CN114740386B - 一种基于健康状态的锂离子电池荷电状态估计方法 - Google Patents
一种基于健康状态的锂离子电池荷电状态估计方法 Download PDFInfo
- Publication number
- CN114740386B CN114740386B CN202210226982.0A CN202210226982A CN114740386B CN 114740386 B CN114740386 B CN 114740386B CN 202210226982 A CN202210226982 A CN 202210226982A CN 114740386 B CN114740386 B CN 114740386B
- Authority
- CN
- China
- Prior art keywords
- battery
- state
- charge
- current
- discharge
- 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
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 title claims abstract description 46
- 229910001416 lithium ion Inorganic materials 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 36
- 239000002245 particle Substances 0.000 claims abstract description 23
- 230000032683 aging Effects 0.000 claims abstract description 14
- 238000001914 filtration Methods 0.000 claims abstract description 9
- 238000007600 charging Methods 0.000 claims description 18
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 claims description 16
- 229910052744 lithium Inorganic materials 0.000 claims description 16
- 238000006243 chemical reaction Methods 0.000 claims description 14
- 238000007599 discharging Methods 0.000 claims description 14
- 230000010287 polarization Effects 0.000 claims description 13
- 238000002474 experimental method Methods 0.000 claims description 12
- 125000004122 cyclic group Chemical group 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 239000003990 capacitor Substances 0.000 claims description 4
- 238000012952 Resampling Methods 0.000 claims description 2
- 238000005315 distribution function Methods 0.000 claims description 2
- 238000012935 Averaging Methods 0.000 claims 1
- 230000005611 electricity Effects 0.000 claims 1
- 230000010354 integration Effects 0.000 claims 1
- 238000012549 training Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000001965 increasing effect Effects 0.000 description 2
- 230000028161 membrane depolarization Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 1
- 238000010280 constant potential charging Methods 0.000 description 1
