CN115128481B - 基于神经网络及阻抗辩识校正的电池状态估计方法、系统 - Google Patents
基于神经网络及阻抗辩识校正的电池状态估计方法、系统 Download PDFInfo
- Publication number
- CN115128481B CN115128481B CN202210786408.0A CN202210786408A CN115128481B CN 115128481 B CN115128481 B CN 115128481B CN 202210786408 A CN202210786408 A CN 202210786408A CN 115128481 B CN115128481 B CN 115128481B
- Authority
- CN
- China
- Prior art keywords
- battery
- state
- soh
- charge
- 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
- 238000012937 correction Methods 0.000 title claims abstract description 150
- 238000000034 method Methods 0.000 title claims abstract description 123
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 76
- 238000001453 impedance spectrum Methods 0.000 claims abstract description 122
- 238000012360 testing method Methods 0.000 claims abstract description 115
- 230000032683 aging Effects 0.000 claims abstract description 111
- 239000002245 particle Substances 0.000 claims abstract description 100
- 238000004146 energy storage Methods 0.000 claims abstract description 48
- 230000002159 abnormal effect Effects 0.000 claims abstract description 20
- 238000005070 sampling Methods 0.000 claims abstract description 16
- 238000012544 monitoring process Methods 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 167
- 230000008569 process Effects 0.000 claims description 45
- 230000015654 memory Effects 0.000 claims description 22
- 230000000763 evoking effect Effects 0.000 claims description 17
- 238000007726 management method Methods 0.000 claims description 17
- 238000009792 diffusion process Methods 0.000 claims description 16
- 230000010287 polarization Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000002593 electrical impedance tomography Methods 0.000 claims description 12
- 238000012952 Resampling Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 9
- 230000005856 abnormality Effects 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 7
- 239000003990 capacitor Substances 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000013500 data storage Methods 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 description 7
- 230000037007 arousal Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 230000009977 dual effect Effects 0.000 description 4
- 238000013101 initial test Methods 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 101150048619 mdt-31 gene Proteins 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003487 electrochemical reaction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004904 shortening Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 101001033754 Homo sapiens Mediator of RNA polymerase II transcription subunit 31 Proteins 0.000 description 1
- 102100039122 Mediator of RNA polymerase II transcription subunit 31 Human genes 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000000157 electrochemical-induced impedance spectroscopy Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000007704 transition Effects 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]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. 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
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Abstract
本发明提供了一种基于神经网络及阻抗辩识校正的电池状态估计方法、系统,其中方法包括:对同一批次电池电芯随机抽样获得测试样本,对测试样本进行循环寿命测试并采集不同温度、荷电状态、电池老化状态下的电化学阻抗谱;利用神经网络拟合任意3个参数相对另一个参数的函数;对将用于储能系统的电芯进行一次混合功率脉冲测试,标定各个参数,并与获得的电化学阻抗谱函数进行对照校正;组配电芯获得储能系统并投入运行,采用粒子滤波器获得电池运行时的荷电状态及老化状态;定时对电池电化学阻抗在线测量或校正,并利用函数进行参数校正并判断是否存在异常电池。本发明具有拟合容易、可解释性强、估算准确度高、能够实时监测电池状态等特点。
Description
技术领域
本发明涉及电池状态管理技术领域,具体地,涉及一种基于神经网络及阻抗辩识校正的电池状态估计方法、系统。
背景技术
在现有技术中,单纯采用安时积分法和开路电压法进行电池状态估计已经被证明不适用于各类实际运行场合。因此,各类结合安时积分和开路电压法的基于模型的状态估计方法和直接采用大数据神经网络进行的基于数据的状态估计方法开始逐渐被广泛使用。
目前基于模型的方法主要基于各类卡尔曼滤波算法,例如扩展卡尔曼滤波、无迹卡尔曼滤波等等基于卡尔曼滤波的算法是目前最常被使用的电池状态估计方法。此外,采用粒子滤波进行状态估计的方法也逐渐开始被开发使用。相比基于卡尔曼滤波的方法,粒子滤波的方法由于在估算时几乎不受模型和噪声实际分布的影响,对于电池这类高非线性的系统而言,存在一定优势。但是,基于模型的状态估计方法仍然存在如下问题:这类方法对模型参数的精确性要求较高,若模型参数本身出现偏差,后续滤波算法是无法实现对模型参数偏差的校正的,从而导致估算偏差的不断放大;
目前基于数据的方法主要是直接采用电池运行数据进行拟合的各类神经网络,通过输入运行过程中电流、电压、温度数据,获得当前电池的状态数据。但是,基于基于数据的状态估计方法,仍然存在如下问题:这类方法由于电池实际运行数据中,电流和温度的耦合性较强,此外由于温度本身无法出现跃变,因此在进行神经网络拟合时,神经网络结构及拟合参数选取都会存在一定困难,容易出现过拟合/欠拟合问题,导致估算结果发散;此外,传统基于数据的方法由于直接拟合出的是电池状态关于电压电流温度的函数,存在不可解释性,因此实际调试过程中需要每次都重新更新整个网络结构或网络超参数,时间成本、计算成本较高。
