CN114910806A - 一种并联型电池系统建模方法 - Google Patents
一种并联型电池系统建模方法 Download PDFInfo
- Publication number
- CN114910806A CN114910806A CN202210525610.8A CN202210525610A CN114910806A CN 114910806 A CN114910806 A CN 114910806A CN 202210525610 A CN202210525610 A CN 202210525610A CN 114910806 A CN114910806 A CN 114910806A
- Authority
- CN
- China
- Prior art keywords
- battery system
- soc
- value
- parallel
- current
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000005094 computer simulation Methods 0.000 title claims abstract description 9
- 238000001514 detection method Methods 0.000 claims abstract description 13
- 239000000178 monomer Substances 0.000 claims abstract description 13
- 238000001914 filtration Methods 0.000 claims abstract description 8
- 238000013528 artificial neural network Methods 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 11
- 210000002569 neuron Anatomy 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 2
- 230000001419 dependent effect Effects 0.000 claims 1
- 210000004027 cell Anatomy 0.000 description 14
- 238000010586 diagram Methods 0.000 description 8
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 229910001416 lithium ion Inorganic materials 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 101100001670 Emericella variicolor andE gene Proteins 0.000 description 1
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement 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
- 230000009466 transformation 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
- 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
- G01R31/36—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]
- G01R31/389—Measuring internal impedance, internal conductance or related variables
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tests Of Electric Status Of Batteries (AREA)
- Secondary Cells (AREA)
Abstract
本发明公布了一种并联型电池系统建模方法,所述方法为:根据已知电池单体模型参数,结合并联电路工作特性,建立并联型电池系统基本模型;利用在线检测电池系统各支路电流I1~IN与电池系统总电流Ip的1/N,获得电流偏差值ΔI1~ΔIN,再与电池系统端电压在线检测值Up *共同作为SOC校准器的输入,得到荷电状态补偿值ΔSOCC;根据并联型电池系统模型,结合电池系统模型的端电压预测值Up及电池系统端电压在线检测值Up *,利用扩展卡尔曼滤波法得到荷电状态预测基值SOCE;将补偿的ΔSOCC与预测的SOCE叠加,得到校准后的SOCr,并结合并联型电池系统基本模型,建立并联型电池系统模型,如此循环,获得准确的并联型电池系统模型。