- 238000010277 constant-current charging Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
-
- 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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开了一种基于健康状态的锂离子电池荷电状态估计的方法和装置。其中方法主要包括:使用锂离子电池的二阶等效电路模型,计算开路电压和荷电状态之间的函数关系,并采用带遗忘因子的递推最小二乘进行电路模型参数的辨识;根据实验平台采集的数据,采用相关向量机进行电池剩余使用寿命的预测,并将电池的剩余使用寿命量化为关于电池实际容量的基准函数关系式;然后建立工作温度和充放电倍率关于电池实际容量的补偿函数关系式,通过补偿函数关系式对基准函数关系式的校正,得到最终的电池实际可用容量。最后通过电路模型建立的状态空间方程,采用粒子滤波的方法实现电池荷电状态的估计。本发明基于电池的健康状态,能够在不同老化程度下实现荷电状态的准确估计。
Description
技术领域
本发明涉及锂电池技术领域,特别涉及一种基于健康状态等效电路模型的锂离子电池荷电状态估计方法。
背景技术
随着能源危机和环境危机的日趋严峻,世界各国越来越重视新能源的发展。其中,锂离子电池作为环保型储能器件,具有功率密度高、能量密度高和自放电率低等优势,已被广泛应用于新能源汽车汽车和智能电网等领域。在电池管理系统中,电池荷电状态的估计是至关重要的,对于保障系统安全有着重要作用。然而,模型参数受噪声干扰,电池寿命受内外部因素影响以及电池充放电的循环使用,使得电池荷电状态的估计仍存在许多挑战。专利【一种基于噪声自适应粒子滤波的电池荷电状态估计方法和装置】采用基于噪声的自适应粒子滤波实现电池的荷电状态估计,但是其没有考虑电池的老化状态即容量的衰退。专利【一种基于自适应模型的锂电池荷电状态估计装置及方法】虽然考虑了电池的老化状态,但是其采用拓展卡尔曼滤波实现电池的荷电状态估计,拓展卡尔曼滤波噪声为高斯噪声,由于锂离子电池具有较强的非线性关系且系统噪声为非高斯噪,其处理效果不是很理想。专利【锂离子电池荷电状态和健康状态联合估计方法】采用双滑膜观测器实现电池荷电状态和健康状态的联合估计,其考虑了容量的衰减,但是荷电状态和健康状态变化的时间尺度不同,健康状态的变化比较缓慢,荷电状态处于实时的变化过程,不适应用于实际的成产。
发明内容
本发明的目的是提供一种基于健康状态的锂离子电池荷电状态估计的装置及方法,能够根据容量衰减程度不同、环境温度不同和充放电倍率不同,提高锂离子电池荷电状态估计的精度。
本发明所提供的技术方案是:
一种基于健康状态的锂离子电池荷电状态估计方法,包括:
步骤S1,对锂电池进行循环充放电实验,提取容量、恒流充电时间、恒压充电时间、放电压差与放电时间的比值作为锂电池老化的有效特征,建立电池剩余使用寿命预测模型,将提取的老化特征组成特征向量作为预测模型的输入;
步骤S2,建立锂离子电池的等效电路模型,采取小电流充放电的方式,对电池的开路电压-荷电状态曲线进行测定,再对电池等效电路模型进行参数辨识;
步骤S3,在25℃室温下,对锂电池进行循环充放电实验,并对充放电电流进行积分,获得每个充放电循环下的电池实际容量,并绘制实际可用容量与循环次数的关系曲线;将步骤S1中预测得到电池的剩余使用寿命替换掉循环次数,通过拟合得到电池实际容量与剩余使用寿命的函数关系式;
步骤S4,在不同的温度下对电池进行彻底的恒流放电;建立了电池工作温度对电池容量的补偿方程;
步骤S5,不同倍率下对电池充放电实验,建立电池不同充放电倍率下对电池容量的补偿方程;
步骤S6,根据步骤S3、S4和S5获得电池最终的实际可用容量,然后根据步骤S2中等效电路模型建立的状态空间方程,采用粒子滤波的方法实现电池荷电状态的估计。
一种基于健康状态的锂离子电池荷电状态估计装置,包括电源供电模块,AC-DC转换模块、DC-DC转换模块、控制模块,模拟量采集模块和大功率电阻;所述电源供电模块,用于提供各模块所需的电源;所述AC-DC模块,用于将常用220V交流电转换为直流电;所述DC-DC模块:实现锂电池的放电操作,将电池中的电量向功率电阻输出所述控制模块,用于控制锂离子电池的充放电电流;所述数据采集模块,用于采集锂离子电池端电压、充电电流以及工作温度;所述大功率电阻,用作负载。
本发明的技术效果在于:
(1)本发明通过锂离子电池剩余使用寿命的预测映射为电池的实际基准容量,考虑了电池的健康状态(即老化状态),同时将工作温度和充放电倍率作为影响因子,实现了电池实际可用容量的补偿。
(2)本发明采用二阶等效电路模型,同时采用粒子滤波的方法降低了过程噪声和测量噪声的干扰,提高了锂离子电池的荷电状态估计的准确性。
附图说明
图1为本发明中锂离子电池荷电状态估计装置的框图。
图2为本发明中锂离子电池荷电状态估计方法的流程图。
图3为本发明中锂离子电池二阶等效电路模型示意图。
图4为本发明中剩余使用寿命预测框架图。
