CN115389936A - 一种数模混合驱动的锂电池持续峰值功率能力的在线预测方法 - Google Patents
一种数模混合驱动的锂电池持续峰值功率能力的在线预测方法 Download PDFInfo
- Publication number
- CN115389936A CN115389936A CN202211019990.4A CN202211019990A CN115389936A CN 115389936 A CN115389936 A CN 115389936A CN 202211019990 A CN202211019990 A CN 202211019990A CN 115389936 A CN115389936 A CN 115389936A
- Authority
- CN
- China
- Prior art keywords
- lithium battery
- peak power
- soc
- time
- state
- 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
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]
- G01R31/3644—Constructional arrangements
- G01R31/3648—Constructional arrangements comprising digital calculation means, e.g. for performing an algorithm
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R21/00—Arrangements for measuring electric power or power factor
- G01R21/06—Arrangements for measuring electric power or power factor by measuring current and voltage
-
- 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]
- G01R31/378—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] specially adapted for the type of battery or accumulator
-
- 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]
- G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Power Engineering (AREA)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
本发明提供一种数模混合驱动的锂电池持续峰值功率能力的在线预测方法,包括获取动态工况下锂电池的实时测量数据;确定锂电池的一阶等效电路模型并离散化处理,且在离散化的一阶等效电路模型采用递推最小二乘法进行参数辨识时加入噪声协方差因子,并将加入噪声协方差因子辨识所得参数与所述实时测量数据用于卡尔曼滤波算法中估算SOC值;根据估算的SOC值,在SOC与充放电峰值功率的拟合曲线上,确定锂电池持续峰值功率。实施本发明,加入噪声协方差因子对电池SOC值进行预测,能较精确的预测锂电池峰值功率,提高了预测精度和鲁棒性。
Description
技术领域
本发明涉及锂电池技术领域,尤其涉及一种数模混合驱动的锂电池持续峰值功率能力的在线预测方法。
背景技术
以纯电动汽车和燃料电池汽车、插电式混合动力汽车为代表的新能源汽车已成为能源网络中用能、储能和回馈能源的终端,也成为我国乃至经济新体系中的重要组成部分。动力电池系统是新能源汽车的技术瓶颈。其中,动力电池管理技术是保障整车高效、安全和长寿命运行的关键,也是各国竞相占领的技术制高点。