Description
技术领域
本发明属于智能电网中大容量电池储能系统设计与控制技术领域,涉及一种并联型电池系统建模方法。
背景技术
随着人们对新能源的开发和研究,锂电池成为企业家争相追逐的热点,不仅是电池生产商,还有汽车厂商、电池材料厂商以及投资领域都对电池领域充满了兴趣。锂离子电池和其他电池相比具有重量轻、无污染、安全可靠性高、容量大、寿命长、充放电效率高等诸多优点。由于电池单体在容量和电压等级上无法满足使用要求,因此需要将多个电池单体通过并联构成电池系统,即并联型电池系统,以提高电池系统容量及输出电流。然而随着电池数量的增加,不可避免会带来不一致性的问题,从而导致电池系统的工作特性难以被准确表征,严重影响了电池系统的发展与应用。因此,建立准确的并联型电池系统模型来准确预测其工作特性,对其设计、控制及工程应用至关重要。
当前,国内外关于电池建模的研究及专利多集中在电池单体方面,关于并联型电池系统建模的文献不多,专利(CN201711082866.1)公开了一种并联型锂离子电池系统建模方法,其建模方法为:由已知锂离子电池单体模型,利用并联电路工作特性及筛选法,建立电池系统基本模型;再检测各支路电流,结合基本模型输出总电流的1/N,经由N个比例-积分调节器和一个加权器构成的SOC校正器,得到电池系统SOC补偿值,再与电池系统模型输出的SOC叠加,得到校正后的SOC,并更新电池系统基本模型,从而得到电池系统模型。该模型考虑了电池系统中电池不一致对电池SOC的影响,在一定程度上提高了电池系统模型精度,但只考虑了电池不一致对电池SOC偏差的影响,并未考虑因电池不一致(尤其是电池SOC初值不一致)对电池系统额定容量变化的影响,导致电池系统SOC精度受限。为此,专利(CN201911034835.8)公开了一种并联型电池系统建模方法,其建模方法为:根据已知电池单体模型参数,结合并联电路特性构建电池系统模型参数,再检测各支路电池组电流,经电池容量筛选与校正模块获得电池系统当前额定容量Cb,并结合电池系统电流Im由SOC计算模块产生电池系统基本荷电状态SOCc,然后与SOC初始值SOC0叠加得新的电池荷电状态SOCi,再与PI调节器输出的反馈值SOCr相加,产生电池系统荷电状态SOC,结合电池系统模型参数获得各模型参数,最后建立电池系统等效模型。该模型改进了专利(CN201510417304.2)公开的SOC补偿器中存在的未考虑各支路电池组中电池不一致性对电池系统当前额定容量影响的问题,但该模型协调控制难度较大,系统稳定性较差,未实现在线估计SOC,并且未考虑电池系统支路发生故障及电池一致性时对SOC计算的影响,应用范围有限。因此,有必要针对上述问题进一步改进SOC计算方法来提高电池系统模型精度。
发明内容
本发明解决的问题是在于提供一种并联型电池系统建模方法,第一,考虑了电池系统支路发生故障及电池一致性时对SOC计算的影响,提高SOC预测精度;第二,BP神经网络作为一种智能算法,可以逼近多个输入输出参数函数,提高了电池SOC预测的容错性和鲁棒性;第三,将BP神经网络训练的离线数据进行故障分析及不一致判断,解决了将BP神经网络算法用于电池SOC估计时数据繁杂、耗时的问题。
为实现上述目的,本发明提供如下技术方案:一种并联型电池系统建模方法,其中,该电池系统由N个电池串通过并联而成,每个电池串由M个电池单体通过串联而成,N、M为大于1的自然数,具体步骤如下:
S1、根据已知电池单体模型参数(1),结合并联电路工作特性,建立并联型电池系统基本模型(2);
S2、利用在线检测到的电池系统中各支路电流I1~IN与电池系统总电流IP的1/N(3),获得电池系统各支路电流偏差值ΔI1~ΔIN,即式中,i为大于1小于等于N的自然数,再与电池系统端电压在线检测值Up *共同作为SOC校准器(4)的输入,经SOC校准器(4)后得到电池系统荷电状态补偿值ΔSOCC;所述的SOC校准器(4)包括故障判别器(5)、不一致性判别器(6)及BP神经网络模块(9),其中故障判别器(5)输出后连接不一致性判别器(6),不一致性判别器(6)后连接BP神经网络模块(9);所述的不一致性判别器(6)包括电流均值计算模块(7)和N路比较器(8);
S3、根据并联型电池系统模型(10),结合电池系统模型的端电压预测值UP及电池系统端电压在线检测值Up *,再利用扩展卡尔曼滤波法(11)得到电池系统荷电状态预测基值SOCE;
S4、将电池系统荷电状态预测基值SOCE与由SOC校准器(4)产生的电池系统荷电状态补偿值ΔSOCC进行叠加,得到校准后的电池系统荷电状态SOCr;
S5、利用校准后的SOCr结合并联型电池系统基本模型(2),建立并联型电池系统模型(10),如此循环,获得准确的并联型电池系统模型。
