CN114167298A - 基于改进ekf的锂离子电池soc估算方法及系统 - Google Patents
基于改进ekf的锂离子电池soc估算方法及系统 Download PDFInfo
- Publication number
- CN114167298A CN114167298A CN202111265996.5A CN202111265996A CN114167298A CN 114167298 A CN114167298 A CN 114167298A CN 202111265996 A CN202111265996 A CN 202111265996A CN 114167298 A CN114167298 A CN 114167298A
- Authority
- CN
- China
- Prior art keywords
- battery
- soc
- state
- lithium ion
- ion battery
- 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
Links
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 title claims abstract description 65
- 229910001416 lithium ion Inorganic materials 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000012544 monitoring process Methods 0.000 claims abstract description 7
- 230000010287 polarization Effects 0.000 claims description 46
- 238000005259 measurement Methods 0.000 claims description 43
- 239000011159 matrix material Substances 0.000 claims description 37
- 230000008569 process Effects 0.000 claims description 17
- 238000012360 testing method Methods 0.000 claims description 10
- 239000003990 capacitor Substances 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 7
- 230000007704 transition Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 4
- 238000004422 calculation algorithm Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000000284 resting effect Effects 0.000 description 3
- 238000013519 translation Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tests Of Electric Status Of Batteries (AREA)
- Secondary Cells (AREA)
Abstract
本发明提供了一种基于改进EKF的锂离子电池SOC估算方法及系统,包括如下步骤:估算步骤:建立改进的扩展卡尔曼滤波器,基于改进的扩展卡尔曼滤波器对锂离子电池的SOC进行估算;监测步骤:利用估算的SOC反应锂离子电池的性能及状态,使锂离子电池安全执行任务。本发明利用改进后的扩展卡尔曼滤波器对锂离子电池的SOC进行估算,具有较好的实效性和精确性,解决了常规扩展卡尔曼滤波在长时间搁置工况中误差较大的缺点,具有一定的鲁棒性。
Description
技术领域
本发明涉及锂电子电池状态预测的技术领域,具体地,涉及一种基于改进EKF的锂离子电池SOC估算方法及系统。
背景技术
锂离子电池比其他种类的可充电电池更轻更小,且具有更长的循环寿命和更高的功率、能量密度,因此被广泛应用于电动汽车等领域。电池管理系统用于实时监测电池的性能及状态以确保其在整个寿命期间都能满足车辆的需求,合理的电池管理系统可以更高效、更长久的使用电池。作为电池管理系统的核心参数之一,SOC的准确估计至关重要。SOC定义为当前电池当前的电量与最大容量直接的比值,不仅可以直观的反映电池剩余电量的信息,还可以保证电池在安全的情况下执行任务。然而电池本身是一个非常复杂的系统,无法通过现有的仪器直接测量到SOC,只能通过利用电压、电流、温度等有限的测量量对其进行估计,因此准确的SOC估计是一项困难十足的挑战。
