型的第一模型输出残差。作为优选,残差模型为:
其中:
Ue(k)为第k时刻的电化学热耦合模型的模型输出残差;
U(k)为第k时刻的实际电池电压值;
根据所述第一时刻之前的所述时刻序列长度之内的历史模型输出残差以及所述第一模型输出残差,确定所述电化学热耦合模型在电池实际运行的第一时刻的第一理论噪声方差。
也即,可以根据以下残差阵模型获取对应时刻的输出残差阵:
其中:
LAUKF为预设的时刻序列长度;LAUKF≤k;也即LAUKF的具体数值可以根据用户需求设定。
l为所述电池历史运行的第l时刻,k-LAUKF+1≤l≤k,且k为整数;在所述电池历史运行的第一时刻,l=1;在所述电池历史运行的第k时刻,l=k;
H(k)为电池实际运行的第k时刻的电化学热耦合模型的输出残差阵;
Ue(l)为电池的历史运行的第l时刻的电化学热耦合模型的历史模型输出残差。可理解地,在l=k时,历史模型输出残差即为第k时刻的电化学热耦合模型的模型输出残差。
在电池实际运行的第一时刻,k=1;此时,第一时刻的电化学热耦合模型的第一输出残差阵H(1)可以根据上述残差阵模型确定。进而,根据上述第一输出残差阵,可以获取所述电化学热耦合模型在电池实际运行的第一时刻的第一理论噪声方差,具体地,根据以下公式获取理论噪声方差:
其中:
Qid(k)为电池实际运行的第k时刻,电化学热耦合模型的理论噪声方差中的理论过程噪声方差;
Rid(k)为电池实际运行的第k时刻,电化学热耦合模型的理论噪声方差中的理论测量噪声方差;
Kjoint(k)为电池实际运行的第k时刻的测量修正矩阵;
H(k)为电池实际运行的第k时刻的电化学热耦合模型的输出残差阵;
R(k)为电池实际运行的第k时刻,电化学热耦合模型的测量噪声方差。在一些实施例中,第k时刻电化学热耦合模型的测量噪声方差,即为第k-1时刻已修正的理论噪声方差中的理论测量噪声方差。可理解地,第一时刻的初始测量噪声方差R(1)为预设值。
在电池实际运行的第一时刻,k=1;此时,初始测量噪声方差R(1)已知,Kjoint(1)、H(1)以及均已知,因此,可以直接获取第一理论过程噪声方差Qid(1)和第一理论测量噪声方差Rid(1),也即,确定所述电化学热耦合模型在电池实际运行的第一时刻的第一理论噪声方差。
S611,根据预设的噪声更新规则,通过AUKF滤波器修正所述电化学热耦合模型在电池实际运行的第一时刻的第一理论噪声方差。也即,在本发明中,AUKF滤波器可以在满足本实施例的条件时,实现对电池状态参数Pparameter、电池状态Xstate以及第一理论噪声方差进行更新的功能。上述噪声更新规则将确定噪声方差修正的边界条件以及变化大小,避免理论噪声方差与实际应用不相符而引发的算法发散问题。
在一实施例中,所述第一理论噪声方差包括第一理论测量噪声方差和第一理论过程噪声方差;所述步骤S611包括:
在所述第一理论测量噪声方差小于或等于预设的噪声边界值时,保持所述第一理论测量噪声方差以及所述第一理论过程噪声方差不变;
在所述第一理论测量噪声方差大于预设的噪声边界值时,通过所述AUKF滤波器将所述第一理论测量噪声方差更新为所述第一理论测量噪声方差以及预设的噪声方差初始值中的测量噪声初始值中的数值较大者,同时通过所述AUKF滤波器将所述第一理论过程噪声方差更新为所述第一理论过程噪声方差以及预设的噪声方差初始值中的过程噪声初始值中的矩阵迹较大者。在本实施例中,AUKF滤波器方可执行对第一理论测量噪声方差和第一理论过程噪声方差进行更新的动作。
本实施例中的上述噪声更新规则可以具体用以下公式来进行解释:
其中:
Q(k+1)为电池实际运行的第K时刻,修正之后的电化学热耦合模型的理论噪声方差中的理论过程噪声方差;
δ为预设的噪声边界值,该噪声边界值可以根据需求进行设定。
Q(k)为电池实际运行的第k时刻,电化学热耦合模型的过程噪声方差,在一些实施例中,第k时刻电化学热耦合模型的过程噪声方差,即为第k-1时刻已修正的理论噪声方差中的理论过程噪声方差。可理解地,第一时刻的初始过程噪声方差Q(1)为预设值。trace(Q(k))为矩阵Q(k)的迹;
Qid(k)为电池实际运行的第k时刻,电化学热耦合模型的理论噪声方差中的理论过程噪声方差;trace(Qid(k))为矩阵Qid(k)的迹;
Rid(k)为电池实际运行的第k时刻,电化学热耦合模型的理论噪声方差中的测量噪声方差;
R(k+1)为电池实际运行的第K时刻,修正之后的电化学热耦合模型的理论噪声方差中的理论测量噪声方差;
R(k)为电池实际运行的第k时刻,电化学热耦合模型的测量噪声方差,在一些实施例中,第k时刻电化学热耦合模型的测量噪声方差,即为第k-1时刻已修正的理论噪声方差中的理论测量噪声方差。可理解地,第一时刻的初始测量噪声方差R(1)为预设值。
在一实施例中,所述步骤S611包括:在电池实际运行的所有时刻的理论测量噪声方差均小于或等于所述噪声边界值时,保持所述第一理论测量噪声方差以及所述第一理论过程噪声方差不变;所述AUKF滤波器被降级为UKF滤波器;所述理论测量噪声方差包括电池实际运行的第一时刻的第一理论测量噪声方差。也即,,在本发明中,在所述电池实际运行的所有时刻的理论测量噪声方差均小于或等于所述噪声边界值时,说明理论测量噪声方差并不满足噪声更新规则,此时,理论测量噪声方差中的理论测量噪声方差和理论过程噪声方差均无需发生变更,此时,由于AUKF滤波器无需对第一理论测量噪声方差和第一理论过程噪声方差进行更新,仅需要实现对电池状态参数Pparameter和电池状态Xstate进行更新的功能即可,因此,在本实施例中,AUKF滤波器被降级为UKF滤波器使用,此时,在后续过程中使用;也即,在后续步骤中,若所述电池实际运行的所有时刻的理论测量噪声方差始终均小于或等于所述噪声边界值,则AUKF滤波器始终作为UKF滤波器仅执行对电池状态参数Pparameter和电池状态Xstate进行更新的动作即可。