在步骤S1中,并联型电池系统中电池单体等效电路模型为二阶等效电路模型,模型主电路由2个RC并联电路、受控电压源U0(SOC)及电池内阻R等组成,其数学表达式为:U(t)=U0[SOC(t)]-I(t)[R(t)+Rs(t)/Rs(t)jωCs(t)+Rl(t)/Rl(t)jωCl(t)],其中,U0(SOC)为电池单体开路端电压,R(t)为电池单体内阻,Rs(t)、Rl(t)和Cs(t)、Cl(t)分别为描述电池单体暂态响应特性的电阻、电容,均为电池单体模型参数(1)。
以上电池单体模型参数(1)均与SOC相关,SOC的定义为:其中,SOC0为电池单体SOC初始值,一般为0~1的常数,C0为电池单体额定容量。所述电池单体模型参数(1)中的U0(SOC)、R(t)、Rs(t)、Cs(t)、Rl(t)和Cl(t)的计算分别如下:
其中,a0~a5、b0~b5、c0~c2、d0~d2、e0~e2、f0~f2均为模型系数,可由电池测量数据经拟合而得。
在步骤S1中,建立的并联型电池系统基本模型(2)为二阶等效电路模型,根据基尔霍夫定律KVC得电池模型表达式为:UP(t)=UP0[SOC(t)]-IP(t)ZP(t)。式中,UP0(SOC)电池系统的开路端电压,电池系统的阻抗ZP(t)计算如下:式中,RP(t)为电池系统内阻,RPs(t)、RPl(t)和CPs(t)、CPl(t)分别为描述电池系统暂态响应特性的电阻、电容,以上各模型参数可由并联电路工作特性及电池单体模型参数(1)来获得:
在步骤S2中,电池系统荷电状态补偿值ΔSOCC产生步骤如下:1)以电池系统各支路电流离线数据I1~Ik为输入,k为大于1小于等于N的自然数,在故障判别器(5)中,首先判断Ik是否等于0,若等于0,表明第k个支路的电流数据为故障数据,剔除第k个支路电流数据,若不等于0,则进行下一步;2)在不一致性判别器(6)中,判断各支路电流Ik是否都符合一致性要求,若都符合,则ΔSOCC=0,即SOCr=SOCE,否则进行归一化处理;3)将归一化后的数据作为神经元的输入,进行神经网络训练,根据输出值与期望值ΔSOCC的误差,修改神经元之间的权值阈值,建立BP神经网络模型(9),得到SOC校准器(4);4)将电池系统各支路电流偏差值ΔI1~ΔIN与端电压在线检测值Up *作为SOC校准器(4)的输入,经SOC校准器(4)后得到电池系统荷电状态补偿值ΔSOCC。
在步骤S2中,所述的不一致性判别器(6)中判断是否都满足一致性要求的方法为:先是将电池系统各支路电流离线数据I1~Ik通过电流均值计算模块(7),得到电池系统支路电流均值即再通过N路比较器(8),比较各支路电流Ik与支路电流均值的差值是否都小于等于0.1,若都小于等于0.1,则ΔSOCC=0,即SOCr=SOCE;否则进行归一化处理。
在步骤S2中,所述的BP神经网络(9)流程如下:1)参数初始化,对权值矩阵W、V设置为0到1之间的随机数,样本模式计数器p=1,学习效率η取定(0,1)小数,并且网络目标误差Emin为数值小的正数;2)输入当前训练样本Xp,算出隐含层向量Y和输出层向量Z各个参数;3)计算网络输出误差,样本数为100,dp为输出层节点差值,则第P个样本的网络误差EP由式而得,网络总误差E由式而得;4)计算输出层和隐含层误差;5)得出权值矩阵W、V各分量;6)若p<P,则p=p+1,并返回步骤2);7)对比E和Emin,确定是否结束训练或者误差为0,p=1,并返回步骤2)。
在步骤S2中,产生电池系统荷电状态补偿值ΔSOCC步骤2)所述的归一化函数为
式中,xn为电池系统电压、电流离线数据,yn为归一化后数据,max(x)、min(x)为对应变量数据中的最大值、最小值。
在步骤S3中,所述的利用扩展卡尔曼滤波算法(11)预测电池系统荷电状态基值SOCE,递推步骤为:1)设置初始值;2)计算状态变量预估计值;3)计算电池系统端电压;4)比较电池系统端电压实际值和计算得到的电池系统模型输出电压值,得到电压差值;5)计算误差协方差矩阵;6)计算卡尔曼滤波的校正增益;7)状态变量优化估计;8)输出SOCE。
本发明所述的并联型电池系统模型为含2个RC并联电路的二阶等效电路模型。
本发明所述的建模方法不仅适用于并联型电池系统,也可应用于并联型电池模块或电池串。
与公开文献相比,本发明具有以下有益的技术效果:第一,考虑了电池系统支路发生故障及电池一致性时对SOC计算的影响,提高SOC预测精度;第二,BP神经网络作为一种智能算法,可以逼近多个输入输出参数函数,提高了电池SOC预测的容错性和鲁棒性;第三,对用于BP神经网络训练的离线数据,进行故障分析及不一致判断,加快了将BP神经网络算法应用于电池SOC估计时的训练速度。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用来解释本发明,并不构成对本发明的限制。
在附图中:
图1为本发明并联型电池系统结构示意图;
图2为本发明并联型电池系统建模方框图;
图3为本发明电池单体等效电路模型图;
图4为本发明并联型电池系统等效电路模型图;
图5为本发明SOC校准器设计流程图;
图6为本发明BP神经网络结构模型图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的实施例仅用于说明和解释本发明,并不用于限定本发明。
