CN113743664B - 一种基于随机片段数据的锂电池状态估计方法及系统 - Google Patents
一种基于随机片段数据的锂电池状态估计方法及系统 Download PDFInfo
- Publication number
- CN113743664B CN113743664B CN202111031237.2A CN202111031237A CN113743664B CN 113743664 B CN113743664 B CN 113743664B CN 202111031237 A CN202111031237 A CN 202111031237A CN 113743664 B CN113743664 B CN 113743664B
- Authority
- CN
- China
- Prior art keywords
- data
- lithium battery
- estimated
- curve
- soc
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明公开了一种基于随机片段数据的锂电池状态估计方法及系统,估计方法步骤包括:获取第一数据与第二数据,采用粒子群算法,将第一数据与第二数据进行匹配,获得待估计锂电池的第三数据,所述第三数据为初始SOC数据与SOH数据;基于二阶戴维南等效电路模型,构建待估计锂电池的第一模型,并基于第一模型,辨识获得第四数据;基于第三数据与第四数据,采用扩展卡尔曼滤波对待估计锂电池的荷电状态进行估计,获得待估计锂电池的状态信息。本发明的有益效果为采用粒子群算法结合的方式,无需锂电池全部放电数据,仅需锂电池片段放电数据即可对其状态进行估计,具有一定的理论和工程实用意义。
Description
技术领域
本发明涉及电池状态估计技术领域,具体而言,涉及一种基于随机片段数据的锂电池状态估计方法及系统。
背景技术
锂电池状态的准确估计是电池管理系统的关键技术之一,准确的状态估计可以对锂电池进行科学评估、风险预警和定期更换,保障锂电池的稳定运行。在目前的研究中,锂电池状态估计主要是对剩余放电时间、SOC、SOH及当前最大可用容量等进行评估。锂电池剩余放电时间通过将铅酸电池在不同电流强度下的放电数据进行数学拟合得到,SOC和SOH估算方法以卡尔曼滤波和数据驱动为主。但以上方法均基于完整的电池放电数据,当实际放电或充电只能获取片段数据时,上述方法难以实际应用。也有部分学者提出通过片段数据估计锂电池状态,但该部分研究仅考虑了电池容量这一单一因素,且片段数据的获取也不具随机性。实际情况中,锂电池往往进行随机短时放电,当所得放电数据具有随机性和不完整性时,传统方法均难以有效对锂电池的状态进行估计。
有鉴于此,特提出本申请。
发明内容
本发明所要解决的技术问题是当获取到的电池数据为片段数据的时候,无法对该电池目前的状态进行判断,目的在于提供一种基于随机片段数据的锂电池状态估计方法及系统,能够实现在获取到电池状态随机片段数据的情况下,能够对该锂电池所处的状态进行估计。
本发明通过下述技术方案实现:
一种基于随机片段数据的锂电池状态估计方法,估计方法步骤包括:
S1:获取第一数据与第二数据,所述第一数据为以固定SOH差为间隔构建的老化数据,所述第二数据为待估计锂电池在工作状态下,获取的随机片段数据;
S2:采用粒子群算法,将所述第一数据与所述第二数据进行匹配,获得待估计锂电池的第三数据,所述第三数据为初始SOC数据与SOH数据;
S3:基于二阶戴维南等效电路模型,构建待估计锂电池的第一模型,并基于第一模型,辨识获得第四数据,所述第四数据为电阻参数、电容参数以及SOC-OCV曲线的开路电压UOC;
S4:基于第三数据与第四数据,采用扩展卡尔曼滤波对待估计锂电池的荷电状态进行估计,获得待估计锂电池的状态信息。
传统地对锂电池状态进行估计的时候,采用的是通过将铅酸电池在不同电流强度下的放电数据进行拟合得到,但是在采用这种方法对锂电池状态进行估计的时候,必须要在获取完整的电池放电数据的情况下,才能对锂电池的状态进行估计,当获取到电池状态的随机片段数据的时候,无法实现对锂电池的状态进行估计;本发明提供了一种基于随机片段数据的锂电池状态估计方法,通过采用随机粒子群算法,并结合锂电池的老化数据,能够在获取该锂电池随机片段数据的情况下,实现对锂电池所处的状态进行准确估计。
优选地,在所述步骤S1中,获取第一数据的具体操作方法步骤包括:
S11:采用恒定电流对待估计锂电池进行充电,直到待估计锂电池电压达到额定电压,转换为恒定电压模式对待估计锂电池进行充电,直到待估计锂电池充满电,获得充电数据,且将待估计锂电池放置一段时间;
S12:在恒定电流的作用下,对待估计锂电池进行放电,直到待估计锂电池中的电压降为截止电压,停止放电,获得放电数据;
S13:重复循环步骤S11~S12,获得第一数据,且在充放电循环前期与后期,SOH差以2.5%的间隔进行选取,在充放电循环的中期,SOH差以5%的间隔进行选取。