在一实施例中,所述实际运行数据包括在电池实际运行的第N时刻采集的第二实际电池电流值、第二实际电池温度值和第二实际电池电压值;
所述步骤S511之后,也即所述根据预设的噪声更新规则,通过AUKF滤波器修正所述电化学热耦合模型在电池实际运行的第一时刻的第一理论噪声方差之后,还包括:
获取电池的在电池实际运行的第N-1时刻的第二联合向量后验值和第N-1时刻的第二联合向量协方差后验值;N为大于或等于2的正整数;所述第二联合向量后验值包含电池实际运行的第N-1时刻的所述电化学热耦合模型的第二模型参数估算值;可理解地,在本发明中,可以通过联合向量后验值对电池SOC值进行反馈修正,之后,将反馈修正之后的电池SOC值进一步在实际运行中进行修正(比如,在第N时刻,对第N-1时刻的第二联合向量后验值进行反馈修正,得到反馈修正之后的第三联合向量后验值等,根据第三联合向量后验值可以确定电池在所述电池在实际运行的第N时刻的第二SOC估算值),也即,电池SOC值在电池的实际运行过程中始终处于一个迭代修正的过程中,随着该迭代过程的进行,SOC估算值将会越来越准确,如此,可以有效地消除电化学热耦合模型的误差以及初始AUKF联合向量值的误差对实时的电池SOC值带来的误差影响。另一方面,本发明还可以对电化学热耦合模型的模型参数进行优化(比如,在第N时刻,根据第二联合向量后验值以及包含所述第N-1时刻的第二模型参数估算值的所述电化学热耦合模型,可以确定电池在所述电池在实际运行的第N时刻的第三联合向量后验值等,进而可以获知根据第三联合向量后验值可以确定电池在所述电池在实际运行的第N时刻的第二模型参数估算值),从而可以根据优化之后的模型参数更准确预估电池SOC值,如此,可以进一步消除电池SOC值估计误差对参数辨识结果的影响,使得模型参数更为匹配,减少了电池SOC值的估计误差。
将所述第二联合向量后验值和所述第二联合向量协方差后验值输入所述对称采样模型中,生成第一AUKF联合向量特征点集;可理解地,在电池实际运行的第N时刻,k=N;此时,根据所述对称采样模型:
其中,由步骤S30中可知,所述第二联合向量后验值Xjoint(N-1)和所述第二联合向量协方差Pjoint(N-1)均已知,第二联合向量后验值Xjoint(N-1)的长度M以及缩放系数μ也已知,因此以及可以根据上述参数进行确定;进而,第一AUKF联合向量特征点集可以被确定。
将所述第一AUKF联合向量特征点集以及所述第二实际电池电流值输入所述电池状态空间方程中,获取所述电池状态空间方程输出的所述电池在实际运行的第N时刻的第二特征点状态值;在电池的实际运行的第N时刻,k=N,此时,由上述电池状态空间方程可知:
获取已修正的第N-1时刻的第二理论噪声方差,将所述第二实际电池电流值、所述第二实际电池温度值、所述第二特征点状态值以及所述第二理论噪声方差输入所述状态空间模型中,确定电池实际运行的第N时刻的第二联合向量先验值、第二联合向量协方差先验值以及第二测量修正矩阵;在电池的实际运行的第N时刻,k=N,此时,根据上述状态空间模型可首先确定第二联合向量先验值进而确定第二联合向量协方差先验值最终确定第二测量修正矩阵Kjoint(N);其具体计算过程参照步骤S607中所述,在此不再赘述。
将所述第二实际电池电压值、所述第二联合向量先验值、所述第二联合向量协方差先验值以及所述第二测量修正矩阵输入所述估算模型中,确定所述电池在电池实际运行的第N时刻的第三联合向量后验值和第三联合向量协方差后验值;在电池的实际运行的第N时刻,k=N,此时,由于第N时刻的所述第二实际电池电压值U(N)已知;所述第一联合向量先验值第二联合向量先验值和第二联合向量协方差先验值最终确定第二测量修正矩阵Kjoint(N)均已知,步骤S508中提及的所述估算模型中的其他参数也可以参照上述步骤S507或其他步骤中得出,因此,可以根据上述估算模型确定所述电池在电池实际运行的第N时刻的第三联合向量后验值Xjoint(N)和第三联合向量协方差后验值Pjoint(N)。
根据所述第三联合向量后验值和第三联合向量协方差后验值确定在电池实际运行的第N时刻的第二SOC估算值以及第三模型参数估算值。在本实施例中,由于AUKF联合向量值可表达为:Xjoint=[Pparameter T,Xstate T]T;其中,Pparameter为所述电化学热耦合模型的模型参数组成的列向量,Xstate为电池状态组成的列向量。因此,可以根据第三联合向量后验值Xjoint(N)和第三联合向量协方差后验值Pjoint(N)确定第二SOC估算值以及第三模型参数估算值。也即,第三联合向量后验值、第三联合向量协方差后验值、第二SOC估算值以及第三模型参数估算值等均为第N次迭代更新的结果,且迭代更新之后的上述参数均可以在后续过程被持续迭代,进而使得电池SOC值的估算越来越精准。可理解地,N为大于或等于2的正整数,在N=2时,第N-1时刻即为第一时刻,此时,上述实施例中的第N-1时刻的第二联合向量后验值即为第一时刻对应的第一联合向量后验值;若N大于2,则可以根据上述实施例进行迭代即可。
如图3至图5所示,以某厂家生产的三元锂离子电池在动态工况下电池SOC估计为例,设置初始SOC误差为20%后,图3示出了锂离子电池在实际工况下的实际电流值(图3中所示12)和实际电压值(图3中所示11)曲线;图4示出了采用本发明AUKF方法(初始SOC误差为20%)进行SOC估计输出的SOC估计值(图4中所示22)与实际测得的SOC值(图4中所示21)之间的分布对比;图5示出了采用本发明AUKF方法进行SOC估计输出的SOC估计值与实际测得的SOC值之间的误差;由图3至图5可知,在实际动态工况下,本发明AUKF方法进行SOC估计的算法的收敛性很快并且SOC的误差相对较小,显著提高了电池SOC估计精度和计算速度。