实施例:如图1所示,一种并联型电池系统建模方法,所述并联型电池系统是由N个电池串通过并联而成,每个电池串由M个电池单体通过串联而成,其中N、M为大于1的自然数。如图2所示,具体步骤如下:
S1、根据已知电池单体模型参数(1),结合并联电路工作特性,建立并联型电池系统基本模型(2);
并联型电池系统是由2个电池组通过并联而成,每个电池组由1个电池单体构成,每个电池单体的额定电压为3.7V,额定容量为860mAh,放电截止电压为3V。
电池单体等效电路模型为二阶等效电路模型,其电路图如图3所示,模型主电路由2个RC并联电路、受控电压源U0(SOC)及电池内阻R等组成,数学模型表达式为:U(t)=U0[SOC(t)]-I(t)[R(t)+Rs(t)/Rs(t)jωCs(t)+Rl(t)/Rl(t)jωCl(t)],式中,U0(SOC)、R(t)、Rs(t)、Cs(t)、Rl(t)和Cl(t)的计算分别如下:
其中,a0~a5取值分别为-0.915、-40.867、3.632、0.537、-0.499、0.522,b0~b5取值分别为-0.1463、-30.27、0.1037、0.0584、0.1747、0.1288,c0~c2取值分别为0.1063、-62.49、0.0437,d0~d2取值分别为-200、-138、300,e0~e2取值分别为0.0712、-61.4、0.0288,f0~f2取值分别为-3083、-180、5088。
所建立并联型电池系统基本模型(2)为二阶等效电路模型,其电路图如图4所示。根据基尔霍夫定律KVC得电池模型表达式为:UP(t)=UP0[SOC(t)]-IP(t)ZP(t)。电池系统的阻抗ZP(t)计算如下:以上各模型参数可由并联电路工作特性及电池单体模型参数(1)来获得:
S2、利用在线检测到的电池系统中各支路电流I1~IN与电池系统总电流IP的1/2(3),获得电池系统各支路电流偏差值ΔIi,即式中,i为1、2,再与电池系统端电压在线检测值Up *共同作为SOC校准器(4)的输入,经SOC校准器(4)后得到电池系统荷电状态补偿值ΔSOCC;所述的SOC校准器(4)包括故障判别器(5)、不一致性判别器(6)及BP神经网络模块(9),其中故障判别器(5)输出后连接不一致性判别器(6),不一致性判别器(6)后连接BP神经网络模块(9);所述的不一致性判别器(6)包括电流均值计算模块(7)和N路比较器(8);
如图5所示,电池系统荷电状态补偿值ΔSOCC产生步骤如下:
1)以电池系统各支路电流离线数据Ik为输入,k为1、2,在故障判别器(5)中,首先判断Ik是否等于0,若等于0,表明第k个支路的电流数据为故障数据,剔除第k个支路电流数据,若不等于0,则进行下一步;
2)在不一致性判别器(6)中,判断各支路电流Ik是否都符合一致性要求,若都符合,则ΔSOCC=0,即SOCr=SOCE,否则进行归一化处理;
3)将归一化后的数据作为神经元的输入,进行神经网络训练,根据输出值与期望值ΔSOCC的误差,修改神经元之间的权值阈值,建立BP神经网络模型(9),得到SOC校准器(4);
4)将电池系统各支路电流偏差值ΔIi与端电压在线检测值Up *作为SOC校准器(4)的输入,经SOC校准器(4)后得到电池系统荷电状态补偿值ΔSOCC。
所述的不一致性判别器(6)中判断是否都满足一致性要求的方法为:先是将电池系统各支路电流离线数据Ik通过电流均值计算模块(7),得到电池系统支路电流均值即再通过2路比较器(8),比较各支路电流Ik与支路电流均值的差值是否都小于等于0.1,若都小于等于0.1,则ΔSOCC=0,即SOCr=SOCE;否则进行归一化处理。
所述的BP神经网络模型(9)设计如下:输入层向量为X=(Up *,Ik)T,隐含层向量为Y=(y1,y2,y3,y4,y5)T,输出层向量为Z=SOCC;隐含层神经元权值矩阵为W=(w1j,w2j,…,w5j)T,其中w1j,w2j,…,w5j是隐含层神经元的权向量,输出层权值矩阵为V=vj1,其中vj1是输出层神经元的权向量,其模型图如图6所示。
输出层与隐含层之间的关系为:
SOCC=f(net)
隐含层与输入层之间的关系为:
yj=f(netj)j=1,2,3,…,n
变换函数f(x)为单极性Sigmoid函数:
BP神经网络(9)流程如下:1)参数初始化,对权值矩阵W、V设置为0到1之间的随机数,样本模式计数器p=1,学习效率η取定(0,1)小数,并且网络目标误差Emin为数值小的正数;2)输入当前训练样本Xp,算出隐含层向量Y和输出层向量Z各个参数;3)计算网络输出误差,样本数为100,dp为输出层节点差值,则第P个样本的网络误差EP由式而得,网络总误差E由式而得;4)计算输出层和隐含层误差;5)得出权值矩阵W、V各分量;6)若p<P,则p=p+1,并返回步骤2);7)对比E和Emin,确定是否结束训练或者误差为0,p=1,并返回步骤2)。