公开号为CN111679197A的中国发明专利文献公开了一种基于改进AEKF的锂离子电池SOC估算方法,包括:获得锂离子电池的开路电压Uocv和锂离子电池的电池能量状态SOE的关系;确定DP电路模型的特性参数;基于库伦计数法和OCV查表法建立电池系统状态空间表达式,代入改进AEKF算法得到系统矩阵、过程噪声协方差Q和量测噪声协方差R;基于系统矩阵、过程噪声协方差Q和量测噪声协方差R的更新,运用基于改进AEKF的锂离子电池SOC估算方法对锂离子电池SOC进行估算。
针对上述中的相关技术,发明人认为上述方法SOC估计的准确性较差,尤其是常规的扩展卡尔曼滤波方法估算SOC在长时间搁置的工况中产生巨大误差。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种基于改进EKF的锂离子电池SOC估算方法及系统。
根据本发明提供的一种基于改进EKF的锂离子电池SOC估算方法,包括如下步骤:
估算步骤:建立改进的扩展卡尔曼滤波器,基于改进的扩展卡尔曼滤波器对锂离子电池的SOC进行估算;
监测步骤:利用估算的SOC反应锂离子电池的性能及状态,使锂离子电池安全执行任务。
优选的,所述估算步骤包括如下步骤:
获取方程步骤:建立电池等效电路模型,将电池特性关系离散化后得到锂离子电池的状态方程和量测方程;
动态开路电压辨识步骤:对锂离子电池进行测试,利用带遗忘因子递推最小二乘法辨识锂离子电池的动态开路电压;
曲线拟合步骤:利用辨识得到的动态开路电压进行动态开路电压和SOC之间函数关系曲线拟合;
SOC求解步骤:基于所述状态方程、量测方程和曲线拟合的函数关系建立改进的扩展卡尔曼滤波器,利用带遗忘因子递推最小二乘法实施辨识得到的电池模型参数,将每时刻的电池模型参数值输入改进的扩展卡尔曼滤波器中,经过递推求解出SOC。
优选的,所述状态方程和量测方程分别为:
zk=UOC,k(SOCk)+UC,k+IkR0,k+vk
其中,xk为系统的状态量,包括电池的荷电状态和极化电压;SOCk为k时刻下电池的荷电状态;Ik为k时刻下电池的电流;Qmax为电池的最大可用容量;η为电池的库伦效率;Δt为采样间隔;w1,k、w2,k分别为系统的过程噪声;UC,k为k时刻下电池的极化电压;zk为系统的量测量,是电池的端电压;UOC,k(SOCk)为k时刻SOC对应的开路电压值,由所拟合的函数计算得到;R0,k为k时刻下电池的欧姆内阻;R1,k为k时刻下电池的极化内阻;τk为k时刻下电池的时间常数,是k时刻下极化内阻R1,k与极化电容C1,k的乘积;vk为系统的量测噪声;exp函数为指数函数。
优选的,所述SOC求解步骤包括如下步骤:
步骤S1:初始化状态量、误差协方差矩阵、过程噪声协方差Q和量测噪声协方差R;
步骤S2:进行当前工况状态判定,根据判定的结果确定状态方程;
步骤S3:根据确定的状态方程和过程噪声协方差Q进行时间更新,得到状态先验估计和误差协方差先验估计;
步骤S4:根据状态先验估计、误差协方差先验估计和量测噪声协方差R进行量测更新,更新误差协方差矩阵和状态,进而输出SOC。
优选的,所述步骤S2包括如下步骤:
步骤S2.1:进行当前工况状态判定,若当前工况判定结果为搁置阶段内,则进行步骤S2.2;若当前工况判定结果为正常工况内,则进行步骤S2.3;
步骤S2.2:将原状态方程拆解为单状态形式,新的状态方程为
即对电池的极化电压进行估算,SOC的值则保持不变;
步骤S2.3:同时估算电池的SOC和极化电压,状态方程为:
优选的,所述步骤S3包括如下步骤:
步骤S3.1:设定循环次数k,将当前循环次数与k比较,若当前循环次数小于k,则转步骤S3.2,否则结束循环;
优选的,所述步骤S4包括如下步骤:
步骤S4.1:设定循环次数k,将当前循环次数与k比较,若当前循环次数小于k,则转步骤S3.2,否则结束循环;
根据本发明提供的一种基于改进EKF的锂离子电池SOC估算系统,包括如下模块:
估算模块:建立改进的扩展卡尔曼滤波器,基于改进的扩展卡尔曼滤波器对锂离子电池的SOC进行估算;
监测模块:利用估算的SOC反应锂离子电池的性能及状态,使锂离子电池安全执行任务。
优选的,所述估算模块包括如下模块:
获取方程模块:建立电池等效电路模型,将电池特性关系离散化后得到锂离子电池的状态方程和量测方程;
动态开路电压辨识模块:对锂离子电池进行测试,利用带遗忘因子递推最小二乘法辨识锂离子电池的动态开路电压;
曲线拟合模块:利用辨识得到的动态开路电压进行动态开路电压和SOC之间函数关系曲线拟合;