进一步地,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机可读指令和数据库。该内存储器为非易失性存储介质中的操作系统和计算机可读指令的运行提供环境。该计算机可读指令被处理器执行时以实现一种基于AUKF的电池数据处理方法。
进一步地,提供了一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令,所述处理器执行所述计算机可读指令时实现上述的基于AUKF的电池数据处理方法。
本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可读指令,所述计算机可读指令被处理器执行时实现上述的基于AUKF的电池数据处理方法。
本发明还提供了一种车辆,所述车辆包括电池以及与所述电池通信连接的控制模块,所述控制模块用于执行所述的基于AUKF的电池数据处理方法。
关于所述控制模块的具体限定可以参见上文中对于基于AUKF的电池数据处理方法的限定,在此不再赘述。上述控制模块中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机可读指令来指令相关的硬件来完成,所述的计算机可读指令可存储于一非易失性计算机可读取存储介质中,该计算机可读指令在执行时,可包括如上述各方法的实施例的流程。其中,本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路DRAM(SLDRAM)、存储器总线直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元或模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元或模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包括在本发明的保护范围之内。
Claims (22)
1.一种基于AUKF的电池数据处理方法,其特征在于,包括:
建立电化学热耦合模型;
获取预设电池体的离线测试数据;所述预设电池体包括电池、正半电池和负半电池;所述正半电池的正极材料为所述电池的正极材料,所述正半电池的负极材料为金属锂;所述负半电池的正极材料为所述电池的负极材料,所述负半电池的负极材料为金属锂;
根据所述离线测试数据确定电化学热耦合模型的模型参数的初始值;
将所述电化学热耦合模型的模型参数和电池状态作为AUKF联合向量值,建立电池状态空间方程;
获取所述电池在实际运行过程中的实际运行数据;
根据所述实际运行数据、所述电池状态空间方程以及包含所述模型参数的初始值的电化学热耦合模型,确定所述电池在实际运行过程的模型参数估算值和SOC估算值。
2.如权利要求1所述的基于AUKF的电池数据处理方法,其特征在于,所述电化学热耦合模型包括锂离子在正负极材料内的第一扩散模型、锂离子在电解液内的第二扩散模型、正负极材料内的第一电势分布模型、电解液内的第二电势分布模型以及正负极材料和电解液接触的表面化学反应模型。
8.如权利要求1所述的基于AUKF的电池数据处理方法,其特征在于,所述获取预设电池体的离线测试数据,包括:
对所述预设电池体进行容量测试,直至所述预设电池体状态稳定;
对状态稳定之后的所述预设电池体进行脉冲测试并获取脉冲测试数据;
对所述预设电池体进行典型工况测试,并获取典型工况测试数据。
9.如权利要求8所述的基于AUKF的电池数据处理方法,其特征在于,所述对所述预设电池体进行容量测试,直至所述预设电池体状态稳定,包括:
将所述预设电池体以预设的容量测试电流值放电至第一电压下限之后,获取放电过程中的放电容量值,并将所述预设电池体静置第一预设时长;
将所述预设电池体以所述容量测试电流值充电至第一电压上限之后,以所述第一电压上限进行恒压充电,获取所述预设电池体在充电过程中的充电容量值,并将所述预设电池体静置所述第一预设时长;
在所述放电容量值与所述充电容量值之间的差值小于第一预设容量阈值时,确认完成容量测试;
在所述放电容量值与所述充电容量值之间的差值大于或等于所述第一预设容量阈值时,返回至将所述预设电池体以所述容量测试电流值放电至第一电压下限之后,获取放电过程中的放电容量值。
10.如权利要求8所述的基于AUKF的电池数据处理方法,其特征在于,所述对状态稳定之后的所述预设电池体进行脉冲测试并获取脉冲测试数据,包括:
对所述预设电池体依次进行第一数量的第一充电脉冲组合测试,一组所述第一充电脉冲组合测试包括第二预设时长的恒流脉冲和第一预设时长的静置;
对所述预设电池体依次进行第二数量的第二充电脉冲组合测试,一组所述第二充电脉冲组合测试包括累积脉冲小于第二预设容量阈值的恒流-恒压脉冲和第一预设时长的静置;
对所述预设电池体依次进行第三数量的脉冲放电组合测试;所述放电脉冲组合测试包括第二预设时长的恒流脉冲和第一预设时长的静置;
获取所述预设电池体的SOC值以及与所述SOC值对应的所述第一充电脉冲组合测试、所述第二充电脉冲组合测试和所述放电脉冲组合测试中测得的电压值,根据所述SOC值和所述电压值确定OCV-SOC曲线;所述OCV-SOC曲线包括所述正半电池对应的第一OCV-SOC曲线、所述负半电池对应的第二OCV-SOC曲线和所述电池对应的第三OCV-SOC曲线。
11.如权利要求8所述的基于AUKF的电池数据处理方法,其特征在于,所述对所述预设电池体进行典型工况测试,并获取典型工况测试数据,包括:
将所述预设电池体以预设的容量测试电流值充电至第二电压上限后,对所述预设电池体以预设的恒压值进行恒压充电,并将所述预设电池体静置第一预设时长;