图5为本发明中粒子滤波算法的流程图。
具体实施方式
下面参照附图对本发明进行更全面的描述,在附图中,相同的标识表示相同或相似的组件或元素。
图1表示本发明提供的荷电状态估计的装置示意图,包括电源供电模块,AC-DC转换模块,DC-DC转换模块,控制模块,模拟量采集模块,大功率电阻,BetaQ电池循环老化测试仪,恒温箱,温度、电压和电流传感器。
其中,模拟量采集模块与AC-DC转换模块、锂电池组、DC-DC转换模块和控制板连接,控制板与AC-DC转换模块和DC-DC转换模块连接,AC-DC转换模块与锂电池组、模拟量采集模块和控制版连接,DC-DC转换模块与锂电池组、模拟量采集模块、控制板和大功率电阻连接;
电源供电模块用于将外部输入电压转换为控制模块,模拟量采集模块以及数据采集模块所需的电源电压。
AC-DC模块用于将常用220V交流电转换为直流电,实现对电池恒流恒压的充电方式。
DC-DC模块实现锂电池的放电操作,将电池中的电量向功率电阻输出。
控制模块用于向AC-DC转换模块和DC-DC转换模块输出PWM脉冲信号,控制锂离子电池的充放电电流;同时还用于荷电状态估计中方法的处理和计算。
所述大功率电阻模块作为负载,实现锂电池能量的消耗。
各种传感器模块用于锂离子电池端电压,充电电流以及工作温度等数据的采集。
恒温箱用于控制锂离子电池充放电的工作温度。
BetaQ电池循环老化测试仪用于锂离子电池循环充放电实验,并提供数据信号供各传感器采集。
如图2所示,本发明提供的一种基于健康状态的锂离子电池荷电状态估计的方法包括如下步骤:
步骤S1,利用BetaQ电池循环老化测试仪对电池进行循环充放电,提取每次循环充放电的老化特征容量、恒流充电时间、恒压充电时间、放电压差与放电时间的比值,然后采用基于邻域分析的方法进行特征增强,建立电池剩余使用寿命预测模型。
图4为本发明的剩余使用寿命预测框架图。锂离子电池得剩余使用寿命预测主要分为两部。第一步离线训练,首先需要电池循环充放电采集数据,然后对数据进行特征得提取和筛选,再采用邻域分析法对特征增强,最后作为训练数据集采用相关向量机的方法对数据进行训练,得到锂离子电池剩余使用寿命预测模型。第二部分为在线运行,对数据的处理与离线训练类似,最后将处理得到的测试数据作为预测模型的输入,最终得到电池的剩余使用寿命。
本发明优选8个电池进行实验,先通过一段时间的循环充放电实验获得训练数据集,将训练数据集作为输入,剩余使用寿命作为输出,经过训练后,得到了电池剩余使用寿命的预测模型。然后,可以采用该模型进行在线的剩余使用寿命预测。
步骤S2,首先需要对电池的开路电压-荷电状态曲线进行测定,然后采用带遗忘因子的递推最小二乘实现电池模型的参数辨识。
先让电池以恒流恒压的方式充电,直至充电电流下降至电池的下限截止电流。将电池充满电结束时的荷电状态定义为100%;
将锂离子电池静置5小时,实现电池的退极化。然后以0.25C的放电倍率进行放电,放电次数为20次,直至电池的电压下降至其下限截止电压3V。将放电结束时的电池荷电状态定义为0%。
在每次脉冲放电结束时,将电池置于开路状态5个小时,同样实现电池的退极化,然后对电池的终端电压进行测量并定义为放电的开路电压。另外,将电池充电池荷电状态为100%的状态,获得电池充电的开路电压。
对获得的放电开路电压和充电的开路电压取平均值,将平均值作为实际的开路电压。
获得的开路电压-荷电状态的曲线是非线性的,若直接对该曲线进行线性化,将会增加荷电状态估计的难度。本申请中将荷电状态-开路电压曲线分解为一组线性段共9段并进行简化,每个线段的形式如下所示:
OCV=c0+c1SOC
其中OCV为开路电压,SOC为荷电状态,c0和c1为常数系数。测定的开路电压-荷电状态曲线如图2所示,以查表的方式从该曲线中得到电池开路电压信息。
图3为本发明的锂离子电池二阶等效电路模型示意图,主要由等效内阻Rs,极化电容Cp1和极化电阻Rp1,浓差极化电容Cp2和浓差极化电阻Rp2,开路电压Voc、端电压Vt和充电电流I组成。
根据等效电路模型,可得其等效电路表达式为:
通过上述获得的开路电压-荷电状态函数关系以及建立的等效电路模型,接下来采用带遗忘因子的递推最小二乘实现等效电路模型的参数辨识,带遗忘因子的递推最小二乘法公式如下所示:
其中,θ表示待辨识参数,K表示增益矩阵,P表示协方差矩阵,为测量值,λ表示遗忘因子。将电池等效电路模型公式进行一系列的频域以及差分形式的转换为带遗忘因子的递推最小二乘法公式形式:
具体步骤如下:
设置初始化的参数,设定荷电状态SOC(0),开路电压Voc(0)和时间间隔Δt的初始值;
实时的计算荷电状态SOC(k)和开路电压Voc(k);
设置协方差矩阵P0、待辨识参数和遗忘因子λ的初始值;
通过电池等效电路模型转换的带遗忘因子的递推最小二乘法公式求出k1、k2、k3、k4和k5。
求出等效电路模型参数Rs、Rp1、Rp2、Cp1和Cp2。