锂电池是一个十分复杂的非线性时变系统,其具有多个实时变化的状态量。鉴于锂电池的工作特性会受到工作温度、湿度、老化状态、振动等诸多因素的影响,因此需要配备动力电池管理系统(BMS)以便反馈和控制电池的实时状态,确保动力电池的安全性和高效性。BMS需要基于实时采集的动力电池数据,运用既定的算法和策略进行电池的状态估计,从而获得每一时刻的电池状态信息,具体包括电池的SOC、SOH、SOP以及能量状态等,为动力电池的实时状态分析提供支撑。其中,电池SOC是电池当前剩余容量与最大可用容量的比值;SOP是在预定的时间间隔内,电池所能持续释放或吸收的最大功率。
受电池内部电化学动力学和热力学的影响,锂电池的实时峰值功率受其电压、电流、温度、可用容量以及SOC的制约。由于锂电池多参数之间存在耦合关系,不准确的SOC难以获得精确的参数,使得锂电池准确的峰值功率能力估计受限于难以获得准确的SOC。
为了解决上述问题,现有技术中已提出一种锂电池峰值功率能力与SOC的联合估计方法,该方法基于大量的离线数据,建立并训练动力电池电流、电流、温度等数据与电池SOC的直接映射关系模型,但是电池在实际测试的过程中会受到噪声的影响,造成无法满足传统卡尔曼滤波的假设条件,使得所预测的SOC值有偏差,最终导致锂电池峰值功率预测精度较低。
因此,有必要对现有的锂电池峰值功率能力与SOC的联合估计方法进行改进,在电池SOC值预测时考虑噪声带来的影响,以便较精确的预测锂电池峰值功率。
发明内容
本发明实施例所要解决的技术问题在于,提供一种数模混合驱动的锂电池持续峰值功率能力的在线预测方法,加入噪声协方差因子对电池SOC值进行预测,以便较精确的预测锂电池峰值功率,提高了预测精度和鲁棒性。
为了解决上述技术问题,本发明实施例提供了一种数模混合驱动的锂电池持续峰值功率能力的在线预测方法,所述方法包括以下步骤:
获取动态工况下锂电池的实时测量数据,所述实时测量数据包括电压、电流、温度、容量和充放电时间;
确定锂电池的一阶等效电路模型并离散化处理,且在离散化的一阶等效电路模型采用递推最小二乘法进行参数辨识时加入噪声协方差因子,并将加入噪声协方差因子辨识所得参数与所述实时测量数据用于卡尔曼滤波算法中估算SOC值;
根据估算的SOC值,在预设的SOC与充放电峰值功率的拟合曲线上,确定锂电池持续峰值功率。
其中,所述确定锂电池的一阶等效电路模型并离散化处理,且在离散化的一阶等效电路模型采用递推最小二乘法进行参数辨识时加入噪声协方差因子,并将加入噪声协方差因子辨识所得参数与所述实时测量数据用于卡尔曼滤波算法中估算SOC值的具体步骤包括:
第一步、根据基尔霍夫电压电流定律以及电容电压变化与其电流的关系,确定锂电池的一阶等效电路模型的状态空间方程可表示为:
其中,UD为极化电压;Ut为输出电压;iL为输出电流;UOC为开路电压;RD为极化内阻;CD为极化电容;Ri为表示电池电极材料、电解液、隔膜电阻及各部分零件的接触电阻;
第二步、对一阶等效电路模型进行离散化处理,具体为:
设置一阶RC电路模型的传递函数为
令EL(s)=Ut(s)-UOC(s),则有
采用式(4)的双线性变换法将基于s平面的方程(3)映射到Z平面,得到式(5):
其中,Δt为采样间隔时间;
Ut,k=(1-a1)UOC,k+a1Ut,k-1+a2iL,k+a3iL,k-1 (6);
定义系统的数据矩阵为Φ1,k=[1 Ut,k-1 iL,k iL,k-1],以及定义系统的参数矩阵为θ1,k=[(1-a1)UOC,k a1 a2 a3]T,则式(6)可以简化为式(7):
yk=Φ1,kθ1,k (7);
第三步、在式(7)中加入噪声协方差因子,得到式(8),并确定式(9)的递推公式;
yk=Φkθk+eLs,k (8);
其中,eLs,k为噪声协方差因子,其为平稳零均值白噪声;;yk为系统的输出变量;Φk为系统的数据变量;θk为系统的参数变量;μ为遗忘因子,该值为1时为传统的递推最小二乘法;KLs,k为算法的增益;PLs,k为状态估计误差协方差矩阵;
第四步、基于卡尔曼滤波算法,估算SOC值:
(1)算法初始化:
建立状态方程如式(10)所示及建立观测方程如式(11)所示;
设置初始值:SOC0,p0,Q,R;其中,SOC0为SOCk的初始状态值;p0为状态估计误差协方差矩阵的初始值;Q为系统噪声协方差矩阵,其为常数;R为测量噪声协方差矩阵,其为常数;
对于k=1,2,…,完成时间更新操作,将状态和协方差估计从前一时刻(k-1)推算到当前时刻(k);
其中,卡尔曼滤波算法EKF的时间更新方程表示如下:
卡尔曼滤波算法EKF的测量更新方程表示如下:
(5)输出卡尔曼滤波算法最终估算的SOC值。
其中,所述方法进一步包括:
预先定义出SOC与充放电峰值功率的拟合曲线;其中,所述SOC与充放电峰值功率的拟合曲线是在锂电池采用恒流放电的SOC调整到20%~100%,并采用恒定功率持续充放电的状态下拟合出来的。
其中,所述动态工况为模拟实际电动汽车行驶工况中的电流激励而开展的测试工况,包括充电和放电。
本发明实施例还提供了一种锂电池持续峰值功率能力在线预测系统,包括:
实测数据获取单元,用于获取动态工况下锂电池的实时测量数据,所述实时测量数据包括电压、电流、温度、容量和充放电时间;
SOC值估算单元,用于确定锂电池的一阶等效电路模型并离散化处理,且在离散化的一阶等效电路模型采用递推最小二乘法进行参数辨识时加入噪声协方差因子,并将加入噪声协方差因子辨识所得参数与所述实时测量数据用于卡尔曼滤波算法中估算SOC值;
持续峰值功率获取单元,用于根据估算的SOC值,在预设的SOC与充放电峰值功率的拟合曲线上,确定锂电池持续峰值功率。
其中,还包括:预设单元;其中,
所述预设单元,用于预先定义出SOC与充放电峰值功率的拟合曲线;其中,所述SOC与充放电峰值功率的拟合曲线是在锂电池采用恒流放电的SOC调整到20%~100%,并采用恒定功率持续充放电的状态下拟合出来的。
其中,所述动态工况为模拟实际电动汽车行驶工况中的电流激励而开展的测试工况,包括充电和放电。
实施本发明实施例,具有如下有益效果:
本发明在使用递推最小二乘法-无迹卡尔曼滤波算法对SOC估算时加入噪声协方差因子,以便较精确的预测锂电池峰值功率,提高了预测精度和鲁棒性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,根据这些附图获得其他的附图仍属于本发明的范畴。
图1为本发明实施例提供的一种数模混合驱动的锂电池持续峰值功率能力的在线预测方法的流程图;
图2为本发明实施例提供的一种数模混合驱动的锂电池持续峰值功率能力的在线预测方法中锂电池的一阶等效电路模型图;
图3为本发明实施例提供的一种数模混合驱动的锂电池持续峰值功率能力的在线预测方法中递推最小二乘法用于卡尔曼滤波算法中估算SOC值的预测结果图;
图4为本发明实施例提供的一种数模混合驱动的锂电池持续峰值功率能力的在线预测方法的应用场景中锂电池在25℃环境下充放电实验时的电压数据图;其中,(a)为充电实验时的电压数据图;(b)为放电实验时的电压数据图;
图5为本发明实施例提供的一种数模混合驱动的锂电池持续峰值功率能力的在线预测方法的应用场景中锂电池的电压和SOC的预测误差结果图;
图6为本发明实施例提供的一种锂电池持续峰值功率能力在线预测结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述。
如图1所示,为本发明实施例中,提供的一种数模混合驱动的锂电池持续峰值功率能力的在线预测方法,所述方法包括以下步骤:
步骤S1、获取动态工况下锂电池的实时测量数据,所述实时测量数据包括电压、电流、温度、容量和充放电时间;
步骤S2、确定锂电池的一阶等效电路模型并离散化处理,且在离散化的一阶等效电路模型采用递推最小二乘法进行参数辨识时加入噪声协方差因子,并将加入噪声协方差因子辨识所得参数与所述实时测量数据用于卡尔曼滤波算法中估算SOC值;
步骤S3、根据估算的SOC值,在预设的SOC与充放电峰值功率的拟合曲线上,确定锂电池持续峰值功率。
具体过程为,在步骤S1之前,预先定义出SOC与充放电峰值功率的拟合曲线;其中,该SOC与充放电峰值功率的拟合曲线是在锂电池采用恒流放电的SOC调整到20%~100%,并采用恒定功率持续充放电的状态下拟合出来的。
在步骤S1中,获取动态工况下动力电池的实时测量数据,所述实时测量数据包括电压、电流、温度、容量和充放电时间。其中,该动态工况为模拟实际电动汽车行驶工况中的电流激励而开展的测试工况,包括充电和放电。
在步骤S2中,构建锂电池的一阶等效电路模型,如图2所示。该等效电路模型使用传统的电阻、电容、恒压源等电路元件组成电路网络来描述电池的特性,且该等效电路模型使用电压源表示电池的平衡电势,使用RC网络描述电池的动力学特性。因此,该等效电路模型对电池的各种工作状态有较好的适用性,可以推导出模型的状态方程,便于分析和应用。