SOC求解模块:基于所述状态方程、量测方程和曲线拟合的函数关系建立改进的扩展卡尔曼滤波器,利用带遗忘因子递推最小二乘法实施辨识得到的电池模型参数,将每时刻的电池模型参数值输入改进的扩展卡尔曼滤波器中,经过递推求解出SOC。
优选的,所述状态方程和量测方程分别为:
zk=UOC,k(SOCk)+UC,k+IkR0,k+vk
其中,xk为系统的状态量,包括电池的荷电状态和极化电压;SOCk为k时刻下电池的荷电状态;Ik为k时刻下电池的电流;Qmax为电池的最大可用容量;η为电池的库伦效率;Δt为采样间隔;w1,k、w2,k分别为系统的过程噪声;UC,k为k时刻下电池的极化电压;zk为系统的量测量,是电池的端电压;UOC,k(SOCk)为k时刻SOC对应的开路电压值,由所拟合的函数计算得到;R0,k为k时刻下电池的欧姆内阻;R1,k为k时刻下电池的极化内阻;τk为k时刻下电池的时间常数,是k时刻下极化内阻R1,k与极化电容C1,k的乘积;vk为系统的量测噪声;exp函数表示指数函数。
与现有技术相比,本发明具有如下的有益效果:
1、本发明利用改进后的扩展卡尔曼滤波器对锂离子电池的SOC进行估算,具有较好的实效性和精确性,解决了常规扩展卡尔曼滤波在长时间搁置工况中误差较大的缺点,具有一定的鲁棒性;
2、本发明引入了对电池测试工况的判断,并依据判断结果修改估算SOC的算法,能够提高算法估算精度;
3、本发明在戴维南电池等效电路模型的基础上,通过带遗忘因子递推最小二乘法实时辨识模型参数,利用工况判断结果,将SOC估算的扩展卡尔曼滤波算法拆解或重构,有效规避了常规扩展卡尔曼滤波的工况不适应性,提高了SOC的估算精度。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明的技术路线图;
图2为锂离子电池戴维南等效电路模型图;
图3为UDDS工况测试电流波形图;
图4为UDDS工况测试电压波形图;
图5为拟合的OCV曲线图;
图6为改进的EKF算法流程图;
图7为初值为0.8时常规EKF与改进EKF估算结果对比图;
图8为初值为0.8时常规EKF与改进EKF估算误差对比图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
本发明实施例公开了一种基于改进EKF的锂离子电池SOC估算方法,如图1和图2所示,包括如下步骤:估算步骤:建立改进的扩展卡尔曼滤波器,基于改进的扩展卡尔曼滤波器对锂离子电池的SOC进行估算。
估算步骤包括如下步骤:获取方程步骤:建立电池等效电路模型,将电池特性关系离散化后得到锂离子电池的状态方程和量测方程。建立如图2所示的戴维南电池等效电路模型,将电池特性关系离散化后得到电池的状态方程和量测方程,过程如下:
基于基尔霍夫定律得到电池的电压特性方程,如下:
其中,Ut为端电压;UOC为开路电压;It为电流;R0为欧姆内阻;UC为极化电压;R1为极化内阻;C1为极化电容;dt表示对t求导,t表示时间。
对UC进行离散化求解,得到:
其中,UC,k为k时刻下的极化电压;It,k为k时刻下的电池端电流;Δt为系统的采样间隔;τk为k时刻下电池的时间常数;由τk=R1,kC1,k计算得到,R1,k表示k时刻下的极化内阻;C1,k表示k时刻下的极化电容;Δt表示时间间隔。
在已知电池参数和开路电压曲线的情况下,可以得到量测方程:
其中,Ut,k为k时刻下的端电压,UOC,k(SOCk)为k时刻下由拟合得到的开路电压曲线计算得到的开路电压;R0,k为k时刻下电池的欧姆内阻。
将电池的SOC和极化电压设置为系统状态值,电池的端电压设置为系统的观测值,可以得到系统的离散化状态方程(公式4)和量测方程(公式5)。
zk=UOC,k(SOCk)+UC,k+IkR0,k+vk (5)
其中,xk为系统的状态量,包括电池的荷电状态和极化电压;SOCk为k时刻下电池的荷电状态;Ik为k时刻下电池的电流;Qmax为电池的最大可用容量;η为电池的库伦效率,通常取1;Δt为采样间隔;w1,k、w2,k分别为系统的过程噪声;UC,k为k时刻下电池的极化电压;zk为系统的量测量,是电池的端电压;UOC,k(SOCk)为k时刻SOC对应的开路电压值,由所拟合的函数计算得到;R0,k为k时刻下电池的欧姆内阻;R1,k为k时刻下电池的极化内阻;τk为k时刻下电池的时间常数,是k时刻下极化内阻R1,k与极化电容C1,k的乘积;vk为系统的量测噪声。