产生电池系统荷电状态补偿值ΔSOCC步骤2)所述的归一化函数为
式中,xn为电池系统电压、电流离线数据,yn为归一化后数据,max(x)、min(x)为对应变量数据中的最大值、最小值。
S3、根据并联型电池系统模型(10),结合电池系统模型的端电压预测值UP及电池系统端电压在线检测值Up *,再利用扩展卡尔曼滤波法(11)得到电池系统荷电状态预测基值SOCE;
所述的利用扩展卡尔曼滤波算法(11)预测电池系统荷电状态基值SOCE,递推步骤为:1)设置初始值;2)计算状态变量预估计值;3)计算电池系统端电压;4)比较电池系统端电压实际值和计算得到的电池系统模型输出电压值,得到电压差值;5)计算误差协方差矩阵;6)计算卡尔曼滤波的校正增益;7)状态变量优化估计;8)输出SOCE。
S4、将电池系统荷电状态预测基值SOCE与由SOC校准器(4)产生的电池系统荷电状态补偿值ΔSOCC进行叠加,得到校准后的电池系统荷电状态SOCr;
S5、利用校准后的SOCr结合并联型电池系统基本模型(2),建立并联型电池系统模型(10),如此循环,获得准确的并联型电池系统模型。
最后应说明的是:以上所述仅为本发明的实例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。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 (8)
1.一种并联型电池系统建模方法,所述并联型电池系统是由N个电池串通过并联而成,每个电池串由M个电池单体通过串联而成,其中N、M为大于1的自然数,所述建模方法包括以下步骤:
S1、根据已知电池单体模型参数,结合并联电路工作特性,建立并联型电池系统基本模型;
S2、利用在线检测到的电池系统中各支路电流I1~IN与电池系统总电流IP的1/N,获得电池系统各支路电流偏差值ΔI1~ΔIN,即式中,i为大于1小于等于N的自然数,再与电池系统端电压在线检测值Up *共同作为SOC校准器的输入,经SOC校准器后得到电池系统荷电状态补偿值ΔSOCC;所述的SOC校准器包括故障判别器、不一致性判别器及BP神经网络模块,其中故障判别器输出后连接不一致性判别器,不一致性判别器后连接BP神经网络模块;所述的不一致性判别器包括电流均值计算模块和N路比较器;
S3、根据并联型电池系统模型,结合电池系统模型的端电压预测值UP及电池系统端电压在线检测值Up *,再利用扩展卡尔曼滤波法得到电池系统荷电状态预测基值SOCE;
S4、将电池系统荷电状态预测基值SOCE与由SOC校准器产生的电池系统荷电状态补偿值ΔSOCC进行叠加,得到校准后的电池系统荷电状态SOCr;
S5、利用校准后的SOCr结合并联型电池系统基本模型,建立并联型电池系统模型,如此循环,获得准确的并联型电池系统模型。
2.根据权利要求1所述的一种并联型电池系统建模方法,其特征在于,所述的电池系统荷电状态补偿值ΔSOCC产生步骤如下:
(1)以电池系统各支路电流离线数据I1~Ik为输入,k为大于1小于等于N的自然数,在故障判别器中,首先判断Ik是否等于0,若等于0,表明第k个支路的电流数据为故障数据,剔除第k个支路电流数据,若不等于0,则进行下一步;
(2)在不一致性判别器中,判断各支路电流Ik是否都符合一致性要求,若都符合,则ΔSOCC=0,即SOCr=SOCE,否则进行归一化处理;
(3)将归一化后的数据作为神经元的输入,进行神经网络训练,根据输出值与期望值ΔSOCC的误差,修改神经元之间的权值阈值,建立BP神经网络模型,得到SOC校准器;
(4)将电池系统各支路电流偏差值ΔI1~ΔIN与端电压在线检测值Up *作为SOC校准器的输入,经SOC校准器后得到电池系统荷电状态补偿值ΔSOCC。
4.根据权利要求2所述的一种并联型电池系统建模方法,其特征在于,在步骤(3)中,所述的BP神经网络流程如下:
6.根据权利要求1所述的一种并联型电池系统建模方法,其特征在于,所述的利用扩展卡尔曼滤波算法预测电池系统荷电状态基值SOCE,其递推步骤为:1)设置初始值;2)计算状态变量预估计值;3)计算电池系统端电压;4)比较电池系统端电压实际值和计算得到的电池系统模型输出电压值,得到电压差值;5)计算误差协方差矩阵;6)计算卡尔曼滤波的校正增益;7)状态变量优化估计;8)输出SOCE。
7.根据权利要求1所述的一种并联型电池系统建模方法,其特征在于,所述的并联型电池系统模型为含2个RC并联电路的二阶等效电路模型。
8.根据权利要求1所述的一种并联型电池系统建模方法,其特征在于,所述的建模方法不仅适用于并联型电池系统,也可应用于并联型电池模块或电池串。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210525610.8A CN114910806B (zh) | 2022-05-16 | 2022-05-16 | 一种并联型电池系统建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210525610.8A CN114910806B (zh) | 2022-05-16 | 2022-05-16 | 一种并联型电池系统建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114910806A true CN114910806A (zh) | 2022-08-16 |