第一步、根据基尔霍夫电压电流定律以及电容电压变化与其电流的关系,确定锂电池的一阶等效电路模型的状态空间方程可表示为:
其中,UD为极化电压;Ut为输出电压;iL为输出电流;UOC为开路电压;RD为极化内阻;CD为极化电容;Ri为表示电池电极材料、电解液、隔膜电阻及各部分零件的接触电阻;
第二步、对一阶等效电路模型进行离散化处理,具体为:
设置一阶RC电路模型的传递函数为
令EL(s)=Ut(s)-UOC(s),则有
采用式(4)的双线性变换法将基于s平面的方程(3)映射到Z平面,得到式(5):
其中,Δt为采样间隔时间;
Ut,k=(1-a1)UOC,k+a1Ut,k-1+a2iL,k+a3iL,k-1 (6);
定义系统的数据矩阵为Φ1,k=[1 Ut,k-1 iL,k iL,k-1],以及定义系统的参数矩阵为θ1,k=[(1-a1)UOC,k a1 a2 a3]T,则式(6)可以简化为式(7):
yk=Φ1,kθ1,k (7);
第三步、在式(7)中加入噪声协方差因子,得到式(8),并确定式(9)的递推公式;
yk=Φkθk+eLs,k (8);
其中,eLs,k为噪声协方差因子,其为平稳零均值白噪声;;yk为系统的输出变量;Φk为系统的数据变量;θk为系统的参数变量;μ为遗忘因子,该值为1时为传统的递推最小二乘法;KLs,k为算法的增益;PLs,k为状态估计误差协方差矩阵;
第四步、基于卡尔曼滤波算法,估算SOC值:
(1)算法初始化:
建立状态方程如式(10)所示及建立观测方程如式(11)所示;
设置初始值:SOC0,p0,Q,R;其中,SOC0为SOCk的初始状态值;p0为状态估计误差协方差矩阵的初始值;Q为系统噪声协方差矩阵,其为常数;R为测量噪声协方差矩阵,其为常数;
对于k=1,2,…,完成时间更新操作,将状态和协方差估计从前一时刻(k-1)推算到当前时刻(k);
其中,卡尔曼滤波算法EKF的时间更新方程表示如下:
卡尔曼滤波算法EKF的测量更新方程表示如下:
(4)完成k时刻的状态估计,将算法从当前时刻(k))推移至下一时刻(k+1),准备时刻(k+1)的状态估计,且令并重复上述步骤(2)和(3),同时将卡尔曼滤波算法运行后的观测方程结果Uoc返回递推最小二乘法中进行下一阶段的参数辨识,直至参数辨识结束为止,如图3所示;
(5)输出卡尔曼滤波算法最终估算的SOC值。
在步骤S3中,根据估算的SOC值,在预设的SOC与充放电峰值功率的拟合曲线上,查找出相应的锂电池持续峰值功率。
以松下18650磷酸铁锂电池为研究对象。该电池额定容量为2700mAh,电池工作额定电压为3.7V,最小截止电压为2.5V,最大截止电压为4.2V,正常工作温度为-20~20℃。本次电池放置在25℃环境下,进行电池充放电实验,采集电池电压数据,如图4所示,预测误差结果如图5所示。
通过锂电池SOC预测值获得锂电池持续峰值功率能力的预测方法,不仅能得到较为可靠的电池SOC和SOP的联合估计,也实现了电池电路模型参数的在线辨识,得到了稳定的电池SOC和SOP联合估计结果。
如图6所示,为本发明实施例中,提供的一种锂电池持续峰值功率能力在线预测系统,包括:
实测数据获取单元110,用于获取动态工况下锂电池的实时测量数据,所述实时测量数据包括电压、电流、温度、容量和充放电时间;
SOC值估算单元120,用于确定锂电池的一阶等效电路模型并离散化处理,且在离散化的一阶等效电路模型采用递推最小二乘法进行参数辨识时加入噪声协方差因子,并将加入噪声协方差因子辨识所得参数与所述实时测量数据用于卡尔曼滤波算法中估算SOC值;
持续峰值功率获取单元130,用于根据估算的SOC值,在预设的SOC与充放电峰值功率的拟合曲线上,确定锂电池持续峰值功率。
其中,还包括:预设单元;其中,
所述预设单元,用于预先定义出SOC与充放电峰值功率的拟合曲线;其中,所述SOC与充放电峰值功率的拟合曲线是在锂电池采用恒流放电的SOC调整到20%~100%,并采用恒定功率持续充放电的状态下拟合出来的。
其中,所述动态工况为模拟实际电动汽车行驶工况中的电流激励而开展的测试工况,包括充电和放电。
实施本发明实施例,具有如下有益效果:
本发明在使用递推最小二乘法-无迹卡尔曼滤波算法对SOC估算时加入噪声协方差因子,以便较精确的预测锂电池峰值功率,提高了预测精度和鲁棒性。