步骤S3,在25℃室温下,根据实验平台对电池进行循环充放电实验,通过高精度电流传感器采集电流,并对电流进行积分,获得每个充放电循环下的电池实际容量,并绘制实际可用容量与循环次数的关系曲线。然后,将步骤S1中预测得到电池的剩余使用寿命替换掉循环次数,通过拟合获得电池实际容量与剩余使用寿命的函数关系式。
Cn(x)=ax3+bx2+cx+d
其中,Cn表示电池的实际容量,a、b、c和d为常数系数,x表示电池的剩余使用寿命。
步骤S4,在不同的温度下对电池进行彻底的恒流放电。首先在25℃的环境下,采用1C的放电倍率放电,同样通过电流传感器获得放电电流,并对电流进行积分,得到此时25℃工作环境下的电池实际可用容量。然后,再不同的温度环境下,获得不同的实际可用容量,并与25℃环境下的实际可用容量作比值。最后建立了电池工作温度对电池容量的补偿方程。
ξ(x)=a1x3+b1x2+c1x+d
其中,ξ表示温度对电池实际容量的补偿,a、b、c和d为常数系数,x表示电池的工作温度。
步骤S5,不同倍率下对电池充放电实验。与步骤S4类似,首先获得1C放电倍率下的电池实际可用容量,然后获得不得放电倍率下的实际可用容量,因此得到关于容量的比值。最后建立电池不同充放电倍率下对电池容量的补偿方程。
η(x)=a2x3+b2x2+c2x+d2
其中,η表示充放电倍率对电池实际容量的补偿,a、b、c和d为常数系数,x表示电池的充放电倍率。
步骤S6,将步骤S3中获得电池的老化状态与实际可用容量间的定量关系得到电池的实际可用容量,并以此为基准,将步骤S4和S5中获得的电池工作温度和充放电倍率与实际可用容量的定量补偿系数对实际可用容量进一步补偿和校正,得到最终的电池实际可用容量。
Qr=Cn(RUL)·ξ(T)·η(C)
锂离子电池荷电状态可用如下公式所示:
其中SOC(t0)为初始的荷电状态,Cn为锂离子电池的实际可用容量,i(t)为电池的充放电电流。将该公式转换为离散形式为:
其中t为离散周期,K为采样点。
然后根据等效电路模型,等效电路模型表达式为:
其中,U1和U2分别为极化电阻Rp1和Rp2上的电压。让τ成为RC电路的时间常数,即τ=RC。将上述公式结合,通过离散化得到了锂离子电池的状态方程和观测方程如下:
Vk=VOC(SOC,k)-Up1,k-Up2,k-ReIk+vk
估计中的状态变量为:
xk=[Up1,k,Up2,k,SOCk]
假设荷电状态估计过程中的过程噪声和测量噪声服从高斯分布,可得:
G(xk,uk,σk)=VOC(SOC,k)-Up1,k-Up2,k-ReIk
根据步骤S3中将筛选并增强得到的老化特征值输入构建的锂离子电池剩余使用寿命模型,得到电池的剩余使用寿命RUL,并将该值带入容量基准公式中,获得电池的基准容量为CN,然后将温度和充放电倍率对电池容量的补偿系数分别带入中,通过计算获得最终的电池实际可用容量。最后采用粒子滤波的方法实现电池荷电状态的估计。
图5为本发明所述的粒子滤波算法的流程图,实现电池荷电状态的在线估计。
(1)首先,初始化,k=0,设置噪声方差值、有效阈值;初始的极化电压值和荷电状态值;粒子的数量等。初始化粒子,从初始密度分布函数中随机抽取N个状态粒子:x0 i(i=1,2,...N);初始化各个粒子的权重:w0 i=1/N(i=1,2,...N)
(2)然后,更新状态的时间:k=k-1;并利用状态方程公式(11)预测k时刻的值
(3)其次,利用观测方程(12)计算每个粒子的权值,计算公式为:
(4)再次,对k时刻的状态进行估计:
(5)判断是否需要进行重采样,若需要重采样,需将粒子的权值重新赋值为1/N。
(6)判断循环是否结束,结束则实现了荷电状态的估计,否则返回步骤(2)。
Claims (7)
1.一种基于健康状态的锂离子电池荷电状态估计方法,包括以下步骤:
步骤S1,对锂电池进行循环充放电实验,提取容量、恒流充电时间、恒压充电时间、放电压差与放电时间的比值作为锂电池老化的有效特征,建立电池剩余使用寿命预测模型,将提取的老化特征组成特征向量作为预测模型的输入;
步骤S2,建立锂离子电池的等效电路模型,采取小电流充放电的方式,对电池的开路电压-荷电状态曲线进行测定,再对电池等效电路模型进行参数辨识;
步骤S3,在25℃室温下,对锂电池进行循环充放电实验,并对充放电电流进行积分,获得每个充放电循环下的电池实际容量,并绘制实际可用容量与循环次数的关系曲线;将步骤S1中预测得到电池的剩余使用寿命替换掉循环次数,通过拟合得到电池实际容量与剩余使用寿命的函数关系式;
步骤S4,在不同的温度下对电池进行彻底的恒流放电;建立了电池工作温度对电池容量的补偿方程;
步骤S5,不同倍率下对电池充放电实验,建立电池不同充放电倍率下对电池容量的补偿方程;具体步骤为:采用1C的放电倍率放电,采用电流传感器获得放电电流,并对电流进行积分,得到1C放电倍率下的电池实际可用容量,然后获得不得放电倍率下的实际可用容量,并与1C放电倍率下的电池实际可用容量作比值,再建立电池不同充放电倍率下对电池容量的补偿方程;
步骤S6,根据步骤S3、S4和S5获得电池最终的实际可用容量,然后根据步骤S2中等效电路模型建立的状态空间方程,采用粒子滤波的方法实现电池荷电状态的估计;