由此可知,现有的不同的电池状态估计方法,仍然存在各种问题,同时,目前的方法中均没有集成异常实时监测功能,导致在检测电池系统异常时,还需要通过其他辅助方式进行,影响了异常检测的实时性。
经过检索发现:
授权公告号为CN105223506B的中国发明专利《使用双扩展卡尔曼滤波器的电池状态估计方法和系统》,提供了一种电池状态估计方法和系统,该电池状态估计是通过应用ARX模型和双扩展卡尔曼滤波器来提供的。电池状态估计系统使用ARX模型估计电池模型的参数,并且通过将所估计的电池模型的参数应用到双扩展卡尔曼滤波器来估计电池状态,该双扩展卡尔曼滤波器包括用于估计电池的充电状态(SOC)的状态滤波器和用于估计电池的健康状态(SOH)的加权滤波器。但是该电池状态估计仍然存在如下技术问题:
该电池状态估计方式没有考虑不同温度下对电池开路电压-荷电状态(OCV-SOC)模型的影响;
该电池状态估计方式中等效电路参数更新与状态参数更新相互耦合,当存在状态参数更新偏差时,难以进行相关校正;
该电池状态估计方式并未涉及在出现状态变化复杂时,检测是否存在电池内部故障的故障检测方法。
因此,本领域致力于开发一种基于神经网络及阻抗辩识校正的电池状态估计方法,以解决现有技术中存在的上述技术问题。目前没有发现同本发明类似技术的说明或报道,也尚未收集到国内外类似的资料。
发明内容
本发明针对现有技术中存在的上述不足,提供了一种基于神经网络及阻抗辩识校正的电池状态估计方法、系统,同时提供了一种相应的终端及介质。
根据本发明的一个方面,提供了一种基于神经网络及阻抗辩识校正的电池状态估计方法,包括:
获取与实际使用电池电芯同一批次中的任意电池电芯作为测试样本,对所述测试样本进行循环寿命测试并采集不同温度T、荷电状态SOC以及电池老化状态SOH下的电化学阻抗谱特性EIS;
利用神经网络拟合所述温度T、荷电状态SOC、电池老化状态SOH和电化学阻抗谱特性EIS中任意三个参数相对另一个参数的关系函数,得到的四种关系函数分别记为:温度函数f1、荷电状态函数f2、电池老化状态函数f3和电化学阻抗谱特性函数f4;
构建实际使用电池电芯的电池等效模型,采用混合功率脉冲测试对所述实际使用电池电芯进行标定,获得不同温度下的开路电压-荷电状态特征曲线拟合参数和电池等效模型参数;将所述电池等效模型与所述电化学阻抗谱特性函数f4进行对应校正,得到电池等效模型参数的拟合函数;
利用所述电池等效模型参数的拟合函数对所述电池等效模型进行更新,并根据更新后的电池等效模型组配实际使用电池电芯获得储能系统并投入运行,采用粒子滤波器获得所述实际使用电池电芯运行时的荷电状态SOC及电池老化状态SOH;
基于所述电池电芯运行时的荷电状态SOC及电池老化状态SOH,利用所述关系函数定时对所述电池电芯进行电化学阻抗测量、阻抗测试校正、阻抗生成校正以及温度校正,并判断是否存在异常电池,完成电池状态估计。
可选地,所述获取与实际使用电池电芯同一批次中的任意电池电芯作为测试样本,对所述测试样本进行循环寿命测试并采集不同温度T、荷电状态SOC以及电池老化状态SOH下的电化学阻抗谱特性EIS,包括:
从与实际使用电池电芯同一批电池电芯中随机抽样获得测试样本;
根据所述测试样本运行的状态温度范围及预先设定的温度步长,确定多个不同温度T={T0、T1、T2、…、TN};
根据电池电芯的预期使用寿命,确定多个不同荷电状态SOH分段;
按照混合功率脉冲测试的对应荷电状态SOC分段,确定多个不同荷电状态SOC测试点;
测定温度T、荷电状态SOC以及电池老化状态SOH三个参数在每一种不同值组合情况下的电化学阻抗谱特性EIS。
可选地,所述利用神经网络拟合所述温度T、荷电状态SOC、电池老化状态SOH和电化学阻抗谱特性EIS中任意三个参数相对另一个参数的关系函数,得到的四种函数分别记为:温度函数f1、荷电状态函数f2、电池老化状态函数f3和电化学阻抗谱特性函数f4,包括:
将电化学阻抗谱幅频-相频特性曲线、当前荷电状态SOC值和当前电池老化状态SOH值作为输入,将温度T作为输出,拟合第一神经网络,得到温度T关于荷电状态SOC、电池老化状态SOH和电化学阻抗谱特性EIS的非线性函数f1,表示为T=f1(SOC,SOH,EIS);
利用电化学阻抗谱幅频-相频特性曲线、当前状态温度T和当前电池老化状态SOH值作为输入,将荷电状态SOC作为输出,拟合第二神经网络,得到荷电状态SOC关于温度T、电池老化状态SOH和电化学阻抗谱特性EIS的非线性函数f2,表示为SOC=f2(T,SOH,EIS);
利用电化学阻抗谱幅频-相频特性曲线、当前状态温度T和当前荷电状态SOC值作为输入,将电池老化状态SOH作为输出,拟合第三神经网络,得到电池老化状态SOH关于温度T、荷电状态SOC和电化学阻抗谱特性EIS的非线性函数f3,表示为SOH=f3(T,SOC,EIS);
利用当前状态温度T、当前荷电状态SOC值和当前电池老化状态SOH值作为输入,将电化学阻抗谱特性EIS作为输出,拟合第四神经网络,得到电化学阻抗谱幅频-相频特性曲线关于温度T、荷电状态SOC和电池老化状态SOH的非线性函数f4,表示为EIS=f4(T,SOC,SOH)。
可选地,所述构建实际使用电池电芯的电池等效模型,采用混合功率脉冲测试对所述实际使用电池电芯进行标定,获得不同温度下的开路电压-荷电状态特征曲线拟合参数和电池等效模型参数;将所述电池等效模型与所述电化学阻抗谱特性函数f4进行对应校正,得到电池等效模型参数的拟合函数,包括:
构建实际使用电池电芯的电池等效模型;
采用混合功率脉冲测试对实际使用电池电芯进行参数标定,并记录开路电压与荷电状态关系,获得开路电压-荷电状态数据点;
采用分段三次样条插值拟合各个所述开路电压-荷电状态数据点,得到拟合曲线,获得所述开路电压-荷电状态特征曲线拟合参数;
利用电流脉冲瞬间的电流和电压数据标定所述电池电芯的欧姆内阻Rdc,利用电流脉冲过程中及过程后的两段零输入和零状态响应过程,通过双指数拟合方式标定所述电池电芯的极化内阻Rp、极化电容Cp、扩散内阻Rdiff和扩散电容Cdiff,得到的所述欧姆内阻Rdc、极化内阻Rp、极化电容Cp、扩散内阻Rdiff和扩散电容Cdiff即为所述电池等效模型参数;将所述电池等效模型参数的阻抗值记为阻抗向量Z=[Rdc,Rp,jωCp,Rdiff,jωCdiff];
对比所述电化学阻抗谱特性EIS、阻抗向量Z以及电池等效模型中实际连接关系所对应的阻抗谱,确定对应的频率分段后,进行拟合,得到电池等效模型参数的拟合函数g,记为Z=g(EIS)。
可选地,所述利用所述电池等效模型参数的拟合函数对所述电池等效模型进行更新,并根据更新后的电池等效模型组配实际使用电池电芯获得储能系统并投入运行,采用粒子滤波器获得所述实际使用电池电芯运行时的荷电状态SOC及电池老化状态SOH,包括:
组配用于储能系统的实际使用电池电芯,得到利用所述实际使用电池电芯的储能系统并投入运行;
对每一个电池电芯,启动一个用于荷电状态估算的粒子滤波器,并进行如下初始化:在所述电池电芯投入实际运行之前对应的初始荷电状态值的设定范围内,选取观测噪声方差v1,设定收敛阈值ε1,并按照高斯分布采样生成N1个第一随机粒子,N1个所述第一随机粒子位于0~1之间,同时启动定时器t1,并开始计时;同时,启动一个用于电池容量估算的粒子滤波器;
设置所述第一随机粒子的迭代次数;根据所述观测噪声方差v1计算所述第一随机粒子的第一权值;将得到的N1个所述第一权值进行归一化处理;判断所述第一随机粒子是否有效,决定是否需要重新采样;根据所述电池等效模型的状态数据,更新所述电池电芯的状态数据;其中,所述电池等效模型的状态数据,包括电流、电压、温度、上一时刻的荷电状态、开路电压-荷电状态特征曲线拟合参数和电池等效模型参数;
重复上一个步骤,直至所述用于荷电状态估算的粒子滤波器收敛到预先设定的所述收敛阈值ε1内,得到所述电池电芯运行时的荷电状态SOC;
监测定时器t1的运行时长,若运行时长没有超过预设校正时间tr1,则使用所述电池电芯运行时的荷电状态SOC;若运行时长超过了预设校正时间tr1或所述电池电芯未投入运行超过设定时间t r1′,则唤起一次阻抗测试校正过程,并获得阻抗测试校正所估算的荷电状态SOC值,并以该估算的荷电状态SOC作为对应电池电芯运行时的荷电状态SOC,同时使定时器t1重新开始计时;
初始化所述用于电池容量估算的粒子滤波器,以所述电池电芯的初始容量为基准,根据所述电池电芯所应用的领域环境,选取观测噪声方差v2,设定收敛阈值ε2,并按照高斯分布生成N2个第二随机粒子,同时启动定时器t2,并开始计时;
设置所述用于电池容量估算的粒子滤波器的迭代次数;根据所述观测噪声方差v2计算N2个所述第二随机粒子的第二权值;将得到的N2个所述第二权值进行归一化处理;判断所述第二随机粒子是否有效,决定是否需要重新采样;根据所述电池等效模型的状态数据,更新所述电池电芯的状态数据;其中,所述电池等效模型的状态数据,包括电流、电压、温度、上一时刻的荷电状态、开路电压-荷电状态特征曲线拟合参数和电池等效模型参数;
重复上一个步骤,直至所述用于电池容量估算的粒子滤波器收敛到预先设定的所述收敛阈值ε2内,得到所述电池电芯运行时的电池老化状态SOH;
监测定时器t2的运行时长,若运行时长没有超过预设校正时间tr2,则使用所述电池电芯运行时的电池老化状态SOH;若运行时长超过了预设校正时间tr2或所述电池电芯未投入运行超过设定时间t r2′,则唤起一次阻抗测试校正过程,并获得阻抗测试校正所估算的电池老化状态SOH值,并以该估算的电池老化状态SOH作为对应电池电芯运行时的电池老化状态SOH,同时使定时器t2重新开始计时。
可选地,所述基于所述电池电芯运行时的荷电状态SOC及电池老化状态SOH,利用所述关系函数定时对所述电池电芯进行电化学阻抗测量、阻抗测试校正、阻抗生成校正以及温度校正,并判断是否存在异常电池,包括:
所述电化学阻抗测量用于实现对电化学阻抗谱的测量;
所述阻抗测试校正通过所述粒子滤波器的定时器唤起;