将所述预设电池体以预设的典型工况放电至第二电压下限;
将所述预设电池体在典型工况放电过程中的测试电流、测试电压和测试温度记录为典型工况测试数据。
12.如权利要求8所述的基于AUKF的电池数据处理方法,其特征在于,所述根据所述离线测试数据确定电化学热耦合模型的模型参数的初始值,包括:
基于所述脉冲测试数据,利用预设优化算法确定所述电化学热耦合模型的多组电池模型初始参数;
根据所述典型工况测试数据,确定所述电化学热耦合模型的多组电池模型初始参数中的一组最优电池模型参数,并将所述最优模型参数记录为所述电化学热耦合模型的模型参数的初始值。
13.如权利要求1所述的基于AUKF的电池数据处理方法,其特征在于,所述实际运行数据包括在电池实际运行的第一时刻采集的第一实际电池电流值、第一实际电池温度值和第一实际电池电压值;
所述根据所述实际运行数据、所述电池状态空间方程以及包含所述模型参数的初始值的电化学热耦合模型,确定所述电池在实际运行过程的模型参数估算值和SOC估算值,包括:
根据所述模型参数的初始值确定参数协方差初始值;
根据所述实际运行数据确定所述电池在实际运行的初始时刻的电池状态初始值,并根据所述电池状态初始值确定电池状态协方差初始值;
根据所述模型参数的初始值和所述电池状态初始值确定初始AUKF联合向量值;
根据所述参数协方差初始值和所述电池状态协方差初始值确定联合向量协方差初始值;
将所述初始AUKF联合向量值和所述联合向量协方差初始值输入预设的对称采样模型中,生成初始AUKF联合向量特征点集;
将所述初始AUKF联合向量特征点集以及所述第一实际电池电流值输入所述电池状态空间方程中,获取所述电池状态空间方程输出的所述电池在实际运行的第一时刻的第一特征点状态值;
将所述第一实际电池电流值、所述第一实际电池温度值、所述第一特征点状态值以及预设的噪声方差初始值输入预设的状态空间模型中,确定电池实际运行的第一时刻的第一联合向量先验值、第一联合向量协方差先验值以及第一测量修正矩阵;
将所述第一实际电池电压值、所述第一联合向量先验值、所述第一联合向量协方差先验值以及所述第一测量修正矩阵输入预设的估算模型中,确定电池实际运行的第一时刻的第一联合向量后验值和第一联合向量协方差后验值;
根据所述第一联合向量后验值和第一联合向量协方差后验值确定在电池实际运行的第一时刻的第一模型参数估算值以及第一SOC估算值。
14.如权利要求13所述的基于AUKF的电池数据处理方法,其特征在于,所述根据所述第一联合向量后验值和第一联合向量协方差后验值确定在电池实际运行的第一时刻的第一模型参数估算值以及第一SOC估算值之后,还包括:
根据所述第一模型参数估算值和所述第一SOC估算值,获取所述电化学热耦合模型在电池实际运行的第一时刻的第一理论噪声方差;
根据预设的噪声更新规则,通过AUKF滤波器修正所述电化学热耦合模型在电池实际运行的第一时刻的第一理论噪声方差。
15.如权利要求14所述的基于AUKF的电池数据处理方法,其特征在于,所述根据所述第一模型参数估算值和所述第一SOC估算值,获取所述电化学热耦合模型在电池实际运行的第一时刻的第一理论噪声方差,包括:
获取预设的时刻序列长度和电池实际运行的第一时刻的所述第一实际电池电压值;
根据所述第一SOC估算值、所述第一模型参数估算值和所述第一实际电池电压值,确定所述电化学热耦合模型在电池实际运行的第一时刻的第一模型输出残差;
根据所述第一时刻之前的所述时刻序列长度之内的历史模型输出残差以及所述第一模型输出残差,确定所述电化学热耦合模型在电池实际运行的第一时刻的第一理论噪声方差。
16.如权利要求14所述的基于AUKF的电池数据处理方法,其特征在于,所述第一理论噪声方差包括第一理论测量噪声方差和第一理论过程噪声方差;
所述根据预设的噪声更新规则,通过AUKF滤波器修正所述电化学热耦合模型在电池实际运行的第一时刻的第一理论噪声方差,包括:
在所述第一理论测量噪声方差小于或等于预设的噪声边界值时,保持所述第一理论测量噪声方差以及所述第一理论过程噪声方差不变;
在所述第一理论测量噪声方差大于预设的噪声边界值时,通过所述AUKF滤波器将所述第一理论测量噪声方差更新为所述第一理论测量噪声方差以及预设的噪声方差初始值中的测量噪声初始值中的数值较大者,同时通过所述AUKF滤波器将所述第一理论过程噪声方差更新为所述第一理论过程噪声方差以及预设的噪声方差初始值中的过程噪声初始值中的矩阵迹较大者。
17.如权利要求14所述的基于AUKF的电池数据处理方法,其特征在于,所述根据预设的噪声更新规则,通过AUKF滤波器修正所述电化学热耦合模型在电池实际运行的第一时刻的第一理论噪声方差,包括:
在电池实际运行的所有时刻的理论测量噪声方差均小于或等于所述噪声边界值时,保持所述第一理论测量噪声方差以及所述第一理论过程噪声方差不变;所述AUKF滤波器被降级为UKF滤波器;所述理论测量噪声方差包括电池实际运行的第一时刻的第一理论测量噪声方差。
18.如权利要求14所述的基于AUKF的电池数据处理方法,其特征在于,所述实际运行数据包括在电池实际运行的第N时刻采集的第二实际电池电流值、第二实际电池温度值和第二实际电池电压值;
所述根据预设的噪声更新规则,通过AUKF滤波器修正所述电化学热耦合模型在电池实际运行的第一时刻的第一理论噪声方差之后,还包括:
获取电池的在电池实际运行的第N-1时刻的第二联合向量后验值和第N-1时刻的第二联合向量协方差后验值;N为大于或等于2的正整数;所述第二联合向量后验值包含电池实际运行的第N-1时刻的所述电化学热耦合模型的第二模型参数估算值;
将所述第二联合向量后验值和所述第二联合向量协方差后验值输入所述对称采样模型中,生成第一AUKF联合向量特征点集;