等效电路的状态空间方程以及安时积分法的计算公式为:
式中,Vt为电池的端电压,Voc为电池的开路电压,I为充电电流,Rs为电池的内阻,U1和U2分别为电池的极化电阻Rp1和浓差极化电阻Rp2上的电压,Cn为电池的总可用容量,SOC(t0)为t0时刻的荷电状态,SOC(t)为t时刻的荷电状态;
将电池的状态空间进行离散化并根据粒子滤波估计获得锂电池的荷电状态和输出端电压为:
Vk=VOC(SOC,k)-Up1,k-Up2,k-ReIk+vk
式中η为充电效率,Cn为电池的总可用容量,wk为锂电池充电系统的过程噪声,vk为电流和电压传感器采集电流和电压的测量噪声。
2.根据权利要求1所述的基于健康状态的锂离子电池荷电状态估计方法,其特征在于,步骤S2中采取小电流充放电的方式,对电池的开路电压-荷电状态曲线进行测定具体步骤为:以恒流恒压的方式对锂离子电池充电,直至充电电流下降至电池的下限截止电流,将电池置于开路状态5个小时,对电池的终端电压进行测量,获得电池充电的开路电压;将锂离子电池静置5小时,然后以0.25C的放电倍率进行放电,放电次数为20次,直至电池的电压下降至其下限截止电压3V;
在每次脉冲放电结束时,将电池置于开路状态5个小时,对电池的终端电压进行测量获得电池放电的开路电压;
将放电的开路电压和充电的开路电压取平均值得到实际的开路电压;
获得的开路电压-荷电状态的曲线是非线性的,将荷电状态-开路电压曲线分解为一组线性段共9段并进行简化,每个线段的形式如下所示:
OCV=c0+c1SOC
其中OCV为开路电压,SOC为荷电状态,c0和c1为常数系数,以查表的方式从该曲线中得到电池开路电压信息。
3.根据权利要求1所述的基于健康状态的锂离子电池荷电状态估计方法,其特征在于,步骤S1中采用相关向量机进行电池剩余使用寿命的预测。
4.根据权利要求1所述的基于健康状态的锂离子电池荷电状态估计方法,其特征在于,步骤S4的具体步骤为:首先在25℃的环境下,采用1C的放电倍率放电,采用电流传感器获得放电电流,并对电流进行积分,得到此时25℃工作环境下的电池实际可用容量;然后,再不同的温度环境下,获得不同的实际可用容量,并与25℃环境下的实际可用容量作比值,建立了电池工作温度对电池容量的补偿方程。
5.根据权利要求1所述的基于健康状态的锂离子电池荷电状态估计方法,其特征在于,步骤S6中基于粒子滤波的锂离子电池的荷电状态估计的步骤为:
(1)初始化,k=0,设置噪声方差值、有效阈值;初始的极化电压值和荷电状态值;粒子的数量;初始化粒子,从初始密度分布函数中随机抽取N个粒子:x0 i(i=1,2,…N);初始化各个粒子的权重:w0 i=1/N(i=1,2,…N);
(2)更新状态的时间:k=k-1;并利用状态方程公式预测k时刻的值
(3)利用观测方程计算每个粒子的权值,计算公式为:
对k时刻的状态进行估计:
(4)判断是否需要进行重采样,若需要重采样,需将粒子的权值重新赋值为1/N;
(5)判断循环是否结束,结束则得到荷电状态的估计值,否则返回步骤(2)。
6.根据权利要求2所述的基于健康状态的锂离子电池荷电状态估计方法,其特征在于,步骤S2中对电池等效电路模型进行参数辨识的步骤为:
根据等效电路模型,可得其等效电路表达式为:
上式中,Rs为等效内阻,Cp1为极化电容,Rp1为极化电阻,Cp2为浓差极化电容,Rp2为浓差极化电阻,Voc为开路电压,Vt为端电,I为充电电流;
通过前面获得的开路电压-荷电状态函数关系以及建立的等效电路模型,采用带遗忘因子的递推最小二乘实现等效电路模型的参数辨识,带遗忘因子的递推最小二乘法公式如下所示:
其中,θ表示待辨识参数,K表示增益矩阵,P表示协方差矩阵,为测量值,λ表示遗忘因子;将电池等效电路模型公式进行一系列的频域以及差分形式的转换为带遗忘因子的递推最小二乘法公式形式:
具体步骤如下:
设置初始化的参数,设定荷电状态SOC(0),开路电压Voc(0)和时间间隔Δt的初始值;
实时的计算荷电状态SOC(k)和开路电压Voc(k);
设置协方差矩阵P0、待辨识参数和遗忘因子λ的初始值;
通过电池等效电路模型转换的带遗忘因子的递推最小二乘法公式求出k1、k2、k3、k4和k5;
求出等效电路模型参数Rs、Rp1、Rp2、Cp1和Cp2。