根据唤起的所述粒子滤波器的定时器,判断选取的输入量和输出量,包括:
利用与所述电池电芯结合的变换器注入对应频率谐波,并利用电池管理系统板上的采样电路获得电流电压信息,经处理滤波后获得电化学阻抗谱特性EIS数据,同时利用Z_rec=g(EIS),对所述电池等效模型参数进行更新,其中,Z_rec为作为下一步计算时阻抗向量Z的值;
若所述阻抗测试校正是通过粒子滤波器对应的定时器t1唤起的,则获取当前状态的温度T和电池老化状态SOH作为已知量,结合所述电化学阻抗谱特性EIS数据,利用所述荷电状态函数f2,实现对荷电状态SOC的校正,SOC_rec=f2(T,SOH,EIS),其中,SOC_rec为通过该过程校正所得的SOC,其将作为下一时刻SOC的参考值;若所述阻抗测试校正不是通过粒子滤波器对应的定时器t1唤起的,则获取当前状态的温度T、荷电状态SOC作为已知量,结合所述电化学阻抗谱特性EIS数据,利用所述电池老化状态函数f3,实现对电池老化状态SOH的校正,SOH_rec=f3(T,SOC,EIS),其中,SOH_rec为通过该过程校正所得的SOH,其将作为下一时刻SOH的参考值;
将校正得到的所述荷电状态SOC_rec和电池老化状态SOH_rec带入下一轮的两个粒子滤波器的输入参数;
所述阻抗生成校正根据选用的电池管理系统的运算及数据存储能力,初始化定时器t3,并开始计时;设置tr3为阻抗生成校正时限,每当定时器t3计时超过时限tr3时,启动一次阻抗生成校正;
获取当前温度T、荷电状态SOC和电池老化状态SOH,根据所述电化学阻抗谱特性函数f4,实现当前电池电化学阻抗谱的估算,EIS_rec=f4(T,SOC,SOH),其中,EIS_rec为电池电化学阻抗谱校正值;继而进一步通过将EIS_rec代入公式Z_rec=g(EIS)中的EIS,实现电池等效模型参数更新;
所述温度校正采用神经网络正向计算,并利用保存在电池管理系统储存单元中的温度T、荷电状态SOC、电池老化状态SOH和电化学阻抗谱特性EIS数据进行实时计算,获取上次更新所得的荷电状态SOC、电池老化状态SOH和电化学阻抗谱特性EIS,根据所述温度函数f1,估算此时电池实际温度T_rec,T_rec=f1(SOC,SOH,EIS);当估算的所述温度T_rec与实际采样的温度T之间的温度差的绝对值大于等于设定阈值Tr时,则判断电池存在异常。
可选地,利用储能系统主控制器对所述阻抗测试校正进行强制唤起。
可选地,将电池存在异常的判断信息输出至上级终端,进行告警。
根据本发明的另一个方面,提供了一种基于神经网络及阻抗辩识校正的电池状态估计系统,包括:
参数获取模块,该模块用于获取与实际使用电池电芯同一批次中的任意电池电芯作为测试样本,对所述测试样本进行循环寿命测试并采集不同温度T、荷电状态SOC以及电池老化状态SOH下的电化学阻抗谱特性EIS;
关系函数构建模块,该模块利用神经网络拟合所述温度T、荷电状态SOC、电池老化状态SOH和电化学阻抗谱特性EIS中任意三个参数相对另一个参数的关系函数,得到的四种关系函数分别记为:温度函数f1、荷电状态函数f2、电池老化状态函数f3和电化学阻抗谱特性函数f4;
电池等效模型拟合函数构建模块,该模块构建实际使用电池电芯的电池等效模型,采用混合功率脉冲测试对所述实际使用电池电芯进行标定,获得不同温度下的开路电压-荷电状态特征曲线拟合参数和电池等效模型参数;将所述电池等效模型与所述电化学阻抗谱特性函数f4进行对应校正,得到电池等效模型参数的拟合函数;
粒子滤波器工作模块,该模块利用所述电池等效模型参数的拟合函数对所述电池等效模型进行更新,并根据更新后的电池等效模型组配实际使用电池电芯获得储能系统并投入运行,采用粒子滤波器获得所述实际使用电池电芯运行时的荷电状态SOC及电池老化状态SOH;
电池状态估计模块,该模块基于所述电池电芯运行时的荷电状态SOC及电池老化状态SOH,利用所述关系函数定时对所述电池电芯进行电化学阻抗测量、阻抗测试校正、阻抗生成校正以及温度校正,并判断是否存在异常电池,完成电池状态估计。
根据本发明的第三个方面,提供了一种终端,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可用于执行上述中任一项所述的方法。
根据本发明的第四个方面,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可用于执行上述中任一项所述的方法。
由于采用了上述技术方案,本发明与现有技术相比,具有如下至少一项的有益效果:
本发明首先利用初始测试完成了4类神经网络的建模,由于最终是静态测试,所以温度和电流可以获得解耦,拟合时不容易出现传统基于动态数据的拟合困难问题。
由于本发明中采用的是电化学阻抗谱作为参数估计的重要参量,而电化学阻抗谱本身是电化学过程的一个反应,此外,其还与电池等效电路模型相关,可解释性强,在进行调试时可以大致估计该参量的变化范围,从而缩减选择参数的时间。
本发明采用了双重校正的方式,基于粒子滤波器的算法本身的出发点还是利用安时积分,加上等效电路模型的校正;而本发明除了采用该传统思路外,还根据电池电化学反应过程,利用电池电化学阻抗谱,对电池状态参数进行了相关估算,因此经校正后,电池参数准确度高,更适合电池全生命周期状态估算。
本发明在运行过程中可以实时监测电池运行温度和估算温度差异,可以提早发现异常电池并进行告警,提高了系统的可靠性。
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为本发明一实施例中基于神经网络及阻抗辩识校正的电池状态估计方法的流程图。
图2为本发明一优选实施例中基于神经网络及阻抗辩识校正的电池状态估计方法的流程图。
图3为本发明一实施例中基于神经网络及阻抗辩识校正的电池状态估计系统的组成模块示意图。
具体实施方式
下面对本发明的实施例作详细说明:本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程。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,还可以做出若干变形和改进,这些都属于本发明的保护范围。
图1为本发明一实施例提供的基于神经网络及阻抗辩识校正的电池状态估计方法的流程图。
如图1所示,该实施例提供的基于神经网络及阻抗辩识校正的电池状态估计方法,可以包括如下步骤:
S100,与实际使用电池电芯获取同一批次中的任意电池电芯作为测试样本,对测试样本进行循环寿命测试并采集不同温度T、荷电状态SOC以及电池老化状态SOH下的电化学阻抗谱特性EIS;
S200,利用神经网络拟合温度T、荷电状态SOC、电池老化状态SOH和电化学阻抗谱特性EIS中任意三个参数相对另一个参数的关系函数,得到的四种关系函数分别记为:温度函数f1、荷电状态函数f2、电池老化状态函数f3和电化学阻抗谱特性函数f4;
S300,构建实际使用电池电芯的电池等效模型,采用混合功率脉冲测试对用于储能系统的实际使用电池电芯进行标定,获得不同温度下的开路电压-荷电状态特征曲线拟合参数和电池等效模型参数;将电池等效模型与电化学阻抗谱特性函数f4进行对应校正,得到电池等效模型参数的拟合函数;
S400,利用电池等效模型参数的拟合函数对电池等效模型进行更新,并根据更新后的电池等效模型组配用于储能系统的实际使用电池电芯获得储能系统并投入运行,采用粒子滤波器获得实际使用电池电芯运行时的荷电状态SOC及电池老化状态SOH;
S500,基于电池电芯运行时的荷电状态SOC及电池老化状态SOH,利用关系函数定时对电池电芯进行电化学阻抗测量、阻抗测试校正、阻抗生成校正以及温度校正,并判断是否存在异常电池,完成电池状态估计。
在S100的一优选实施例中,获取与实际使用电池电芯同一批次中的任意电池电芯作为测试样本,对测试样本进行循环寿命测试并采集不同温度T、荷电状态SOC以及电池老化状态SOH下的电化学阻抗谱特性EIS,可以包括如下步骤:
S101,从与实际使用电池电芯同一批电池电芯中随机抽样获得测试样本;
S102,根据测试样本运行的状态温度范围及预先设定的温度步长,确定多个不同温度T={T0、T1、T2、…、TN};
S103,根据电池电芯的预期使用寿命,确定多个不同荷电状态SOH分段;
S104,按照混合功率脉冲测试的对应荷电状态SOC分段,确定多个不同荷电状态SOC测试点;
S105,测定温度T、荷电状态SOC以及电池老化状态SOH三个参数在每一种不同值组合情况下的电化学阻抗谱特性EIS。在一具体应用实例中,温度T为:T={T0、T1、T2、…、TN},SOC分段为:SOC={SOC0、SOC1、SOC2、…、SOCM},SOH分段为:SOH={SOH0、SOH1、SOH2、…、SOHK},那么,需要测量(T0,SOC0,SOH0),(T0,SOC0,SOH1),(T0,SOC0,SOH2),…,(T0,SOC0,SOHK),(T0,SOC1,SOH0),(T0,SOC1,SOH1),…,(T0,SOC1,SOHK),…,(T0,SOCM,SOHK),…,(T1,SOC0,SOH0),(T1,SOC0,SOH1),…,(T1,SOC0,SOHK),(T1,SOC1,SOH0),…,(T1,SOCM,SOHK),…,(TN,SOCM,SOHK),共需测量(N+1)(M+1)(K+1)种不同组合下的电化学阻抗谱特性(EIS)。
在S200的一优选实施例中,利用神经网络拟合温度T、荷电状态SOC、电池老化状态SOH和电化学阻抗谱特性EIS中任意三个参数相对另一个参数的关系函数,得到的四种函数分别记为:温度函数f1、荷电状态函数f2、电池老化状态函数f3和电化学阻抗谱特性函数f4,可以包括如下步骤:
S201,将电化学阻抗谱幅频-相频特性曲线、当前荷电状态SOC值和当前电池老化状态SOH值作为输入,将温度T作为输出,拟合第一神经网络,得到温度T关于荷电状态SOC、电池老化状态SOH和电化学阻抗谱特性EIS的非线性函数f1,表示为T=f1(SOC,SOH,EIS);