CN114910806B CN114910806B (zh) | 2024-05-07 |
Family
ID=82767703
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210525610.8A Active CN114910806B (zh) | 2022-05-16 | 2022-05-16 | 一种并联型电池系统建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114910806B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015188610A1 (zh) * | 2014-06-11 | 2015-12-17 | 北京交通大学 | 电池荷电状态估算方法和装置 |
CN105182246A (zh) * | 2015-09-08 | 2015-12-23 | 盐城工学院 | 基于无迹卡尔曼滤波的并联型电池系统荷电状态估计方法 |
CN107831448A (zh) * | 2017-11-07 | 2018-03-23 | 国网江苏省电力公司盐城供电公司 | 一种并联型电池系统的荷电状态估计方法 |
CN108090244A (zh) * | 2017-11-07 | 2018-05-29 | 国网江苏省电力公司盐城供电公司 | 一种并联型锂离子电池系统建模方法 |
CN110907834A (zh) * | 2019-10-29 | 2020-03-24 | 盐城工学院 | 一种并联型电池系统建模方法 |
CN112327183A (zh) * | 2020-09-18 | 2021-02-05 | 国联汽车动力电池研究院有限责任公司 | 一种锂离子电池soc估算方法和装置 |
US20210325467A1 (en) * | 2020-04-17 | 2021-10-21 | Wuhan University | Method and system for identifying third-order model parameters of lithium battery based on likelihood function |
CN113807039A (zh) * | 2021-09-18 | 2021-12-17 | 盐城工学院 | 一种串联型电池系统的功率状态预测方法 |
-
2022
- 2022-05-16 CN CN202210525610.8A patent/CN114910806B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015188610A1 (zh) * | 2014-06-11 | 2015-12-17 | 北京交通大学 | 电池荷电状态估算方法和装置 |
CN105182246A (zh) * | 2015-09-08 | 2015-12-23 | 盐城工学院 | 基于无迹卡尔曼滤波的并联型电池系统荷电状态估计方法 |
CN107831448A (zh) * | 2017-11-07 | 2018-03-23 | 国网江苏省电力公司盐城供电公司 | 一种并联型电池系统的荷电状态估计方法 |
CN108090244A (zh) * | 2017-11-07 | 2018-05-29 | 国网江苏省电力公司盐城供电公司 | 一种并联型锂离子电池系统建模方法 |
CN110907834A (zh) * | 2019-10-29 | 2020-03-24 | 盐城工学院 | 一种并联型电池系统建模方法 |
US20210325467A1 (en) * | 2020-04-17 | 2021-10-21 | Wuhan University | Method and system for identifying third-order model parameters of lithium battery based on likelihood function |
CN112327183A (zh) * | 2020-09-18 | 2021-02-05 | 国联汽车动力电池研究院有限责任公司 | 一种锂离子电池soc估算方法和装置 |
CN113807039A (zh) * | 2021-09-18 | 2021-12-17 | 盐城工学院 | 一种串联型电池系统的功率状态预测方法 |
Non-Patent Citations (3)
Title |
---|
