CN113884915A - 用于锂离子电池荷电状态和健康状态预测的方法及系统 - Google Patents

用于锂离子电池荷电状态和健康状态预测的方法及系统 Download PDF

Info

Publication number
CN113884915A
CN113884915A CN202111332510.5A CN202111332510A CN113884915A CN 113884915 A CN113884915 A CN 113884915A CN 202111332510 A CN202111332510 A CN 202111332510A CN 113884915 A CN113884915 A CN 113884915A
Authority
CN
China
Prior art keywords
state
lithium ion
ion battery
battery
charge
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.)
Pending
Application number
CN202111332510.5A
Other languages
English (en)
Inventor
刘树林
周广旭
朱孟美
慕永云
任晓庆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Automation Shandong Academy of Sciences
Original Assignee
Institute of Automation Shandong Academy of Sciences
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Institute of Automation Shandong Academy of Sciences filed Critical Institute of Automation Shandong Academy of Sciences
Priority to CN202111332510.5A priority Critical patent/CN113884915A/zh
Publication of CN113884915A publication Critical patent/CN113884915A/zh
Pending legal-status Critical Current

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]
    • G01R31/385—Arrangements for measuring battery or accumulator variables
    • G01R31/387—Determining ampere-hour charge capacity or SoC

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Secondary Cells (AREA)

Abstract

本发明属于锂离子电池领域，提供了一种用于锂离子电池荷电状态和健康状态预测的方法及系统。该方法包括，获取锂离子电池的电流、开路电压、电池内阻和动态特性参数；根据锂离子电池的开路电压和荷电状态之间的关系，辨识相关参数，根据得到的相关参数数值，计算锂离子电池的开路电压，验证相关参数数值的准确性；构建二阶RC等效电路模型，基于所述二阶RC等效电路模型辨识电池的动态特性参数，验证电池的动态特性参数的准确性；基于锂离子电池的电流、开路电压、电池内阻、电池的动态特性参数以及测量噪声得到锂离子电池状态空间关系；基于所述锂离子电池状态空间关系预测锂离子电池荷电状态和健康状态。

