CN113156321B - 一种锂离子电池荷电状态soc的估算方法 - Google Patents
一种锂离子电池荷电状态soc的估算方法 Download PDFInfo
- Publication number
- CN113156321B CN113156321B CN202110451676.2A CN202110451676A CN113156321B CN 113156321 B CN113156321 B CN 113156321B CN 202110451676 A CN202110451676 A CN 202110451676A CN 113156321 B CN113156321 B CN 113156321B
- Authority
- CN
- China
- Prior art keywords
- battery
- state
- soc
- charge
- model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 77
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 title claims abstract description 28
- 229910001416 lithium ion Inorganic materials 0.000 title claims abstract description 28
- 238000001914 filtration Methods 0.000 claims abstract description 32
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 31
- 239000011159 matrix material Substances 0.000 claims abstract description 30
- 230000008569 process Effects 0.000 claims abstract description 17
- 238000005259 measurement Methods 0.000 claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims abstract description 6
- 230000010287 polarization Effects 0.000 claims description 32
- 230000008859 change Effects 0.000 claims description 3
- 238000007599 discharging Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 description 12
- 208000028659 discharge Diseases 0.000 description 8
- 230000003044 adaptive effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
- G01R31/387—Determining ampere-hour charge capacity or SoC
- G01R31/388—Determining ampere-hour charge capacity or SoC involving voltage measurements
-
- 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
- G01R31/005—Testing of electric installations on transport means
- G01R31/006—Testing of electric installations on transport means on road vehicles, e.g. automobiles or trucks
-
- 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]
- G01R31/3644—Constructional arrangements
- G01R31/3648—Constructional arrangements comprising digital calculation means, e.g. for performing an algorithm
-