动态开路电压辨识步骤:对锂离子电池进行测试,利用带遗忘因子递推最小二乘法辨识锂离子电池的动态开路电压。通过测试得到美国城市道路循环(UDDS英文全称为Urban Dynamometer Driving Schedule)工况的数据,其电流和电压如图3和图4所示,在Matlab2018b环境下编写算法程序,利用带遗忘因子递推最小二乘法对电池动态开路电压OCV进行辨识。OCV英文全称为Open Circuit Voltage,中文译文为开路电压。在美国城市道路循环(UDDS)工况下对电池进行测试,利用带遗忘因子递推最小二乘法辨识电池的动态开路电压。利用带遗忘因子递推最小二乘法对测试数据进行电池模型参数辨识。
曲线拟合步骤:利用辨识得到的动态开路电压进行动态开路电压和SOC之间函数关系曲线拟合。利用辨识得到的动态开路电压进行开路电压与SOC之间函数关系曲线拟合。如图5所示,为拟合的OCV曲线。
SOC求解步骤:基于状态方程、量测方程和曲线拟合的函数关系建立改进的扩展卡尔曼滤波器,利用带遗忘因子递推最小二乘法实施辨识得到的电池模型参数,将每时刻的电池模型参数值输入改进的扩展卡尔曼滤波器中,经过递推求解出SOC。基于获取方程步骤获得的状态方程和量测方程建立改进的扩展卡尔曼滤波器;利用带遗忘因子递推最小二乘法实时辨识得到参数,将每一时刻的参数值输入滤波器中,经过递推求解出SOC。电池模型参数包括欧姆内阻R0、极化内阻R1和时间常数τ。
常规EKF算法在每一时刻根据量测误差修正状态值,当电池处于长时间搁置的工况中,SOC本应是不变的,而常规EKF没有判断工况的设定和根据工况调整自身递推结构的功能。因此,本申请所采用的改进EKF算法采用重构EKF来消除上述缺点带来的缺陷。当电池工况被判定为搁置阶段时,EKF被拆解,仅估算电池的极化电压,SOC保持不变;当电池工况被判定为正常阶段时,EKF重组为原先的形式,保持SOC和极化电压的同时更新。
状态方程和量测方程分别为:
zk=UOC,k(SOCk)+UC,k+IkR0,k+vk
其中,xk为系统的状态量,包括电池的荷电状态和极化电压;SOCk为k时刻下电池的荷电状态;Ik为k时刻下电池的电流;Qmax为电池的最大可用容量;η为电池的库伦效率,通常取1;Δt为采样间隔;w1,k、w2,k分别为系统的过程噪声;UC,k为k时刻下电池的极化电压;zk为系统的量测量,是电池的端电压;UOC,k(SOCk)为k时刻SOC对应的开路电压值,由所拟合的函数计算得到;R0,k为k时刻下电池的欧姆内阻;R1,k为k时刻下电池的极化内阻;τk为k时刻下电池的时间常数,是k时刻下极化内阻R1,k与极化电容C1,k的乘积;vk为系统的量测噪声;exp函数表示指数函数。UOC,k(SOCk)即为拟合的结果使用案例,此处是将SOC值代入拟合曲线中得到对应的开路电压值,进而计算当前时刻的电池端电压。
如图6所示,改进EKF(扩展卡尔曼滤波)估算SOC的具体过程,即SOC求解步骤包括如下步骤:步骤S1,初始化状态量x0、误差协方差矩阵P0、过程噪声协方差Q、量测噪声协方差R。x0是每一步状态xk的初始值,通过k次算法迭代后便为xk,P0是每一个误差协方差矩阵的初始值,通过k次算法迭代后便为Pk。
步骤S2,进行当前工况状态判定,根据判定的结果确定状态方程。进行当前工况状态判定,若当前工况判定结果为搁置阶段内,则转步骤S2.2;若当前工况判定结果为正常工况内,则转步骤S2.3。
步骤S2包括如下步骤:步骤S2.1:通过判断当前电池的电流持续为0的时长是否超过设定值进行当前工况状态判定,若当前工况判定结果为搁置阶段内,则进行步骤S2.2;若当前工况判定结果为正常工况内,则进行步骤S2.3。
步骤S2.2:将原状态方程拆解为单状态形式,新的状态方程为
即对电池的极化电压进行估算,SOC的值则保持不变。
步骤S2.3:同时估算电池的SOC和极化电压,状态方程为:
步骤S3:根据确定的状态方程和过程噪声协方差Q进行时间更新,得到状态先验估计和误差协方差先验估计。进行时间更新具体过程为,即步骤S3包括如下步骤:
步骤S3.1:设定循环次数k,将当前循环次数与k比较,若当前循环次数小于k,则转步骤S3.2,否则结束循环。时刻k指的便是第k次循环。
步骤S3.3:按照进行误差协方差先验估计,其中是k时刻误差协方差矩阵先验值;表示Ak的转置矩阵;T表示转置;Pk-1表示上一时刻的误差协方差;表示Ak的转置矩阵,Ak表示系统的状态转移矩阵,T表示转置。
进行量测更新具体过程为,即步骤S4:根据状态先验估计、误差协方差先验估计和量测噪声协方差R进行量测更新,更新误差协方差矩阵和状态;进而输出SOC。
步骤S4包括如下步骤:步骤S4.1:设定循环次数k,将当前循环次数与k比较,若当前循环次数小于k,则转步骤S3.2,否则结束循环。此处设置的本意是在每个步骤开始时检查是否已结束循环。
步骤S4.4:按照进行状态更新,其中ek是电池端电压的仿真误差,由计算所得;其中,zk是实测值;是量测方程的计算结果;是根据步骤S3.2计算得到的状态先验值,xk是步骤S4.4更新之后的状态值。实测值zk和系统的量测量zk表示同一种含义。