优选地,所述步骤S2中,将所述第一数据与所述第二数据进行匹配为将所述第一数据的恒流放电曲线与所述第二数据的放电曲线进行优化,具体操作的方法步骤包括:
S21:选择任意一条第一数据的恒流放电曲线,并初始化粒子群,包括群体规模N,第一条老化数据库曲线起始采样点位置x和速度v;
S22:将所述第二数据所有采样点与对应等长度的第一条老化数据库曲线采样点作差,计算适应度值F;
S23:用适应度值F和个体极值Pbest比较,如果F>Pbest,则用Pbest替换掉F;
S24:用个体极值Pbest和全局极值gbest比较,如果Pbest>gbest,则用gbest替换掉Pbest;
S25:基于公式v=w*v+c1r1(Pbest-x)+c2r2(gbest-x)和x=x+v更新采样点的位置x和速度v;
S26:返回执行步骤S22,直到达到最大循环次数,则进入步骤S27;
S27:遍历第一数据中所有的恒流放电曲线,并将每条曲线与所述第二数据获得的适应度值做比较,选取适应度值F最小的曲线,并基于该曲线,获得待估计锂电池的第三数据。
优选地,所述适应度值F的具体表达式为:
Zji代表第j条老化数据曲线的片段数据;n为选取的随机片段数据长度。
优选地,所述第一模型采用基尔霍夫电压定律和电流定律进行获取,具体方程组为:
U为端电压;R0为电池欧姆内阻;I为流过电池的电流;R1为电化学极化电阻;C1为电化学极化电容;R2为浓差极化电阻;C2为浓差极化电容;U1为R1C1回路两端的电压;U2为R2C2回路两端的电压;UOC为开路电压。
优选地,在所述步骤S3中,基于所述第一模型,辨识SOC-OCV曲线的具体方法步骤包括:
S31:采用恒流恒压的充电方法,将待估计锂电池电源充满,并静置1h,测量SOC=100%时对应的UOC;
S32:以1C大小电流对待估计锂电池放电3min至95%SOC处,静置10min,测出SOC=95%时对应的UOC;
S33:重复步骤S32,依次测出SOC=90%、85%、……、15%、10%、5%、0时分别对应的UOC。
优选地,在所述步骤S3中,基于所述第一模型,辨识电阻参数、电容参数为:基于待估计锂电池的脉冲放电电压响应曲线图,并在所述第一模型的基础上,采用零输入响应与零状态响应获得电阻参数与电容参数。
优选地,所述步骤S4中,状态信息包括待估计锂电池的SOC以及待估计锂电池的剩余放电时间。
优选地,所述步骤S4中,具体的操作方法步骤包括:所述步骤S4中,具体的操作方法步骤包括:
对所述方程组进行离散化,并采用卡尔曼滤波的方法对离散化后输出方程进行线性化处理,获得输出矩阵C,并基于获得的输出矩阵C对所述待估计锂电池的状态信息进行估计,获得待估计锂电池的状态信息;
所述输出矩阵C的具体表达式为:
Ik为输入,Uk为输出,SOC为待估计锂电池状态信息,xk均为系统的状态变量。
本发明提供了一种基于随机片段数据的锂电池状态估计系统,包括:
数据获取模块,用于获取第一数据与第二数据,所述第一数据为以固定SOH差为间隔构建的老化数据,所述第二数据为待估计锂电池在工作状态下,获取的随机片段数据;
数据匹配模块,用于采用粒子群算法,将所述第一数据与所述第二数据进行匹配,获得待估计锂电池的第三数据,所述第三数据为初始SOC数据与SOH数据;
第一分析计算模块,用于基于二阶戴维南等效电路模型,构建待估计锂电池的第一模型,并基于第一模型,辨识获得第四数据,所述第四数据为电阻参数、电容参数以及SOC-OCV曲线的开路电压UOC;
第二分析计算模块,用于基于第三数据与第四数据,采用扩展卡尔曼滤波对待估计锂电池的荷电状态进行估计,获得待估计锂电池的状态信息
本发明与现有技术相比,具有如下的优点和有益效果:
本发明实施例提供的一种基于随机片段数据的锂电池状态估计方法及系统,采用粒子群算法结合的方式,无需锂电池全部放电数据,仅需锂电池片段放电数据即可对其状态进行估计,具有一定的理论和工程实用意义。
附图说明
为了更清楚地说明本发明示例性实施方式的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为NASA B0005号锂电池老化数据库图
图2为基于粒子群算法的随机片段数据状态匹配流程图
图3为随机片段数据匹配结果图
图4为与老化数据库第3条和第4条曲线匹配结果图
图5为与老化数据库第3条和第4条曲线匹配结果差值图
图6为二阶戴维南等效电路模型
图7为NASA B0005号锂电池脉冲放电电压响应曲线图
图8为SOC-OCV拟合关系图
图9为SOC=90%时的NASA B0005号锂电池脉冲放电电压响应曲线图
图10为第3组随机片段数据SOC估计图
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施例和附图,对本发明作进一步的详细说明,本发明的示意性实施方式及其说明仅用于解释本发明,并不作为对本发明的限定。