- 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
-
- 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]
- G01R31/389—Measuring internal impedance, internal conductance or related variables
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Combustion & Propulsion (AREA)
- Tests Of Electric Status Of Batteries (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开一种锂离子电池荷电状态的估算方法,包括以下步骤:S1、建立锂离子电池的等效电路模型,采集开路电压数据与荷电状态数据,基于所述等效电路模型,获取不同状态下的电池模型参数;S2、基于基尔霍夫定律,通过所述等效电路模型和所述电池模型参数,得到模型状态空间方程;S3、基于所述模型状态空间方程,通过鲁棒自适应有限差分卡尔曼滤波法对锂离子电池荷电状态进行估算。本发明能够避免对Jacobian矩阵的计算,实时调整过程噪声协方差,并对观测值进行重构,提高算法估算荷电状态的精度,收敛速度以及对非高斯分布测量噪声的鲁棒性。
Description
技术领域
本发明属于涉及电池管理系统技术领域,具体涉及一种锂离子电池荷电状态SOC的估算方法。
背景技术
锂离子电池具有能量密度高、循环寿命长、无记忆性等优点,被广泛应用于电动汽车、储能等方面。高性能电池管理系统(Battery Management System,BMS)对提高电池寿命、可靠性和性能具有重要意义。电池荷电状态SOC(State of Charge,SOC)是电池当前剩余容量与电池标称容量之比。准确估计锂离子电池荷电状态SOC对于锂离子电池的充放电控制、平衡管理和安全管理具有重要意义。但是电池SOC无法直接测量,只能通过其他物理量结合算法间接获得。由于SOC估算所需参数与SOC之间的复杂性和非线性,SOC的精确估算是一个难点。
目前,锂离子电池SOC估算方法主要可分为开路电压法、安时积分法、基于电池模型和基于数据驱动四类方法。开路电压法和安时积分法易于使用,但是开路电压法需要对电池进行静置,难以在汽车动态行驶等复杂工况下在线实时估计。安时积分法对SOC初始值敏感,且存在误差累积。基于数据驱动,算法包括人工神经网络、支持向量机,这些算法对参数的设置敏感,且需要训练数据能够完全覆盖当前的运行条件。基于电池模型的方法,常用电池模型有电化学模型和等效电路模型。电化学模型能够将电池内部的微观反应数值化,从电化学层面对电池充放电行为进行描述,但是模型结构复杂,计算量大,不适合在线应用。等效电路模型利用电阻、电容等电气元件,通过不同组合方式描述电池充放电特性,参数意义明确,计算量适中。
卡尔曼滤波及其改进算法被广泛应用于根据等效电路模型估计电池荷电状态SOC。卡尔曼滤波算法核心思想是利用输入输出数据和系统状态方程求取系统状态最小方差意义上的最优估计,其设计简单,对噪声具有一定抵抗能力。经典卡尔曼滤波算法仅能应用于线性系统,扩展卡尔曼滤波算法通过一阶Taylor展开对非线性系统进行线性化。但是扩展卡尔曼滤波在每个滤波周期需要对非线性函数求导,计算Jacobian矩阵,增加了运算量。并且算法进行Taylor展开忽略高阶项,会影响滤波器稳定性。扩展卡尔曼滤波假定过程噪声与观测噪声是已知的高斯白噪声,噪声的协方差是在滤波开始之前确定的常数。在实际应用中,噪声通常是变化的,并且传感器会有一定的误差或偶然的异常值,因此观测噪声易出现非高斯分布情况。忽略噪声的变化或者不符合扩展卡尔曼滤波高斯假设的观测噪声都会导致算法滤波性能下降甚至发散。
发明内容
针对上述现有技术存在的问题,本发明提供了一种锂离子电池荷电状态SOC的估算方法,对扩展卡尔曼滤波算法进行改进,增强滤波效果,提高SOC估算精度。
为实现上述目的,本发明提供了如下方案:本发明提供一种锂离子电池荷电状态SOC的估算方法,包括如下步骤:
S1、建立锂离子电池的等效电路模型,采集开路电压数据与荷电状态数据,基于所述等效电路模型,获取不同状态下的电池模型参数;
S2、基于基尔霍夫定律,通过所述等效电路模型和所述电池模型参数,得到模型状态空间方程;
S3、基于所述模型状态空间方程,通过鲁棒自适应有限差分卡尔曼滤波法对锂离子电池荷电状态进行估算。
优选地,所述S1具体包括步骤:
S1.1、通过静置法对满电状态电池进行依次间隔放电并静置的方式采集所述电池的开路电压;
S1.2、基于最小二乘法拟合所述开路电压与荷电状态的关系,得到所述开路电压与所述荷电状态的函数关系;
S1.3、根据电池脉冲放电瞬间的突变电压值除以突变电流值计算得到所述欧姆内阻;
S1.4、通过公式得到电化学极化时间常数τ1、浓差极化时间常数τ2;通过公式/>得到电化学极化内阻R1、浓差极化电阻R2,所述电化学极化时间常数τ1与所述电化学极化内阻R1的比值为第一极化电容C1,所述浓差极化时间常数τ2与所述浓差极化电阻R2的比值为第二极化电容C2;其中,u1为第一RC环节的端电压,u2为第二RC环节的端电压,Uoc为电池的开路电压,I为电池的工作电流,u为电池的端电压;
S1.5、根据不同的荷电状态执行所述S1.3和S1.4,得到不同荷电状态下电池模型参数。
优选地,所述拟合具体通过多项式
UOC=a1*SOC9+a2*SOC8+a3*SOC7+a4*SOC6+a5*SOC5+a6*SOC4+a7*SOC3+a8*
SOC2+a9*SOC+a10进行拟合。
优选地,所述模型状态空间方程包括状态方程和观测方程。
优选地,所述模型状态空间方程为:
uk=uoc,k-u1,k-u2,k-R0ik+vk;
其中,T为采样周期,R0为电池的欧姆内阻,R1、C1分别为电池的电化学极化内阻和极化电容,R2、C2分别为电池的浓差极化电阻和极化电容,τ1、τ2分别为电化学极化时间常数与浓差极化时间常数,其中,τ1=R1C1,τ2=R2C2,u1为第一个RC环节的端电压,u2为第二个RC环节的端电压,uoc为电池的开路电压,i为电池的工作电流,u为电池的端电压,wk为过程噪声,vk为测量噪声,CN为电池额定容量,soc表示电池荷电状态,k代表当前时刻迭代计算步数。
优选地,所述S3具体包括步骤:
S3.1、根据当前电池的荷电状态SOC,计算电池模型参数;
S3.3、预测误差协方差矩阵:Pk|k-1=APk-1|k-1AΤ+Q,Pk-1|k-1为k-1时刻误差协方差,AΤ为矩阵A的转置,Pk|k-1为k时刻误差协方差一步预测值,Q为过程噪声方差;
S3.4、对观测方程构造非线性回归模型:
ε为步长调节系数,i,j表示矩阵的行和列。
S3.8、计算卡尔曼增益:
S3.10、采用改进的Sage-Husa自适应滤波算法估计过程噪声协方差:
S3.10、循环步骤S3.1至步骤S3.9,实时估算电池荷电状态SOC值。
优选地,所述构造权重矩阵的具体过程为:
其中,ek,i为残差向量的第i个分量,m、n为观测向量与状态向量的维度。函数d(ek,i)的表达式为:
其中,γ为调节因子,
构造权重矩阵J=diag(j(ek,i))。
优选地,所述估算方法还包括循环执行S3.1-S3.10,实时估算电池荷电状态值。
本发明公开了以下技术效果:
1、本发明采用有限差分算法代替非线性函数求导运算,避免传统扩展卡尔曼滤波法中对Jacobian矩阵的计算,减少计算量,提高算法稳定性。
2、与一般的扩展卡尔曼滤波算法相比,本发明采用Sage-Husa自适应滤波算法实时调整噪声协方差,能够适应不同的工况,提高SOC估算精度与收敛速度。考虑到同时调整过程噪声和测量噪声容易滤波发散,对Sage-Husa自适应滤波算法进行改进,只调整过程噪声,减少计算量,并保证过程噪声协方差非负定。
3、将Huber M估计与滤波算法相结合,对观测值进行重构,提高了SOC算法对于非高斯分布测量噪声的鲁棒性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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为本发明公开的一种电池荷电状态SOC的估算方法的流程框图示意;
图2为锂离子电池二阶RC等效电路模型;
图3为25℃美国联邦城市驾驶工况电流;
图4-1、4-2分别为25℃美国联邦城市驾驶工况下初始SOC值准确,电压信号未加入噪声的四种估算算法(有限差分扩展卡尔曼滤波算法FDEKF、自适应有限差分扩展卡尔曼滤波算法AFDEKF、鲁棒有限差分扩展卡尔曼滤波算法HM-FDEKF、本发明改进的鲁棒自适应有限差分扩展卡尔曼滤波算法HM-AFDEKF)SOC估算结果及估算误差示意图;
图5-1、5-2分别为25℃美国联邦城市驾驶工况下初始SOC值不准确,电压信号未加入噪声的四种估算算法SOC估算结果及估算误差示意图;
图6-1、6-2分别为25℃美国联邦城市驾驶工况下初始SOC值准确,电压信号加入非高斯分布噪声的三种估算算法(有限差分扩展卡尔曼滤波算法FDEKF、鲁棒有限差分扩展卡尔曼滤波算法HM-FDEKF、本发明改进的鲁棒自适应有限差分扩展卡尔曼滤波算法HM-AFDEKF)SOC估算结果及估算误差示意图;
图7-1、7-2分别为25℃美国联邦城市驾驶工况下初始SOC值不准确,电压信号加入非高斯分布噪声的三种估算算法SOC估算结果及估算误差示意图。
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,所描述的实施例仅仅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做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。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
参见图1,图1为本发明实施例的锂离子电池荷电状态SOC估算方法,包括如下步骤:
步骤1、如图2所示,建立锂离子电池的二阶RC等效电路模型。
步骤1中锂离子电池的二阶RC等效电路模型由一个受控电压源,两个RC环节和一个欧姆内阻串联组成。受控电压源表示电池开路电压,代表电池开路时两个电极电压差。RC环节为极化内阻与极化电容,用于描述电池电化学极化和浓差极化效应。电池欧姆内阻R0用于模拟电池欧姆极化过程。
步骤2、通过静置法获取开路电压Uoc与SOC的数据,拟合得到Uoc与SOC的具体函数关系。通过电流脉冲实验对锂离子电池进行测试获取数据,对电池模型进行参数辨识,获得在不同SOC下的电池模型参数。
步骤2具体按照以下步骤实施:
步骤2.1、静置法通过对满电状态电池进行依次间隔放电并静置的方式获取电池的开路电压Uoc与SOC对应关系,将电池进行充分静置后电池端电压可近似为电池开路电压Uoc。
步骤2.2、采用最小二乘法拟合开路电压UOC与SOC的关系,使用9阶多项式
UOC=a1*SOC9+a2*SOC8+a3*SOC7+a4*SOC6+a5*SOC5+a6*SOC4+a7*SOC3+a8*
SOC2+a9*SOC+a10进行拟合,获得开路电压UOC与荷电状态SOC的函数关系。
步骤2.3、根据电池脉冲放电瞬间的突变电压值除以突变电流值计算欧姆内阻R0。
步骤2.4、根据脉冲放电静置阶段辨识两个RC环节的时间常数τ1、τ2,此阶段为零输入响应,端电压表达式为:进行指数拟合出τ1、τ2。恒流放电阶段为零状态响应,电压表达式为:/>计算得到R1、R2,最后利用时间常数τ1、τ2和R1、R2的比值得到极化电容C1、C2。
步骤2.5、在不同SOC下执行步骤2.3和步骤2.4,获得在不同SOC下电池模型参数。
步骤3、基于基尔霍夫定律列写锂离子电池的等效电路模型电路方程,以模型端电压U为输出,电流I为输入对电路方程进行变形,得到模型状态空间方程。
步骤3所建立的模型状态空间方程,包括状态方程与观测方程,如下:
uk=uoc,k-u1,k-u2,k-R0ik+vk;
其中,T为采样周期,R0为电池的欧姆内阻,R1、C1分别为电池的电化学极化内阻和极化电容,R2、C2分别为电池的浓差极化电阻和极化电容,τ1、τ2分别为电化学极化时间常数与浓差极化时间常数,其中,τ1=R1C1,τ2=R2C2,u1为第一个RC环节的端电压,u2为第二个RC环节的端电压,uoc为电池的开路电压,i为电池的工作电流,u为电池的端电压,wk为过程噪声,vk为测量噪声,CN为电池额定容量,soc表示电池荷电状态SOC,k代表当前时刻迭代计算步数。
状态空间方程可以简化为:
xk=Axk-1+Bik-1+wk-1;
uk=uoc,k-u1,k-u2,k-R0ik+vk;
步骤4、运用鲁棒自适应有限差分卡尔曼滤波法对锂离子电池SOC进行估算。
步骤4具体按照以下步骤实施:
步骤4.1、设置遗忘因子b,状态变量初始值x0,状态误差协方差初始值P0,以及过程噪声方差Q和测量噪声方差R初始值。
步骤4.2、根据电池此时的SOC,结合步骤2中获得的不同SOC下电池模型参数,得到电池模型参数。对于不在对应关系表内的荷电状态SOC值,采用四舍五入方法得到临近SOC对应的参数值代替。
步骤4.4、预测误差协方差矩阵:Pk|k-1=APk-1|k-1AΤ+Q;
步骤4.5、对观测方程构造非线性回归模型:
步骤4.7、构造权重矩阵。定义Huber M方法的代价函数:
其中,ek,i为残差向量的第i个分量,m、n为观测向量与状态向量的维度。函数d(ek,i)的表达式为:
构造权重矩阵J=diag(j(ek,i))。
其中,ε为步长调节系数,i,j表示矩阵的行和列。
步骤4.10、计算卡尔曼增益:
步骤4.12、采用改进的Sage-Husa自适应滤波算法估计过程噪声协方差:
步骤4.13、循环步骤4.2至步骤4.12,实时估算SOC值。
为了验证本发明估算SOC精确度,以松下公司生产额定容量3.4Ah的三元锂离子电池NCR18650B作为研究对象,进行模拟工况实验。模拟工况为25℃下美国联邦城市驾驶工况(Federal Urban Driving Schedule,FUDS),充放电电流如图3所示。由图4-1、4-2、5-1、5-2可知在无噪声干扰时,鲁棒自适应有限差分扩展卡尔曼滤波法同自适应有限差分扩展卡尔曼滤波法性能相似,估算精度和收敛速度优于有限差分扩展卡尔曼滤波法和鲁棒有限差分扩展卡尔曼滤波法。由图6-1、6-2、7-1、7-2可知在对电压信号添加0.5N(0.01,1e-3)+0.5N(0.005,5e-3)混合高斯分布噪声后,自适应有限差分扩展卡尔曼滤波法由于易受噪声干扰发散,在图中不进行展示。鲁棒自适应有限差分扩展卡尔曼滤波法在估算精度和收敛速度方面仍优于有限差分扩展卡尔曼滤波法和鲁棒有限差分扩展卡尔曼滤波法。综合来看,鲁棒自适应有限差分扩展卡尔曼滤波法估算SOC精度高,收敛速度快,且对非高斯分布的测量噪声具有良好的鲁棒性。
以上所述的实施例仅是对本发明的优选方式进行描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案做出的各种变形和改进,均应落入本发明权利要求书确定的保护范围内。
Claims (4)
1.一种锂离子电池荷电状态SOC的估算方法,其特征在于,包括以下步骤:
S1、建立锂离子电池的等效电路模型,采集开路电压数据与荷电状态数据,基于所述等效电路模型,获取不同状态下的电池模型参数;
S2、基于基尔霍夫定律,通过所述等效电路模型和所述电池模型参数,得到模型状态空间方程;
S3、基于所述模型状态空间方程,通过鲁棒自适应有限差分卡尔曼滤波法对锂离子电池荷电状态进行估算;
所述模型状态空间方程包括状态方程和观测方程;
所述步骤S3具体包括:
S3.1、根据当前电池的荷电状态SOC,计算电池模型参数;
S3.3、预测误差协方差矩阵:Pk|k-1=APk-1|k-1AΤ+Q,Pk-1|k-1为k-1时刻误差协方差,AΤ为矩阵A的转置,Pk|k-1为k时刻误差协方差一步预测值,Q为过程噪声方差;
S3.4、对所述观测方程构造非线性回归模型:
ε为步长调节系数,i,j表示矩阵的行和列;
S3.8、计算卡尔曼增益:
S3.10、采用改进的Sage-Husa自适应滤波算法估计过程噪声协方差:
S3.11、循环步骤S3.1至步骤S3.10,实时估算电池荷电状态SOC值;
所述构造权重矩阵的具体过程为:
其中,ek,i为残差向量的第i个分量,m、n为观测向量与状态向量的维度,函数d(ek,i)的表达式为:
其中,γ为调节因子,
构造权重矩阵J=diag(j(ek,i))。
2.根据权利要求1所述的一种锂离子电池荷电状态SOC的估算方法,其特征在于,
所述步骤S1具体包括步骤:
S1.1、通过静置法对满电状态电池进行依次间隔放电并静置的方式采集电池的开路电压;
S1.2、基于最小二乘法拟合所述开路电压与荷电状态的关系,得到所述开路电压与所述荷电状态的函数关系;
S1.3、根据电池脉冲放电瞬间的突变电压值除以突变电流值计算得到欧姆内阻;
S1.4、通过公式获得电化学极化时间常数τ1、浓差极化时间常数τ2;通过公式/>得到电化学极化内阻R1、浓差极化电阻R2,所述电化学极化时间常数τ1与所述电化学极化内阻R1的比值为第一极化电容C1,所述浓差极化时间常数τ2与所述浓差极化电阻R2的比值为第二极化电容C2;其中,u1为第一RC环节的端电压,u2为第二RC环节的端电压,Uoc为电池的开路电压,I为电池的工作电流,u为电池的端电压;
S1.5、根据不同的荷电状态执行所述步骤S1.3和步骤S1.4,得到不同荷电状态下电池模型参数。
3.根据权利要求2所述的一种锂离子电池荷电状态SOC的估算方法,其特征在于,所述拟合具体通过多项式
UOC=a1*SOC9+a2*SOC8+a3*SOC7+a4*SOC6+a5*SOC5+a6*SOC4+a7*SOC3+a8*
SOC2+a9*SOC+a10进行拟合。
4.根据权利要求1所述的一种锂离子电池荷电状态SOC的估算方法,其特征在于,所述模型状态空间方程为:
uk=uoc,k-u1,k-u2,k-R0ik+vk;
其中,T为采样周期,R0为电池的欧姆内阻,R1、C1分别为电池的电化学极化内阻和极化电容,R2、C2分别为电池的浓差极化电阻和极化电容,τ1、τ2分别为电化学极化时间常数与浓差极化时间常数,其中,τ1=R1C1,τ2=R2C2,u1为第一个RC环节的端电压,u2为第二个RC环节的端电压,uoc为电池的开路电压,i为电池的工作电流,u为电池的端电压,wk-1为过程噪声,vk为测量噪声,CN为电池额定容量,soc表示电池荷电状态,k代表当前时刻迭代计算步数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110451676.2A CN113156321B (zh) | 2021-04-26 | 2021-04-26 | 一种锂离子电池荷电状态soc的估算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110451676.2A CN113156321B (zh) | 2021-04-26 | 2021-04-26 | 一种锂离子电池荷电状态soc的估算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113156321A CN113156321A (zh) | 2021-07-23 |
CN113156321B true CN113156321B (zh) | 2023-06-20 |
Family
ID=76870632
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110451676.2A Active CN113156321B (zh) | 2021-04-26 | 2021-04-26 | 一种锂离子电池荷电状态soc的估算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113156321B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114239463B (zh) * | 2021-12-16 | 2022-11-01 | 杭州科工电子科技有限公司 | 基于大数据的电池簇荷电状态修正方法 |
CN114509947B (zh) * | 2022-02-18 | 2024-07-16 | 淮阴工学院 | 基于鲁棒卡尔曼滤波器的质子交换膜燃料电池故障检测方法 |
CN114545260B (zh) * | 2022-02-25 | 2022-10-18 | 威胜电气有限公司 | 一种电池容量解耦的锂电池荷电状态估计方法 |
CN115116554A (zh) * | 2022-06-29 | 2022-09-27 | 上海玫克生储能科技有限公司 | 电化学模型的电场解耦方法及装置 |
CN115453390B (zh) * | 2022-09-15 | 2024-01-05 | 佛山金智荣科技有限公司 | 一种检测电瓶车新能源电池充电速度的方法 |
CN116540125B (zh) * | 2023-07-05 | 2023-10-03 | 中国华能集团清洁能源技术研究院有限公司 | 一种电池荷电状态估计故障的诊断方法及系统 |
CN116754961B (zh) * | 2023-07-07 | 2024-01-30 | 中国人民解放军国防科技大学 | 开路电压估计方法、系统及存储介质 |
CN117742431B (zh) * | 2023-12-25 | 2024-06-28 | 中科酷原量子科技(武汉)有限公司 | 一种高压稳定方法及其控制设备 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103116136B (zh) * | 2013-01-21 | 2015-07-15 | 天津大学 | 基于有限差分扩展卡尔曼算法的锂电池荷电状态估计方法 |
US9077182B2 (en) * | 2013-01-29 | 2015-07-07 | Mitsubishi Electric Research Laboratories, Inc. | Method for estimating state of charge for lithium-ion batteries |
CN106443496A (zh) * | 2016-12-08 | 2017-02-22 | 盐城工学院 | 一种带改进型噪声估计器的电池荷电状态估计方法 |
CN107741569A (zh) * | 2017-11-16 | 2018-02-27 | 温州大学 | 一种基于分段扩展卡尔曼滤波的锂电池荷电状态的估算方法 |
CN108520107A (zh) * | 2018-03-19 | 2018-09-11 | 山西大学 | 基于最大似然准则鲁棒卡尔曼滤波的系统状态估计方法 |
CN111007400A (zh) * | 2019-11-22 | 2020-04-14 | 西安工程大学 | 基于自适应双扩展卡尔曼滤波法的锂电池soc估算方法 |
CN112114255B (zh) * | 2020-09-18 | 2023-02-28 | 中国计量大学 | 一种基于联合集合卡尔曼滤波的锂电池荷电状态估计方法 |
-
2021
- 2021-04-26 CN CN202110451676.2A patent/CN113156321B/zh active Active
Non-Patent Citations (1)
Title |
---|
基于Sage-Husa自适应滤波算法的锂电池荷电状态估计;程晨;顾伟;褚建新;高迪驹;;南京工业大学学报(自然科学版)(第03期);第126-130页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113156321A (zh) | 2021-07-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113156321B (zh) | 一种锂离子电池荷电状态soc的估算方法 | |
Lin et al. | State of charge estimation with the adaptive unscented Kalman filter based on an accurate equivalent circuit model | |
Li et al. | Enhanced online model identification and state of charge estimation for lithium-ion battery under noise corrupted measurements by bias compensation recursive least squares | |
CN110441694B (zh) | 基于多重渐消因子卡尔曼滤波锂电池荷电状态估计方法 | |
CN105607009B (zh) | 一种基于动态参数模型的动力电池soc估计方法和系统 | |
Tian et al. | State of charge estimation of lithium-ion batteries using an optimal adaptive gain nonlinear observer | |
CN110824363B (zh) | 一种基于改进ckf的锂电池soc和soe联合估算方法 | |
CN111965547B (zh) | 一种基于参数辨识法的电池系统传感器故障诊断方法 | |
CN107390127A (zh) | 一种soc估算方法 | |
Li et al. | A novel parameter and state-of-charge determining method of lithium-ion battery for electric vehicles | |
CN112989690B (zh) | 一种混合动力汽车锂电池多时间尺度荷电状态估计方法 | |
CN111707953A (zh) | 一种基于后向平滑滤波框架的锂电池soc在线估计方法 | |
CN109839596B (zh) | 基于ud分解的自适应扩展卡尔曼滤波的soc估算方法 | |
CN112630659A (zh) | 一种基于改进bp-ekf算法的锂电池soc估算方法 | |
CN111142025A (zh) | 一种电池soc估算方法、装置、存储介质及电动汽车 | |
Ren et al. | Novel co‐estimation strategy based on forgetting factor dual particle filter algorithm for the state of charge and state of health of the lithium‐ion battery | |
CN112379270B (zh) | 一种电动汽车动力电池荷电状态滚动时域估计方法 | |
CN115656848A (zh) | 一种基于容量修正的锂电池soc估算方法 | |
Jin et al. | SOC estimation of lithium-ion battery considering the influence of discharge rate | |
CN112269133B (zh) | 一种基于预充电路模型参数识别的soc估计方法 | |
CN112557906A (zh) | 一种动力电池全生命周期内soc和容量在线联合估计方法 | |
CN113484771A (zh) | 一种锂离子电池宽温度全寿命soc及容量估计的方法 | |
CN110673037A (zh) | 基于改进模拟退火算法的电池soc估算方法及系统 | |
CN117949829B (zh) | 一种电池模型参数辨识方法、设备、介质及产品 | |
CN112946480A (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 |