值得注意的是,上述系统实施例中,所包括的各个单元只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,所述的程序可以存储于一计算机可读取存储介质中,所述的存储介质,如ROM/RAM、磁盘、光盘等。
以上所揭露的仅为本发明较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (7)
1.一种数模混合驱动的锂电池持续峰值功率能力的在线预测方法,其特征在于,所述方法包括以下步骤:
获取动态工况下锂电池的实时测量数据,所述实时测量数据包括电压、电流、温度、容量和充放电时间;
确定锂电池的一阶等效电路模型并离散化处理,且在离散化的一阶等效电路模型采用递推最小二乘法进行参数辨识时加入噪声协方差因子,并将加入噪声协方差因子辨识所得参数与所述实时测量数据用于卡尔曼滤波算法中估算SOC值;
根据估算的SOC值,在预设的SOC与充放电峰值功率的拟合曲线上,确定锂电池持续峰值功率。
2.如权利要求1所述的锂电池持续峰值功率能力在线预测方法,其特征在于,所述确定锂电池的一阶等效电路模型并离散化处理,且在离散化的一阶等效电路模型采用递推最小二乘法进行参数辨识时加入噪声协方差因子,并将加入噪声协方差因子辨识所得参数与所述实时测量数据用于卡尔曼滤波算法中估算SOC值的具体步骤包括:
第一步、根据基尔霍夫电压电流定律以及电容电压变化与其电流的关系,确定锂电池的一阶等效电路模型的状态空间方程可表示为:
其中,UD为极化电压;Ut为输出电压;iL为输出电流;UOC为开路电压;RD为极化内阻;CD为极化电容;Ri为表示电池电极材料、电解液、隔膜电阻及各部分零件的接触电阻;
第二步、对一阶等效电路模型进行离散化处理,具体为:
设置一阶RC电路模型的传递函数为
令EL(s)=Ut(s)-UOC(s),则有
采用式(4)的双线性变换法将基于s平面的方程(3)映射到Z平面,得到式(5):
其中,Δt为采样间隔时间;
Ut,k=(1-a1)UOC,k+a1Ut,k-1+a2iL,k+a3iL,k-1 (6);
定义系统的数据矩阵为Φ1,k=[1 Ut,k-1 iL,k iL,k-1],以及定义系统的参数矩阵为θ1,k=[(1-a1)UOC,k a1 a2 a3]T,则式(6)可以简化为式(7):
yk=Φ1,kθ1,k (7);
第三步、在式(7)中加入噪声协方差因子,得到式(8),并确定式(9)的递推公式;
yk=Φkθk+eLs,k (8);
其中,eLs,k为噪声协方差因子,其为平稳零均值白噪声;;yk为系统的输出变量;Φk为系统的数据变量;θk为系统的参数变量;μ为遗忘因子,该值为1时为传统的递推最小二乘法;KLs,k为算法的增益;PLs,k为状态估计误差协方差矩阵;
第四步、基于卡尔曼滤波算法,估算SOC值:
(1)算法初始化:
建立状态方程如式(10)所示及建立观测方程如式(11)所示;
设置初始值:SOC0,p0,Q,R;其中,SOC0为SOCk的初始状态值;p0为状态估计误差协方差矩阵的初始值;Q为系统噪声协方差矩阵,其为常数;R为测量噪声协方差矩阵,其为常数;
对于k=1,2,…,完成时间更新操作,将状态和协方差估计从前一时刻(k-1)推算到当前时刻(k);
其中,卡尔曼滤波算法EKF的时间更新方程表示如下::
卡尔曼滤波算法EKF的测量更新方程表示如下:
(5)输出卡尔曼滤波算法最终估算的SOC值。
3.如权利要求1所述的锂电池持续峰值功率能力在线预测方法,其特征在于,所述方法进一步包括:
预先定义出SOC与充放电峰值功率的拟合曲线;其中,所述SOC与充放电峰值功率的拟合曲线是在锂电池采用恒流放电的SOC调整到20%~100%,并采用恒定功率持续充放电的状态下拟合出来的。
4.如权利要求1所述的锂电池持续峰值功率能力在线预测方法,其特征在于,所述动态工况为模拟实际电动汽车行驶工况中的电流激励而开展的测试工况,包括充电和放电。
5.一种锂电池持续峰值功率能力在线预测系统,其特征在于,包括:
实测数据获取单元,用于获取动态工况下锂电池的实时测量数据,所述实时测量数据包括电压、电流、温度、容量和充放电时间;
SOC值估算单元,用于确定锂电池的一阶等效电路模型并离散化处理,且在离散化的一阶等效电路模型采用递推最小二乘法进行参数辨识时加入噪声协方差因子,并将加入噪声协方差因子辨识所得参数与所述实时测量数据用于卡尔曼滤波算法中估算SOC值;