7.一种基于健康状态的锂离子电池荷电状态估计装置,采用如权利要求1所述的方法,其特征在于,包括电源供电模块,AC-DC转换模块、DC-DC转换模块、控制模块,模拟量采集模块和大功率电阻;所述电源供电模块,用于提供各模块所需的电源;所述AC-DC转换模块,用于将常用220V交流电转换为直流电;所述DC-DC转换模块:实现锂电池的放电操作,将电池中的电量向功率电阻输出所述控制模块,用于控制锂离子电池的充放电电流;数据采集模块,用于采集锂离子电池端电压、充电电流以及工作温度;所述大功率电阻,用作负载。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210226982.0A CN114740386B (zh) | 2022-03-08 | 2022-03-08 | 一种基于健康状态的锂离子电池荷电状态估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210226982.0A CN114740386B (zh) | 2022-03-08 | 2022-03-08 | 一种基于健康状态的锂离子电池荷电状态估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114740386A CN114740386A (zh) | 2022-07-12 |
CN114740386B true CN114740386B (zh) | 2024-05-24 |
Family
ID=82275433
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210226982.0A Active CN114740386B (zh) | 2022-03-08 | 2022-03-08 | 一种基于健康状态的锂离子电池荷电状态估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114740386B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115629326B (zh) * | 2022-12-21 | 2023-03-17 | 中国北方车辆研究所 | 户外空间内储能电池寿命预测方法、装置、设备及介质 |
CN117060553B (zh) * | 2023-10-13 | 2024-01-02 | 快电动力(北京)新能源科技有限公司 | 储能系统的电池管理方法、装置、系统和部件 |
CN117665637B (zh) * | 2024-01-29 | 2024-04-05 | 深圳市乌托邦创意科技有限公司 | 一种高兼容性快充移动式电源老化速度测试方法及系统 |
CN117686936B (zh) * | 2024-02-01 | 2024-05-03 | 杭州高特电子设备股份有限公司 | 电池系统剩余使用寿命的在线检测方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016134496A1 (zh) * | 2015-02-28 | 2016-09-01 | 北京交通大学 | 锂离子电池荷电状态估算方法和装置 |
CN109358293A (zh) * | 2018-06-07 | 2019-02-19 | 温州大学 | 基于ipf的锂离子电池soc估计方法 |
CN111308363A (zh) * | 2020-02-17 | 2020-06-19 | 中南大学 | 一种基于自适应模型的锂电池荷电状态估计装置及方法 |
CN112444749A (zh) * | 2020-11-06 | 2021-03-05 | 南京航空航天大学 | 一种基于温度修正模型的锂电池荷电状态联合估计方法 |
CN114114038A (zh) * | 2021-11-22 | 2022-03-01 | 昆明理工大学 | 一种全寿命全温度下锂电池soc及可用容量联合估计方法 |
WO2022044046A1 (en) * | 2020-08-28 | 2022-03-03 | Sedemac Mechatronics Pvt Ltd | A method for estimating state of charge and state of health of a battery and a system thereof |
-
2022
- 2022-03-08 CN CN202210226982.0A patent/CN114740386B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016134496A1 (zh) * | 2015-02-28 | 2016-09-01 | 北京交通大学 | 锂离子电池荷电状态估算方法和装置 |
CN109358293A (zh) * | 2018-06-07 | 2019-02-19 | 温州大学 | 基于ipf的锂离子电池soc估计方法 |
CN111308363A (zh) * | 2020-02-17 | 2020-06-19 | 中南大学 | 一种基于自适应模型的锂电池荷电状态估计装置及方法 |
WO2022044046A1 (en) * | 2020-08-28 | 2022-03-03 | Sedemac Mechatronics Pvt Ltd | A method for estimating state of charge and state of health of a battery and a system thereof |