S202,利用电化学阻抗谱幅频-相频特性曲线、当前状态温度T和当前电池老化状态SOH值作为输入,将荷电状态SOC作为输出,拟合第二神经网络,得到荷电状态SOC关于温度T、电池老化状态SOH和电化学阻抗谱特性EIS的非线性函数f2,表示为SOC=f2(T,SOH,EIS);
S203,利用电化学阻抗谱幅频-相频特性曲线、当前状态温度T和当前荷电状态SOC值作为输入,将电池老化状态SOH作为输出,拟合第三神经网络,得到电池老化状态SOH关于温度T、荷电状态SOC和电化学阻抗谱特性EIS的非线性函数f3,表示为SOH=f3(T,SOC,EIS);
S204,利用当前状态温度T、当前荷电状态SOC值和当前电池老化状态SOH值作为输入,将电化学阻抗谱特性EIS作为输出,拟合第四神经网络,得到电化学阻抗谱幅频-相频特性曲线关于温度T、荷电状态SOC和电池老化状态SOH的非线性函数f4,表示为EIS=f4(T,SOC,SOH)。
在S200的一具体应用实例中,神经网络可以采用任意一种,例如CNN(卷积神经网络)、径向基函数神经网络等。
在S200中,电化学阻抗谱幅频-相频特性曲线为电化学阻抗谱特性EIS的一种表示。将电化学阻抗谱特性EIS表示为:(Zreal表示阻抗实部,Zimag表示阻抗虚部,f表示频率),可以得到f-|Z|(幅频)特性曲线和(相频)特性曲线。
在S300的一优选实施例中,构建实际使用电池电芯的电池等效模型,采用混合功率脉冲测试对用于储能系统的实际使用电池电芯进行标定,获得不同温度下的开路电压-荷电状态特征曲线拟合参数和电池等效模型参数;将电池等效模型与电化学阻抗谱特性函数f4进行对应校正,得到电池等效模型参数的拟合函数,可以包括如下步骤:
S301,构建实际使用电池电芯的电池等效模型;该电池等效模型的构建和选择,可以采用任意一种广泛使用的方法和模型;
S302,采用混合功率脉冲测试对实际使用电池电芯进行参数标定,并记录开路电压与荷电状态关系,获得开路电压-荷电状态数据点;
S303,采用分段三次样条插值拟合各个开路电压-荷电状态数据点,得到拟合曲线,获得开路电压-荷电状态特征曲线拟合参数;
S304,利用电流脉冲瞬间的电流和电压数据标定电池电芯的欧姆内阻Rdc,利用电流脉冲过程中及过程后的两段零输入和零状态响应过程,通过双指数拟合方式标定电池电芯的极化内阻Rp、极化电容Cp、扩散内阻Rdiff和扩散电容Cdiff,得到的欧姆内阻Rdc、极化内阻Rp、极化电容Cp、扩散内阻Rdiff和扩散电容Cdiff即为电池等效模型参数;将电池等效模型参数的阻抗值记为阻抗向量Z=[Rdc,Rp,jωCp,Rdiff,jωCdiff];
S305,对比电化学阻抗谱特性EIS、阻抗向量Z以及电池等效模型中实际连接关系所对应的阻抗谱,确定对应的频率分段后,进行拟合,得到电池等效模型参数的拟合函数g,记为Z=g(EIS)。电化学阻抗谱特性就是在不同频率下得到的一系列阻抗值,而电池阻抗向量实际上也是可以对应着不同频率下的阻抗值(因为有ω在),所以可以对比两种阻抗值的差距,选用差距最小的频率段之后,进行拟合,获得拟合函数g。确定对应的频率分段反映了由电池等效模型及阻抗向量Z获得的阻抗谱和实际测量得到的阻抗谱拟合关系较好的频率段。根据不同频率点下两种阻抗谱的误差,可以在对比前设定一个误差阈值,小于该阈值表示拟合特性较好,保持在该阈值内的频率段就是待确定的频率分段。校正频率分段的过程就是进行对应校正的过程,因为该频率段在不同温度、SOC、SOH的条件下可能会有一些差别,但是最终都是存在一个频率段是拟合的比较好的,这个校正过程主要体现在这个频率段的上下限选取。
在S300中,基于构建的电池等效模型,根据测试标定模型内各个器件参数,并利用电化学阻抗谱特性函数f4,结合等效模型结构,拟合测得(标定)的参数。
在S400的一优选实施例中,利用电池等效模型参数的拟合函数对电池等效模型进行更新,并根据更新后的电池等效模型组配用于储能系统的实际使用电池电芯获得储能系统并投入运行,采用粒子滤波器获得实际使用电池电芯运行时的荷电状态SOC及电池老化状态SOH,可以包括如下步骤:
S401,组配用于储能系统的实际使用电池电芯,得到利用实际使用电池电芯的储能系统并投入运行;
S402,对每一个电池电芯,启动一个用于荷电状态估算的粒子滤波器,并进行如下初始化:在电池电芯投入实际运行之前对应的初始荷电状态值的设定范围内,根据电池电芯所应用的领域环境(例如,领域指的就是这个电池是用于储能领域还是电动车这类领域,环境指的是该处电磁干扰情况如何等),选取观测噪声方差v1,设定收敛阈值ε1,并按照高斯分布采样生成N1个第一随机粒子,N1个第一随机粒子位于0~1之间,同时启动定时器t1,并开始计时;同时,启动一个用于电池容量估算的粒子滤波器;
S403,设置第一随机粒子的迭代次数;根据观测噪声方差v1计算第一随机粒子的第一权值;将得到的N1个第一权值进行归一化处理;判断第一随机粒子是否有效,决定是否需要重新采样;根据电池等效模型的状态数据,包括电流、电压、温度、上一时刻的荷电状态以及特性参数(开路电压-荷电状态特征曲线拟合参数和电池等效模型参数),更新电池电芯的状态数据;
S404,重复上一个步骤,直至用于荷电状态估算的粒子滤波器收敛到预先设定的收敛阈值ε1内,得到电池电芯运行时的荷电状态SOC;
S405,监测定时器t1的运行时长,若运行时长没有超过预设校正时间tr1,则使用电池电芯运行时的荷电状态SOC;若运行时长超过了预设校正时间tr1或电池电芯未投入运行超过设定时间t r1′,则唤起一次阻抗测试校正过程,并获得阻抗测试校正所估算的荷电状态SOC值(根据电池阻抗谱、SOH、温度拟合出的SOC=f2(T,SOH,EIS),所以此时可以根据测得的EIS信息,结合存储在电池管理系统寄存器中的温度T和SOH信息,得到SOC值),并以该估算的荷电状态SOC作为对应电池电芯运行时的荷电状态SOC,同时使定时器t1重新开始计时;
S406,初始化用于电池容量估算的粒子滤波器,以电池电芯的初始容量为基准,根据电池电芯所应用的领域环境,选取观测噪声方差v2,设定收敛阈值ε2,并按照高斯分布生成N2个第二随机粒子,同时启动定时器t2,并开始计时;
S407,设置用于电池容量估算的粒子滤波器的迭代次数;根据观测噪声方差v2计算N2个第二随机粒子的第二权值;将得到的N2个第二权值进行归一化处理;判断第二随机粒子是否有效,决定是否需要重新采样;根据电池等效模型的状态数据,包括电流、电压、温度、上一时刻的荷电状态以及特性参数(开路电压-荷电状态特征曲线拟合参数和电池等效模型参数),更新电池电芯的状态数据;
S408,重复上一个步骤,直至用于电池容量估算的粒子滤波器收敛到预先设定的收敛阈值ε2内,得到电池电芯运行时的电池老化状态SOH;
S409,监测定时器t2的运行时长,若运行时长没有超过预设校正时间tr2,则使用电池电芯运行时的电池老化状态SOH;若运行时长超过了预设校正时间tr2或电池电芯未投入运行超过设定时间t r2′,则唤起一次阻抗测试校正过程,并获得阻抗测试校正所估算的电池老化状态SOH值,并以该估算的电池老化状态SOH作为对应电池电芯运行时的电池老化状态SOH,同时使定时器t2重新开始计时。
在S400中,对电池等效模型进行更新的目的就在于后续利用粒子滤波器进行状态估计时,必须指导电池的等效模型,以及模型中各个参数的值。更新后的电池模型在之后的步骤中主要就是起到一个用于状态估算的作用。
在S400中,判断随机粒子是否有效,决定是否需要重新采样,包括:粒子滤波器根据输入的参数,估算出一个待估算状态的值,该值的获得可能是由于小于误差阈值得到,也可能是由于超过迭代次数得到,如果是小于误差阈值得到,就不需要重采样,如果是达到迭代次数,但是实际误差还是不可接受的话,就需要进行重新采样。
在S400中,更新电池电芯的状态数据的更新方式,包括:利用粒子滤波器通过输入各项参数,并利用电流电压温度信息得到电池电芯现在的状态数据。新的状态数据重新储存在电池管理系统中。
在S500的一优选实施例中,基于电池电芯运行时的荷电状态SOC及电池老化状态SOH,利用关系函数定时对电池电芯进行电化学阻抗测量(测量电化学阻抗谱)、阻抗测试校正、阻抗生成校正以及温度校正,并判断是否存在异常电池,可以包括如下步骤:
S501,阻抗测试校正通过粒子滤波器的定时器唤起;
S502,根据唤起的粒子滤波器的定时器,判断选取的输入量和输出量,包括:
S5021,利用与电池电芯结合的变换器注入对应频率谐波,并利用电池管理系统板上的采样电路获得电流电压信息,经处理滤波后获得电化学阻抗谱特性EIS数据,同时利用Z_rec=g(EIS),对电池等效模型参数进行更新,其中,Z_rec为作为下一步计算时阻抗向量Z的值;
S5022,若阻抗测试校正是通过粒子滤波器对应的定时器t1唤起的,则获取当前状态的温度T和电池老化状态SOH作为已知量,结合电化学阻抗谱特性EIS数据,利用荷电状态函数f2,实现对荷电状态SOC的校正,SOC_rec=f2(T,SOH,EIS),其中,SOC_rec为通过该过程校正所得的SOC,其将作为下一时刻SOC的参考值;若阻抗测试校正不是通过粒子滤波器对应的定时器t1唤起的,则获取当前状态的温度T、荷电状态SOC作为已知量,结合电化学阻抗谱特性EIS数据,利用电池老化状态函数f3,实现对电池老化状态SOH的校正,SOH_rec=f3(T,SOC,EIS),其中,SOH_rec为通过该过程校正所得的SOH,其将作为下一时刻SOH的参考值;
S5023,将校正得到的荷电状态SOC_rec和电池老化状态SOH_rec带入下一轮的两个粒子滤波器的参数;
S5024,阻抗生成校正根据选用的电池管理系统的运算及数据存储能力,初始化定时器t3,并开始计时;设置tr3为阻抗生成校正时限,每当定时器t3计时超过时限tr3时,启动一次阻抗生成校正;