将所述第一AUKF联合向量特征点集以及所述第二实际电池电流值输入所述电池状态空间方程中,获取所述电池状态空间方程输出的所述电池在实际运行的第N时刻的第二特征点状态值;
获取已修正的第N-1时刻的第二理论噪声方差,将所述第二实际电池电流值、所述第二实际电池温度值、所述第二特征点状态值以及所述第二理论噪声方差输入所述状态空间模型中,确定电池实际运行的第N时刻的第二联合向量先验值、第二联合向量协方差先验值以及第二测量修正矩阵;
将所述第二实际电池电压值、所述第二联合向量先验值、所述第二联合向量协方差先验值以及所述第二测量修正矩阵输入所述估算模型中,确定所述电池在电池实际运行的第N时刻的第三联合向量后验值和第三联合向量协方差后验值;
根据所述第三联合向量后验值和第三联合向量协方差后验值确定在电池实际运行的第N时刻的第二SOC估算值以及第三模型参数估算值。
21.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令,其特征在于,所述处理器执行所述计算机可读指令时实现如权利要求1至20任一项所述的基于AUKF的电池数据处理方法。
22.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可读指令,其特征在于,所述计算机可读指令被处理器执行时实现如权利要求1至20任一项所述的基于AUKF的电池数据处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010037766.2A CN113125969B (zh) | 2020-01-14 | 2020-01-14 | 基于aukf的电池数据处理方法、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010037766.2A CN113125969B (zh) | 2020-01-14 | 2020-01-14 | 基于aukf的电池数据处理方法、设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113125969A true CN113125969A (zh) | 2021-07-16 |
CN113125969B CN113125969B (zh) | 2022-07-15 |
Family
ID=76771119
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010037766.2A Active CN113125969B (zh) | 2020-01-14 | 2020-01-14 | 基于aukf的电池数据处理方法、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113125969B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116381512A (zh) * | 2023-06-06 | 2023-07-04 | 宁德时代新能源科技股份有限公司 | 电池电压计算方法、装置、电子设备及可读存储介质 |
CN116587916A (zh) * | 2023-05-19 | 2023-08-15 | 杭州天卓网络有限公司 | 电动车的智能充电方法、充电桩、计算机设备和存储介质 |
Citations (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010011825A1 (en) * | 2008-07-25 | 2010-01-28 | Delphi Technologies, Inc. | Current and temperature sensing of standard field-effect transistors |
US20110309800A1 (en) * | 2010-06-18 | 2011-12-22 | Bertness Kevin I | Battery maintenance device with thermal buffer |
US20120310565A1 (en) * | 2011-05-31 | 2012-12-06 | Laszlo Redey | Apparatus and method for determining battery/cell's performance, age, and health |
JP2013072677A (ja) * | 2011-09-27 | 2013-04-22 | Primearth Ev Energy Co Ltd | 二次電池の充電状態推定装置 |
US20130135110A1 (en) * | 2011-01-20 | 2013-05-30 | Indiana University Research And Technology Corporation | Advanced battery early warning and monitoring system |
CN103744026A (zh) * | 2013-12-19 | 2014-04-23 | 广西科技大学 | 基于自适应无迹卡尔曼滤波的蓄电池荷电状态估算方法 |
CN103941196A (zh) * | 2014-05-07 | 2014-07-23 | 吉林大学 | 锂离子电池荷电状态估计方法 |
US20140266064A1 (en) * | 2013-03-15 | 2014-09-18 | Samsung Sdi Co., Ltd. | Battery Cell Unit Comprising a Battery Cell and a Monitoring and Actuation Unit for Monitoring the Battery Cell and Method for Monitoring a Battery Cell |