持续峰值功率获取单元,用于根据估算的SOC值,在预设的SOC与充放电峰值功率的拟合曲线上,确定锂电池持续峰值功率。
6.如权利要求5所述的锂电池持续峰值功率能力在线预测系统,其特征在于,还包括:预设单元;其中,
所述预设单元,用于预先定义出SOC与充放电峰值功率的拟合曲线;其中,所述SOC与充放电峰值功率的拟合曲线是在锂电池采用恒流放电的SOC调整到20%~100%,并采用恒定功率持续充放电的状态下拟合出来的。
7.如权利要求5所述的锂电池持续峰值功率能力在线预测系统,其特征在于,所述动态工况为模拟实际电动汽车行驶工况中的电流激励而开展的测试工况,包括充电和放电。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211019990.4A CN115389936A (zh) | 2022-08-24 | 2022-08-24 | 一种数模混合驱动的锂电池持续峰值功率能力的在线预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211019990.4A CN115389936A (zh) | 2022-08-24 | 2022-08-24 | 一种数模混合驱动的锂电池持续峰值功率能力的在线预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115389936A true CN115389936A (zh) | 2022-11-25 |
Family
ID=84122725
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211019990.4A Pending CN115389936A (zh) | 2022-08-24 | 2022-08-24 | 一种数模混合驱动的锂电池持续峰值功率能力的在线预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115389936A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116794519A (zh) * | 2023-08-28 | 2023-09-22 | 南昌航空大学 | 基于离线和在线估算融合算法的soh数据预测方法 |
CN117113807A (zh) * | 2023-07-18 | 2023-11-24 | 广州港科大技术有限公司 | 一种基于elm与rls的锂电池soh在线预测模型的建模方法 |
CN117420447A (zh) * | 2023-12-18 | 2024-01-19 | 四川华泰电气股份有限公司 | 考虑噪声偏差补偿的锂电池soc估算方法、系统和电子装置 |
CN117706403A (zh) * | 2023-12-16 | 2024-03-15 | 北京绿能环宇低碳科技有限公司 | 一种新能源锂电池智能化快速拆解方法及系统 |
-
2022
- 2022-08-24 CN CN202211019990.4A patent/CN115389936A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117113807A (zh) * | 2023-07-18 | 2023-11-24 | 广州港科大技术有限公司 | 一种基于elm与rls的锂电池soh在线预测模型的建模方法 |
CN117113807B (zh) * | 2023-07-18 | 2024-04-05 | 广州港科大技术有限公司 | 一种基于elm与rls的锂电池soh在线预测模型的建模方法 |
CN116794519A (zh) * | 2023-08-28 | 2023-09-22 | 南昌航空大学 | 基于离线和在线估算融合算法的soh数据预测方法 |
CN116794519B (zh) * | 2023-08-28 | 2023-11-21 | 南昌航空大学 | 基于离线和在线估算融合算法的soh数据预测方法 |
CN117706403A (zh) * | 2023-12-16 | 2024-03-15 | 北京绿能环宇低碳科技有限公司 | 一种新能源锂电池智能化快速拆解方法及系统 |