EKF英文全称ExtendedKalmanFilter,中文译文为扩展卡尔曼滤波器。SOC英文全称为state of charge,中文译文为荷电状态。
监测步骤:利用估算的SOC反应锂离子电池的性能及状态,使锂离子电池安全执行任务。利用工作时测量得到的电压及电流信号,可以估算出每一时刻锂离子电池的SOC。在实际应用中,通常不会让锂离子电池在每一个单圈循环中放电至空电状态(即SOC为0),而是设置一个合理的放电深度(比如,若设置放电深度为80%,则代表放电到剩下20%的容量)。放电深度过低,会导致电池的寿命缩短,同时放电深度越低,电池的电压越不稳定,这对于估计电池状态以及进一步高效管理电池有极大影响。在每一时刻精确估算SOC后,及时将SOC估算值输出至电池管理系统,由电池管理系统来决定后续的管理策略。如当电池的SOC较高时,则可以正常使用电池;当电池的SOC较低时,开启低压保护,防止电池出现过放电,同时发出一定的示警信号,将电池低电量状态反应至用户交互界面。
如图7和图8所示,图7和图8分别是常规EKF与改进EKF的估算结果和估算误差对比图,从结果可以看出,本发明提供了一种高精度的、适用于电池在长时间搁置工况下管理电池的SOC估算算法。
本发明建立戴维南电池等效电路模型,通过基尔霍夫定律得到电池的特性关系,并离散化后建立电池的状态方程和量测方程;利用带遗忘因子递推最小二乘法对美国城市道路循环(UDDS)数据进行电池模型参数辨识;利用辨识得到的动态开路电压进行开路电压与SOC之间函数关系曲线拟合;利用改进的扩展卡尔曼滤波器(EKF)估算出SOC。本发明在实际工程应用中,解决传统算法在长时间搁置工况中产生的巨大误差,改善滤波器的稳定性,同时算法具有一定的鲁棒性。本发明利用改进后的扩展卡尔曼滤波器对锂离子电池的SOC进行估算,具有较好的实效性和精确性,解决了常规扩展卡尔曼滤波在长时间搁置工况中误差较大的缺点,具有一定的鲁棒性。
本领域技术人员知道,除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置、模块、单元以外,完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以,本发明提供的系统及其各项装置、模块、单元可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构;也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (10)
1.一种基于改进EKF的锂离子电池SOC估算方法,其特征在于,包括如下步骤:
估算步骤:建立改进的扩展卡尔曼滤波器,基于改进的扩展卡尔曼滤波器对锂离子电池的SOC进行估算;
监测步骤:利用估算的SOC反应锂离子电池的性能及状态,使锂离子电池安全执行任务。
2.根据权利要求1所述的基于改进EKF的锂离子电池SOC估算方法,其特征在于,所述估算步骤包括如下步骤:
获取方程步骤:建立电池等效电路模型,将电池特性关系离散化后得到锂离子电池的状态方程和量测方程;
动态开路电压辨识步骤:对锂离子电池进行测试,利用带遗忘因子递推最小二乘法辨识锂离子电池的动态开路电压;
曲线拟合步骤:利用辨识得到的动态开路电压进行动态开路电压和SOC之间函数关系曲线拟合;
SOC求解步骤:基于所述状态方程、量测方程和曲线拟合的函数关系建立改进的扩展卡尔曼滤波器,利用带遗忘因子递推最小二乘法实施辨识得到的电池模型参数,将每时刻的电池模型参数值输入改进的扩展卡尔曼滤波器中,经过递推求解出SOC。
3.根据权利要求2所述的基于改进EKF的锂离子电池SOC估算方法,其特征在于,所述状态方程和量测方程分别为:
zk=UOC,k(SOCk)+UC,k+IkR0,k+vk
其中,xk为系统的状态量,包括电池的荷电状态和极化电压;SOCk为k时刻下电池的荷电状态;Ik为k时刻下电池的电流;Qmax为电池的最大可用容量;η为电池的库伦效率;Δt为采样间隔;w1,k、w2,k分别为系统的过程噪声;UC,k为k时刻下电池的极化电压;zk为系统的量测量,是电池的端电压;UOC,k(SOCk)为k时刻SOC对应的开路电压值,由所拟合的函数计算得到;R0,k为k时刻下电池的欧姆内阻;R1,k为k时刻下电池的极化内阻;τk为k时刻下电池的时间常数,是k时刻下极化内阻R1,k与极化电容C1,k的乘积;vk为系统的量测噪声;exp函数为指数函数。
4.根据权利要求2所述的基于改进EKF的锂离子电池SOC估算方法,其特征在于,所述SOC求解步骤包括如下步骤:
步骤S1:初始化状态量、误差协方差矩阵、过程噪声协方差Q和量测噪声协方差R;
步骤S2:进行当前工况状态判定,根据判定的结果确定状态方程;