Description

用于锂离子电池荷电状态和健康状态预测的方法及系统
技术领域
本发明属于锂离子电池领域，尤其涉及一种用于锂离子电池荷电状态和健康状态预测的方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
电池状态估计是电池管理的核心和基础，并为电动汽车能量管理提供数据保障。电池的荷电状态(SOC)是指电池的剩余容量与其完全充电状态下的容量之比。电池的健康状态(SOH)通常用锂离子电池的容量、内阻或功率来定义。SOC和SOH的准确估计不仅可以延长电池性能衰减周期，降低电池使用成本，防止事故的发生，还对提高车辆的控制性能和预测续航里程具有重要意义。
现有的在对电池荷电状态和健康状态进行评估的过程中，根据电池等效电路模型来评估SOC和SOH，而电池等效电路模型的失调性本身也影响着SOC和SOH的准确估计。
发明内容
为了解决上述背景技术中存在的技术问题，本发明提供一种用于锂离子电池荷电状态和健康状态预测的方法及系统，其减少了计算量，提高了估计精度和鲁棒性。
为了实现上述目的，本发明采用如下技术方案：
本发明的第一个方面提供一种用于锂离子电池荷电状态和健康状态预测的方法。
用于锂离子电池荷电状态和健康状态预测的方法，包括：
获取锂离子电池的电流、开路电压、电池内阻和动态特性参数；
根据锂离子电池的开路电压和荷电状态之间的关系，辨识相关参数，根据得到的相关参数数值，计算锂离子电池的开路电压，验证相关参数数值的准确性；
构建二阶RC等效电路模型，基于所述二阶RC等效电路模型辨识电池的动态特性参数，验证电池的动态特性参数的准确性；
基于锂离子电池的电流、开路电压、电池内阻、电池的动态特性参数以及测量噪声得到锂离子电池状态空间关系；
基于所述锂离子电池状态空间关系预测锂离子电池荷电状态和健康状态。
进一步地，所述构建二阶RC等效电路模型为：
Figure BDA0003349309240000021
其中，λ是遗忘因子，Kk是增益矩阵，Pk为协方差矩阵，ek为误差向量，Vocv是锂离子电池的开路电压，V0是电池的端电压，Ik为电池电流，c1、c2、c3、c4、c5为待辨识参数。
进一步地，所述锂离子电池的开路电压和荷电状态之间的关系为：
Figure BDA0003349309240000031
其中，k0，k1，k2，k3，k4为待辨识参数。
进一步地，所述预测锂离子电池荷电状态和健康状态包括：采用自适应无迹卡尔曼滤波算法联合预测锂离子电池荷电状态和健康状态。
进一步地，所述锂离子电池状态空间关系为：
Figure BDA0003349309240000032
Figure BDA0003349309240000033
Figure BDA0003349309240000034
其中，状态空间变量为xk＝[SOCk Rk V1,k V2,k]T；控制变量为Ik；观测变量为yk；wk为系统噪声，υk为观测噪声，Rk为电池内阻，V1,k为电池等效电路模型中R1C1网络端电压，V2,k为R2C2网络端电压，Δt为采样间隔，QN为电池的额定容量。
本发明的第二个方面提供一种用于锂离子电池荷电状态和健康状态预测的系统。
用于锂离子电池荷电状态和健康状态预测的系统，包括：
数据获取模块，其被配置为：获取锂离子电池的电流、开路电压、电池内阻和动态特性参数；
参数辨识模块，其被配置为：根据锂离子电池的开路电压和荷电状态之间的关系，辨识相关参数，根据得到的相关参数数值，计算锂离子电池的开路电压，验证相关参数数值的准确性；构建二阶RC等效电路模型，基于所述二阶RC等效电路模型辨识电池的动态特性参数，验证电池的动态特性参数的准确性；
锂离子电池状态空间关系建立模块，其被配置为：基于锂离子电池的电流、开路电压、电池内阻、电池的动态特性参数以及测量噪声得到锂离子电池状态空间关系；
预测模块，其被配置为：基于所述锂离子电池状态空间关系预测锂离子电池荷电状态和健康状态。
进一步地，所述锂离子电池状态空间关系为：
Figure BDA0003349309240000041
Figure BDA0003349309240000042
Figure BDA0003349309240000043
其中，状态空间变量为xk＝[SOCk Rk V1,k V2,k]T；控制变量为Ik；观测变量为yk；wk为系统噪声，υk为观测噪声，Rk为电池内阻，V1,k为电池等效电路模型中R1C1网络端电压，V2,k为R2C2网络端电压，Δt为采样间隔，QN为电池的额定容量。