S5025,获取当前温度T、荷电状态SOC和电池老化状态SOH,根据电化学阻抗谱特性函数f4,实现当前电池电化学阻抗谱的估算,EIS_rec=f4(T,SOC,SOH),其中,EIS_rec为电池电化学阻抗谱校正值;继而进一步通过将EIS_rec代入公式Z_rec=g(EIS)中的EIS,实现电池等效模型参数更新;
S5026,温度校正采用神经网络正向计算,并利用保存在电池管理系统储存单元中的数据(温度T、荷电状态SOC、电池老化状态SOH和电化学阻抗谱特性EIS)进行实时计算,获取上次更新所得的荷电状态SOC、电池老化状态SOH和电化学阻抗谱特性EIS,根据温度函数f1,估算此时电池实际温度T_rec,T_rec=f1(SOC,SOH,EIS);当估算的温度T_rec与实际采样的温度T之间的温度差的绝对值大于等于设定阈值Tr时,则判断电池存在异常。
在S500的一优选实施例中,还可以利用储能系统主控制器对阻抗测试校正进行强制唤起。在该优选实施例中,输入量就是储能系统总控制器与电池管理系统控制器事先约定好的强制唤起信号;输出量为阻抗测试校正过程。该强制唤起实现了一种类似人为操作,当收到强制唤起信号时,即完成等一次阻抗测试,不受定时器约定时间的限制。
在S500中,由于电化学阻抗的测量过程通常是需要利用注入一定谐波得到的,因此获得的电化学阻抗是关于一系列频率的散点,而校正过程是根据这些散点,对电池等效模型中各个等效器件的参数取值进行校正的过程。通过各校正过程,可以获得温度校正过程中所需的各输入数据。因为根据神经网络可以获得预估的电池温度,如果实测的电池温度远大于预估的电池温度,则可以认为电池存在异常。
在该实施例的一优选实施例中,还包括:将电池存在异常的判断信息输出至上级终端,进行告警。
该实施例提供的基于神经网络及阻抗辩识校正的电池状态估计方法,确保电池模型的准确性以及如何将故障监测手段与现有估算方法进行结合,从而实现高精度、高可靠性的电池管理系统。
下面结合说明书附图以及本发明的多个优选实施例,对本发明上述实施例提供的技术方案进一步详细说明,以使其技术内容更加清楚和便于理解。
图2为本发明一优选实施例提供的基于神经网络及阻抗辩识校正的电池状态估计方法的工作流程图。
为了解决现有技术中存在的电池等效电路模型参数更新难、估算不准等问题,该实施例提供的基于神经网络及阻抗辩识校正的电池状态估计方法,主要包括以下步骤:首先,对同一批次电池电芯随机抽样获得测试样本,对测试样本进行循环寿命测试并采集不同温度、荷电状态、电池老化状态下的电化学阻抗谱,并利用神经网络拟合其中中任意3个参数相对另一个参数的函数;其次,对将用于储能系统的电芯进行一次混合功率脉冲测试,标定各个参数,并与上一步获得的电化学阻抗谱函数进行对照校正;再次,组配电芯获得储能系统并投入运行,采用粒子滤波器获得电池运行时的荷电状态及老化状态;最后,定时对电池电化学阻抗在线测量或校正,并利用之前得到的函数进行参数校正并判断是否存在异常电池。
如图2所示,该优选实施例提供的方法,利用设计了自适应阈值的粒子群算法更新电池特性参数进而实现电池状态估计。
具体来说,本发明实施例提供的一种基于自适应粒子群算法的电池状态估计方法包括以下步骤:
步骤1、对同一批次电池电芯随机抽样获得测试样本,对测试样本进行循环寿命测试并采集不同温度(T)、荷电状态(SOC)、电池老化状态(SOH)下的电化学阻抗谱(EIS);
步骤2、利用神经网络拟合步骤1中任意3个参数相对另一个参数的函数,若记四种函数分别为:f1,f2,f3,f4则可以将步骤1中的相关变量按以下方程进行表示:
T=f1(SOC,SOH,EIS);
SOC=f2(T,SOH,EIS);
SOH=f3(T,SOC,EIS);
EIS=f4(T,SOC,SOH);
步骤3、对将用于储能系统的电芯进行一次混合功率脉冲测试(HPPC),标定各个参数,并与步骤2获得的电化学阻抗谱函数进行对照校正:通过本步骤可以获得的参数主要有不同温度下的SOC-OCV曲线,电池等效模型参数(直流内阻Rdc、极化内阻Rp,极化电容:Cp,扩散内阻:Rdiff,扩散电容:Cdiff),根据电池等效模型,进行与步骤2中电化学阻抗谱函数f4的对应校正,从而获得拟合函数Z=[Rdc,Rp,jωCp,Rdiff,jωCdiff]=g(EIS);
步骤4:组配电芯获得储能系统并投入运行,采用粒子滤波器获得电池运行时的荷电状态及老化状态;
步骤5:定时对电池电化学阻抗在线测量或校正,并利用步骤2中函数进行参数校正并判断是否存在异常电池。本步骤包含的校正过程主要分为阻抗测试校正、阻抗生成校正及温度校正。
进一步地:
步骤1:从同一批电池电芯中随机抽样获得测试样本,根据电池的运行工作的温度范围及预先设定的温度步长,确定不同温度T0、T1、T2、…、TN;根据电池的预期使用寿命确定SOH分段,如100% SOH、98% SOH、96% SOH、…、80% SOH(SOH终止点按80%计);按HPPC测试的对应SOC分段,确定不同SOC测试点,如100% SOC、98% SOC、96% SOC、94% SOC、…、2% SOC、0% SOC。测定不同温度、SOC、SOH情况下的电池电化学阻抗谱特性(EIS)(测试频率范围0.1~1000Hz,测试频率点数按储能装备处理器运算能力选取);
步骤2:利用电池电化学阻抗谱幅频-相频特性曲线(离散点)、当前状态SOC值、当前状态SOH值作为输入,温度作为输出,拟合神经网络1,得到温度关于SOC、SOH、EIS的非线性函数(神经网络拟合所得)f1,表示为T=f1(SOC,SOH,EIS);利用电池电化学阻抗谱幅频-相频特性曲线(离散点)、当前状态温度、当前状态SOH值作为输入,SOC作为输出,拟合神经网络2,得到SOC关于温度、SOH、EIS的非线性函数(神经网络拟合所得)f2,表示为SOC=f2(T,SOH,EIS);利用电池电化学阻抗谱幅频-相频特性曲线(离散点)、当前状态温度、当前状态SOC值作为输入,SOH作为输出,拟合神经网络3,得到SOH关于温度、SOC、EIS的非线性函数(神经网络拟合所得)f3,表示为SOH=f3(T,SOC,EIS);利用当前状态温度、当前状态SOC值、当前状态SOH值作为输入,EIS作为输出,拟合神经网络4,得到电池的幅频-相频特性曲线(与测试时的频率相同的一系列离散点)关于温度、SOC、SOH的非线性函数(神经网络拟合所得)f4,表示为EIS=f4(T,SOC,SOH);
步骤3:采用与步骤1相同的SOC分段的混合功率脉冲实验对电池进行标定,并记录开路电压(OCV)与荷电状态关系(SOC),、采用分段三次样条插值拟合各个开路电压-荷电状态数据点,得到拟合曲线,获得开路电压-荷电状态特征曲线拟合参数;利用电流脉冲瞬间的电流、电压数据标定电池的欧姆内阻Rdc;利用电流脉冲过程中及过程后的两段零输入和零状态响应过程,利用双指数拟合方式标定电池的极化内阻,极化电容,扩散内阻,扩散电容,并依次记为Rp、Cp、Rdiff和Cdiff。将求解得到的等效电路参数的阻抗值记为以下向量Z=[Rdc,Rp,jωCp,Rdiff,jωCdiff];对比电化学阻抗谱EIS和阻抗向量Z及等效电路中实际连接关系所对应的阻抗谱,确定对应的频率分段后,进行拟合,得到拟合函数g,记为Z=g(EIS);
完成前述预处理过程后,进入组配运行阶段,具体步骤如下:
步骤4.1、组配该批次电芯,最终得到利用该批次电芯的储能系统并投入运行;
步骤4.2、对每个电池模块,初始化荷电状态估算粒子滤波器,包括在电池投入实际运行之前对应的初始荷电状态值附近,根据电池所应用的领域环境,选取观测噪声方差v1,设定收敛阈值ε1,并按高斯分布采样生成N1个第一随机粒子,N1个第一随机粒子位于0~1之间,同时启动定时器t1,并开始计时;
步骤4.3、设置第一随机粒子的迭代次数;根据观测噪声方差v1计算第一随机粒子的第一权值;将第一权值进行归一化处理;判断第一随机粒子是否有效,决定是否需要重新采样;根据电池的状态数据,包括电流、电压、温度、上一时刻荷电状态以及特性参数,更新电池的状态数据;
步骤4.4、重复步骤4.3,直至荷电状态估算粒子滤波器收敛到预先设定的收敛阈值ε1内,得到电池的荷电状态;
步骤4.5、监测定时器t1的运行时长,若运行时长没超过预设校正时间tr1,则使用步骤4.4中估算得到的SOC;若超过了预设校正时间tr1(也可以是该电池模块未投入运行超过一段时间),则唤起一次阻抗测试校正过程,并获得阻抗测试校正所估算的SOC值,以该值作为对应电池的SOC,同时使定时器t1重新开始计时;
与步骤4.2同时,还需要启动一个电池容量参数更新的粒子滤波器,具体操作步骤如4.6~4.9所示:
步骤4.6、初始化电池容量估算粒子滤波器,以电池的初始电池容量为基准,根据电池所应用的领域环境,选取观测噪声方差v2,按高斯分布生成N2个第二随机粒子,同时启动定时器t2,并开始计时;
步骤4.7、设置电池容量估算粒子滤波器的迭代次数;根据观测噪声方差v2计算第二随机粒子的第二权值;将第二权值进行归一化处理;判断第二随机粒子是否有效,决定是否需要重新采样;根据电池的状态数据,包括电流、电压、温度、上一时刻荷电状态,更新电池的状态数据;
步骤4.8、重复步骤4.7,直至电池容量估算粒子滤波器收敛到预先设定的收敛阈值ε2内,得到电池的电池容量参数;
步骤4.9、监测定时器t2的运行时长,若运行时长没超过预设校正时间tr2,则使用步骤4.8中估算得到的SOH;若超过了预设校正时间tr2(也可以是该电池模块未投入运行超过一段时间),则唤起一次阻抗测试校正过程,并获得阻抗测试校正所估算的SOH值,以该值作为对应电池的SOH,同时使定时器t2重新开始计时;
步骤5:校正过程,主要包含以下3类校正:
阻抗测试校正:
阻抗测试校正过程主要由步骤4中的两个定时器唤起,(也可以是利用储能系统主控制器进行强制唤起,为特殊实施例),通过校验由哪个定时器唤起,来判断取用哪几个量作为输入,哪个量作为输出。在本实施例中,具体操作流程如步骤5.1、5.2:
步骤5.1、利用与电池模块结合的变换器注入对应频率谐波,并利用电池管理系统板上的采样电路获得电流电压信息,经处理滤波后获得电池阻抗EIS数据,同时利用Z_rec=g(EIS),实现等效模型电路参数更新;
步骤5.2、根据唤起阻抗测试校正的定时器判断输入输出量,若由粒子滤波器对应的定时器t1唤起,则获取当前状态的温度、SOH信息,作为已知量,结合步骤5.1获得的EIS数据,利用神经网络的拟合函数f2,实现SOC校正,SOC_rec=f2(T,SOH,EIS);若不是由粒子滤波器t1唤起,则获取当前状态的温度、SOC信息,作为已知量,结合步骤5.1获得的EIS数据,利用神经网络的拟合函数f3,实现SOH校正,SOH_rec=f3(T,SOC,EIS);
校正所得SOC,SOH带入下一轮的两个粒子滤波器的参数。
阻抗生成校正:
根据选用的电池管理系统运算及数据存储能力,初始化定时器t3,并开始计时。设置tr3为阻抗生成校正时限,每当定时器t3计时超过时限tr3,启动一次阻抗生成校正。获取当前电池温度、SOC、SOH,根据神经网络的拟合函数f4,实现当前电池电化学阻抗谱的估算,EIS_rec=f4(T,SOC,SOH),继而进一步由Z_rec=g(EIS),实现等效模型电路参数更新;
温度检测:
该过程由于采用神经网络正向计算,且各个量均为保存在电池管理系统储存单元中的数据,因此计算速度较快,可以进行实时计算,获取上次更新所得的SOC、SOH、EIS参数,根据神经网络拟合函数f1,估算此时电池实际温度,T_rec=f1(SOC,SOH,EIS),对于正常工作电池,该估算的温度应与实际电池温度差别较小,若出现估算温度与实际采样所得温度差距较大,说明该电池存在异常,本模块将向上层传递告警信号,并对异常电池模块单元进行后续处理。
图3为本发明一实施例提供的基于神经网络及阻抗辩识校正的电池状态估计系统的组成模块示意图。
如图3所示,该实施例提供的基于神经网络及阻抗辩识校正的电池状态估计系统,可以包括如下模块:
参数获取模块,该模块用于获取与实际使用电池电芯同一批次中的任意电池电芯作为测试样本,对测试样本进行循环寿命测试并采集不同温度T、荷电状态SOC以及电池老化状态SOH下的电化学阻抗谱特性EIS;
关系函数构建模块,该模块利用神经网络拟合温度T、荷电状态SOC、电池老化状态SOH和电化学阻抗谱特性EIS中任意三个参数相对另一个参数的关系函数,得到的四种关系函数分别记为:温度函数f1、荷电状态函数f2、电池老化状态函数f3和电化学阻抗谱特性函数f4;
电池等效模型拟合函数构建模块,该模块构建实际使用电池电芯的电池等效模型,采用混合功率脉冲测试对实际使用电池电芯进行标定,获得不同温度下的开路电压-荷电状态特征曲线拟合参数和电池等效模型参数;将电池等效模型与电化学阻抗谱特性函数f4进行对应校正,得到电池等效模型参数的拟合函数;
粒子滤波器工作模块,该模块利用电池等效模型参数的拟合函数对电池等效模型进行更新,并根据更新后的电池等效模型组配实际使用电池电芯获得储能系统并投入运行,采用粒子滤波器获得实际使用电池电芯运行时的荷电状态SOC及电池老化状态SOH;
电池状态估计模块,该模块基于电池电芯运行时的荷电状态SOC及电池老化状态SOH,利用关系函数定时对电池电芯进行电化学阻抗测量、阻抗测试校正、阻抗生成校正以及温度校正,并判断是否存在异常电池,完成电池状态估计。
需要说明的是,本发明提供的方法中的步骤,可以利用系统中对应的模块、装置、单元等予以实现,本领域技术人员可以参照方法的技术方案实现系统的组成,即,方法中的实施例可理解为构建系统的优选例,在此不予赘述。
根据本发明的第三个方面,提供了一种终端,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,处理器执行程序时可用于执行上述实施例中任一项的方法。
可选地,存储器,用于存储程序;存储器,可以包括易失性存储器(英文:volatilememory),例如随机存取存储器(英文:random-access memory,缩写:RAM),如静态随机存取存储器(英文:static random-access memory,缩写:SRAM),双倍数据率同步动态随机存取存储器(英文:Double Data Rate Synchronous Dynamic Random Access Memory,缩写:DDR SDRAM)等;存储器也可以包括非易失性存储器(英文:non-volatile memory),例如快闪存储器(英文:flash memory)。存储器用于存储计算机程序(如实现上述方法的应用程序、功能模块等)、计算机指令等,上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器中。并且上述的计算机程序、计算机指令、数据等可以被处理器调用。
上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器中。并且上述的计算机程序、计算机指令、数据等可以被处理器调用。
处理器,用于执行存储器存储的计算机程序,以实现上述实施例涉及的方法中的各个步骤。具体可以参见前面方法实施例中的相关描述。
处理器和存储器可以是独立结构,也可以是集成在一起的集成结构。当处理器和存储器是独立结构时,存储器、处理器可以通过总线耦合连接。
根据本发明的第四个方面,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可用于执行上述实施例中任一项的方法。
本发明上述实施例提供的基于神经网络及阻抗辩识校正的电池状态估计方法、系统、终端及介质,首先利用初始测试完成了4类神经网络的建模,由于最终是静态测试,所以温度和电流可以获得解耦,拟合时不容易出现传统基于动态数据的拟合困难问题;采用的是电化学阻抗谱作为参数估计的重要参量,而电化学阻抗谱本身是电化学过程的一个反应,此外,其还与电池等效电路模型相关,可解释性强,在进行调试时可以大致估计该参量的变化范围,从而缩减选择参数的时间;采用了双重校正的方式,基于粒子滤波器的算法本身的出发点还是利用安时积分,加上等效电路模型的校正;而本发明除了采用该传统思路外,还根据电池电化学反应过程,利用电池电化学阻抗谱,对电池状态参数进行了相关估算,因此经校正后,电池参数准确度高,更适合电池全生命周期状态估算;在运行过程中可以实时监测电池运行温度和估算温度差异,可以提早发现异常电池并进行告警,提高了系统的可靠性。
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。
本发明上述实施例中未尽事宜均为本领域公知技术。
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形或修改,这并不影响本发明的实质内容。
Claims (10)
1.一种基于神经网络及阻抗辩识校正的电池状态估计方法,其特征在于,包括:
获取与实际使用电池电芯同一批次中的任意电池电芯作为测试样本,对所述测试样本进行循环寿命测试并采集不同温度T、荷电状态SOC以及电池老化状态SOH下的电化学阻抗谱特性EIS;
利用神经网络拟合所述温度T、荷电状态SOC、电池老化状态SOH和电化学阻抗谱特性EIS中任意三个参数相对另一个参数的关系函数,得到的四种关系函数分别记为:温度函数f1、荷电状态函数f2、电池老化状态函数f3和电化学阻抗谱特性函数f4;
构建实际使用电池电芯的电池等效模型,采用混合功率脉冲测试对所述实际使用电池电芯进行标定,获得不同温度下的开路电压-荷电状态特征曲线拟合参数和电池等效模型参数;将所述电池等效模型与所述电化学阻抗谱特性函数f4进行对应校正,得到电池等效模型参数的拟合函数;
利用所述电池等效模型参数的拟合函数对所述电池等效模型进行更新,并根据更新后的电池等效模型组配实际使用电池电芯获得储能系统并投入运行,采用粒子滤波器获得所述实际使用电池电芯运行时的荷电状态SOC及电池老化状态SOH;
基于所述电池电芯运行时的荷电状态SOC及电池老化状态SOH,利用所述关系函数定时对所述电池电芯进行电化学阻抗测量、阻抗测试校正、阻抗生成校正以及温度校正,并判断是否存在异常电池,完成电池状态估计。
2.根据权利要求1所述的基于神经网络及阻抗辩识校正的电池状态估计方法,其特征在于,所述获取与实际使用电池电芯同一批次中的任意电池电芯作为测试样本,对所述测试样本进行循环寿命测试并采集不同温度T、荷电状态SOC以及电池老化状态SOH下的电化学阻抗谱特性EIS,包括:
从与实际使用电池电芯同一批电池电芯中随机抽样获得测试样本;
根据所述测试样本运行的状态温度范围及预先设定的温度步长,确定多个不同温度T={T0、T1、T2、…、TN};
根据电池电芯的预期使用寿命,确定多个不同荷电状态SOH分段;
按照混合功率脉冲测试的对应荷电状态SOC分段,确定多个不同荷电状态SOC测试点;
测定温度T、荷电状态SOC以及电池老化状态SOH三个参数在每一种不同值组合情况下的电化学阻抗谱特性EIS。
3.根据权利要求1所述的基于神经网络及阻抗辩识校正的电池状态估计方法,其特征在于,所述利用神经网络拟合所述温度T、荷电状态SOC、电池老化状态SOH和电化学阻抗谱特性EIS中任意三个参数相对另一个参数的关系函数,得到的四种函数分别记为:温度函数f1、荷电状态函数f2、电池老化状态函数f3和电化学阻抗谱特性函数f4,包括:
将电化学阻抗谱幅频-相频特性曲线、当前荷电状态SOC值和当前电池老化状态SOH值作为输入,将温度T作为输出,拟合第一神经网络,得到温度T关于荷电状态SOC、电池老化状态SOH和电化学阻抗谱特性EIS的非线性函数f1,表示为T=f1(SOC,SOH,EIS);
利用电化学阻抗谱幅频-相频特性曲线、当前状态温度T和当前电池老化状态SOH值作为输入,将荷电状态SOC作为输出,拟合第二神经网络,得到荷电状态SOC关于温度T、电池老化状态SOH和电化学阻抗谱特性EIS的非线性函数f2,表示为SOC=f2(T,SOH,EIS);