在以下描述中,为了提供对本发明的透彻理解阐述了大量特定细节。然而,对于本领域普通技术人员显而易见的是:不必采用这些特定细节来实行本本发明。在其他实施例中,为了避免混淆本本发明,未具体描述公知的结构、电路、材料或方法。
在整个说明书中,对“一个实施例”、“实施例”、“一个示例”或“示例”的提及意味着:结合该实施例或示例描述的特定特征、结构或特性被包含在本本发明至少一个实施例中。因此,在整个说明书的各个地方出现的短语“一个实施例”、“实施例”、“一个示例”或“示例”不一定都指同一实施例或示例。此外,可以以任何适当的组合和、或子组合将特定的特征、结构或特性组合在一个或多个实施例或示例中。此外,本领域普通技术人员应当理解,在此提供的示图都是为了说明的目的,并且示图不一定是按比例绘制的。这里使用的术语“和/或”包括一个或多个相关列出的项目的任何和所有组合。
在本发明的描述中,术语“前”、“后”、“左”、“右”、“上”、“下”、“竖直”、“水平”、“高”、“低”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明保护范围的限制。
实施例一
本实施例公开了一种基于随机片段数据的锂电池状态估计方法,估计方法步骤包括:
S1:获取第一数据与第二数据,所述第一数据为以固定SOH差为间隔构建的老化数据,所述第二数据为待估计锂电池在工作状态下,获取的随机片段数据;
在本实施例中,在构建锂电池老化数据库时,需要锂电池从未使用状态达到尽可能多的循环次数的全部放电数据,因此要对锂电池进行循环充放电实验。充电一次和放电一次称为一次充放电循环,以NASA B0005号锂电池为例,如图1所示,具体充放电步骤如下:
S11:采用恒定电流对待估计锂电池进行充电,直到待估计锂电池电压达到额定电压,转换为恒定电压模式对待估计锂电池进行充电,直到待估计锂电池充满电,获得充电数据,且将待估计锂电池放置一段时间;
S12:在恒定电流的作用下,对待估计锂电池进行放电,直到待估计锂电池中的电压降为截止电压,停止放电,获得放电数据;
S13:重复循环步骤S11~S12,获得第一数据,且在充放电循环前期与后期,SOH差以2.5%的间隔进行选取,在充放电循环的中期,SOH差以5%的间隔进行选取。
对于不同型号锂电池,充放电截止电压需根据电池具体参数而定,经过循环充放电过程,即可得到不同型号锂电池不同循环次数下的恒流放电数据。
在实际研究锂电池的老化状态时,通常更关注电池的SOH,所以该老化数据库的构建以固定SOH差为间隔。
通过对锂电池单体循环充放电数据集观察可知,在恒流放电循环前期和后期SOH下降比较缓慢,以2.5%的间隔来选取,在恒流放电循环中期SOH下降比较迅速,因此以5%的间隔来选取。
根据所提方法及NASA B0005号锂电池提供的数据,共选取9条恒流放电曲线构建老化数据库,这9条恒流放电曲线的SOH分别为92.83%、90.14%、87.59%、85.02%、79.78%、74.54%、69.57%、67.21%、64.68%,对这9条曲线编号1-9,构建的老化数据库如图1所示。结合图1和建立老化数据库时给出的信息可知每条恒流放电曲线都对应不同的电池最大可用容量、SOH等关键的电池老化状态信息。
S2:采用粒子群算法,将所述第一数据与所述第二数据进行匹配,获得待估计锂电池的第三数据,所述第三数据为初始SOC数据与SOH数据;
当随机片段数据在老化数据库里匹配到最接近的恒流放电曲线时,即认为该完整恒流放电曲线的锂电池老化信息代表随机片段数据下的锂电池老化状态信息;将随机片段数据与锂电池老化数据库进行匹配对比,寻找最吻合的位置,即可判断出该随机片段数据对应的电池初始SOC及其老化状态信息。
所述步骤S2中,将所述第一数据与所述第二数据进行匹配为将所述第一数据的恒流放电曲线与所述第二数据的放电曲线进行优化,如图2所示的流程图,具体操作的方法步骤包括:
S21:选择任意一条第一数据的恒流放电曲线,并初始化粒子群,包括群体规模N,第一条老化数据库曲线起始采样点位置x和速度v;
S22:将所述第二数据所有采样点与对应等长度的第一条老化数据库曲线采样点作差,计算适应度值F;
S23:用适应度值F和个体极值Pbest比较,如果F>Pbest,则用Pbest替换掉F;
S24:用个体极值Pbest和全局极值gbest比较,如果Pbest>gbest,则用gbest替换掉Pbest;
S25:基于公式v=w*v+c1r1(Pbest-x)+c2r2(gbest-x)和x=x+v更新采样点的位置x和速度v;
S26:返回执行步骤S22,直到达到最大循环次数,则进入步骤S27;
S27:遍历第一数据中所有的恒流放电曲线,并将每条曲线与所述第二数据获得的适应度值做比较,选取适应度值F最小的曲线,并基于该曲线,获得待估计锂电池的第三数据。
所述适应度值F的具体表达式为:
Zji代表第j条老化数据曲线的片段数据;n为选取的随机片段数据长度。优化目标函数是使随机片段数据的放电曲线和老化数据库的恒流放电曲线最接近,即适应度函数值F最小。