步骤S3:根据确定的状态方程和过程噪声协方差Q进行时间更新,得到状态先验估计和误差协方差先验估计;
步骤S4:根据状态先验估计、误差协方差先验估计和量测噪声协方差R进行量测更新,更新误差协方差矩阵和状态,进而输出SOC。
7.根据权利要求4所述的基于改进EKF的锂离子电池SOC估算方法,其特征在于,所述步骤S4包括如下步骤:
步骤S4.1:设定循环次数k,将当前循环次数与k比较,若当前循环次数小于k,则转步骤S3.2,否则结束循环;
8.一种基于改进EKF的锂离子电池SOC估算系统,其特征在于,包括如下模块:
估算模块:建立改进的扩展卡尔曼滤波器,基于改进的扩展卡尔曼滤波器对锂离子电池的SOC进行估算;
监测模块:利用估算的SOC反应锂离子电池的性能及状态,使锂离子电池安全执行任务。
9.根据权利要求8所述的基于改进EKF的锂离子电池SOC估算系统,其特征在于,所述估算模块包括如下模块:
获取方程模块:建立电池等效电路模型,将电池特性关系离散化后得到锂离子电池的状态方程和量测方程;
动态开路电压辨识模块:对锂离子电池进行测试,利用带遗忘因子递推最小二乘法辨识锂离子电池的动态开路电压;
曲线拟合模块:利用辨识得到的动态开路电压进行动态开路电压和SOC之间函数关系曲线拟合;
SOC求解模块:基于所述状态方程、量测方程和曲线拟合的函数关系建立改进的扩展卡尔曼滤波器,利用带遗忘因子递推最小二乘法实施辨识得到的电池模型参数,将每时刻的电池模型参数值输入改进的扩展卡尔曼滤波器中,经过递推求解出SOC。
10.根据权利要求9所述的基于改进EKF的锂离子电池SOC估算系统,其特征在于,所述状态方程和量测方程分别为:
zk=UOC,k(SOCk)+UC,k+IkR0,k+vk
其中,xk为系统的状态量,包括电池的荷电状态和极化电压;SOCk为k时刻下电池的荷电状态;Ik为k时刻下电池的电流;Qmax为电池的最大可用容量;η为电池的库伦效率;Δt为采样间隔;w1,k、w2,k分别为系统的过程噪声;UC,k为k时刻下电池的极化电压;zk为系统的量测量,是电池的端电压;UOC,k(SOCk)为k时刻SOC对应的开路电压值,由所拟合的函数计算得到;R0,k为k时刻下电池的欧姆内阻;R1,k为k时刻下电池的极化内阻;τk为k时刻下电池的时间常数,是k时刻下极化内阻R1,k与极化电容C1,k的乘积;vk为系统的量测噪声;exp函数表示指数函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111265996.5A CN114167298A (zh) | 2021-10-28 | 2021-10-28 | 基于改进ekf的锂离子电池soc估算方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111265996.5A CN114167298A (zh) | 2021-10-28 | 2021-10-28 | 基于改进ekf的锂离子电池soc估算方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114167298A true CN114167298A (zh) | 2022-03-11 |
Family
ID=80477692
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111265996.5A Pending CN114167298A (zh) | 2021-10-28 | 2021-10-28 | 基于改进ekf的锂离子电池soc估算方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114167298A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114839550A (zh) * | 2022-04-14 | 2022-08-02 | 安徽理工大学 | 一种基于ukf-aukf的锂电池soc联合估计方法 |
CN116973770A (zh) * | 2023-09-25 | 2023-10-31 | 东方电子股份有限公司 | 一种基于稳态卡尔曼滤波器的电池soc估计方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180246173A1 (en) * | 2017-02-28 | 2018-08-30 | Honeywell International Inc. | Online determination of model parameters of lead acid batteries and computation of soc and soh |