本发明的第三个方面提供一种计算机可读存储介质。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一个方面所述的用于锂离子电池荷电状态和健康状态预测的方法中的步骤。
本发明的第四个方面提供一种计算机设备。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述第一个方面所述的用于锂离子电池荷电状态和健康状态预测的方法中的步骤。
与现有技术相比，本发明的有益效果是：
本发明提供的用于锂离子电池荷电状态和健康状态预测的方法，首先对锂离子电池模型参数进行实时辨识，确保模型的准确性与有效性。其次，AUKF引入渐消因子实时更新误差协方差。该方法对锂离子电池的荷电状态和内阻进行实时估计，不断调整模型中参数实现模型自适应，并建立欧姆内阻与SOH之间的数学关系，从而实现SOC和SOH的联合估计。
本发明在RLS的基础上加入遗忘因子，降低迭代过程中旧数据影响，提高新数据的利用率，从而提高模型估计精度。
自适应无迹卡尔曼滤波(AUKF)算法使用近似概率密度分布的方法来处理非线性函数，在UKF的基础上加入渐消因子实时调整误差协方差，以削弱等效电路模型失调对电池状态估计的影响，提高了电池估计精度和鲁棒性。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本发明具体实施方式的估计方法流程图；
图2是二阶RC等效电路模型结构示意图；
图3是本发明实施例一采用FFRLS在线辨识参数的模型验证示意图；
图4是本发明实施例一在恒流放电条件下的SOC估计结果示意图；
图5是本发明实施例一在恒流放电条件下的SOC估计误差结果示意图；
图6是本发明实施例一在恒流放电条件下的R估计结果示意图；
图7是本发明实施例一在UDDS工况下的SOC估计结果示意图；
图8是本发明实施例一在UDDS工况下的SOC估计误差结果示意图；
图9是本发明实施例一在UDDS工况下的R估计结果示意图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
需要注意的是，附图中的流程图和框图示出了根据本公开的各种实施例的方法和系统的可能实现的体系架构、功能和操作。应当注意，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，所述模块、程序段、或代码的一部分可以包括一个或多个用于实现各个实施例中所规定的逻辑功能的可执行指令。也应当注意，在有些作为备选的实现中，方框中所标注的功能也可以按照不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，或者它们有时也可以按照相反的顺序执行，这取决于所涉及的功能。同样应当注意的是，流程图和/或框图中的每个方框、以及流程图和/或框图中的方框的组合，可以使用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以使用专用硬件与计算机指令的组合来实现。
实施例一
如图1所示，本实施例提供了一种用于锂离子电池荷电状态和健康状态预测的方法，本实施例以该方法应用于服务器进行举例说明，可以理解的是，该方法也可以应用于终端，还可以应用于包括终端和服务器和系统，并通过终端和服务器的交互实现。服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务器、云通信、中间件服务、域名服务、安全服务CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本申请在此不做限制。本实施例中，该方法包括以下步骤：
获取锂离子电池的电流、开路电压、电池内阻和动态特性参数；
根据锂离子电池的开路电压和荷电状态之间的关系，辨识相关参数，根据得到的相关参数数值，计算锂离子电池的开路电压，验证相关参数数值的准确性；
构建二阶RC等效电路模型，基于所述二阶RC等效电路模型辨识电池的动态特性参数，验证电池的动态特性参数的准确性；
基于锂离子电池的电流、开路电压、电池内阻、电池的动态特性参数以及测量噪声得到锂离子电池状态空间关系；
基于所述锂离子电池状态空间关系预测锂离子电池荷电状态和健康状态。
具体地，如图1所示，包括以下步骤：
步骤1：建立如图2所示的二阶RC等效电路模型，包括：电池的电流I，电池的端电压V0，电池的开路电压Vocv，电池内阻电压VR，电池内阻R以及用来描述电池的动态特性参数R1、C1、R2和C2。
根据基尔霍夫定律，所述二阶RC等效电路模型的表达式如下：
Figure BDA0003349309240000081
作为一种或多种实施方式，Vocv为电池SOC的高阶多项式函数，具体为:
Figure BDA0003349309240000082
其中，k0，k1，k2，k3，k4为待辨识参数。
步骤2：对所述二阶RC等效电路模型参数进行辨识。步骤2具体为：
步骤21：对Vocv-SOC的函数关系进行辨识。
作为一种或多种实施方式，本具体实施方式的研究对象为额定容量6.2Ah、额定电压3.2V的LiFePO4电池。对锂离子电池进行恒流放电实验，每放出标称容量的10％电量，静置一段时间直到放电完成。根据锂离子电池放电实验获得的端电压数据曲线，利用最小二乘法辨识参数，得到：
k0＝3.389，k1＝0.069，k2＝-0.006，k3＝-0.070，k4＝0.0001。
步骤22：利用遗忘因子递推最小二乘法(FFRLS)对二阶RC等效电路中的R0，R1，R2，C1，C2进行参数辨识，具体包括：
步骤221：基于等效电路模型的电流电压关系，令Et＝V0-Vocv，可以得到电池阻抗的传递函数如下：
Figure BDA0003349309240000091
步骤222：采用式双线性变换方法对上式进行离散化计算，得到：
Figure BDA0003349309240000092
其中，z为离散化算子，τ1＝R1C1,τ2＝R2C2，
Figure BDA0003349309240000093
步骤223：建立锂离子电池的自回归模型：
Figure BDA0003349309240000094
其中，
Figure BDA0003349309240000095
θk＝[c1 c2 c3 c4 c5]T。
作为一种或多种实施方式，在间断放电实验条件下，按照下述遗忘因子递推最小二乘法的递推公式在线辨识θk，从而得到R0，R1，R2，C1，C2。
Figure BDA0003349309240000101
其中，λ是遗忘因子，Kk是增益矩阵，Pk为协方差矩阵，ek为误差向量。
作为一种或多种实施方式，将恒流放电电流作为模型输入，对电池模型进行恒流放电实验，将模型的端电压预测结果与实测端电压进行比较，如图3所示。结果表明，该模型能很好地跟踪实际端电压。
步骤3：建立锂离子电池状态空间方程。
Figure BDA0003349309240000102
其中，xk＝[SOCk Rk V1,k V2,k]T，yk＝V0,k，
Figure BDA0003349309240000103
Figure BDA0003349309240000104
作为一种或多种实施方式，
Figure BDA0003349309240000105
REOL＝2RBOL。
其中，R为电池内阻RBOL是新电池的内阻，REOL是电池寿命终止时的内阻，wk和υk分别为系统噪声和观测噪声，V1,k为电池等效电路模型中R1C1网络端电压，V2,k为R2C2网络端电压，Δt为采样间隔，QN为电池的额定容量。
步骤4：基于自适应无迹卡尔曼滤波算法联合估计SOC和SOH，具体步骤为：
步骤41：获取2n+1个Sigma点；
Figure BDA0003349309240000111
其中，k表示离散时刻，λ为尺度参数，Pk|k为误差协方差矩阵。
步骤42：计算预测状态值(SOC和SOH)
x(i) k+1|k＝f(k,x(i) k|k)
其中，f(xk|k)＝A·xk|k+B·Ik|k+wk|k
步骤43：计算Sigma点集的一步预测及误差协方差矩阵
Figure BDA0003349309240000112
Figure BDA0003349309240000113
其中，
Figure BDA0003349309240000114
为均值估算对应的权值，
Figure BDA0003349309240000115
表示协方差估算对应的权值，Qk为零均值白噪声，Γk为噪声驱动矩阵。
步骤44：获取新的Sigma点集
Figure BDA0003349309240000116
步骤45：预测观测值
Figure BDA0003349309240000117
其中，h[xk|k]＝Cxk+DIk+υk
步骤46：计算预测值均值及协方差
Figure BDA0003349309240000121
Figure BDA0003349309240000122
Figure BDA0003349309240000123
其中，Pyk+1yk+1为预测值协方差，Pxk+1yk+1为交叉协方差。
γk+1为渐消因子：
Figure BDA0003349309240000124
Figure BDA0003349309240000125
Figure BDA0003349309240000126
其中，β为弱化因子，Vk为零均值白噪声
步骤47：修正系统状态估计
作为一种或多种实施方式，计算卡尔曼增益Kk+1：
Figure BDA0003349309240000127
作为一种或多种实施方式，更新系统状态
Figure BDA0003349309240000128
Figure BDA0003349309240000129
作为一种或多种实施方式，更新误差协方差矩阵Pk+1|k+1：
Figure BDA00033493092400001210
本实施例在不同工况下基于实施例一提供的基于自适应无迹卡尔曼滤波的锂离子电池SOC和SOH联合估计方法和无迹卡尔曼滤波方法分别进行仿真，对比SOC和R估算结果。
实验结果如图4-图9所示，其中图4比较了恒流条件下基于UKF和AUKF的SOC估计结果，估计误差如图5所示。为了验证AUKF的收敛速度性能，将初始SOC值设置为0.9。从图中可以看出，AUKF对SOC的估计更为准确，总体误差在0.1％以内。恒流实验结果表明，该算法具有收敛速度快，鲁棒性强和估计精度高的特点。内阻估算结果如图6所示，从图中可以看出，AUKF能够准确、稳定地估计内阻。
同样，在UDDS工况下为了验证AUKF的收敛速度性能，将SOC初始值设置为0.9。基于UKF的SOC估计结果与基于AUKF的SOC估计结果比较如图7所示，误差估计如图8所示。从图中可以看出，AUKF对SOC的估计更为准确。内阻R估算结果如图9所示，从图中可以看出，AUKF能够准确、稳定地估计内阻。在两种工况条件下，本实施例所提供基于AUKF算法具有高估计精度和鲁棒性，这于锂离子电池状态估计有着非常重要的应用价值。
本实施例提供的基于自适应无迹卡尔曼滤波的锂离子电池SOC和SOH联合估计方法，首先对锂离子电池模型参数进行实时辨识，确保模型的准确性与有效性。其次，AUKF引入渐消因子实时更新误差协方差。该方法对锂离子电池的荷电状态和内阻进行实时估计，不断调整模型中参数实现模型自适应，并建立欧姆内阻与SOH之间的数学关系，从而实现SOC和SOH的联合估计，具有快速收敛性和更高的估计精度。
实施例二
本实施例提供了一种用于锂离子电池荷电状态和健康状态预测的系统。
用于锂离子电池荷电状态和健康状态预测的系统，包括：
数据获取模块，其被配置为：获取锂离子电池的电流、开路电压、电池内阻和动态特性参数；
参数辨识模块，其被配置为：根据锂离子电池的开路电压和荷电状态之间的关系，辨识相关参数，根据得到的相关参数数值，计算锂离子电池的开路电压，验证相关参数数值的准确性；构建二阶RC等效电路模型，基于所述二阶RC等效电路模型辨识电池的动态特性参数，验证电池的动态特性参数的准确性；
锂离子电池状态空间关系建立模块，其被配置为：基于锂离子电池的电流、开路电压、电池内阻、电池的动态特性参数以及测量噪声得到锂离子电池状态空间关系；
预测模块，其被配置为：基于所述锂离子电池状态空间关系预测锂离子电池荷电状态和健康状态。
此处需要说明的是，上述数据获取模块、参数辨识模块、锂离子电池状态空间关系建立模块和预测模块与实施例一中的步骤所实现的示例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
实施例三
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例一所述的用于锂离子电池荷电状态和健康状态预测的方法中的步骤。
实施例四
本实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述实施例一所述的用于锂离子电池荷电状态和健康状态预测的方法中的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
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，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.用于锂离子电池荷电状态和健康状态预测的方法，其特征在于，包括：
获取锂离子电池的电流、开路电压、电池内阻和动态特性参数；
根据锂离子电池的开路电压和荷电状态之间的关系，辨识相关参数，根据得到的相关参数数值，计算锂离子电池的开路电压，验证相关参数数值的准确性；
构建二阶RC等效电路模型，基于所述二阶RC等效电路模型辨识电池的动态特性参数，验证电池的动态特性参数的准确性；
基于锂离子电池的电流、开路电压、电池内阻、电池的动态特性参数以及测量噪声得到锂离子电池状态空间关系；
基于所述锂离子电池状态空间关系预测锂离子电池荷电状态和健康状态。
2.根据权利要求1所述的用于锂离子电池荷电状态和健康状态预测的方法，其特征在于，所述构建二阶RC等效电路模型为：
Figure FDA0003349309230000011
其中，λ是遗忘因子，Kk是增益矩阵，Pk为协方差矩阵，ek为误差向量，Vocv是锂离子电池的开路电压，V0是电池的端电压，Ik为电池电流，c1、c2、c3、c4、c5为待辨识参数。
3.根据权利要求1所述的用于锂离子电池荷电状态和健康状态预测的方法，其特征在于，所述锂离子电池的开路电压和荷电状态之间的关系为：
Figure FDA0003349309230000021
其中，k0，k1，k2，k3，k4为待辨识参数。
4.根据权利要求1所述的用于锂离子电池荷电状态和健康状态预测的方法，其特征在于，所述预测锂离子电池荷电状态和健康状态包括：采用自适应无迹卡尔曼滤波算法联合预测锂离子电池荷电状态和健康状态。
5.根据权利要求1所述的用于锂离子电池荷电状态和健康状态预测的系统，其特征在于，所述锂离子电池状态空间关系为：
Figure FDA0003349309230000022
Figure FDA0003349309230000023
Figure FDA0003349309230000024
D＝-R，
其中，状态空间变量为xk＝[SOCk Rk V1,k V2,k]T；控制变量为Ik；观测变量为yk；wk为系统噪声，υk为观测噪声，Rk为电池内阻，V1,k为电池等效电路模型中R1C1网络端电压，V2,k为R2C2网络端电压，Δt为采样间隔，QN为电池的额定容量。
6.用于锂离子电池荷电状态和健康状态预测的系统，其特征在于，包括：
数据获取模块，其被配置为：获取锂离子电池的电流、开路电压、电池内阻和动态特性参数；
参数辨识模块，其被配置为：根据锂离子电池的开路电压和荷电状态之间的关系，辨识相关参数，根据得到的相关参数数值，计算锂离子电池的开路电压，验证相关参数数值的准确性；构建二阶RC等效电路模型，基于所述二阶RC等效电路模型辨识电池的动态特性参数，验证电池的动态特性参数的准确性；
锂离子电池状态空间关系建立模块，其被配置为：基于锂离子电池的电流、开路电压、电池内阻、电池的动态特性参数以及测量噪声得到锂离子电池状态空间关系；
预测模块，其被配置为：基于所述锂离子电池状态空间关系预测锂离子电池荷电状态和健康状态。
7.根据权利要求6所述的用于锂离子电池荷电状态和健康状态预测的系统，其特征在于，所述锂离子电池状态空间关系为：
Figure FDA0003349309230000031
Figure FDA0003349309230000032
Figure FDA0003349309230000033
D＝-R，
其中，状态空间变量为xk＝[SOCk Rk V1,k V2,k]T；控制变量为Ik；观测变量为yk；wk为系统噪声，υk为观测噪声，Rk为电池内阻，V1,k为电池等效电路模型中R1C1网络端电压，V2,k为R2C2网络端电压，Δt为采样间隔，QN为电池的额定容量。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-4中任一项所述的用于锂离子电池荷电状态和健康状态预测的方法中的步骤。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-4中任一项所述的用于锂离子电池荷电状态和健康状态预测的方法中的步骤。
CN202111332510.5A 2021-11-11 2021-11-11 用于锂离子电池荷电状态和健康状态预测的方法及系统 Pending CN113884915A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111332510.5A CN113884915A (zh) 2021-11-11 2021-11-11 用于锂离子电池荷电状态和健康状态预测的方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111332510.5A CN113884915A (zh) 2021-11-11 2021-11-11 用于锂离子电池荷电状态和健康状态预测的方法及系统

Publications (1)

Publication Number Publication Date
CN113884915A true CN113884915A (zh) 2022-01-04

Family

ID=79017945

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111332510.5A Pending CN113884915A (zh) 2021-11-11 2021-11-11 用于锂离子电池荷电状态和健康状态预测的方法及系统

Country Status (1)

Country Link
CN (1) CN113884915A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114779098A (zh) * 2022-04-14 2022-07-22 江苏金锋源新能源有限公司 一种锂离子电池的状态评估方法及系统
CN115453376A (zh) * 2022-10-26 2022-12-09 国网浙江省电力有限公司宁波市北仑区供电公司 电动汽车动力电池的状态监控方法、系统及电动汽车

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105301509A (zh) * 2015-11-12 2016-02-03 清华大学 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
CN107390127A (zh) * 2017-07-11 2017-11-24 欣旺达电动汽车电池有限公司 一种soc估算方法
CN110221221A (zh) * 2019-04-24 2019-09-10 吉林大学 锂离子电池荷电状态和健康状态联合估计方法
CN110261779A (zh) * 2019-06-25 2019-09-20 西安石油大学 一种三元锂电池荷电状态与健康状态在线协同估计方法
CN110308405A (zh) * 2019-07-26 2019-10-08 四川嘉垭汽车科技有限公司 不同环境温度下锂离子电池荷电状态及健康状态估计方法
CN113176505A (zh) * 2021-04-30 2021-07-27 重庆长安新能源汽车科技有限公司 车载动力电池荷电状态与健康状态在线估算方法、装置及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105301509A (zh) * 2015-11-12 2016-02-03 清华大学 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
CN107390127A (zh) * 2017-07-11 2017-11-24 欣旺达电动汽车电池有限公司 一种soc估算方法
CN110221221A (zh) * 2019-04-24 2019-09-10 吉林大学 锂离子电池荷电状态和健康状态联合估计方法
CN110261779A (zh) * 2019-06-25 2019-09-20 西安石油大学 一种三元锂电池荷电状态与健康状态在线协同估计方法
CN110308405A (zh) * 2019-07-26 2019-10-08 四川嘉垭汽车科技有限公司 不同环境温度下锂离子电池荷电状态及健康状态估计方法
CN113176505A (zh) * 2021-04-30 2021-07-27 重庆长安新能源汽车科技有限公司 车载动力电池荷电状态与健康状态在线估算方法、装置及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114779098A (zh) * 2022-04-14 2022-07-22 江苏金锋源新能源有限公司 一种锂离子电池的状态评估方法及系统
CN115453376A (zh) * 2022-10-26 2022-12-09 国网浙江省电力有限公司宁波市北仑区供电公司 电动汽车动力电池的状态监控方法、系统及电动汽车

Similar Documents

Publication Publication Date Title
Guo et al. A multi-scale parameter adaptive method for state of charge and parameter estimation of lithium-ion batteries using dual Kalman filters
Xu et al. State of charge estimation for lithium-ion batteries based on adaptive dual Kalman filter
Lin et al. State of charge estimation with the adaptive unscented Kalman filter based on an accurate equivalent circuit model
CN107422269B (zh) 一种锂电池在线soc测量方法
Ouyang et al. Improved parameters identification and state of charge estimation for lithium-ion battery with real-time optimal forgetting factor
Dong et al. Remaining dischargeable time prediction for lithium-ion batteries using unscented Kalman filter
CN111581904B (zh) 考虑循环次数影响的锂电池soc及soh协同估算方法
CN109001640B (zh) 一种动力电池的数据处理方法和装置
CN112327166B (zh) 基于分数阶平方根无迹卡尔曼滤波的锂电池soc估计方法
CN111060834A (zh) 一种动力电池健康状态估算方法
CN110333450B (zh) 电池开路电压预估方法及系统
CN113884915A (zh) 用于锂离子电池荷电状态和健康状态预测的方法及系统
CN107957555A (zh) 一种估算动力锂电池SoC的新方法
CN113777510A (zh) 一种锂电池荷电状态估计方法及装置
CN111913109A (zh) 一种电池峰值功率的预测方法及装置
CN111426968A (zh) 一种电动汽车动力电池sop的估算方法及系统
Takyi-Aninakwa et al. Enhanced multi-state estimation methods for lithium-ion batteries considering temperature uncertainties
CN113608121A (zh) 基于模糊分数阶无迹卡尔曼滤波的锂电池soc估计方法
CN111624496A (zh) 具有抗噪性锂离子电池模型参数和soc联合估计方法及系统
CN112269133B (zh) 一种基于预充电路模型参数识别的soc估计方法
CN108872865B (zh) 一种防滤波发散的锂电池soc估算方法
CN112881921A (zh) 电池等效电路模型参数辨识方法、装置、设备及存储介质
CN115656848A (zh) 一种基于容量修正的锂电池soc估算方法
CN113761726A (zh) 一种锂电池参数辨识方法及系统
CN114184962A (zh) 一种多算法融合的锂离子电池soc和soh联合估算方法

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