以NASA B0005号锂电池SOH=88.12%的恒流放电数据为例进行分析,该恒流放电曲线对应的实际当前最大可用容量Q为1.7623Ah,采样时间间隔为9.4s,共339个采样点。以每50个采样点为一组,每次往后增加10个采样点的方式对放电数据进行遍历,共计30组随机片段数据。根据所提方法建立目标优化函数并用粒子群求解,与老化数据库匹配结果如图3和图4以及图5所示。
由图3可知30组随机片段数据中有27组匹配出来是第3条SOH为87.59%的老化数据曲线。随机片段数据对应的曲线实际SOH为88.12%,当前最大可用容量为1.7623Ah,匹配到的第3条老化曲线SOH为87.59%,当前最大可用容量为1.7517Ah,匹配出来的ΔSOH为0.535%,ΔQ为0.0106Ah。由图4可知剩下的3组随机片段数据,即编号为13,24,26的随机片段数据匹配到的是第4条老化数据曲线,第4条老化数据曲线SOH为85.02%,最大可用容量为1.7003Ah,匹配出来的ΔSOH为3.105%,ΔQ为0.062Ah。
分析匹配结果可知,由于随机片段数据是从SOH为88.12%,最大可用容量为1.7623Ah的曲线抽取的,理论上应和第3条老化数据曲线更匹配。仿真结果显示30组随机片段数据中有27组匹配的结果和第3条老化数据曲线更匹配,因此本发明所提方法具有可行性。为进一步验证本发明所提方法的有效性,对SOH为88.12%的339个采样点,以每50个采样点为一组,每次往后增加1个采样点的方式对所有放电数据进行遍历。290组随机片段数据中276组能匹配到老化数据库曲线的第3条,准确率为95.17%。
S3:基于二阶戴维南等效电路模型,构建待估计锂电池的第一模型,并基于第一模型,辨识获得第四数据,所述第四数据为电阻参数、电容参数以及SOC-OCV曲线的开路电压UOC;
由于利用扩展卡尔曼滤波对锂电池SOC进行估计,该方法的实现依赖于锂电池等效电路模型,因此在综合考虑运算量和精确性后选取二阶戴维南模型进行建模,如图6所示。
所述第一模型采用基尔霍夫电压定律和电流定律进行获取,具体方程组为:
U为端电压;R0为电池欧姆内阻;I为流过电池的电流;R1为电化学极化电阻;C1为电化学极化电容;R2为浓差极化电阻;C2为浓差极化电容;U1为R1C1回路两端的电压;U2为R2C2回路两端的电压;UOC为开路电压。
在所述步骤S3中,基于所述第一模型,辨识SOC-OCV曲线的具体方法步骤包括:
S31:采用恒流恒压的充电方法,将待估计锂电池电源充满,并静置1h,测量SOC=100%时对应的UOC;
S32:以1C大小电流对待估计锂电池放电3min至95%SOC处,静置10min,测出SOC=95%时对应的UOC;
S33:重复步骤S32,依次测出SOC=90%、85%、……、15%、10%、5%、0时分别对应的UOC。
按照上述脉冲放电实验步骤,可得如图7所示NASA B0005号锂电池各静置阶段的OCV和对应的SOC值,将实验数据利用多项式进行拟合可得到SOC-OCV曲线,如图8所示。
多项式次数通过判别拟合程度参数R-square来确定,R-square在0.999及以上表明拟合情况非常接近真实情况,兼顾运算量和准确性,本发明最终选取七阶多项式,拟合结果算式如下:
在步骤S3中,基于所述第一模型,辨识电阻参数、电容参数为:基于待估计锂电池的脉冲放电电压响应曲线图,并在所述第一模型的基础上,采用零输入响应与零状态响应获得电阻参数与电容参数。
针对二阶戴维南等效电路模型,需对模型参数R0、R1、R2、C1、C2进行辨识,取图7中SOC=90%时的NASA B0005号锂电池脉冲放电电压响应曲线图进行分析,如图9所示,通过模型的零输入和零状态响应曲线拟合来执行参数辨识。图9中AB段和CD段的电压跳变都体现了R0的内阻特性,利用突变压降除以放电电流可计算R0,通过平均值求解可减小误差,如式(4)所示。
图9中DE段电压变化缓慢是由于RC回路的作用,随着RC回路电量的释放,电压最终趋于稳定,通过最小二乘拟合可求解回路的U1、U2、τ1、τ2参数,根据式(2)解微分方程,如式(5)所示。
其中τ1=R1C1,τ2=R2C2,分别为两个RC环节的时间常数,τ1代表时间常数较小的电化学极化过程,τ2代表时间常数较大的浓差极化过程;t0为初始时间。
CDE段是脉冲电流撤去后,RC回路失去激励,可视作零输入响应,两个RC回路的零输入响应如式(6)所示。
将式(24)代入式(20)的第一个方程,得到锂电池端电压输出方程。显然在E点Uoc(SOC)=U(∞),利用最小二乘拟合即可辨识出U1(tc)、U2(tc)、τ1、τ2。
AB段之前,锂电池已经过一段时间的静置,C1、C2两端的电压近似为零,所以BC段可视作RC回路的零状态响应。以B点作为t=0的时刻,则两个RC回路的零状态响应分别如式(7)所示。
结合已经辨识出的U1(tc)、U2(tc)、τ1、τ2参数,根据式(8)即可辨识出R1、R2。
上述辨识过程只对SOC=90%的情况进行分析,对每5%SOC间隔的脉冲放电电压响应曲线进行辨识,整理便可得到各SOC对应的参数值,如表1所示。
SOC% | <![CDATA[R<sub>0</sub>/mΩ]]> | <![CDATA[R<sub>1</sub>/mΩ]]> | <![CDATA[R<sub>2</sub>/mΩ]]> | <![CDATA[C<sub>1</sub>/F]]> | <![CDATA[C<sub>2</sub>/F]]> |
95 | 0.655 | 1.156 | 1.025 | 865.072 | 975.953 |
90 | 0.663 | 1.209 | 1.078 | 826.941 | 927.693 |
85 | 0.665 | 1.268 | 1.137 | 788.608 | 879.7202 |
80 | 0.666 | 1.333 | 1.202 | 750.069 | 832.032 |
75 | 0.666 | 1.406 | 1.274 | 711.325 | 784.625 |
70 | 0.666 | 1.487 | 1.356 | 672.372 | 737.497 |
65 | 0.666 | 1.579 | 1.448 | 633.210 | 690.645 |
60 | 0.665 | 1.684 | 1.553 | 593.837 | 644.068 |
55 | 0.665 | 1.804 | 1.673 | 554.253 | 597.762 |
50 | 0.665 | 1.944 | 1.812 | 514.449 | 551.726 |
45 | 0.665 | 2.108 | 1.976 | 474.432 | 505.957 |
40 | 0.664 | 2.303 | 2.172 | 434.196 | 460.453 |
35 | 0.664 | 2.540 | 2.408 | 393.740 | 415.210 |
30 | 0.663 | 2.832 | 2.701 | 353.062 | 370.229 |
25 | 0.662 | 3.203 | 3.072 | 312.460 | 325.502 |
20 | 0.660 | 3.690 | 3.558 | 271.033 | 281.037 |
15 | 0.657 | 4.354 | 4.223 | 229.679 | 236.822 |
10 | 0.653 | 5.316 | 5.185 | 188.095 | 192.859 |
5 | 0.643 | 6.836 | 6.705 | 146.280 | 149.145 |
0 | 0.621 | 9.594 | 9.463 | 104.231 | 105.678 |
表1
S4:基于第三数据与第四数据,采用扩展卡尔曼滤波对待估计锂电池的荷电状态进行估计,获得待估计锂电池的状态信息,状态信息包括待估计锂电池的SOC以及待估计锂电池的剩余放电时间。
所述步骤S4中,具体的操作方法步骤包括:对所述方程组进行离散化,并采用卡尔曼滤波的方法对离散化后输出方程进行线性化处理,获得输出矩阵C,并基于获得的输出矩阵C对所述待估计锂电池的状态信息进行估计,获得待估计锂电池的状态信息。
EKF是一种最小方差意义上的最优估计方法,通过对系统状态空间模型中的非线性函数做泰勒展开,仅保留线性项获得线性模型,适用于具有高度非线性的锂电池系统。EKF状态空间表达式如式(9)所示。
其中xk-1,xk均为系统的状态变量;uk为输入;yk为输出;Ak、Bk、Ck、Dk为系数矩阵;Wk为过程噪声,Vk为测量噪声,在这里假设二者均为0均值的高斯白噪声。
为满足后续滤波功能的实现,需将式(20)所示状态方程离散化,离散化的状态方程如式(10)所示。
其中T为采样时间。
离散化的整个电路输出方程如式(11)所示。
U(k)=Uoc(SOC)-U1(k)-U2(k)-R0I(k) (11)
由于UOC与SOC之间是非线性关系,根据EKF原理,对其进行线性化处理,如式(12)所示。
利用扩展卡尔曼滤波对锂电池SOC进行估计的具体步骤如下所示:
I.初始化。k=0时状态变量和均方误差初始化。
以NASA B0005号锂电池SOH为88.12%的第3组随机片段数据(采样点从20-69)为例进行SOC估计。由第一步分析可知第3组随机片段数据在老化数据库里匹配到的最佳位置是第3条老化曲线采样点从18-67的数据,此时锂电池的初始SOC为95.2%。基于匹配的位置,利用EKF进行SOC估计,结果如图10所示。由图10可知,在经历了短暂的循环后预测值就能够很好地跟随理论值,并将SOC误差稳定在2%以内。
根据上述步骤,判断出目前锂电池能以2A电流持续放电2998.6s,已放电470s,剩余放电时间为2528.6s,初始SOC为95.2%,已放掉14.69%SOC,剩余80.51%SOC,SOH为87.59%,最大可用容量为1.7517Ah。
实施例二
本实施例公开了一种基于随机片段数据的锂电池状态估计系统,本实施例是实现如实施例一种的锂电池状态估计方法,包括:
数据获取模块,用于获取第一数据与第二数据,所述第一数据为以固定SOH差为间隔构建的老化数据,所述第二数据为待估计锂电池在工作状态下,获取的随机片段数据;
数据匹配模块,用于采用粒子群算法,将所述第一数据与所述第二数据进行匹配,获得待估计锂电池的第三数据,所述第三数据为初始SOC数据与SOH数据;
第一分析计算模块,用于基于二阶戴维南等效电路模型,构建待估计锂电池的第一模型,并基于第一模型,辨识获得第四数据,所述第四数据为电阻参数、电容参数以及SOC-OCV曲线的开路电压UOC;
第二分析计算模块,用于基于第三数据与第四数据,采用扩展卡尔曼滤波对待估计锂电池的荷电状态进行估计,获得待估计锂电池的状态信息。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种基于随机片段数据的锂电池状态估计方法,其特征在于,估计方法步骤包括:
S1:获取第一数据与第二数据,所述第一数据为以固定SOH差为间隔构建的老化数据,所述第二数据为待估计锂电池在工作状态下,获取的随机片段数据;
S2:采用粒子群算法,将所述第一数据与所述第二数据进行匹配,获得待估计锂电池的第三数据,所述第三数据为初始SOC数据与SOH数据;
S3:基于二阶戴维南等效电路模型,构建待估计锂电池的第一模型,并基于第一模型,辨识获得第四数据,所述第四数据为电阻参数、电容参数以及SOC-OCV曲线的开路电压UOC;
S4:基于第三数据与第四数据,采用扩展卡尔曼滤波对待估计锂电池的荷电状态进行估计,获得待估计锂电池的状态信息;
在所述步骤S1中,获取第一数据的具体操作方法步骤包括:
S11:采用恒定电流对待估计锂电池进行充电,直到待估计锂电池电压达到额定电压,转换为恒定电压模式对待估计锂电池进行充电,直到待估计锂电池充满电,获得充电数据,且将待估计锂电池放置一段时间;
S12:在恒定电流的作用下,对待估计锂电池进行放电,直到待估计锂电池中的电压降为截止电压,停止放电,获得放电数据;
S13:重复循环步骤S11~S12,获得第一数据,且在充放电循环前期与后期,SOH差以2.5%的间隔进行选取,在充放电循环的中期,SOH差以5%的间隔进行选取;
所述步骤S2中,将所述第一数据与所述第二数据进行匹配为将所述第一数据的恒流放电曲线与所述第二数据的放电曲线进行优化,具体操作的方法步骤包括:
S21:选择任意一条第一数据的恒流放电曲线,并初始化粒子群,包括群体规模N,第一条老化数据库曲线起始采样点位置x和速度v;
S22:将所述第二数据所有采样点与对应等长度的第一条老化数据库曲线采样点作差,计算适应度值F;
S23:用适应度值F和个体极值Pbest比较,如果F>Pbest,则用Pbest替换掉F;
S24:用个体极值Pbest和全局极值gbest比较,如果Pbest>gbest,则用gbest替换掉Pbest;
S25:基于公式v=w*v+c1r1(Pbest-x)+c2r2(gbest-x)和x=x+v更新采样点的位置x和速度v;
S26:返回执行步骤S22,直到达到最大循环次数,则进入步骤S27;
S27:遍历第一数据中所有的恒流放电曲线,并将每条曲线与所述第二数据获得的适应度值做比较,选取适应度值F最小的曲线,并基于该曲线,获得待估计锂电池的第三数据;
所述第一模型采用基尔霍夫电压定律和电流定律进行获取,具体方程组为:
U为端电压;R0为电池欧姆内阻;I为流过电池的电流;R1为电化学极化电阻;C1为电化学极化电容;R2为浓差极化电阻;C2为浓差极化电容;U1为R1C1回路两端的电压;U2为R2C2回路两端的电压;UOC为开路电压;
在所述步骤S3中,基于所述第一模型,辨识SOC-OCV曲线的具体方法步骤包括:
S31:采用恒流恒压的充电方法,将待估计锂电池电源充满,并静置1h,测量SOC=100%时对应的UOC;
S32:以1C大小电流对待估计锂电池放电3min至95%SOC处,静置10min,测出SOC=95%时对应的UOC;
S33:重复步骤S32,依次测出SOC=90%、85%、……、15%、10%、5%、0时分别对应的UOC;
在所述步骤S3中,基于所述第一模型,辨识电阻参数、电容参数为:基于待估计锂电池的脉冲放电电压响应曲线图,并在所述第一模型的基础上,采用零输入响应与零状态响应获得电阻参数与电容参数;
所述步骤S4中,状态信息包括待估计锂电池的SOC以及待估计锂电池的剩余放电时间;
所述步骤S4中,具体的操作方法步骤包括:
对所述方程组进行离散化,并采用卡尔曼滤波的方法对离散化后输出方程进行线性化处理,获得输出矩阵C,并基于获得的输出矩阵C对所述待估计锂电池的状态信息进行估计,获得待估计锂电池的状态信息;
所述输出矩阵C的具体表达式为:
Ik为输入,Uk为输出,SOC为待估计锂电池状态信息,xk均为系统的状态变量。
3.一种基于随机片段数据的锂电池状态估计系统,其特征在于,执行如权利要求1或2所述的状态估计方法,包括:
数据获取模块,用于获取第一数据与第二数据,所述第一数据为以固定SOH差为间隔构建的老化数据,所述第二数据为待估计锂电池在工作状态下,获取的随机片段数据;
数据匹配模块,用于采用粒子群算法,将所述第一数据与所述第二数据进行匹配,获得待估计锂电池的第三数据,所述第三数据为初始SOC数据与SOH数据;
第一分析计算模块,用于基于二阶戴维南等效电路模型,构建待估计锂电池的第一模型,并基于第一模型,辨识获得第四数据,所述第四数据为电阻参数、电容参数以及SOC-OCV曲线的开路电压UOC;
第二分析计算模块,用于基于第三数据与第四数据,采用扩展卡尔曼滤波对待估计锂电池的荷电状态进行估计,获得待估计锂电池的状态信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111031237.2A CN113743664B (zh) | 2021-09-03 | 2021-09-03 | 一种基于随机片段数据的锂电池状态估计方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111031237.2A CN113743664B (zh) | 2021-09-03 | 2021-09-03 | 一种基于随机片段数据的锂电池状态估计方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113743664A CN113743664A (zh) | 2021-12-03 |
CN113743664B true CN113743664B (zh) | 2023-04-07 |
Family
ID=78735425
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111031237.2A Active CN113743664B (zh) | 2021-09-03 | 2021-09-03 | 一种基于随机片段数据的锂电池状态估计方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113743664B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114236401B (zh) * | 2021-12-20 | 2023-11-28 | 上海正泰电源系统有限公司 | 一种基于自适应粒子群算法的电池状态估计方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108872870A (zh) * | 2018-06-21 | 2018-11-23 | 浙江工业大学 | 一种基于粒子群优化扩展卡尔曼滤波算法的锂电池soc估算方法 |
CN110275113A (zh) * | 2019-06-25 | 2019-09-24 | 内蒙古工业大学 | 一种锂电池荷电状态估计方法 |
CN112327166A (zh) * | 2020-10-21 | 2021-02-05 | 合肥工业大学 | 基于分数阶平方根无迹卡尔曼滤波的锂电池soc估计方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
-
2021
- 2021-09-03 CN CN202111031237.2A patent/CN113743664B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108872870A (zh) * | 2018-06-21 | 2018-11-23 | 浙江工业大学 | 一种基于粒子群优化扩展卡尔曼滤波算法的锂电池soc估算方法 |
CN110275113A (zh) * | 2019-06-25 | 2019-09-24 | 内蒙古工业大学 | 一种锂电池荷电状态估计方法 |
CN112327166A (zh) * | 2020-10-21 | 2021-02-05 | 合肥工业大学 | 基于分数阶平方根无迹卡尔曼滤波的锂电池soc估计方法 |
Non-Patent Citations (1)
Title |
---|
周頔等.基于日常片段充电数据的锂电池健康状态实时评估方法研究.《中国电机 工程学报》.2019,第39 卷(第1 期),第105-111页. * |
Also Published As
Publication number | Publication date |
---|---|
CN113743664A (zh) | 2021-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dong et al. | Online state of charge estimation and open circuit voltage hysteresis modeling of LiFePO4 battery using invariant imbedding method | |
CN113466723B (zh) | 确定电池荷电状态的方法及装置,电池管理系统 | |
Lin et al. | State of charge estimation with the adaptive unscented Kalman filter based on an accurate equivalent circuit model | |
Deng et al. | Online available capacity prediction and state of charge estimation based on advanced data-driven algorithms for lithium iron phosphate battery | |
CN110031770B (zh) | 一种快速得到电池包中所有单体电池容量的方法 | |
CN105301509B (zh) | 锂离子电池荷电状态、健康状态与功率状态的联合估计方法 | |
Yang et al. | Battery states online estimation based on exponential decay particle swarm optimization and proportional-integral observer with a hybrid battery model | |
CN112034349A (zh) | 锂电池健康状态在线预估方法 | |
CN112904208A (zh) | 用于估计电池单元的开路电压的方法和系统 | |
Wang et al. | Adaptive state-of-charge estimation method for an aeronautical lithium-ion battery pack based on a reduced particle-unscented kalman filter | |
CN111812515A (zh) | 基于XGboost模型的锂离子电池荷电状态估算 | |
Kim et al. | Pattern recognition for temperature-dependent state-of-charge/capacity estimation of a Li-ion cell | |
CN110673037B (zh) | 基于改进模拟退火算法的电池soc估算方法及系统 | |
Usman et al. | Universal adaptive stabilizer based optimization for Li-ion battery model parameters estimation: An experimental study | |
CN112098849A (zh) | 基于求积分卡尔曼滤波的锂电池剩余电量估计方法 | |
CN113466725B (zh) | 确定电池荷电状态的方法及装置,存储介质及电子设备 | |
Biswas et al. | Simultaneous state and parameter estimation of li-ion battery with one state hysteresis model using augmented unscented kalman filter | |
CN113743664B (zh) | 一种基于随机片段数据的锂电池状态估计方法及系统 | |
CN114861545A (zh) | 基于rnn神经网络与多参数约束的锂电池sop在线估算方法 | |
CN114091282A (zh) | 基于分数阶模型的锂离子电池状态估计方法及系统 | |
CN115980583A (zh) | 基于微分代数方程的锂电池等效电路模型参数辨识四步法 | |
Narayan | State and parametric estimation of li-ion batteries in electrified vehicles | |
Lillystone et al. | State of health estimation of lithium-ion batteries based on data-driven techniques | |
Wang et al. | Online Capacity Estimation of Lithium-ion Batteries by Partial Incremental Capacity Curve | |
Souaihia et al. | State of charge estimation based on adaptive algorithm for Lead-Acid battery |
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 |