CN110395141A (zh) * | 2019-06-27 | 2019-11-01 | 武汉理工大学 | 基于自适应卡尔曼滤波法的动力锂电池soc估算方法 |
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 |
CN111781503A (zh) * | 2020-06-15 | 2020-10-16 | 国网江苏省电力有限公司无锡供电分公司 | 一种锂离子储能电池soc在线估算方法 |
CN112433154A (zh) * | 2019-08-25 | 2021-03-02 | 南京理工大学 | 基于ffrls和ekf的锂离子电池soc估测算法 |
CN112816873A (zh) * | 2020-08-24 | 2021-05-18 | 江苏大学 | 一种基于改进电池模型的iekf锂电池soc估算方法 |
-
2021
- 2021-10-28 CN CN202111265996.5A patent/CN114167298A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180246173A1 (en) * | 2017-02-28 | 2018-08-30 | Honeywell International Inc. | Online determination of model parameters of lead acid batteries and computation of soc and soh |
CN110395141A (zh) * | 2019-06-27 | 2019-11-01 | 武汉理工大学 | 基于自适应卡尔曼滤波法的动力锂电池soc估算方法 |
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 |
CN112433154A (zh) * | 2019-08-25 | 2021-03-02 | 南京理工大学 | 基于ffrls和ekf的锂离子电池soc估测算法 |
CN111781503A (zh) * | 2020-06-15 | 2020-10-16 | 国网江苏省电力有限公司无锡供电分公司 | 一种锂离子储能电池soc在线估算方法 |
CN112816873A (zh) * | 2020-08-24 | 2021-05-18 | 江苏大学 | 一种基于改进电池模型的iekf锂电池soc估算方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114839550A (zh) * | 2022-04-14 | 2022-08-02 | 安徽理工大学 | 一种基于ukf-aukf的锂电池soc联合估计方法 |
CN114839550B (zh) * | 2022-04-14 | 2024-05-10 | 安徽理工大学 | 一种基于ukf-aukf的锂电池soc联合估计方法 |
CN116973770A (zh) * | 2023-09-25 | 2023-10-31 | 东方电子股份有限公司 | 一种基于稳态卡尔曼滤波器的电池soc估计方法及系统 |
CN116973770B (zh) * | 2023-09-25 | 2023-12-08 | 东方电子股份有限公司 | 一种基于稳态卡尔曼滤波器的电池soc估计方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | State-of-charge estimation of lithium-ion battery pack by using an adaptive extended Kalman filter for electric vehicles | |
Naseri et al. | Online parameter estimation for supercapacitor state-of-energy and state-of-health determination in vehicular applications | |
Xiong et al. | A data-driven multi-scale extended Kalman filtering based parameter and state estimation approach of lithium-ion polymer battery in electric vehicles | |
Ahmed et al. | Model-based parameter identification of healthy and aged li-ion batteries for electric vehicle applications | |