CN112444749A (zh) * | 2020-11-06 | 2021-03-05 | 南京航空航天大学 | 一种基于温度修正模型的锂电池荷电状态联合估计方法 |
CN114114038A (zh) * | 2021-11-22 | 2022-03-01 | 昆明理工大学 | 一种全寿命全温度下锂电池soc及可用容量联合估计方法 |
Non-Patent Citations (2)
Title |
---|
基于容积卡尔曼滤波算法估计动力锂电池荷电状态;梁嘉宁;谭霁宬;孙天夫;王峥;;集成技术;20181024(06);全文 * |
电动汽车锂离子电池荷电状态估算方法研究综述;张照娓等;《电子与信息学报》;20210715;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114740386A (zh) | 2022-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114740386B (zh) | 一种基于健康状态的锂离子电池荷电状态估计方法 | |
Xu et al. | State of charge estimation for lithium-ion batteries based on adaptive dual Kalman filter | |
CN112098851B (zh) | 智能电池与其荷电状态在线估计方法及应用 | |
Cacciato et al. | Real-time model-based estimation of SOC and SOH for energy storage systems | |
Zhang et al. | An on-line estimation of battery pack parameters and state-of-charge using dual filters based on pack model | |
CN110488194B (zh) | 一种基于电化学阻抗模型的锂电池soc估算方法及其系统 | |
Sun et al. | Overview of the types of battery models | |
CN111722118B (zh) | 一种基于soc-ocv优化曲线的锂离子电池soc估计方法 | |
CN110703114B (zh) | 一种基于电-热-神经网络耦合模型的动力电池soc和sot联合状态估计方法 | |
CN109358293B (zh) | 基于ipf的锂离子电池soc估计方法 | |
CN103020445A (zh) | 一种电动车车载磷酸铁锂电池的soc与soh预测方法 | |
Liu et al. | A novel open circuit voltage based state of charge estimation for lithium-ion battery by multi-innovation Kalman filter | |
CN114114038A (zh) | 一种全寿命全温度下锂电池soc及可用容量联合估计方法 | |
Berrueta et al. | Lithium-ion battery model and experimental validation | |
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 | |
CN109917299A (zh) | 一种锂电池荷电状态的三层滤波估算方法 | |
CN115598540A (zh) | 一种考虑宽温度的锂电池参数辨识及状态联合估计方法 | |
CN115327415A (zh) | 基于限定记忆递推最小二乘算法的锂电池soc估算方法 | |
Sepasi et al. | SOC estimation for aged lithium-ion batteries using model adaptive extended Kalman filter | |
CN110441691A (zh) | 一种基于精简粒子无迹变换的soc估算方法 | |
CN206161820U (zh) | 一种基于扩展卡尔曼粒子滤波的系统 | |
CN111027203A (zh) | 一种超级电容soc计算方法 | |
Zhu et al. | Online state of charge EKF estimation for LiFePO 4 battery management systems | |
CN113420444A (zh) | 一种基于参数在线辨识的锂离子电池soc估计方法 | |
CN115728640A (zh) | 基于卡尔曼滤波的电池soc在线识别方法及装置 |
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 |