SIMIN PENG: "State of Charge Estimation of Battery Energy Storage Systems Based on Adaptive Unscented Kalman Filter With a Noise Statistics Estimator", 《IEEE ACCESS》, 11 July 2017 (2017-07-11) * |
彭思敏: "无迹卡尔曼滤波法估计并联型电池系统的荷电状态", 《江苏工程职业技术学院学报》, 25 December 2015 (2015-12-25) * |
彭思敏;窦真兰;辅小荣;王秀琳;: "一种基于参数校正器的串联型电池系统等效电路模型", 电气应用, no. 24, 20 December 2015 (2015-12-20) * |
Also Published As
Publication number | Publication date |
---|---|
CN114910806B (zh) | 2024-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | Classification, summarization and perspectives on state-of-charge estimation of lithium-ion batteries used in electric vehicles: A critical comprehensive survey | |
CN110502778B (zh) | 一种基于卡尔曼滤波框架估算电池soc的自适应优化方法 | |
Tang et al. | Design of power lithium battery management system based on digital twin | |
CN109839599B (zh) | 基于二阶ekf算法的锂离子电池soc估计方法 | |
CN108090244B (zh) | 一种并联型锂离子电池系统建模方法 | |
CN111428433B (zh) | 基于混合滤波的锂离子电池状态计算方法 | |
CN104778345A (zh) | 一种模拟光伏电池模型老化故障的非线性参数计算方法 | |
CN112630659A (zh) | 一种基于改进bp-ekf算法的锂电池soc估算方法 | |
CN109992911B (zh) | 基于极限学习机和iv特性的光伏组件快速建模方法 | |
CN115598541B (zh) | 基于遗忘因子自适应反馈修正的电池能量状态评估方法 | |
CN112858920B (zh) | 一种基于自适应无迹卡尔曼滤波的全钒液流电池融合模型的soc估算方法 | |
CN104899796A (zh) | 粒子群优化lvq神经网络的方法及扰动、谐波检测方法 | |
CN113807039A (zh) | 一种串联型电池系统的功率状态预测方法 | |
CN112649642A (zh) | 一种窃电位置判断方法、装置、设备和存储介质 | |
CN114217234B (zh) | 一种基于ide-asrckf的锂离子电池参数辨识与soc估计方法 | |
CN115632394A (zh) | 基于ppo算法的光伏电站暂态模型构建与参数辨识方法 | |
CN114330150B (zh) | 一种电热传感器互校正的锂电池健康状态估计方法 | |
CN114720881A (zh) | 一种基于改进初值带遗忘因子递推最小二乘法的锂电池参数辨识方法 | |
Chen et al. | A novel combined estimation method for state of energy and predicted maximum available energy based on fractional-order modeling | |
CN110907834B (zh) | 一种并联型电池系统建模方法 | |
CN114910806B (zh) | 一种并联型电池系统建模方法 | |
Hu et al. | Joint Dynamic Strategy of Bayesian Regularized Back Propagation Neural Network with Strong Robustness-Extended Kalman Filtering for the Battery State-of-Charge Prediction | |
CN111985091A (zh) | 一种含upfc的电力系统的快速安全校正方法 | |
CN111563576A (zh) | 一种基于蝙蝠探测-极限学习机的锂电池容量估计方法 | |
CN111061708A (zh) | 一种基于lstm神经网络的电能量预测与修复方法 |
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 |