CN117706403B (zh) * | 2023-12-16 | 2024-05-24 | 北京绿能环宇低碳科技有限公司 | 一种新能源锂电池智能化快速拆解方法及系统 |
CN117420447A (zh) * | 2023-12-18 | 2024-01-19 | 四川华泰电气股份有限公司 | 考虑噪声偏差补偿的锂电池soc估算方法、系统和电子装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108919137B (zh) | 一种考虑不同电池状态的电池老化状态估计方法 | |
CN107402353B (zh) | 一种对锂离子电池的荷电状态进行滤波估计的方法及系统 | |
CN115389936A (zh) | 一种数模混合驱动的锂电池持续峰值功率能力的在线预测方法 | |
CN107576919A (zh) | 基于armax模型的动力电池荷电状态估算系统及方法 | |
CN111537894A (zh) | 一种用于估计锂电池soc和sop的方法 | |
CN109143097B (zh) | 一种计及温度和循环次数的锂离子电池soc估计方法 | |
CN108732508B (zh) | 一种锂离子电池容量的实时估计方法 | |
CN110554321B (zh) | 一种实时检测退役动力电池soc的方法 | |
Zhang et al. | A battery State of Charge estimation method with extended Kalman filter | |
CN104122447A (zh) | 一种电动汽车动力电池组直流阻抗的在线估算方法 | |
Juang et al. | Implementation of online battery state-of-power and state-of-function estimation in electric vehicle applications | |
CN111856282B (zh) | 基于改进遗传无迹卡尔曼滤波的车载锂电池状态估计方法 | |
CN102621497A (zh) | 蓄电池剩余电量监测方法及监测装置 | |
CN108445422B (zh) | 基于极化电压恢复特性的电池荷电状态估算方法 | |
CN112098849B (zh) | 基于求积分卡尔曼滤波的锂电池剩余电量估计方法 | |
CN110596606A (zh) | 一种锂电池剩余电量估计方法、系统及装置 | |
CN110703114A (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 | |
CN105223512A (zh) | 基于电池特性的动态矫正剩余电量的方法 | |
Li et al. | An equivalent circuit model for state of energy estimation of lithium-ion battery | |
Li et al. | A nonlinear adaptive observer approach for state of charge estimation of lithium-ion batteries | |
Mu et al. | Modeling, evaluation, and state estimation for batteries | |
Dai et al. | An improved SOC estimator using time-varying discrete sliding mode observer | |
CN112580289A (zh) | 一种混合电容器功率状态在线估计方法及系统 | |
Biswas et al. | Simultaneous state and parameter estimation of li-ion battery with one state hysteresis model using augmented unscented kalman filter | |
CN114966411A (zh) | 一种基于电池充电片段数据快速进行电池容量估算的方法 |
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 |