利用电化学阻抗谱幅频-相频特性曲线、当前状态温度T和当前荷电状态SOC值作为输入,将电池老化状态SOH作为输出,拟合第三神经网络,得到电池老化状态SOH关于温度T、荷电状态SOC和电化学阻抗谱特性EIS的非线性函数f3,表示为SOH=f3(T,SOC,EIS);
利用当前状态温度T、当前荷电状态SOC值和当前电池老化状态SOH值作为输入,将电化学阻抗谱特性EIS作为输出,拟合第四神经网络,得到电化学阻抗谱幅频-相频特性曲线关于温度T、荷电状态SOC和电池老化状态SOH的非线性函数f4,表示为EIS=f4(T,SOC,SOH)。
4.根据权利要求1所述的基于神经网络及阻抗辩识校正的电池状态估计方法,其特征在于,所述构建实际使用电池电芯的电池等效模型,采用混合功率脉冲测试对所述实际使用电池电芯进行标定,获得不同温度下的开路电压-荷电状态特征曲线拟合参数和电池等效模型参数;将所述电池等效模型与所述电化学阻抗谱特性函数f4进行对应校正,得到电池等效模型参数的拟合函数,包括:
构建实际使用电池电芯的电池等效模型;
采用混合功率脉冲测试对实际使用电池电芯进行参数标定,并记录开路电压与荷电状态关系,获得开路电压-荷电状态数据点;
采用分段三次样条插值拟合各个所述开路电压-荷电状态数据点,得到拟合曲线,获得所述开路电压-荷电状态特征曲线拟合参数;
利用电流脉冲瞬间的电流和电压数据标定所述电池电芯的欧姆内阻Rdc,利用电流脉冲过程中及过程后的两段零输入和零状态响应过程,通过双指数拟合方式标定所述电池电芯的极化内阻Rp、极化电容Cp、扩散内阻Rdiff和扩散电容Cdiff,得到的所述欧姆内阻Rdc、极化内阻Rp、极化电容Cp、扩散内阻Rdiff和扩散电容Cdiff即为所述电池等效模型参数;将所述电池等效模型参数的阻抗值记为阻抗向量Z=[Rdc,Rp,jωCp,Rdiff,jωCdiff];
对比所述电化学阻抗谱特性EIS、阻抗向量Z以及电池等效模型中实际连接关系所对应的阻抗谱,确定对应的频率分段后,进行拟合,得到电池等效模型参数的拟合函数g,记为Z=g(EIS)。
5.根据权利要求1所述的基于神经网络及阻抗辩识校正的电池状态估计方法,其特征在于,所述利用所述电池等效模型参数的拟合函数对所述电池等效模型进行更新,并根据更新后的电池等效模型组配实际使用电池电芯获得储能系统并投入运行,采用粒子滤波器获得所述实际使用电池电芯运行时的荷电状态SOC及电池老化状态SOH,包括:
组配用于储能系统的实际使用电池电芯,得到利用所述实际使用电池电芯的储能系统并投入运行;
对每一个电池电芯,启动一个用于荷电状态估算的粒子滤波器,并进行如下初始化:在所述电池电芯投入实际运行之前对应的初始荷电状态值的设定范围内,选取观测噪声方差v1,设定收敛阈值ε1,并按照高斯分布采样生成N1个第一随机粒子,N1个所述第一随机粒子位于0~1之间,同时启动定时器t1,并开始计时;同时,启动一个用于电池容量估算的粒子滤波器;
设置所述第一随机粒子的迭代次数;根据所述观测噪声方差v1计算所述第一随机粒子的第一权值;将得到的N1个所述第一权值进行归一化处理;判断所述第一随机粒子是否有效,决定是否需要重新采样;根据所述电池等效模型的状态数据,更新所述电池电芯的状态数据;其中,所述电池等效模型的状态数据,包括电流、电压、温度、上一时刻的荷电状态、开路电压-荷电状态特征曲线拟合参数和电池等效模型参数;
重复上一个步骤,直至所述用于荷电状态估算的粒子滤波器收敛到预先设定的所述收敛阈值ε1内,得到所述电池电芯运行时的荷电状态SOC;
监测定时器t1的运行时长,若运行时长没有超过预设校正时间tr1,则使用所述电池电芯运行时的荷电状态SOC;若运行时长超过了预设校正时间tr1或所述电池电芯未投入运行超过设定时间t r1′,则唤起一次阻抗测试校正过程,并获得阻抗测试校正所估算的荷电状态SOC值,并以该估算的荷电状态SOC作为对应电池电芯运行时的荷电状态SOC,同时使定时器t1重新开始计时;
初始化所述用于电池容量估算的粒子滤波器,以所述电池电芯的初始容量为基准,根据所述电池电芯所应用的领域环境,选取观测噪声方差v2,设定收敛阈值ε2,并按照高斯分布生成N2个第二随机粒子,同时启动定时器t2,并开始计时;
设置所述用于电池容量估算的粒子滤波器的迭代次数;根据所述观测噪声方差v2计算N2个所述第二随机粒子的第二权值;将得到的N2个所述第二权值进行归一化处理;判断所述第二随机粒子是否有效,决定是否需要重新采样;根据所述电池等效模型的状态数据,更新所述电池电芯的状态数据;其中,所述电池等效模型的状态数据,包括电流、电压、温度、上一时刻的荷电状态、开路电压-荷电状态特征曲线拟合参数和电池等效模型参数;
重复上一个步骤,直至所述用于电池容量估算的粒子滤波器收敛到预先设定的所述收敛阈值ε2内,得到所述电池电芯运行时的电池老化状态SOH;
监测定时器t2的运行时长,若运行时长没有超过预设校正时间tr2,则使用所述电池电芯运行时的电池老化状态SOH;若运行时长超过了预设校正时间tr2或所述电池电芯未投入运行超过设定时间t r2′,则唤起一次阻抗测试校正过程,并获得阻抗测试校正所估算的电池老化状态SOH值,并以该估算的电池老化状态SOH作为对应电池电芯运行时的电池老化状态SOH,同时使定时器t2重新开始计时。
6.根据权利要求4所述的基于神经网络及阻抗辩识校正的电池状态估计方法,其特征在于,所述基于所述电池电芯运行时的荷电状态SOC及电池老化状态SOH,利用所述关系函数定时对所述电池电芯进行电化学阻抗测量、阻抗测试校正、阻抗生成校正以及温度校正,并判断是否存在异常电池,包括:
所述电化学阻抗测量用于实现对电化学阻抗谱的测量;
所述阻抗测试校正通过所述粒子滤波器的定时器唤起;
根据唤起的所述粒子滤波器的定时器,判断选取的输入量和输出量,包括:
利用与所述电池电芯结合的变换器注入对应频率谐波,并利用电池管理系统板上的采样电路获得电流电压信息,经处理滤波后获得电化学阻抗谱特性EIS数据,同时利用Z_rec=g(EIS),对所述电池等效模型参数进行更新,其中,Z_rec为作为下一步计算时阻抗向量Z的值;
若所述阻抗测试校正是通过粒子滤波器对应的定时器t1唤起的,则获取当前状态的温度T和电池老化状态SOH作为已知量,结合所述电化学阻抗谱特性EIS数据,利用所述荷电状态函数f2,实现对荷电状态SOC的校正,SOC_rec=f2(T,SOH,EIS),其中,SOC_rec为通过该过程校正所得的SOC,其将作为下一时刻SOC的参考值;若所述阻抗测试校正不是通过粒子滤波器对应的定时器t1唤起的,则获取当前状态的温度T、荷电状态SOC作为已知量,结合所述电化学阻抗谱特性EIS数据,利用所述电池老化状态函数f3,实现对电池老化状态SOH的校正,SOH_rec=f3(T,SOC,EIS),其中,SOH_rec为通过该过程校正所得的SOH,其将作为下一时刻SOH的参考值;
将校正得到的所述荷电状态SOC_rec和电池老化状态SOH_rec带入下一轮的两个粒子滤波器的输入参数;
所述阻抗生成校正根据选用的电池管理系统的运算及数据存储能力,初始化定时器t3,并开始计时;设置tr3为阻抗生成校正时限,每当定时器t3计时超过时限tr3时,启动一次阻抗生成校正;
获取当前温度T、荷电状态SOC和电池老化状态SOH,根据所述电化学阻抗谱特性函数f4,实现当前电池电化学阻抗谱的估算,EIS_rec=f4(T,SOC,SOH),其中,EIS_rec为电池电化学阻抗谱校正值;继而进一步通过将EIS_rec代入公式Z_rec=g(EIS)中的EIS,实现电池等效模型参数更新;
所述温度校正采用神经网络正向计算,并利用保存在电池管理系统储存单元中的温度T、荷电状态SOC、电池老化状态SOH和电化学阻抗谱特性EIS数据进行实时计算,获取上次更新所得的荷电状态SOC、电池老化状态SOH和电化学阻抗谱特性EIS,根据所述温度函数f1,估算此时电池实际温度T_rec,T_rec=f1(SOC,SOH,EIS);当估算的所述温度T_rec与实际采样的温度T之间的温度差的绝对值大于等于设定阈值Tr时,则判断电池存在异常。
7.根据权利要求1所述的基于神经网络及阻抗辩识校正的电池状态估计方法,其特征在于,还包括如下任意一项或任意多项:
-利用储能系统主控制器对所述阻抗测试校正进行强制唤起;
-将电池存在异常的判断信息输出至上级终端,进行告警。
8.一种基于神经网络及阻抗辩识校正的电池状态估计系统,其特征在于,包括:
参数获取模块,该模块用于获取与实际使用电池电芯同一批次中的任意电池电芯作为测试样本,对所述测试样本进行循环寿命测试并采集不同温度T、荷电状态SOC以及电池老化状态SOH下的电化学阻抗谱特性EIS;
关系函数构建模块,该模块利用神经网络拟合所述温度T、荷电状态SOC、电池老化状态SOH和电化学阻抗谱特性EIS中任意三个参数相对另一个参数的关系函数,得到的四种关系函数分别记为:温度函数f1、荷电状态函数f2、电池老化状态函数f3和电化学阻抗谱特性函数f4;
电池等效模型拟合函数构建模块,该模块构建实际使用电池电芯的电池等效模型,采用混合功率脉冲测试对所述实际使用电池电芯进行标定,获得不同温度下的开路电压-荷电状态特征曲线拟合参数和电池等效模型参数;将所述电池等效模型与所述电化学阻抗谱特性函数f4进行对应校正,得到电池等效模型参数的拟合函数;
粒子滤波器工作模块,该模块利用所述电池等效模型参数的拟合函数对所述电池等效模型进行更新,并根据更新后的电池等效模型组配实际使用电池电芯获得储能系统并投入运行,采用粒子滤波器获得所述实际使用电池电芯运行时的荷电状态SOC及电池老化状态SOH;
电池状态估计模块,该模块基于所述电池电芯运行时的荷电状态SOC及电池老化状态SOH,利用所述关系函数定时对所述电池电芯进行电化学阻抗测量、阻抗测试校正、阻抗生成校正以及温度校正,并判断是否存在异常电池,完成电池状态估计。