CN104502851A (zh) * | 2014-12-12 | 2015-04-08 | 广西科技大学 | 一种基于aukf算法的soc估算方法 |
CN104714188A (zh) * | 2015-03-31 | 2015-06-17 | 桂林电子科技大学 | 量测噪声方差阵相匹配的电池电荷状态估计方法与系统 |
CN104849675A (zh) * | 2015-06-17 | 2015-08-19 | 哈尔滨工业大学 | 锂离子电池电化学和热耦合模型的获取方法 |
US20150295432A1 (en) * | 2014-04-14 | 2015-10-15 | Hitachi, Ltd. | Battery system |
CN105206888A (zh) * | 2015-08-31 | 2015-12-30 | 浙江工业大学之江学院 | 一种锂离子电池内部温度监测方法 |
CN105425164A (zh) * | 2015-12-25 | 2016-03-23 | 华北电力科学研究院有限责任公司 | 全钒液流电池荷电状态在线监测方法及系统 |
CN106019164A (zh) * | 2016-07-07 | 2016-10-12 | 武汉理工大学 | 基于双重自适应无际卡尔曼滤波器的锂电池soc估计算法 |
CN106054085A (zh) * | 2016-07-11 | 2016-10-26 | 四川普力科技有限公司 | 一种基于温度用于估计电池soc的方法 |
CN106908737A (zh) * | 2017-03-31 | 2017-06-30 | 清远佳致新材料研究院有限公司 | 一种基于电化学反应机理仿真的锂离子电池寿命预测方法 |
CN107064811A (zh) * | 2017-03-01 | 2017-08-18 | 华南理工大学 | 一种锂电池soc在线估计方法 |
CN107066722A (zh) * | 2017-04-06 | 2017-08-18 | 北京理工大学 | 一种基于电化学模型的动力电池系统荷电状态和健康状态的联合估计方法 |
CN108333528A (zh) * | 2018-02-07 | 2018-07-27 | 重庆大学 | 基于动力电池电-热耦合模型的soc和sot联合状态估计方法 |
CN108872873A (zh) * | 2018-06-29 | 2018-11-23 | 长沙理工大学 | 一种基于ga-aukf的磷酸铁锂动力电池荷电状态联合估算方法 |
JP2018205188A (ja) * | 2017-06-06 | 2018-12-27 | カルソニックカンセイ株式会社 | 電池状態推定装置および電池コントローラ |
CN109344429A (zh) * | 2018-08-24 | 2019-02-15 | 江苏大学 | 一种提高电化学-热耦合模型温度适用性和准确性建模方法 |
CN109884548A (zh) * | 2019-03-04 | 2019-06-14 | 武汉科技大学 | 一种基于gasvm-aukf算法的锂电池剩余寿命预测方法 |
CN110095723A (zh) * | 2018-01-26 | 2019-08-06 | 重庆邮电大学 | 一种锂离子电池模型参数与soc在线联合估计方法 |
CN110165314A (zh) * | 2019-04-30 | 2019-08-23 | 蜂巢能源科技有限公司 | 电池电芯性能参数获取方法及获取装置 |
CN110361652A (zh) * | 2019-06-26 | 2019-10-22 | 河南理工大学 | 一种基于模型参数优化的卡尔曼滤波锂电池soc估计方法 |
CN110398691A (zh) * | 2019-06-26 | 2019-11-01 | 重庆大学 | 基于改进自适应双无迹卡尔曼滤波器的锂离子动力电池SoC估计方法 |
CN110502778A (zh) * | 2019-07-02 | 2019-11-26 | 江苏大学 | 一种基于卡尔曼滤波框架估算电池soc的自适应优化方法 |
-
2020
- 2020-01-14 CN CN202010037766.2A patent/CN113125969B/zh active Active
Patent Citations (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010011825A1 (en) * | 2008-07-25 | 2010-01-28 | Delphi Technologies, Inc. | Current and temperature sensing of standard field-effect transistors |
US20110309800A1 (en) * | 2010-06-18 | 2011-12-22 | Bertness Kevin I | Battery maintenance device with thermal buffer |
US20130135110A1 (en) * | 2011-01-20 | 2013-05-30 | Indiana University Research And Technology Corporation | Advanced battery early warning and monitoring system |