CN105203969A (zh) | 基于修正的rc电池模型的荷电状态估计方法 | |
CN103632018B (zh) | 一种基于Simscape平台的电池建模方法 | |
CN103529398A (zh) | 基于扩展卡尔曼滤波的锂离子电池soc在线估计方法 | |
CN110261778B (zh) | 一种锂离子电池soc估测算法 | |
CN111060834A (zh) | 一种动力电池健康状态估算方法 | |
CN110824363B (zh) | 一种基于改进ckf的锂电池soc和soe联合估算方法 | |
Wehbe et al. | Battery equivalent circuits and brief summary of components value determination of lithium ion: A review | |
CN110795851A (zh) | 一种考虑环境温度影响的锂离子电池建模方法 | |
CN114167298A (zh) | 基于改进ekf的锂离子电池soc估算方法及系统 | |
CN108414947B (zh) | 一种基于多时间尺度的空间锂离子电池状态联合估计方法 | |
Xia et al. | Joint estimation of the state-of-energy and state-of-charge of lithium-ion batteries under a wide temperature range based on the fusion modeling and online parameter prediction | |
CN111142025A (zh) | 一种电池soc估算方法、装置、存储介质及电动汽车 | |
Yang et al. | SOC estimation of lithium-ion battery based on new adaptive fading extended Kalman filter | |
CN112433154A (zh) | 基于ffrls和ekf的锂离子电池soc估测算法 | |
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 | |
Lin et al. | A novel approach to state of charge estimation using extended kalman filtering for lithium-ion batteries in electric vehicles | |
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 | |
CN114062950A (zh) | 混联电池soc确定方法、装置、电子设备及存储介质 | |
Zhu et al. | Online state of charge EKF estimation for LiFePO 4 battery management systems | |
Nemounehkhah et al. | Comparison and evaluation of state of charge estimation methods for a verified battery model | |
CN109298340B (zh) | 一种基于可变时间尺度的电池容量在线估计方法 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20231128 Address after: 2965 Dongchuan Road, Minhang District, Shanghai, 200245 Applicant after: SHANGHAI INSTITUTE OF SPACE POWER-SOURCES Applicant after: SHANGHAI AEROSPACE POWER TECHNOLOGY Co.,Ltd. Address before: 2965 Dongchuan Road, Minhang District, Shanghai, 200245 Applicant before: SHANGHAI INSTITUTE OF SPACE POWER-SOURCES Applicant before: SHANGHAI POWER ENERGY STORAGE BATTERY SYSTEM ENGINEERING TECHNOLOGY CO.,LTD. |