9.一种终端,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可用于执行权利要求1-7中任一项所述的方法。
10.一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可用于执行权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210786408.0A CN115128481B (zh) | 2022-07-04 | 2022-07-04 | 基于神经网络及阻抗辩识校正的电池状态估计方法、系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210786408.0A CN115128481B (zh) | 2022-07-04 | 2022-07-04 | 基于神经网络及阻抗辩识校正的电池状态估计方法、系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115128481A CN115128481A (zh) | 2022-09-30 |
CN115128481B true CN115128481B (zh) | 2023-10-27 |
Family
ID=83381201
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210786408.0A Active CN115128481B (zh) | 2022-07-04 | 2022-07-04 | 基于神经网络及阻抗辩识校正的电池状态估计方法、系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115128481B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105699907A (zh) * | 2016-01-28 | 2016-06-22 | 广州市香港科大霍英东研究院 | 一种基于动态阻抗校正的电池soc估计方法及系统 |
CN107589379A (zh) * | 2017-08-30 | 2018-01-16 | 电子科技大学 | 一种在线估计锂电池soc和阻抗的方法 |
CN109143108A (zh) * | 2018-07-25 | 2019-01-04 | 合肥工业大学 | 一种基于电化学阻抗谱的锂离子电池soh的估计方法 |
WO2021169486A1 (zh) * | 2020-02-24 | 2021-09-02 | 上海蔚来汽车有限公司 | 基于充电过程监控电池阻抗异常的方法、系统以及装置 |
CN114236401A (zh) * | 2021-12-20 | 2022-03-25 | 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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11262412B2 (en) * | 2019-04-11 | 2022-03-01 | Advanced Measurement Technology, Inc. | Battery monitoring and testing system and methods thereof |
-
2022
- 2022-07-04 CN CN202210786408.0A patent/CN115128481B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105699907A (zh) * | 2016-01-28 | 2016-06-22 | 广州市香港科大霍英东研究院 | 一种基于动态阻抗校正的电池soc估计方法及系统 |
CN107589379A (zh) * | 2017-08-30 | 2018-01-16 | 电子科技大学 | 一种在线估计锂电池soc和阻抗的方法 |
CN109143108A (zh) * | 2018-07-25 | 2019-01-04 | 合肥工业大学 | 一种基于电化学阻抗谱的锂离子电池soh的估计方法 |
WO2021169486A1 (zh) * | 2020-02-24 | 2021-09-02 | 上海蔚来汽车有限公司 | 基于充电过程监控电池阻抗异常的方法、系统以及装置 |
CN114236401A (zh) * | 2021-12-20 | 2022-03-25 | 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 |
Non-Patent Citations (4)
Title |
---|
丁镇涛 ; 邓涛 ; 李志飞 ; 尹燕莉 ; .基于安时积分和无迹卡尔曼滤波的锂离子电池SOC估算方法研究.中国机械工程.(第15期),1-2. * |
在线参数辨识和扩展卡尔曼算法的锂离子电池SOC估算研究;李博文;王顺利;于春梅;李建超;谢伟;;自动化仪表(第03期);1-2 * |
基于安时积分和无迹卡尔曼滤波的锂离子电池SOC估算方法研究;丁镇涛;邓涛;李志飞;尹燕莉;;中国机械工程(第15期);1-2 * |
李博文 ; 王顺利 ; 于春梅 ; 李建超 ; 谢伟 ; .在线参数辨识和扩展卡尔曼算法的锂离子电池SOC估算研究.自动化仪表.2020,(第03期),1-2. * |
Also Published As
Publication number | Publication date |
---|---|
CN115128481A (zh) | 2022-09-30 |
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 | |
CN110261779B (zh) | 一种三元锂电池荷电状态与健康状态在线协同估计方法 | |
US10838010B2 (en) | Automatic method for estimating the capacitance of a cell of a battery | |
CN111581904B (zh) | 考虑循环次数影响的锂电池soc及soh协同估算方法 | |
JP2023518778A (ja) | 電池充電状態を決定する方法及び装置、電池管理システム | |
CN109669132B (zh) | 一种基于变分贝叶斯滤波的电池荷电状态估计方法 | |
CN113176505B (zh) | 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 | |
CN113156321B (zh) | 一种锂离子电池荷电状态soc的估算方法 | |
CN111679199B (zh) | 一种锂离子电池soc估计方法及装置 | |
CN111781503B (zh) | 一种锂离子储能电池soc在线估算方法 | |
CN110376536B (zh) | 电池系统soh检测方法、装置、计算机设备和存储介质 | |
CN106896325B (zh) | 一种电池参数在线辨识方法及系统 | |
Ren et al. | Novel co‐estimation strategy based on forgetting factor dual particle filter algorithm for the state of charge and state of health of the lithium‐ion battery | |
CN110412472B (zh) | 一种基于正态伽马滤波的电池荷电状态估计方法 | |
Zhou et al. | Research on online capacity estimation of power battery based on EKF-GPR model | |
CN114487846A (zh) | 电池电化学阻抗谱在线估计方法及装置 | |
CN110068771B (zh) | 基于输出响应重构的高精度电池模型参数辨识方法及系统 | |
CN115128481B (zh) | 基于神经网络及阻抗辩识校正的电池状态估计方法、系统 | |
CN112009252A (zh) | 一种动力电池系统故障诊断及容错控制方法 | |
CN109298340B (zh) | 一种基于可变时间尺度的电池容量在线估计方法 | |
CN113447826B (zh) | 一种基于稳态等效电路模型的soc确定方法及装置 | |
CN117007969A (zh) | 可重构电池系统中单个模组soc确定方法、系统及设备 | |
CN116047304A (zh) | 一种储能电池的荷电状态与健康状态的联合估计方法 | |
CN113447821B (zh) | 评估电池荷电状态的方法 | |
CN115616434A (zh) | 一种基于退化模型校准的锂电池soc和soh实时估算方法 |
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 | ||
CB03 | Change of inventor or designer information | ||
CB03 | Change of inventor or designer information |
Inventor after: Li Rui Inventor after: Peng Cheng Inventor before: Peng Cheng Inventor before: Li Rui |
|
GR01 | Patent grant | ||
GR01 | Patent grant |