US20120310565A1 (en) * | 2011-05-31 | 2012-12-06 | Laszlo Redey | Apparatus and method for determining battery/cell's performance, age, and health |
JP2013072677A (ja) * | 2011-09-27 | 2013-04-22 | Primearth Ev Energy Co Ltd | 二次電池の充電状態推定装置 |
US20140266064A1 (en) * | 2013-03-15 | 2014-09-18 | Samsung Sdi Co., Ltd. | Battery Cell Unit Comprising a Battery Cell and a Monitoring and Actuation Unit for Monitoring the Battery Cell and Method for Monitoring a Battery Cell |
CN103744026A (zh) * | 2013-12-19 | 2014-04-23 | 广西科技大学 | 基于自适应无迹卡尔曼滤波的蓄电池荷电状态估算方法 |
US20150295432A1 (en) * | 2014-04-14 | 2015-10-15 | Hitachi, Ltd. | Battery system |
CN103941196A (zh) * | 2014-05-07 | 2014-07-23 | 吉林大学 | 锂离子电池荷电状态估计方法 |
CN104502851A (zh) * | 2014-12-12 | 2015-04-08 | 广西科技大学 | 一种基于aukf算法的soc估算方法 |
CN104714188A (zh) * | 2015-03-31 | 2015-06-17 | 桂林电子科技大学 | 量测噪声方差阵相匹配的电池电荷状态估计方法与系统 |
CN104849675A (zh) * | 2015-06-17 | 2015-08-19 | 哈尔滨工业大学 | 锂离子电池电化学和热耦合模型的获取方法 |
CN105206888A (zh) * | 2015-08-31 | 2015-12-30 | 浙江工业大学之江学院 | 一种锂离子电池内部温度监测方法 |
CN105425164A (zh) * | 2015-12-25 | 2016-03-23 | 华北电力科学研究院有限责任公司 | 全钒液流电池荷电状态在线监测方法及系统 |
CN106019164A (zh) * | 2016-07-07 | 2016-10-12 | 武汉理工大学 | 基于双重自适应无际卡尔曼滤波器的锂电池soc估计算法 |
CN106054085A (zh) * | 2016-07-11 | 2016-10-26 | 四川普力科技有限公司 | 一种基于温度用于估计电池soc的方法 |
CN107064811A (zh) * | 2017-03-01 | 2017-08-18 | 华南理工大学 | 一种锂电池soc在线估计方法 |
CN106908737A (zh) * | 2017-03-31 | 2017-06-30 | 清远佳致新材料研究院有限公司 | 一种基于电化学反应机理仿真的锂离子电池寿命预测方法 |
CN107066722A (zh) * | 2017-04-06 | 2017-08-18 | 北京理工大学 | 一种基于电化学模型的动力电池系统荷电状态和健康状态的联合估计方法 |
JP2018205188A (ja) * | 2017-06-06 | 2018-12-27 | カルソニックカンセイ株式会社 | 電池状態推定装置および電池コントローラ |
CN110095723A (zh) * | 2018-01-26 | 2019-08-06 | 重庆邮电大学 | 一种锂离子电池模型参数与soc在线联合估计方法 |
CN108333528A (zh) * | 2018-02-07 | 2018-07-27 | 重庆大学 | 基于动力电池电-热耦合模型的soc和sot联合状态估计方法 |
CN108872873A (zh) * | 2018-06-29 | 2018-11-23 | 长沙理工大学 | 一种基于ga-aukf的磷酸铁锂动力电池荷电状态联合估算方法 |
CN109344429A (zh) * | 2018-08-24 | 2019-02-15 | 江苏大学 | 一种提高电化学-热耦合模型温度适用性和准确性建模方法 |
CN109884548A (zh) * | 2019-03-04 | 2019-06-14 | 武汉科技大学 | 一种基于gasvm-aukf算法的锂电池剩余寿命预测方法 |
CN110165314A (zh) * | 2019-04-30 | 2019-08-23 | 蜂巢能源科技有限公司 | 电池电芯性能参数获取方法及获取装置 |
CN110361652A (zh) * | 2019-06-26 | 2019-10-22 | 河南理工大学 | 一种基于模型参数优化的卡尔曼滤波锂电池soc估计方法 |
CN110398691A (zh) * | 2019-06-26 | 2019-11-01 | 重庆大学 | 基于改进自适应双无迹卡尔曼滤波器的锂离子动力电池SoC估计方法 |
CN110502778A (zh) * | 2019-07-02 | 2019-11-26 | 江苏大学 | 一种基于卡尔曼滤波框架估算电池soc的自适应优化方法 |
Non-Patent Citations (5)
