CN113138342B - 一种基于滚动时域估计的soc在线估算方法及系统 - Google Patents
一种基于滚动时域估计的soc在线估算方法及系统 Download PDFInfo
- Publication number
- CN113138342B CN113138342B CN202110304715.6A CN202110304715A CN113138342B CN 113138342 B CN113138342 B CN 113138342B CN 202110304715 A CN202110304715 A CN 202110304715A CN 113138342 B CN113138342 B CN 113138342B
- Authority
- CN
- China
- Prior art keywords
- gas
- soc
- battery
- estimation
- moment
- 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.)
- Active
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]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- 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]
- G01R31/378—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] specially adapted for the type of battery or accumulator
Abstract
本发明提供一种基于滚动时域估计的SOC在线估算方法及系统,包括以下步骤:确定被估算对象锂离子电池的OCV‑SOC关系;建立气液动力学锂离子电池模型;建立气液动力学模型,使用气液动力学模型模拟气液动力学锂离子电池解析模型,通过气液动力学锂离子电池解析模型计算得到电池端电压值的估算值;建立基于安时积分法的电池SOC估算方程,得到当前实时电池SOC先验估计值;利用滚动时域估计算法对SOC先验估计值进行优化,得到SOC最优估算值。本发明用于提高SOC估算精度并消除原始模型在局部估算精度丢失的问题。
Description
技术领域
本发明属于电动汽车电力电池技术领域,尤其涉及一种基于滚动时域估计的SOC在线估算方法及系统。
背景技术
近年来,世界正在向可再生和可持续能源快速转型。许多可再生能源,如太阳能和风能,都依靠储能装置来持续输送能量。此外,在电能应用的末端,储能装置在便携式应用中显得更加重要。因此,可充电电池已成为电能储存的重要形式,并被广泛应用于电动汽车、消费电子、航空航天、机器人和电网等领域。与其他类型的可充电电池相比,锂离子可充电电池具有较高的能量密度和较低的记忆效应。此外,锂离子可充电电池具有较好的循环寿命周期、较低的自放电率、良好的充放电效率,并且可以在在较宽的温度范围内可靠地工作。因此,整个社会对锂离子电池的需求很高。然而,为了确保所有锂离子电池的安全、高效和可靠使用,则需要电池管理系统的支持。
电池管理系统(BMS)可以确保电池供电系统的安全性、效率和可靠性。BMS的一个主要功能是电池状态估算,它用于估计电池的一些重要状态,如充电状态(SOC)、健康状态(SOH)和电源状态(SOP)。电池状态估算由几个模块组成,主要可分为两组。第一组负责估算电池参数,如开路电压(OCV)参数、等效电路模型(ECM)参数和电池容量。这些参数可以在线或离线估计,具体取决于软件设计和需求。虽在电池寿命的初始阶离线估算技术比在线估算技术更准确,但随着电池寿命的延长,其参数开始偏离初始值,在线技术则变得更为合适。第二组模块用于估计重要的电池状态,如SOH和SOP。估计SOH和SO的许多技术都依赖于精确的SOC,这突出了在电池状态估计过程中SOC\OCV估算的重要性。
然而在电池运行时,可测量的端电压是OCV和电压降的总和。由于在电池运行过程中无法直接测量极化电压降,因此需要长时间,直到消除极化电压降,端电压变为等效于OCV才可以直接测量。目前,有两种现有的方法试图解决这个问题。第一种方法利用等效电路模型,来估计极化效应引起的电压降。然后,通过从端电压中减去该压降,即可计算OCV。过去,人们提出了不同的在线估计方法;由于不需要等到消除极化效应,这些方法可以比离线估计更快。然而,等效电路模型在OCV建模方面存在不足。首先,模型的精度取决于所采用的OCV模型。由于BMS所用微控制器的能力有限,因此只能采用简单的模型来描述OCV,进而导致精度的下降。第二种方式利用电化学模型来估计电池运行中的真实状态。事实上,电化学模型考虑了锂离子的传输、电化学动力学和材料性质,这是从理论上来说是一种理想的选择,因为它们除了能够准确预测开路电压外,还提供了有关内部物理变量的信息。电化学模型的控制方程是一组耦合的非线性偏微分方程,求解这些方程需要相当大的计算能力。为了在实时应用中使用电化学模型,在实际应用中只能降低模型阶数,从而得到降阶模型。这会造成与等效电路模型类似的问题。
发明内容
针对上述问题的不足,本发明提出一种基于滚动时域估计的SOC在线估算方法及系统,提高SOC估算精度并消除原始模型在局部估算精度丢失的问题。
本发明的具体实施步骤如下:
一种基于滚动时域估计的SOC在线估算方法,包括以下步骤:
确定被估算对象锂离子电池的OCV-SOC关系;
建立气液动力学锂离子电池模型;建立气液动力学模型,使用气液动力学模型模拟气液动力学锂离子电池解析模型,通过气液动力学锂离子电池解析模型计算得到电池端电压值的估算值;
建立基于安时积分法的电池SOC估算方程,得到当前实时电池SOC先验估计值;
利用滚动时域估计算法对SOC先验估计值进行优化,得到SOC最优估算值。
上述方案中,所述确定被估算对象的OCV-SOC关系的步骤包括:
对锂离子电池进行多温度下的HPPC充放电实验,实验过程中记录电池每个HPPC脉冲循环搁置末段的电压与SOC的对应数据,再将该数据导入OriginLab中进行数据拟合以获得电池SOC-OCV函数。
上述方案中,所述建立气液动力学锂离子电池解析模型的步骤中,所述气液动力学模型包括一个体积为V的储气罐,储气罐内存有体积为Vl的液体,Vl<V,储气罐内未溶解于液体的理想气体的物质的量为ng,溶解于液体的理想气体的物质的量为nlg,气液系统内部平衡时理想气体的压强为P,储气罐设有管道,管道上设有阀门,储气罐阀门处的压强为Pv,
假设气液系统从初始时刻t0到t1时刻保持平衡,在t1时刻打开阀门,此时储气罐内理想气体向外排出,经过时间Δt后到达t2时刻,此时关闭阀门,静置至无穷大的t∞时刻,此时气液系统再次恢复平衡;
P1V=n1RT1 式7
式中,P1为气液系统在时刻内部理想气体压强,n1为理想气体在时刻的物质的量,T1为此时系统的热力学温度,R为热力学常数,nlg1为时刻溶解于液体中的理想气体的物质的量,为理想气体分子的有效间隙,bm为理想气体分子的范德华体积;
在t2时刻,根据理想气体状态方程和伯努利方程:
P2V=n2RT2 式9
式中,P2为气液系统在t2时刻内部理想气体压强,n2为理想气体在t2时刻的物质的量,T2为此时系统的热力学温度,Pv2为t2时刻阀门处气体压强,v2为此时气体流速,ρ为理想气体密度,μ为管道阻力系数;
在t∞时刻,根据理想气体状态方程和气体间隙填充度方程:
P3V=n3RT3 式11
式中,P3为气液系统在t∞时刻内部理想气体压强,n3为理想气体在t∞时刻的物质的量,T3为此时系统的热力学温度,nlg3为t∞时刻溶解于液体中的理想气体的物质的量;
由于从t1时刻到t2时刻经过的时间极短,假设在此阶段溶解于液体的理想气体的物质的量不变,即nlg1=nlg2,而从t2时刻到t∞时刻系统处于静置状态,因此存在T2=T3;
根据上述公式(7)~(12),在气液系统中得到如下状态方程,即气液动力学模型:
其中,k1、k2、k3、k4为系统参数,通过参数识别获得,P3为待求的平衡时气体压力。
进一步的,所述建立气液动力学锂离子电池解析模型步骤中,将气液动力学模型的气液系统模拟电池系统的充放电以及极化过程,将气液动力学模型应用于电池状态估算,根据式(13),P2对应U2,Pv2对应Uv2,v对应I,P1对应U1,P3对应U3,得气液动力学锂离子电池解析模型为:
其中,I为当前待估算时刻的输入电流,充电为正,放电为负,T1为上一时刻采集的系统的热力学温度,T2为当前时刻系统的热力学温度,k1、k2、k3、k4为系统参数,通过参数识别获得,Uv2为当前时刻电池端电压,U1为上一时刻估算出的电池系统开路电压,U2为中间态电压,U3为当前时刻对应的电池开路电压。
上述方案中,所述建立基于安时积分法的电池SOC估算方程步骤中,使用安时积分法建立正向SOC估算方程,即:
式中,SOC(t)为t时刻电池的荷电状态,SOC0为安时积分开始时的初始SOC值,I(t)为t时刻对应的电流,CN为电池标称容量。
上述方案中,所述用滚动时域估计算法对估算结果进行优化的步骤为:
在应用滚动时域估算算法前,将气液动力学模型的气液系统表述为如下标准非线性状态空间模型:
xk+1=f(xk,uk)+wk 式2
yk=h(xk,uk)+vk 式3
式中xk为k时刻系统状态量,xk+1为k+1时刻系统状态量,其具体定义如式4所示;yk是k时刻系统观测变量;uk是k时刻系统输入,其具体定义如式5所示,f(x,u)为系统状态方程,h(x,u)为系统观测方程,wk,vk分别代表k时刻系统误差和测量误差;
k时刻系统状态量xk具体定义如下:
式中,SOCk为k时刻系统荷电状态,OCVk为k时刻系统开路电压;
k时刻系统输入量uk具体定义如下:
式中,Ik为k时刻系统电流,Tk-1,Tk分别为k-1时刻和k时刻系统热力学温度;
在任意的k时刻,滚动时域状态估计算法首先选取一个时域窗口[k-N+1,k]中的N个值的信息对k+1时刻的状态进行估计,接下来,通过构建到达函数,建立估计值和前N个时刻状态量之间的关系,最小化系统误差,从而将预测问题转化为最优估计问题,进而得到状态估计值。
一种实现所述基于滚动时域估计的SOC在线估算方法的系统,包括主控单元、通讯单元和执行单元;
所述主控单元包括逻辑控制模块和供电模块;
所述通讯单元包括显示接口、上位机通讯接口、系统内部数字及模拟信号通讯接口;
所述执行单元包括温度采集模块、电压采集模块、电流采集模块、数字量输出控制模块;所述温度采集模块用于采集电池的温度,所述电压采集模块用于采集电池的电压,所述电流采集模块用于采集电池的电流;
所述温度采集模块、电压采集模块和电流采集模块分别与电池以及主控单元相连接并将采集的温度、电压和电流信号传送到主控单元,所述主控单元根据基于滚动时域估计的SOC在线估算方法计算出电池的SOC值;
所述通讯单元分别和主控单元与上位机显示单元连接,将电池温度、电流、电压和电池SOC值发送给上位机显示单元。
上述方案中,所述主控单元的逻辑控制模块为单片机。
与现有技术相比,本发明的有益效果是:
本发明在原有气液动力学锂离子电池模型的基础上应用滚动时域估计算法,消除了原始模型估算误差波动较大的缺点,与采用卡尔曼滤波算法进行改进的方案相比滚动时域算法考虑过去多个步长的累积信息,提高了在全工况下模型的估算稳定性和估算精度,有效解决了卡尔曼滤波存在的结果发散问题。与其他估算模型相比,本算法具有计算简单,估算精度高,鲁棒性强等优点。
附图说明
图1为本发明提供的锂离子电池的HPPC测试图,其中图1(a)为电压曲线图,图1(b)为电流曲线图;
图2为本发明提供的锂离子电池的SOC-OCV曲线;
图3为本发明提供的锂离子电池的双温度气液动力学电池模型图;
图4为本发明提供的锂离子电池的SOC在线估测方法的观测实验结果图;
图5为本发明提供的锂离子电池的SOC在线估测方法的观测实验结果误差图;
图6为本发明提供的锂离子电池的SOC在线估测方法的恒流实验结果对比图,其中图6(a)为恒流工况下SOC估算结果与真实SOC对比图,图6(b)为恒流工况1C下估算结果与真实SOC之间的误差图;
图7为本发明提供的锂离子电池的SOC在线估测方法的动态HPPC实验结果对比图,其中图7(a)为混合动力脉冲能力测试(HPPC)工况下SOC估算结果与真实SOC对比图,图7(b)为HPPC工况下估算结果与真实SOC之间的误差图;
图8为本发明提供的锂离子电池的SOC在线估测方法的动态DST实验结果对比图,其中图8(a)为DST工况下SOC估算结果与真实SOC对比图,图8(b)为DST工况下估算结果与真实SOC之间的误差图;
图9为本发明提供的锂离子电池的SOC在线估测方法的估算系统框架图。
具体实施方式
下面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完整详细的描述。本部分所描述的实施例仅为本发明的一种举例,而非全部实施例。本领域普通技术人员在没有做出其他创造性劳动的前提下所获得的所有基于本发明的实施例均属于本发明的保护范围。
实施例1:
一种基于滚动时域估计的SOC在线估算方法,包括以下步骤:
步骤S1、确定被估算对象锂离子电池的OCV-SOC关系:确定被估算对象即锂离子电池的OCV-SOC关系具体包括对锂离子电池进行多温度下的HPPC充放电实验,优选的,实验温度分别为-5℃、5℃、25℃和45℃。实验过程中记录电池每个HPPC脉冲循环搁置末段的电压与SOC的对应数据,再将该数据导入OriginLab中进行数据拟合以获得电池SOC-OCV函数。
步骤S2、建立气液动力学锂离子电池模型;建立气液动力学模型,使用气液动力学模型模拟气液动力学锂离子电池解析模型,通过气液动力学锂离子电池解析模型计算得到电池端电压值的估算值;建立气液动力学锂离子电池模型,通过将电池系统模拟为气液储能系统,实现用气液动力学方程求解电池状态参数的目的。通过流体力学中常见的气液系统来模拟复杂的电池系统。在模拟中,存在以下对应关系:气液系统内部平衡时的气体压力对应电池的开路电压;阀门处气体气压对应电池的端电压;气体流速对应电池系统的输入输出电流;气液系统温度对应电池系统温度。通过上述对应,依据理想气体状态方程、伯努利方程和气体间隙溶解度填充方程,可以使用气液系统模拟电池系统的充放电以及极化过程。
步骤S3、建立基于安时积分法的电池SOC估算方程,得到当前实时电池SOC先验估计值;
步骤S4、利用滚动时域估计算法对SOC先验估计值进行优化,得到SOC最优估算值。
在本实施例中,选择一款商用18650三元锂离子动力电池,电池型号为US18650VTC5,电池容量为2.6Ah。
步骤S1,如图1所示,根据USAFreedom CAR测试手册,对电池进行标准HPPC测试,以获得电池的开路电压与SOC的关系。HPPC测试的流程如下:
1.容量校准:电池以1/3C的恒定电流放电至2.8V,然后再以1/3C的恒定电流充电至4.25V并保持4.25V恒压充电至1/20C截止电流。
2.执行HPPC循环:搁置1h,然后将电池以1C电流放电至5%DOD,接下来以3C电流充电10s,再搁置40s,再以3C电流放电10s。
通过上述HPPC测试,可获得36个OCV数据点,对其进行5阶多项式拟合,拟合曲如图2所示,可获得如下拟合公式:
步骤S2,如图3所示,建立气液动力学模型。所述气液动力学模型包括一个体积为V的储气罐,储气罐内存有体积为Vl(Vl<V)的液体,储气罐内未溶解于液体的理想气体的物质的量为ng,溶解于液体的理想气体的物质的量为nlg。气液系统内部平衡时理想气体的压强为P,储气罐阀门处的压强为Pv。
现假设气液系统从初始时刻t0到t1时刻保持平衡,在t1时刻打开阀门,经过一个极短的时间Δt后到达t2时刻,此时关闭阀门,静置至无穷大的t∞时刻,此时气液系统再次恢复平衡。
PiV=n1RT1 式7
式中,P1为气液系统在时刻内部理想气体压强,n1为理想气体在时刻的物质的量,T1为此时系统的热力学温度,R为热力学常数(R=8.31J·(mol·K)-1)。nlg1为时刻溶解于液体中的理想气体的物质的量,为理想气体分子的有效间隙,bm为理想气体分子的范德华体积。
在t2时刻(待估算时刻),根据理想气体状态方程和伯努利方程:
P2V=n2RT2 式9
式中,P2为气液系统在t2时刻内部理想气体压强,n2为理想气体在t2时刻的物质的量,T2为此时系统的热力学温度。Pv2为t2时刻阀门处气体压强,v2为此时气体流速,ρ,μ分别为理想气体密度和管道阻力系数。
在t∞时刻,根据理想气体状态方程和气体间隙填充度方程:
P3V=n3RT3 式11
式中,P3为气液系统在t∞时刻内部理想气体压强,n3为理想气体在t∞时刻的物质的量,T3为此时系统的热力学温度,nlg3为t∞时刻溶解于液体中的理想气体的物质的量。
由于从t1时刻到t2时刻经过的时间极短,可近似认为在此阶段溶解于液体的理想气体的物质的量不变,即nlg1=nlg2,而从t2时刻到t∞时刻系统处于静置状态,因此存在T2=T3。
根据上述公式(7)~(12),在气液系统中可得到如下状态方程:
其中,k1、k2、k3、k4为系统参数,通过参数识别获得,P3为待求的平衡时气体压力。
根据式13,则电池系统的状态方程,得气液动力学锂离子电池解析模型为:
其中,I为当前待估算时刻的输入电流,充电为正,放电为负,T1为上一时刻采集的系统的热力学温度,T2为当前时刻系统的热力学温度。k1、k2、k3、k4为系统参数,通过参数识别获得,Uv2为当前时刻电池端电压,U1为上一时刻估算出的电池系统开路电压,U2为中间态电压,U3为当前时刻对应的电池开路电压。
式14即为最终所需要的气液动力学锂离子电池模型。
步骤S3,根据式1,对其离散化可得:
式中,SOCk+1为下一时刻电池荷电状态,SOCk为当前时刻电池状态,Ik为当前时刻电池电流,Δt为时间间隔,单位为秒。
步骤S4,根据滚动时域估计理论,需表示出系统的状态方程和观测方程。根据式2和式6,系统的状态方程可表示为:
式中,f(SOCk)为根据式6获得的SOC-OCV拟合公式。
根据式14,系统的观测方程可表示为:
将MHE策略与上述非线性状态空间模型结合,根据贝叶斯理论,可构建到达函数:
则对于采样时刻T,SOC在线估计模型可表达为:
0<SOCk<1,k=T-N+1,...T 式20
式20为约束条件,其可以从理论上保证SOC估计的合理性。式19的解即为当前采样时刻的最优估计值。
本实施例中,电池充放电工况为动态应力测试(DST)工况,图4为SOC估算结果与真实SOC对比图,图5为估算结果与真实SOC之间的误差图。由图5可以看出本实施例估算方法在电池完整充放电周期内具有优秀的估算效果,模型估算误差在SOC为80%-100%段波动较大,且最大估算误差小于±2%,属于可接受范围,能够满足动力电池系统的实际使用。
图6为恒流工况下原始模型、采用卡尔曼滤波方案和采用滚动时域方案的误差以及鲁棒性分析对比,图6(a)为恒流工况下SOC估算结果与真实SOC对比图,图6(b)为恒流工况1C下估算结果与真实SOC之间的误差图,由图可知,原始模型最大估算误差为2.27%,卡尔曼滤波方案最大估算误差为2.36%,滚动时域方案最大估算误差为1.26%。
图7和图8为动态工况下原始模型、采用卡尔曼滤波方案和采用滚动时域方案的误差以及鲁棒性分析对比,图7(a)为混合动力脉冲能力测试(HPPC)工况下SOC估算结果与真实SOC对比图,图7(b)为HPPC工况下估算结果与真实SOC之间的误差图,由图可知,原始模型最大估算误差为3.95%,卡尔曼滤波方案最大估算误差为1.67%,滚动时域方案最大估算误差为1.65%。图8(a)为DST工况下SOC估算结果与真实SOC对比图,图8(b)为DST工况下估算结果与真实SOC之间的误差图,由图可知,原始模型最大估算误差为5.16%,卡尔曼滤波方案最大估算误差为15.5%,该结果为卡尔曼滤波算法结果发散造成的,滚动时域方案最大估算误差为1.65%,依然能够稳定估计。
由图6、图7和图8结果表明,原始模型、采用卡尔曼滤波方案和采用滚动时域方案在恒流工况下均获得了较好的估算效果,而原始模型在动态工况下的估算误差明显扩大,卡尔曼滤波算法在HPPC工况下估算效果依旧较好,但其在DST工况下出现了估算失稳,估算误差出现明显扩大,最大估算误差出现明显错误,说明采用卡尔曼滤波算法的方案确实能有效提高模型估算精度,但是由于其只依赖于上一时刻数据,容易出现估算结果发散问题,而滚动时域算法通过窗口采样,计算过去一段时间的数据,较好地解决了卡尔曼滤波算法存在的概率性计算结果发散问题,保证了算法估算效果,同时提高了模型的估算精度。
实施例2:
如图9所示为实现实施例1所述基于滚动时域估计的SOC在线估算方法的系统,因此具有实施例1的有益效果,此处不再赘述。所述系统包括主控单元、通讯单元和执行单元。主控单元包括逻辑控制模块和供电模块,通讯单元包括显示接口、上位机通讯接口、系统内部数字及模拟信号通讯接口等,执行单元包括温度采集模块、电压采集模块、电流采集模块、数字量输出控制模块等。
所述主控单元逻辑控制模块的主控芯片优选为MPC56xx系列单片机,在其内部通过嵌入式编程实现所述基于气液动力学锂离子电池模型SOC在线估算算法;所述供电模块为AC-DC逆变器,可将220V交流电转换为8~32V稳压直流电,其输入端连接普通市电插头,其输出端连接估算模块供电端口,用于整个系统供电;所述通讯单元,显示器接口选择为UART串口,上位机通讯接口选用为带隔离功能的CAN通讯控制器,系统内部数字及模拟信号通讯接口通过NMOS、差分放大器及固态继电器实现;所述执行单元中,温度采集模块的温度传感器优选为10k水滴型热敏电阻,温度采集模块输出端连接通讯单元内部模拟信号模块进而连接到主控单元ADC输入端;所述电压采集模块中,前端电压采样器优选为AD7321采样芯片;所述电流采集模块中,电流传感器优选为量程适宜的霍尔电流传感器;
所述基于气液动力学锂离子电池模型SOC在线估算算法在CodeWarriorIDE上采用嵌入式C语言编写,并在编译后下载至所述主控芯片中。
所述带隔离功能的CAN通讯控制器,其内部通讯数据为内容遵循自定义协议的标准CAN报文。
所述实现基于滚动时域估计的SOC在线估算方法的系统的具体实现方法为:
1.将电压采集模块输入端与电池所有正负极依次按顺序连接;
2.将温度采集模块输入端有序均匀地附着在电池箱内的电池上;
3.将电流传感器串入电池箱的总输出回路中;
4.连接好电池箱外部负载;
5.将供电模块连接到市电;
6.启动系统;
7.系统各模块通电,主控芯片初始化底层模块;
8.逻辑控制模块运行自检程序,以保证其他各单元功能正常;
9.逻辑控制模块定期运行估算程序,以估算电池SOC,并通过通讯单元进行信息发送;
10.外界的上位机或显示单元通过通讯单元实时显示当前电池状态信息及估算出的电池SOC等信息。
应当理解,所述实施例中选择的各器件及各器件的组合并非限制性。所述主控芯片包括8位、16位、32位和64位等嵌入式微控制器以及其他具有编程控制能力的模块物品等;所述通讯单元包括UART串口、CAN、FlexRay、以太网等多种通讯形式。
应当理解,虽然本说明书是按照各个实施例描述的,但并非每个实施例仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施例的具体说明,它们并非用以限制本发明的保护范围,凡未脱离本发明技艺精神所作的等效实施例或变更均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于滚动时域估计的SOC在线估算方法,其特征在于,包括以下步骤:
确定被估算对象锂离子电池的OCV-SOC关系;
建立气液动力学锂离子电池模型:建立气液动力学模型,使用气液动力学模型模拟气液动力学锂离子电池解析模型,通过气液动力学锂离子电池解析模型计算得到电池端电压值的估算值;
建立基于安时积分法的电池SOC估算方程,得到当前实时电池SOC先验估计值;
利用滚动时域估计算法对SOC先验估计值进行优化,得到SOC最优估算值,包括以下步骤:
在应用滚动时域估算算法前,将气液动力学模型的气液系统表述为如下标准非线性状态空间模型:
xk+1=f(xk,uk)+wk 式2
yk=h(xk,uk)+vk 式3
式中xk为k时刻系统状态量,xk+1为k+1时刻系统状态量,其具体定义如式4所示;yk是k时刻系统观测变量;uk是k时刻系统输入,其具体定义如式5所示,f(x,u)为系统状态方程,h(x,u)为系统观测方程,wk,vk分别代表k时刻系统误差和测量误差;
k时刻系统状态量xk具体定义如下:
式中,SOCk为k时刻系统荷电状态,OCVk为k时刻系统开路电压;
k时刻系统输入量uk具体定义如下:
式中,Ik为k时刻系统电流,Tk-1,Tk分别为k-1时刻和k时刻系统热力学温度;
在任意的k时刻,滚动时域状态估计算法首先选取一个时域窗口[k-N+1,k]中的N个值的信息对k+1时刻的状态进行估计,接下来,通过构建到达函数,建立估计值和前N个时刻状态量之间的关系,最小化系统误差,从而将预测问题转化为最优估计问题,进而得到状态估计值。
2.根据权利要求1所述的基于滚动时域估计的SOC在线估算方法,其特征在于,所述确定被估算对象的OCV-SOC关系的步骤包括:
对锂离子电池进行多温度下的HPPC充放电实验,实验过程中记录电池每个HPPC脉冲循环搁置末段的电压与SOC的对应数据,再将该数据导入OriginLab中进行数据拟合以获得电池SOC-OCV函数。
3.根据权利要求1所述的基于滚动时域估计的SOC在线估算方法,其特征在于,所述建立气液动力学锂离子电池解析模型的步骤中,所述气液动力学模型包括一个体积为V的储气罐,储气罐内存有体积为Vl的液体,Vl<V,储气罐内未溶解于液体的理想气体的物质的量为ng,溶解于液体的理想气体的物质的量为nlg,气液系统内部平衡时理想气体的压强为P,储气罐设有管道,管道上设有阀门,储气罐阀门处的压强为Pv,
假设气液系统从初始时刻t0到t1时刻保持平衡,在t1时刻打开阀门,此时储气罐内理想气体向外排出,经过时间Δt后到达t2时刻,此时关闭阀门,静置至无穷大的t∞时刻,此时气液系统再次恢复平衡;
P1V=n1RT1 式7
式中,P1为气液系统在时刻内部理想气体压强,n1为理想气体在时刻的物质的量,T1为此时系统的热力学温度,R为热力学常数,nlg1为时刻溶解于液体中的理想气体的物质的量,为理想气体分子的有效间隙,bm为理想气体分子的范德华体积;
在t2时刻,根据理想气体状态方程和伯努利方程:
P2V=n2RT2 式9
式中,P2为气液系统在t2时刻内部理想气体压强,n2为理想气体在t2时刻的物质的量,T2为此时系统的热力学温度,Pv2为t2时刻阀门处气体压强,v2为此时气体流速,ρ为理想气体密度,μ为管道阻力系数;
在t∞时刻,根据理想气体状态方程和气体间隙填充度方程:
P3V=n3RT3 式11
式中,P3为气液系统在t∞时刻内部理想气体压强,n3为理想气体在t∞时刻的物质的量,T3为此时系统的热力学温度,nlg3为t∞时刻溶解于液体中的理想气体的物质的量;
由于从t1时刻到t2时刻经过的时间极短,假设在此阶段溶解于液体的理想气体的物质的量不变,即nlg1=nlg2,而从t2时刻到t∞时刻系统处于静置状态,因此存在T2=T3;
根据上述公式(7)~(12),
在气液系统中得到如下状态方程,即气液动力学模型:
其中,k1、k2、k3、k4为系统参数,通过参数识别获得,P3为待求的平衡时气体压力。
4.根据权利要求3所述的基于滚动时域估计的SOC在线估算方法,其特征在于,所述建立气液动力学锂离子电池解析模型步骤中,将气液动力学模型的气液系统模拟电池系统的充放电以及极化过程,将气液动力学模型应用于电池状态估算,根据式13,P2对应U2,Pv2对应Uv2,v对应I,P1对应U1,P3对应U3,得气液动力学锂离子电池解析模型为:
其中,I为当前待估算时刻的输入电流,充电为正,放电为负,T1为上一时刻采集的系统的热力学温度,T2为当前时刻系统的热力学温度,k1、k2、k3、k4为系统参数,通过参数识别获得,Uv2为当前时刻电池端电压,U1为上一时刻估算出的电池系统开路电压,U2为中间态电压,U3为当前时刻对应的电池开路电压。
6.一种实现权利要求1-5任意一项所述基于滚动时域估计的SOC在线估算方法的系统,其特征在于,包括主控单元、通讯单元和执行单元;
所述主控单元包括逻辑控制模块和供电模块;
所述通讯单元包括显示接口、上位机通讯接口、系统内部数字及模拟信号通讯接口;
所述执行单元包括温度采集模块、电压采集模块、电流采集模块、数字量输出控制模块;所述温度采集模块用于采集电池的温度,所述电压采集模块用于采集电池的电压,所述电流采集模块用于采集电池的电流;
所述温度采集模块、电压采集模块和电流采集模块分别与电池以及主控单元相连接并将采集的温度、电压和电流信号传送到主控单元,所述主控单元根据基于滚动时域估计的SOC在线估算方法计算出电池的SOC值;
所述通讯单元分别和主控单元与上位机显示单元连接,将电池温度、电流、电压和电池SOC值发送给上位机显示单元。
7.根据权利要求6所述基于滚动时域估计的SOC在线估算方法的系统,其特征在于,所述主控单元的逻辑控制模块为单片机。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110304715.6A CN113138342B (zh) | 2021-03-17 | 2021-03-17 | 一种基于滚动时域估计的soc在线估算方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110304715.6A CN113138342B (zh) | 2021-03-17 | 2021-03-17 | 一种基于滚动时域估计的soc在线估算方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113138342A CN113138342A (zh) | 2021-07-20 |
CN113138342B true CN113138342B (zh) | 2022-12-16 |
Family
ID=76811572
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110304715.6A Active CN113138342B (zh) | 2021-03-17 | 2021-03-17 | 一种基于滚动时域估计的soc在线估算方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113138342B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114035098A (zh) * | 2021-12-14 | 2022-02-11 | 北京航空航天大学 | 一种融合未来工况信息和历史状态信息的锂电池健康状态预测方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105572596B (zh) * | 2016-01-20 | 2019-02-19 | 上海交通大学 | 锂电池soc估算方法及系统 |
CN107037374B (zh) * | 2017-05-04 | 2019-10-08 | 广东电网有限责任公司电力科学研究院 | 一种锂离子电池的soc和soh联合估计方法 |
CN108169682B (zh) * | 2017-12-14 | 2020-02-21 | 江苏大学 | 一种基于气液动力学模型的锂离子电池soc精确估算方法 |
CN109884528B (zh) * | 2019-02-25 | 2020-03-31 | 江苏大学 | 一种带温度输入的锂离子电池开路电压估算方法及系统 |
CN111693877B (zh) * | 2020-05-15 | 2022-12-16 | 江苏大学 | 一种锂离子电池的soc在线估测方法和系统 |
CN112379270B (zh) * | 2020-11-13 | 2024-01-30 | 哈尔滨工业大学 | 一种电动汽车动力电池荷电状态滚动时域估计方法 |
-
2021
- 2021-03-17 CN CN202110304715.6A patent/CN113138342B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113138342A (zh) | 2021-07-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zheng et al. | A novel capacity estimation method for lithium-ion batteries using fusion estimation of charging curve sections and discrete Arrhenius aging model | |
CN110261779A (zh) | 一种三元锂电池荷电状态与健康状态在线协同估计方法 | |
CN107271905B (zh) | 一种用于纯电动汽车的电池容量主动估计方法 | |
CN111722118B (zh) | 一种基于soc-ocv优化曲线的锂离子电池soc估计方法 | |
Chaoui et al. | Adaptive state of charge estimation of lithium-ion batteries with parameter and thermal uncertainties | |
CN111693877B (zh) | 一种锂离子电池的soc在线估测方法和系统 | |
CN112305426B (zh) | 一种多约束条件下的锂离子电池功率状态估计系统 | |
CN109085505A (zh) | 一种动力电池充放电状态估算方法 | |
Qiuting et al. | State of health estimation for lithium-ion battery based on D-UKF | |
CN111060824A (zh) | 一种基于模型与算法分步融合的荷电状态估计方法 | |
CN113777501A (zh) | 一种电池模组的soh的估算方法 | |
CN110716146A (zh) | 一种动力电池开路电压的估计方法 | |
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 | |
CN112816876A (zh) | 一种用于可充电电池的低温电池剩余电量估算方法及装置 | |
CN113138342B (zh) | 一种基于滚动时域估计的soc在线估算方法及系统 | |
Xu et al. | State estimation of lithium batteries for energy storage based on dual extended kalman filter | |
CN110596604A (zh) | 一种基于安时积分法的锂电池soc估计方法 | |
CN113156316B (zh) | 盐水电池soc估算算法 | |
CN111027203A (zh) | 一种超级电容soc计算方法 | |
CN111965548B (zh) | 一种基于状态估计法的电池系统传感器故障诊断方法 | |
CN109444750A (zh) | 一种铅酸蓄电池容量预估方法 | |
CN113420444A (zh) | 一种基于参数在线辨识的锂离子电池soc估计方法 | |
CN113125969B (zh) | 基于aukf的电池数据处理方法、设备和介质 | |
CN117169724A (zh) | 一种锂电池soc和soh联合估计方法 | |
CN112946480B (zh) | 一种提高soc估计实时性的锂电池电路模型简化方法 |
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 |