Title |
---|
JINHAO MENG等: "State-of-charge estimation for lithium-ion battery using AUKF and LSSVM", 《 2014 IEEE CONFERENCE AND EXPO TRANSPORTATION ELECTRIFICATION ASIA-PACIFIC (ITEC ASIA-PACIFIC)》 * |
LIMIN HUANG等: "Study on prediction algorithm of AUKF for the lithium-ion battery Soc", 《2015 IEEE INTERNATIONAL CONFERENCE ON COMMUNICATION PROBLEM-SOLVING (ICCP)》 * |
刘伟龙等: "基于模型融合与自适应无迹卡尔曼滤波算法的锂离子电池SOC估计", 《汽车工程》 * |
安治国等: "基于自适应无迹卡尔曼滤波的锂电池SOC估计", 《储能科学与技术》 * |
颜湘武等: "基于自适应无迹卡尔曼滤波的动力电池健康状态监测及梯次利用研究", 《电工技术学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116587916A (zh) * | 2023-05-19 | 2023-08-15 | 杭州天卓网络有限公司 | 电动车的智能充电方法、充电桩、计算机设备和存储介质 |
CN116587916B (zh) * | 2023-05-19 | 2023-10-24 | 杭州天卓网络有限公司 | 电动车的智能充电方法、充电桩、计算机设备和存储介质 |
CN116381512A (zh) * | 2023-06-06 | 2023-07-04 | 宁德时代新能源科技股份有限公司 | 电池电压计算方法、装置、电子设备及可读存储介质 |
CN116381512B (zh) * | 2023-06-06 | 2023-10-27 | 宁德时代新能源科技股份有限公司 | 电池电压计算方法、装置、电子设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113125969B (zh) | 2022-07-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107422269B (zh) | 一种锂电池在线soc测量方法 | |
CN111060820B (zh) | 一种基于二阶rc模型的锂电池soc和sop估计方法 | |
Li et al. | A novel parameter and state-of-charge determining method of lithium-ion battery for electric vehicles | |
CN112883531B (zh) | 锂离子电池数据处理方法、计算机设备和存储介质 | |
CN112005124A (zh) | 电池状态评估方法 | |
CN112964991A (zh) | 电池内部温度信息处理方法、计算机设备和存储介质 | |
CN112964992B (zh) | 基于aukf的电池内部温度信息处理方法、设备和介质 | |
CN112462282B (zh) | 基于机理模型的用于确定电池组实时荷电状态的方法 | |
CN112858920B (zh) | 一种基于自适应无迹卡尔曼滤波的全钒液流电池融合模型的soc估算方法 | |
CN112182890A (zh) | 面向低温应用的锂离子电池电化学模型 | |
CN113011012B (zh) | 一种基于Box-Cox变化的储能电池剩余寿命预测方法 | |
CN112269133B (zh) | 一种基于预充电路模型参数识别的soc估计方法 | |
CN113125969B (zh) | 基于aukf的电池数据处理方法、设备和介质 | |
CN112580284A (zh) | 一种混合电容器等效电路模型及在线参数辨识方法 | |
CN112946481A (zh) | 基于联合h∞滤波的滑模观测器锂离子电池soc估计方法及电池管理系统 | |
CN113219344A (zh) | 一种铅酸蓄电池soc估计方法 | |
CN115754741A (zh) | 储能系统的soc估算方法及装置、设备及存储介质 | |
CN114089193A (zh) | 电池的温度和负极电位在线估计方法、装置和计算机设备 | |
CN112946480B (zh) | 一种提高soc估计实时性的锂电池电路模型简化方法 | |
CN113189500A (zh) | 电池电量计算方法、装置、计算机设备和存储介质 | |
CN116819340A (zh) | 一种储能锂电池在线参数辨识与状态估计方法及系统 | |
CN116125314A (zh) | 基于电化学模型及粒子滤波的锂电池荷电状态估计方法 | |
Sun et al. | Online model identification method of vanadium redox flow battery based on time-varying forgetting factor recursive least squares | |
CN113030741B (zh) | 基于aukf的电池模型参数和soc估算方法、设备和介质 | |
CN112782586A (zh) | 一种基于实际局部数据的锂离子电池容量估算方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |