CN115421044A - 锂离子电池状态确定方法、装置、电子设备及存储介质 - Google Patents
锂离子电池状态确定方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115421044A CN115421044A CN202211060011.XA CN202211060011A CN115421044A CN 115421044 A CN115421044 A CN 115421044A CN 202211060011 A CN202211060011 A CN 202211060011A CN 115421044 A CN115421044 A CN 115421044A
- Authority
- CN
- China
- Prior art keywords
- internal resistance
- lithium ion
- equation
- ion battery
- 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]
- G01R31/367—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]
- G01R31/385—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]
- G01R31/389—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
-
- 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
本发明涉及锂离子电池领域,具体涉及一种锂离子电池状态确定方法、装置、电子设备及存储介质。该方法包括:获取锂离子电池对应的电流数据以及电压数据;基于电流数据以及电压数据与锂离子电池对应的Thevenin模型之间的关系,计算Thevenin模型中的初始欧姆内阻、极化内阻和极化电容;根据初始欧姆内阻、极化内阻以及极化电容与锂离子电池对应的SOC的关系,构建SOC对应的第一状态方程和第一观测方程;基于初始欧姆内阻、极化内阻、极化电容与电流数据以及电压数据之间的关系,对第一状态方程和第一观测方程进行更新,基于更新后的第一状态方程确定锂离子电池对应的SOC,以确定锂离子电池的状态。该方法可以保证了确定的锂离子电池状态的准确性。
Description
技术领域
本发明涉及锂离子电池领域,具体涉及一种锂离子电池状态确定方法、装置、电子设备及存储介质。
背景技术
锂离子电池具有能量密度高、循环寿命长、无记忆效应等优点,已广泛应用于混合动力汽车、储能电站等场景。锂离子电池的安全性与其可用容量和寿命密切相关。从目前的技术情况来看,锂离子电池应用的技术还不够多,还有很多问题有待解决。电池泄漏、电池爆炸、电池起火等不安全事故时有发生。因此,锂离子电池的高效使用和维护技术已成为研究热点。提高锂离子电池的可靠性、安全性和使用寿命也成为亟待解决的问题。为了确保动力锂离子电池的安全、高效、稳定运行,有效的电池管理至关重要。锂离子电池的超级电容荷电状态(super capacitor state of charge,SOC)是关系到电池管理系统安全的电池状态。在实际中准确估算电池SOC锂电池使用过程中的重点和难度技术,这关系着电池的充放电效率、健康安全、使用效率与产品更迭。
现有技术中,通常采用放电实验法对锂离子电池SOC进行估算。放电实验法是将目标电池进行继续的恒流放电直到电池的截止电压,将此放电过程所用的时间乘以放电电流的大小值,即作为电池的剩余容量。
上述方法,需要对目标电池进行继续的恒流放电直到电池的截止电压,因此耗费时间较长,且对电池有一定的损坏,没有考虑电池内部状态,因此,导致估算得到的锂离子电池SOC不准确,从而导致了确定的锂离子电池对应的状态的不准确。
发明内容
有鉴于此,本发明实施例提供了一种锂离子电池状态确定方法,旨在解决确定的锂离子电池对应的状态的不准确的问题。
根据第一方面,本发明实施例提供了一种锂离子电池状态确定方法,包括:
获取锂离子电池对应的电流数据以及电压数据;
基于电流数据以及电压数据与锂离子电池对应的Thevenin模型之间的关系,计算Thevenin模型中的初始欧姆内阻、极化内阻和极化电容;
根据初始欧姆内阻、极化内阻以及极化电容与锂离子电池对应的SOC的关系,构建SOC对应的第一状态方程和第一观测方程;
基于初始欧姆内阻、极化内阻、极化电容与电流数据以及电压数据之间的关系,对第一状态方程和第一观测方程进行更新,基于更新后的第一状态方程确定锂离子电池对应的SOC,以确定锂离子电池的状态。
本申请实施例提供的锂离子电池状态确定方法,获取锂离子电池对应的电流数据以及电压数据,基于电流数据以及电压数据与锂离子电池对应的Thevenin模型之间的关系,计算Thevenin模型中的初始欧姆内阻、极化内阻和极化电容,保证了计算得到的初始欧姆内阻、极化内阻和极化电容的准确性。然后,根据初始欧姆内阻、极化内阻以及极化电容与锂离子电池对应的SOC的关系,构建SOC对应的第一状态方程和第一观测方程,保证了构建得到的SOC对应的第一状态方程和第一观测方程的准确性。电子设备基于初始欧姆内阻、极化内阻、极化电容与电流数据以及电压数据之间的关系,对第一状态方程和第一观测方程进行更新,基于更新后的第一状态方程确定锂离子电池对应的SOC,保证了确定的锂离子电池对应的SOC的准确性,从而保证了确定的锂离子电池的状态的准确性。上述方法,在确定锂离子电池对应的SOC时,考虑了锂离子电池对应的初始欧姆内阻、极化内阻和极化电容,保证了确定的锂离子电池对应的SOC的准确性,从而保证了确定的锂离子电池状态的准确性。
结合第一方面,在第一方面第一实施方式中,上述方法还包括:
根据初始欧姆内阻与极化内阻以及极化电容之间的关系,构建初始欧姆内阻对应的第二状态方程和第二观测方程;
基于初始欧姆内阻与极化内阻、极化电容、电流数据以及电压数据之间的关系,对第二状态方程和第二观测方程进行更新,根据更新后的第二状态方程,对初始欧姆内阻进行更新,得到目标欧姆内阻;
基于目标欧姆内阻与锂离子电池对应的SOH之间的关系,确定SOH;
根据SOC和SOH,确定锂离子电池的状态。
本申请实施例提供的锂离子电池状态确定方法,根据初始欧姆内阻与极化内阻以及极化电容之间的关系,构建初始欧姆内阻对应的第二状态方程和第二观测方程,保证了构建的第二状态方程和第二观测方程的准确性。基于初始欧姆内阻与极化内阻、极化电容、电流数据以及电压数据之间的关系,对第二状态方程和第二观测方程进行更新,根据更新后的第二状态方程,对初始欧姆内阻进行更新,得到目标欧姆内阻,保证了得到的目标欧姆内阻的准确性。然后,基于目标欧姆内阻与锂离子电池对应的SOH之间的关系,确定SOH,保证了确定的SOH的准确性。根据SOC和SOH,确定锂离子电池的状态,保证了确定的锂离子电池的状态的准确性。上述方法,通过观测锂离子电子SOC和SOH的变化,分析锂离子电池的安全状态和供电状态,为运行维护提供支撑。
结合第一方面第一实施方式,在第一方面第二实施方式中,基于目标欧姆内阻与锂离子电池对应的SOH之间的关系,确定SOH,包括:
获取锂离子电池寿命终止时对应的终止欧姆内阻以及锂离子电池出厂时对应的初始欧姆内阻;
计算终止欧姆内阻与目标欧姆内阻之间的第一差值以及终止欧姆内阻与初始欧姆内阻之间的第二差值;
利用第一差值除以第二差值,确定SOH。
本申请实施例提供的锂离子电池状态确定方法,获取锂离子电池寿命终止时对应的终止欧姆内阻以及锂离子电池出厂时对应的初始欧姆内阻,然后,计算终止欧姆内阻与目标欧姆内阻之间的第一差值以及终止欧姆内阻与初始欧姆内阻之间的第二差值,保证了计算得到的第一差值和第二差值的准确性,利用第一差值除以第二差值,确定SOH,保证了确定的SOH的准确性。
结合第一方面,在第一方面第三实施方式中,基于电流数据以及电压数据与锂离子电池对应的Thevenin模型之间的关系,计算Thevenin模型中的初始欧姆内阻、极化内阻和极化电容,包括:
基于等效电路原理,构建锂离子电池对应的Thevenin模型;
基于电流数据以及电压数据与Thevenin模型之间的关系,利用遗忘因子偏差补偿递推最小二乘法,计算初始欧姆内阻、极化内阻和极化电容。
本申请实施例提供的锂离子电池状态确定方法,基于等效电路原理,构建锂离子电池对应的Thevenin模型,保证了构建的Thevenin模型的准确性。然后,基于电流数据以及电压数据与Thevenin模型之间的关系,利用遗忘因子偏差补偿递推最小二乘法,计算初始欧姆内阻、极化内阻和极化电容,保证了计算得到的初始欧姆内阻、极化内阻和极化电容的准确性。
结合第一方面第三实施方式,在第一方面第四实施方式中,基于电流数据以及电压数据与Thevenin模型之间的关系,利用遗忘因子偏差补偿递推最小二乘法,计算初始欧姆内阻、极化内阻和极化电容,包括:
对Thevenin模型中的电池端电压表达式进行拉普拉斯变换和Z变化,得到电池端电压表达式对应的离散系统的传递函数;
对传递函数进行双线性变换,得到传递函数对应的简化的差分方程;
将差分方程以向量离散表示为最小二乘形式,得到目标函数;
基于递推最小二乘原理以及Thevenin模型中各个参数之间的关系,计算目标函数中对应的系数的表达式;
根据初始欧姆内阻、极化内阻和极化电容与目标函数中对应的系数之间的关系,分别确定初始欧姆内阻、极化内阻和极化电容对应的表达式;
在目标函数中引入遗忘因子和估计结果的偏差补偿项,利用遗忘因子偏差补偿递推最小二乘方法,对初始欧姆内阻、极化内阻和极化电容对应的表达式进行求解,确定初始欧姆内阻、极化内阻和极化电容。
本申请实施例提供的锂离子电池状态确定方法,对Thevenin模型中的电池端电压表达式进行拉普拉斯变换和Z变化,得到电池端电压表达式对应的离散系统的传递函数,保证了得到的传递函数的准确性。对传递函数进行双线性变换,得到传递函数对应的简化的差分方程,保证了得到的差分方程的准确性。将差分方程以向量离散表示为最小二乘形式,得到目标函数,保证了得到的目标函数的准确性。基于递推最小二乘原理以及Thevenin模型中各个参数之间的关系,计算目标函数中对应的系数的表达式,保证了计算得到的目标函数中对应的系数的表达式的准确性。然后,根据初始欧姆内阻、极化内阻和极化电容与目标函数中对应的系数之间的关系,分别确定初始欧姆内阻、极化内阻和极化电容对应的表达式,保证了确定的初始欧姆内阻、极化内阻和极化电容对应的表达式的准确性。然后,在目标函数中引入遗忘因子和估计结果的偏差补偿项,利用遗忘因子偏差补偿递推最小二乘方法,对初始欧姆内阻、极化内阻和极化电容对应的表达式进行求解,确定初始欧姆内阻、极化内阻和极化电容,保证了确定的初始欧姆内阻、极化内阻和极化电容的准确性。上述方法,引入遗忘因子偏差补偿递推最小二乘法能克服数据饱和以及系统有色噪声干扰的问题,从而使得确定的初始欧姆内阻、极化内阻和极化电容更加准确。
结合第一方面,在第一方面第五实施方式中,基于初始欧姆内阻、极化内阻、极化电容与电流数据以及电压数据之间的关系,对第一状态方程和第一观测方程进行更新,基于更新后的第一状态方程确定锂离子电池对应的SOC,包括:
基于一阶泰勒展开式对第一状态方程和第一观测方程进行转换处理,确定第一状态方程对应的第一状态系数表达式和第一观测方程对应的第一观测系数表达式;
根据第一状态系数表达式以及第一观测系数表达式,对第一状态方程以及第一观测方程进行更新,基于更新后的第一状态方程确定锂离子电池对应的SOC。
本申请实施例提供的锂离子电池状态确定方法,基于一阶泰勒展开式对第一状态方程和第一观测方程进行转换处理,确定第一状态方程对应的第一状态系数表达式和第一观测方程对应的第一观测系数表达式,保证了确定的第一状态方程对应的第一状态系数表达式和第一观测方程对应的第一观测系数表达式的准确性。然后,根据第一状态系数表达式以及第一观测系数表达式,对第一状态方程以及第一观测方程进行更新,基于更新后的第一状态方程确定锂离子电池对应的SOC,保证了确定的锂离子电池对应的SOC的准确性。
结合第一方面第五实施方式,在第一方面第六实施方式中,根据第一状态系数表达式以及第一观测系数表达式,对第一状态方程以及第一观测方程进行更新,基于更新后的第一状态方程确定锂离子电池对应的SOC,包括:
获取锂离子电池对应的第一状态方程对应的初始值,生成第一初始状态方程;
获取锂离子电池对应的第一初始协方差方程;
基于第一状态系数表达式和第一状态方程中自适应滤波器递归输入过程噪声之间的关系,对第一初始状态方程以及第一初始协方差方程进行更新,得到第一更新状态方程以及第一更新协方差方程;
基于第一更新协方差方程、自适应滤波器递归输入观测噪声以及第一观测系数表达式之间的关系,计算SOC对应的卡尔曼增益;
基于卡尔曼增益与第一观测系数表达式之间的关系,对第一更新状态方程以及第一更新协方差方程进行更新,得到第一目标状态方程以及第一目标协方差方程;
基于第一目标状态方程,确定锂离子电池对应的SOC。
本发明实施例提供的锂离子电池状态确定方法,获取锂离子电池对应的第一状态方程对应的初始值,生成第一初始状态方程,保证了生成的第一初始状态方程的准确。获取锂离子电池对应的第一初始协方差方程,然后,基于第一状态系数表达式和第一状态方程中自适应滤波器递归输入过程噪声之间的关系,对第一初始状态方程以及第一初始协方差方程进行更新,得到第一更新状态方程以及第一更新协方差方程,保证了得到的第一更新状态方程以及第一更新协方差方程的准确性。然后,基于第一更新协方差方程、自适应滤波器递归输入观测噪声以及第一观测系数表达式之间的关系,计算SOC对应的卡尔曼增益,保证了计算得到的SOC对应的卡尔曼增益的准确性。基于卡尔曼增益与第一观测系数表达式之间的关系,对第一更新状态方程以及第一更新协方差方程进行更新,得到第一目标状态方程以及第一目标协方差方程,保证了得到的第一目标状态方程以及第一目标协方差方程的准确性,基于第一目标状态方程,确定锂离子电池对应的SOC,保证了确定的锂离子电池对应的SOC的准确性。上述方法,引入了自适应滤波器可以实时在线估计输入过程噪声和观测噪声,达到对估计值进行连续修正的目的,从而实现自适应修正功能,以提高SOC计算的精准度。
根据第二方面,本发明实施例还提供了一种锂离子电池状态确定装置,包括:
获取模块,用于获取锂离子电池对应的电流数据以及电压数据;
计算模块,用于基于电流数据以及电压数据与锂离子电池对应的Thevenin模型之间的关系,计算Thevenin模型中的初始欧姆内阻、极化内阻和极化电容;
第一构建模块,用于根据初始欧姆内阻、极化内阻以及极化电容与锂离子电池对应的SOC的关系,构建SOC对应的第一状态方程和第一观测方程;
第一确定模块,用于基于初始欧姆内阻、极化内阻、极化电容与电流数据以及电压数据之间的关系,对第一状态方程和第一观测方程进行更新,基于更新后的第一状态方程确定锂离子电池对应的SOC,以确定锂离子电池的状态。
本发明实施例提供的锂离子电池状态确定装置,获取锂离子电池对应的电流数据以及电压数据,基于电流数据以及电压数据与锂离子电池对应的Thevenin模型之间的关系,计算Thevenin模型中的初始欧姆内阻、极化内阻和极化电容,保证了计算得到的初始欧姆内阻、极化内阻和极化电容的准确性。然后,根据初始欧姆内阻、极化内阻以及极化电容与锂离子电池对应的SOC的关系,构建SOC对应的第一状态方程和第一观测方程,保证了构建得到的SOC对应的第一状态方程和第一观测方程的准确性。电子设备基于初始欧姆内阻、极化内阻、极化电容与电流数据以及电压数据之间的关系,对第一状态方程和第一观测方程进行更新,基于更新后的第一状态方程确定锂离子电池对应的SOC,保证了确定的锂离子电池对应的SOC的准确性,从而保证了确定的锂离子电池的状态的准确性。上述装置,在确定锂离子电池对应的SOC时,考虑了锂离子电池对应的初始欧姆内阻、极化内阻和极化电容,保证了确定的锂离子电池对应的SOC的准确性,从而保证了确定的锂离子电池状态的准确性。
根据第三方面,本发明实施例提供了一种电子设备,包括存储器和处理器,欧姆内阻存储器和欧姆内阻处理器之间互相通信连接,欧姆内阻存储器中存储有计算机指令,欧姆内阻处理器通过执行欧姆内阻计算机指令,从而执行第一方面或者第一方面的任意一种实施方式中欧姆内阻的锂离子电池状态确定方法。
根据第四方面,本发明实施例提供了一种计算机可读存储介质,欧姆内阻计算机可读存储介质存储计算机指令,欧姆内阻计算机指令用于使欧姆内阻计算机执行第一方面或者第一方面的任意一种实施方式中欧姆内阻的锂离子电池状态确定方法。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是应用本发明实施例提供的锂离子电池状态确定方法的流程图;
图2是应用本发明另一实施例提供的BBDST工况下的电流数据和电池在该工况下对应的电压数据的示意图;
图3是应用本发明另一实施例提供的DST工况下的电流数据和电池在该工况下对应的电压数据的示意图;
图4是应用本发明另一实施例提供的锂离子电池状态确定方法的流程图;
图5是应用本发明另一实施例提供的基于遗忘因子偏差补偿递推最小二乘和双自适应扩展卡尔曼的锂离子电池SOC及SOH联合估算方法的流程图;
图6是应用本发明另一实施例提供的在BBDST和DST工况下,四种不同估算方法的SOC估算结果的示意图;
图7是应用本发明另一实施例提供的两种不同估算方法的SOH估算结果示意图;
图8是应用本发明另一实施例提供的锂离子电池状态确定方法的流程图;
图9是应用本发明另一实施例提供的在BBDST工况下,基于遗忘因子偏差补偿递推最小二乘法辨识的模型参数结果示意图;
图10是应用本发明另一实施例提供的在BBDST工况下,两种不同辨识算法对应的Thevenin模型电压仿真示意图;
图11是应用本发明另一实施例提供的锂离子电池状态确定方法的流程图;
图12是应用本发明实施例提供的锂离子电池状态确定装置的功能模块图;
图13是应用本发明实施例提供的锂离子电池状态确定装置的功能模块图;
图14是应用本发明实施例提供的电子设备的硬件结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,本申请实施例提供的锂离子电池状态确定的方法,其执行主体可以是锂离子电池状态确定的装置,该锂离子电池状态确定的装置可以通过软件、硬件或者软硬件结合的方式实现成为计算机设备的部分或者全部,其中,该计算机设备可以是服务器或者终端,其中,本申请实施例中的服务器可以为一台服务器,也可以为由多台服务器组成的服务器集群,本申请实施例中的终端可以是智能手机、个人电脑、平板电脑、可穿戴设备以及智能机器人等其他智能硬件设备。下述方法实施例中,均以执行主体是电子设备为例来进行说明。
在本申请一个实施例中,如图1所示,提供了一种锂离子电池状态确定方法,以该方法应用于电子设备为例进行说明,包括以下步骤:
S11、获取锂离子电池对应的电流数据以及电压数据。
具体地,电子设备可以以预设的采样频率采集锂离子电池在相应工况下的运行数据,对运行数据进行预处理,获得满足后续计算需求的电流数据以及电压数据。
其中,预处理所用的方法可以包括剔除异常值、填补遗漏值、平滑滤波中的一种或多种。其中,剔除异常值所用的方法包括阈值设定法、重复冗余数据删除等;填补遗漏值所用的方法包括回归、固定值填补等;平滑滤波所用方法包括最小二乘滤波、三次样条插值等。
示例性的,请参阅图2,BBDST工况下的电流数据和电池在该工况下对应的电压数据如图2所示。请参阅图3,DST工况下的电流和电池在该工况下对应的电压如图3所示。
S12、基于电流数据以及电压数据与锂离子电池对应的Thevenin模型之间的关系,计算Thevenin模型中的初始欧姆内阻、极化内阻和极化电容。
具体地,电子设备在获取到锂离子电池对应的电流数据以及电压数据之后,为了更好的计算锂离子电池对应的其他数据,电子设备可以获取锂离子电池对应的Thevenin模型,然后,根据电流数据以及电压数据与锂离子电池对应的Thevenin模型之间的关系,计算Thevenin模型中的初始欧姆内阻、极化内阻和极化电容。
关于该步骤将在下文进行详细介绍。
S13、根据初始欧姆内阻、极化内阻以及极化电容与锂离子电池对应的SOC的关系,构建SOC对应的第一状态方程和第一观测方程。
具体地,电子设备可以根据初始欧姆内阻、极化内阻以及极化电容与锂离子电池对应的SOC的关系,构建SOC对应的第一状态方程和第一观测方程。
其中,SOC对应的第一状态方程和第一观测方程可以如下公式(1)所示:
其中,x为状态变量,包括端电压及SOC,k为采样时刻,A为状态转移矩阵,B为系统控制输入矩阵,y为观测变量,Rp为极化内阻,u代表欧姆内阻两端的电压,Uoc代表开路电压,i为通过欧姆内阻的电流,w和v分别为状态误差和观测误差。
S14、基于初始欧姆内阻、极化内阻、极化电容与电流数据以及电压数据之间的关系,对第一状态方程和第一观测方程进行更新,基于更新后的第一状态方程确定锂离子电池对应的SOC,以确定锂离子电池的状态。
具体地,电子设备在构建第一状态方程和第一观测方程之后,可以基于上述Thevenin模型中的初始欧姆内阻、极化内阻和极化电容与电流数据以及电压数据之间的关系,对第一状态方程和第一观测方程进行更新,基于更新后的第一状态方程确定锂离子电池对应的SOC,以确定锂离子电池的状态。
关于该步骤将在下文进行详细介绍。
本申请实施例提供的锂离子电池状态确定方法,获取锂离子电池对应的电流数据以及电压数据,基于电流数据以及电压数据与锂离子电池对应的Thevenin模型之间的关系,计算Thevenin模型中的初始欧姆内阻、极化内阻和极化电容,保证了计算得到的初始欧姆内阻、极化内阻和极化电容的准确性。然后,根据初始欧姆内阻、极化内阻以及极化电容与锂离子电池对应的SOC的关系,构建SOC对应的第一状态方程和第一观测方程,保证了构建得到的SOC对应的第一状态方程和第一观测方程的准确性。电子设备基于初始欧姆内阻、极化内阻、极化电容与电流数据以及电压数据之间的关系,对第一状态方程和第一观测方程进行更新,基于更新后的第一状态方程确定锂离子电池对应的SOC,保证了确定的锂离子电池对应的SOC的准确性,从而保证了确定的锂离子电池的状态的准确性。上述方法,在确定锂离子电池对应的SOC时,考虑了锂离子电池对应的初始欧姆内阻、极化内阻和极化电容,保证了确定的锂离子电池对应的SOC的准确性,从而保证了确定的锂离子电池状态的准确性。
本申请一个实施例中,如图4所示,提供了一种锂离子电池状态确定方法,以该方法应用于电子设备为例进行说明,包括以下步骤:
S21、获取锂离子电池对应的电流数据以及电压数据。
关于该步骤请参见图1对S11的介绍,在此不进行赘述。
S22、基于电流数据以及电压数据与锂离子电池对应的Thevenin模型之间的关系,计算Thevenin模型中的初始欧姆内阻、极化内阻和极化电容。
关于该步骤请参见图1对S12的介绍,在此不进行赘述。
S23、根据初始欧姆内阻、极化内阻以及极化电容与锂离子电池对应的SOC的关系,构建SOC对应的第一状态方程和第一观测方程。
关于该步骤请参见图1对S13的介绍,在此不进行赘述。
S24、基于初始欧姆内阻、极化内阻、极化电容与电流数据以及电压数据之间的关系,对第一状态方程和第一观测方程进行更新,基于更新后的第一状态方程确定锂离子电池对应的SOC,以确定锂离子电池的状态。
关于该步骤请参见图1对S14的介绍,在此不进行赘述。
S25、根据初始欧姆内阻与极化内阻以及极化电容之间的关系,构建初始欧姆内阻对应的第二状态方程和第二观测方程。
具体地,电子设备可以根据初始欧姆内阻与极化内阻以及极化电容之间的关系,构建初始欧姆内阻对应的第二状态方程和第二观测方程。
其中,第二状态方程和第二观测方程可以如下公式(2)所示:
其中,Ro状态变量,包括电池欧姆内阻,r为外部噪声,k为采样时刻,y为观测变量,Rp为极化内阻,u代表欧姆内阻两端的电压,Uoc代表开路电压,i为通过欧姆内阻的电流,v为观测误差。
S26、基于初始欧姆内阻与极化内阻、极化电容、电流数据以及电压数据之间的关系,对第二状态方程和第二观测方程进行更新,根据更新后的第二状态方程,对初始欧姆内阻进行更新,得到目标欧姆内阻。
具体地,电子设备可以基于扩展卡尔曼公式,确定第二状态方程对应的第二状态系数表达式和欧姆内阻第二观测方程对应的第二观测系数表达式。
其中,第二状态系数表达式和第二观测系数表达式可以是如下公式(3)所示:
其中,A为状态转移矩阵,C为观测矩阵,uoc代表开路电压,i代表经过欧姆内阻的电流。
在确定了第二状态系数表达式以及第二观测系数表达式之后,电子设备可以获取欧姆内阻欧姆内阻对应的第二状态方程对应的初始值,生成第二初始状态方程,并获取锂离子电池对应的第二初始协方差方程。
然后,电子设备基于欧姆内阻第二状态系数表达式和第二状态方程中自适应滤波器递归输入过程噪声之间的关系,对欧姆内阻第二初始状态方程以及欧姆内阻第二初始协方差方程进行更新,得到第二更新状态方程以及第二更新协方差方程。
其中,自适应滤波器递归输入过程噪声对应的公式如下公式(4)所示:
其中,k为采样时刻,Q代表输入过程噪声,d为权重系数,y为观测变量,A为状态转移矩阵。
在得到第二更新状态方程以及第二更新协方差方程之后,电子设备基于第二更新协方差方程、自适应滤波器递归输入观测噪声以及第二观测系数表达式之间的关系,计算锂离子电池对应的欧姆内阻对应的卡尔曼增益。
其中,适应滤波器递归输入观测噪声可以如下公式(5)所示:
其中,R代表观测噪声,P为状态误差协方差,C为观测矩阵,b为0到1间的遗忘因子,Γ为噪声驱动矩阵。
在计算得到锂离子电池对应的欧姆内阻对应的卡尔曼增益之后,基于卡尔曼增益与第二观测系数表达式之间的关系,对第二更新状态方程以及第二更新协方差方程进行更新,得到第二目标状态方程以及第二目标协方差方程。根据更新后的第二状态方程,对初始欧姆内阻进行更新,得到目标欧姆内阻,确定SOH。
其中,目标欧姆内阻的计算方程可以如下公式(6)所示:
S27、基于目标欧姆内阻与锂离子电池对应的SOH之间的关系,确定SOH。
在本申请一种可选的实施方式中,电子设备可以获取欧姆内阻与锂离子电池对应的SOH之间的对应关系,然后,根据欧姆内阻与锂离子电池对应的SOH之间的对应关系,确定目标欧姆内阻对应的SOH。
在本申请一种可选的实施方式中,上述S27“基于目标欧姆内阻与锂离子电池对应的SOH之间的关系,确定SOH”,可以包括如下步骤:
S271、获取锂离子电池寿命终止时对应的终止欧姆内阻以及锂离子电池出厂时对应的初始欧姆内阻。
在本申请一种可选的实施方式中,电子设备可以接收用户输入的锂离子电池寿命终止时对应的终止欧姆内阻以及锂离子电池出厂时对应的初始欧姆内阻。
在本申请一种可选的实施方式中,电子设备还可以接收其他设备发送的锂离子电池寿命终止时对应的终止欧姆内阻以及锂离子电池出厂时对应的初始欧姆内阻。
本申请实施例对电子设备获取锂离子电池寿命终止时对应的终止欧姆内阻以及锂离子电池出厂时对应的初始欧姆内阻的具体方式不做具体限定。
S272、计算终止欧姆内阻与目标欧姆内阻之间的第一差值以及终止欧姆内阻与初始欧姆内阻之间的第二差值。
具体地,电子设备在获取到终止欧姆内阻以及初始欧姆内阻后,电子设备可以利用终止欧姆内阻减去目标欧姆内阻,计算得到终止欧姆内阻与目标欧姆内阻之间的第一差值,并利用终止欧姆内阻减去初始欧姆内阻,计算得到终止欧姆内阻与初始欧姆内阻之间的第二差值。
S273、利用第一差值除以第二差值,确定SOH。
具体地,电子设备在计算得到第一差值和第二差值之后,可以利用第一差值除以第二差值,计算得到锂离子电池对应的SOH。
示例性的,电子设备可以利用如下公式(7),计算锂离子电池对应的SOH。
其中,REOL为电池寿命终止时对应的终止欧姆内阻,RBOL为锂离子电池出厂时对应的初始欧姆内阻,Ro为目标欧姆内阻。
S28、根据SOC和SOH,确定锂离子电池的状态。
具体地,电子设备在计算得到SOC和SOH之后,可以根据SOC和SOH分析电池的安全状态和供电状态。
示例性的,请参阅图5,基于遗忘因子偏差补偿递推最小二乘和双自适应扩展卡尔曼的锂离子电池SOC及SOH联合估算方法的框图如图5所示。
示例性的,请参阅图6,在BBDST和DST工况下,四种不同估算方法的SOC估算结果图如图6所示,该图表现出了本实施例提出算法在估算SOC时的优越性和鲁棒性。
请参阅图7,在BBDST和DST工况下,两种不同估算方法的SOH估算结果图如图7所示,该图表现出了本实施例提出算法在估算SOH时的准确性和优越性。
从图6和图7可看出,基于遗忘因子偏差补偿递推最小二乘和双自适应扩展卡尔曼的锂离子电池SOC及SOH联合估算方法能精准地估算电池状态。
本申请实施例提供的锂离子电池状态确定方法,根据初始欧姆内阻与极化内阻以及极化电容之间的关系,构建初始欧姆内阻对应的第二状态方程和第二观测方程,保证了构建的第二状态方程和第二观测方程的准确性。基于初始欧姆内阻与极化内阻、极化电容、电流数据以及电压数据之间的关系,对第二状态方程和第二观测方程进行更新,根据更新后的第二状态方程,对初始欧姆内阻进行更新,得到目标欧姆内阻,保证了得到的目标欧姆内阻的准确性。然后,获取锂离子电池寿命终止时对应的终止欧姆内阻以及锂离子电池出厂时对应的初始欧姆内阻,然后,计算终止欧姆内阻与目标欧姆内阻之间的第一差值以及终止欧姆内阻与初始欧姆内阻之间的第二差值,保证了计算得到的第一差值和第二差值的准确性,利用第一差值除以第二差值,确定SOH,保证了确定的SOH的准确性。根据SOC和SOH,确定锂离子电池的状态,保证了确定的锂离子电池的状态的准确性。上述方法,通过观测锂离子电子SOC和SOH的变化,分析锂离子电池的安全状态和供电状态,为运行维护提供支撑。
在本申请一个实施例中,如图8所示,提供了一种锂离子电池状态确定方法,以该方法应用于电子设备为例进行说明,包括以下步骤:
S31、获取锂离子电池对应的电流数据以及电压数据。
关于该步骤请参见图2对S21的介绍,在此不进行赘述。
S32、基于电流数据以及电压数据与锂离子电池对应的Thevenin模型之间的关系,计算Thevenin模型中的初始欧姆内阻、极化内阻和极化电容。
在本申请一种可选的实施方式中,上述S32“基于电流数据以及电压数据与锂离子电池对应的Thevenin模型之间的关系,计算Thevenin模型中的初始欧姆内阻、极化内阻和极化电容”,可以包括如下步骤:
S321、基于等效电路原理,构建锂离子电池对应的Thevenin模型。
具体地,电子设备可以基于等效电路原理,构建锂离子电池对应的Thevenin模型。其中,Thevenin模型在理想等效电路的基础上,考虑了板等效电容以及非线性接触电阻这两个非线性参数,使用串联电阻和RC电路来模拟电池的内部特性。
Thevenin模型的电路数学表达式为:
其中,UL代表端电压,Rp和Cp分别为极化内阻和极化电容,Up代表Rp和Cp的电压,Uoc代表开路电压,I代表通过整个Thevenin电路的电流,Uo代表欧姆内阻电压,Cp代表极化电容,t代表时刻,Uoc与电池的SOC具有函数关系。
结合SOC的安时积分定义法,上述Thevenin模型的状态空间表达式和观测方程为:
其中,Ro代表Thevenin模型中的欧姆内阻,Up代表Rp和Cp的电压,τp为极化内阻与极化电容的乘积,Uo代表欧姆内阻电压,Uoc代表开路电压,k为采样时刻,Rp为极化内阻,CN代表电池容量,Δt表示实验仪器的采样间隔,I为通过欧姆内阻的电流,w1和w2是SOC和Up的状态误差,v描述了Uo的测量误差。
S322、基于电流数据以及电压数据与Thevenin模型之间的关系,利用遗忘因子偏差补偿递推最小二乘法,计算初始欧姆内阻、极化内阻和极化电容。
在本申请一种可选的实施方式中,上述S322“基于电流数据以及电压数据与Thevenin模型之间的关系,利用遗忘因子偏差补偿递推最小二乘法,计算初始欧姆内阻、极化内阻和极化电容”,可以包括如下步骤:
(1)对Thevenin模型中的电池端电压表达式进行拉普拉斯变换和Z变化,得到电池端电压表达式对应的离散系统的传递函数。
(2)对传递函数进行双线性变换,得到传递函数对应的简化的差分方程。
(3)将差分方程以向量离散表示为最小二乘形式,得到目标函数;
(4)基于递推最小二乘原理以及Thevenin模型中各个参数之间的关系,计算目标函数中对应的系数的表达式;
(5)根据初始欧姆内阻、极化内阻和极化电容与目标函数中对应的系数之间的关系,分别确定初始欧姆内阻、极化内阻和极化电容对应的表达式;
(6)在目标函数中引入遗忘因子和估计结果的偏差补偿项,利用遗忘因子偏差补偿递推最小二乘方法,对初始欧姆内阻、极化内阻和极化电容对应的表达式进行求解,确定初始欧姆内阻、极化内阻和极化电容。
具体地,电子设备可以对Thevenin模型中的电池端电压表达式进行拉普拉斯变换和Z变化,得到电池端电压表达式对应的离散系统的传递函数,并对传递函数进行双线性变换,得到传递函数对应的简化的差分方程。然后,电子设备将差分方程以向量离散表示为最小二乘形式,得到目标函数,并基于递推最小二乘原理以及Thevenin模型中各个参数之间的关系,计算目标函数中对应的系数的表达式。在目标函数中引入遗忘因子和估计结果的偏差补偿项,利用遗忘因子偏差补偿递推最小二乘方法,对初始欧姆内阻、极化内阻和极化电容对应的表达式进行求解,确定初始欧姆内阻、极化内阻和极化电容。
其中,遗忘因子偏差补偿递推最小二乘方法的计算公式可以如下公式(10)所示:
其中,θ为递推最小二乘法的有偏估计结果,θc为偏差补偿递推最小二乘法的无偏估计结果,K为增益矩阵,P为中间矩阵,x为输入,y为输出,λ为遗忘因子,I为单位矩阵,J是带遗忘因子的最小二乘成本函数,σ2是电压噪声的方差,k为采样时刻。
示例性的,请参阅图9,在BBDST工况下,基于遗忘因子偏差补偿递推最小二乘法辨识的模型参数结果如图9所示,其中,图中所示的Ro、Rp和Cp分别代表初始欧姆内阻、极化内阻和极化电容的辨识结果。
请参阅图10,在BBDST工况下,两种不同辨识算法对应的Thevenin模型电压仿真图如图10所示。其中,RLS(recursive least squares)是最小二乘法,FFBCRLS(forgettingfactor bias compensation Recursive Least Squares)是遗忘因子偏差补偿递推最小二乘法。图中显示了不同辨识算法的电压仿真误差,在验证了基于遗忘因子偏差补偿递推最小二乘法辨识结果的准确性上,还凸显了该算法在估算误差上的优越性。
S33、根据初始欧姆内阻、极化内阻以及极化电容与锂离子电池对应的SOC的关系,构建SOC对应的第一状态方程和第一观测方程。
关于该步骤请参见图2对S23的介绍,在此不进行赘述。
S34、基于初始欧姆内阻、极化内阻、极化电容与电流数据以及电压数据之间的关系,对第一状态方程和第一观测方程进行更新,基于更新后的第一状态方程确定锂离子电池对应的SOC,以确定锂离子电池的状态。
关于该步骤请参见图2对S24的介绍,在此不进行赘述。
本申请实施例提供的锂离子电池状态确定方法,基于等效电路原理,构建锂离子电池对应的Thevenin模型,保证了构建的Thevenin模型的准确性。然后,基于电流数据以及电压数据与Thevenin模型之间的关系,利用遗忘因子偏差补偿递推最小二乘法,计算初始欧姆内阻、极化内阻和极化电容,保证了计算得到的初始欧姆内阻、极化内阻和极化电容的准确性。对Thevenin模型中的电池端电压表达式进行拉普拉斯变换和Z变化,得到电池端电压表达式对应的离散系统的传递函数,保证了得到的传递函数的准确性。对传递函数进行双线性变换,得到传递函数对应的简化的差分方程,保证了得到的差分方程的准确性。将差分方程以向量离散表示为最小二乘形式,得到目标函数,保证了得到的目标函数的准确性。基于递推最小二乘原理以及Thevenin模型中各个参数之间的关系,计算目标函数中对应的系数的表达式,保证了计算得到的目标函数中对应的系数的表达式的准确性。然后,根据初始欧姆内阻、极化内阻和极化电容与目标函数中对应的系数之间的关系,分别确定初始欧姆内阻、极化内阻和极化电容对应的表达式,保证了确定的初始欧姆内阻、极化内阻和极化电容对应的表达式的准确性。然后,在目标函数中引入遗忘因子和估计结果的偏差补偿项,利用遗忘因子偏差补偿递推最小二乘方法,对初始欧姆内阻、极化内阻和极化电容对应的表达式进行求解,确定初始欧姆内阻、极化内阻和极化电容,保证了确定的初始欧姆内阻、极化内阻和极化电容的准确性。上述方法,引入遗忘因子偏差补偿递推最小二乘法能克服数据饱和以及系统有色噪声干扰的问题,从而使得确定的初始欧姆内阻、极化内阻和极化电容更加准确。
在本申请一个实施例中,如图11所示,提供了一种锂离子电池状态确定方法,以该方法应用于电子设备为例进行说明,包括以下步骤:
S41、获取锂离子电池对应的电流数据以及电压数据。
关于该步骤请参见图3对S31的介绍,在此不进行赘述。
S42、基于电流数据以及电压数据与锂离子电池对应的Thevenin模型之间的关系,计算Thevenin模型中的初始欧姆内阻、极化内阻和极化电容。
关于该步骤请参见图3对S32的介绍,在此不进行赘述。
S43、根据初始欧姆内阻、极化内阻以及极化电容与锂离子电池对应的SOC的关系,构建SOC对应的第一状态方程和第一观测方程。
关于该步骤请参见图3对S33的介绍,在此不进行赘述。
S44、基于初始欧姆内阻、极化内阻、极化电容与电流数据以及电压数据之间的关系,对第一状态方程和第一观测方程进行更新,基于更新后的第一状态方程确定锂离子电池对应的SOC,以确定锂离子电池的状态。
在本申请一种可选的实施方式中,上述S44“基于初始欧姆内阻、极化内阻、极化电容与电流数据以及电压数据之间的关系,对第一状态方程和第一观测方程进行更新,基于更新后的第一状态方程确定锂离子电池对应的SOC”,可以包括如下步骤:
S441、基于一阶泰勒展开式对第一状态方程和第一观测方程进行转换处理,确定第一状态方程对应的第一状态系数表达式和第一观测方程对应的第一观测系数表达式。
具体地,电子设备可以基于一阶泰勒展开式对第一状态方程和第一观测方程进行转换处理,确定第一状态方程对应的第一状态系数表达式和第一观测方程对应的第一观测系数表达式,
其中,第一状态系数表达式和第一观测系数表达式可以如下公式(11)所示:
其中,A为状态转移矩阵,B为系统控制输入矩阵,C为观测矩阵,t为实验仪器的采样间隔,C0为电池初始容量,Rp为极化内阻,τ为极化内阻与极化电容的乘积,uoc代表开路电压。
S442、根据第一状态系数表达式以及第一观测系数表达式,对第一状态方程以及第一观测方程进行更新,基于更新后的第一状态方程确定锂离子电池对应的SOC。
在本申请一种可选的实施方式中,上述S442“根据第一状态系数表达式以及第一观测系数表达式,对第一状态方程以及第一观测方程进行更新,基于更新后的第一状态方程确定锂离子电池对应的SOC”,可以包括如下步骤:
(1)获取锂离子电池对应的第一状态方程对应的初始值,生成第一初始状态方程。
(2)获取锂离子电池对应的第一初始协方差方程。
(3)基于第一状态系数表达式和第一状态方程中自适应滤波器递归输入过程噪声之间的关系,对第一初始状态方程以及第一初始协方差方程进行更新,得到第一更新状态方程以及第一更新协方差方程。
(4)基于第一更新协方差方程、自适应滤波器递归输入观测噪声以及第一观测系数表达式之间的关系,计算SOC对应的卡尔曼增益。
(5)基于卡尔曼增益与第一观测系数表达式之间的关系,对第一更新状态方程以及第一更新协方差方程进行更新,得到第一目标状态方程以及第一目标协方差方程。
(6)基于第一目标状态方程,确定锂离子电池对应的SOC。
具体地,电子设备可以获取锂离子电池对应的第一状态方程对应的初始值,生成第一初始状态方程,并获取锂离子电池对应的第一初始协方差方程。然后,基于第一状态系数表达式和第一状态方程中自适应滤波器递归输入过程噪声之间的关系,对第一初始状态方程以及第一初始协方差方程进行更新,得到第一更新状态方程以及第一更新协方差方程。
其中,自适应滤波器递归输入过程噪声对应的公式如上述公式(4)所示:
其中,k为采样时刻,Q代表输入过程噪声,d为权重系数,y为观测变量,A为状态转移矩阵。
在得到第一更新状态方程以及第一更新协方差方程之后,电子设备可以基于第一更新协方差方程、自适应滤波器递归输入观测噪声以及第一观测系数表达式之间的关系,计算SOC对应的卡尔曼增益。
其中,适应滤波器递归输入观测噪声可以如上述公式(5)所示:
其中,R代表观测噪声,P为状态误差协方差,C为观测矩阵,b为0到1间的遗忘因子,Γ为噪声驱动矩阵。
在计算得到SOC对应的卡尔曼增益之后,电子设备可以基于卡尔曼增益与第一观测系数表达式之间的关系,对第一更新状态方程以及第一更新协方差方程进行更新,得到第一目标状态方程以及第一目标协方差方程。基于第一目标状态方程,确定锂离子电池对应的SOC。
其中,SOC的计算方程可以如下公式(12)所示:
其中,k为采样时刻,Kx包含SOC对应的卡尔曼增益,Px包含SOC对应的协方差,Cx为包含SOC对应的观测矩阵,Rx包含SOC对应的观测噪声,包含预测SOC值,y为观测变量,为观测变量预测值,I为单位矩阵。
本申请实施例提供的锂离子电池状态确定方法,基于一阶泰勒展开式对第一状态方程和第一观测方程进行转换处理,确定第一状态方程对应的第一状态系数表达式和第一观测方程对应的第一观测系数表达式,保证了确定的第一状态方程对应的第一状态系数表达式和第一观测方程对应的第一观测系数表达式的准确性。然后,获取锂离子电池对应的第一状态方程对应的初始值,生成第一初始状态方程,保证了生成的第一初始状态方程的准确。获取锂离子电池对应的第一初始协方差方程,然后,基于第一状态系数表达式和第一状态方程中自适应滤波器递归输入过程噪声之间的关系,对第一初始状态方程以及第一初始协方差方程进行更新,得到第一更新状态方程以及第一更新协方差方程,保证了得到的第一更新状态方程以及第一更新协方差方程的准确性。然后,基于第一更新协方差方程、自适应滤波器递归输入观测噪声以及第一观测系数表达式之间的关系,计算SOC对应的卡尔曼增益,保证了计算得到的SOC对应的卡尔曼增益的准确性。基于卡尔曼增益与第一观测系数表达式之间的关系,对第一更新状态方程以及第一更新协方差方程进行更新,得到第一目标状态方程以及第一目标协方差方程,保证了得到的第一目标状态方程以及第一目标协方差方程的准确性,基于第一目标状态方程,确定锂离子电池对应的SOC,保证了确定的锂离子电池对应的SOC的准确性。上述方法,引入了自适应滤波器可以实时在线估计输入过程噪声和观测噪声,达到对估计值进行连续修正的目的,从而实现自适应修正功能,以提高SOC计算的精准度。
应该理解的是,虽然图1、图4、图8以及图11的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1、图4、图8以及图11中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
如图12所示,本实施例提供一种锂离子电池状态确定装置,包括:
获取模块51,用于获取锂离子电池对应的电流数据以及电压数据;
计算模块52,用于基于电流数据以及电压数据与锂离子电池对应的Thevenin模型之间的关系,计算Thevenin模型中的初始欧姆内阻、极化内阻和极化电容;
第一构建模块53,用于根据初始欧姆内阻、极化内阻以及极化电容与锂离子电池对应的SOC的关系,构建SOC对应的第一状态方程和第一观测方程;
第一确定模块54,用于基于初始欧姆内阻、极化内阻、极化电容与电流数据以及电压数据之间的关系,对第一状态方程和第一观测方程进行更新,基于更新后的第一状态方程确定锂离子电池对应的SOC,以确定锂离子电池的状态。
如图13所示,本实施例提供一种锂离子电池状态确定装置,还包括:
第二构建模块55,用于根据初始欧姆内阻与极化内阻以及极化电容之间的关系,构建初始欧姆内阻对应的第二状态方程和第二观测方程;
更新模块56,用于基于初始欧姆内阻与极化内阻、极化电容、电流数据以及电压数据之间的关系,对第二状态方程和第二观测方程进行更新,根据更新后的第二状态方程,对初始欧姆内阻进行更新,得到目标欧姆内阻;
第二确定模块57,用于基于目标欧姆内阻与锂离子电池对应的SOH之间的关系,确定SOH;
第三确定模块58,用于根据SOC和SOH,确定锂离子电池的状态。
在本申请一个实施例中,上述第二确定模块57,具体用于获取锂离子电池寿命终止时对应的终止欧姆内阻以及锂离子电池出厂时对应的初始欧姆内阻;述终止欧姆内阻与目标欧姆内阻之间的第一差值以及终止欧姆内阻与初始欧姆内阻之间的第二差值;利用第一差值除以第二差值,确定SOH。
在本申请一个实施例中,上述计算模块52,具体用于基于等效电路原理,构建锂离子电池对应的Thevenin模型;基于电流数据以及电压数据与Thevenin模型之间的关系,利用遗忘因子偏差补偿递推最小二乘法,计算初始欧姆内阻、极化内阻和极化电容。
在本申请一个实施例中,上述计算模块52,具体用于对Thevenin模型中的电池端电压表达式进行拉普拉斯变换和Z变化,得到电池端电压表达式对应的离散系统的传递函数;对传递函数进行双线性变换,得到传递函数对应的简化的差分方程;将差分方程以向量离散表示为最小二乘形式,得到目标函数;基于递推最小二乘原理以及Thevenin模型中各个参数之间的关系,计算目标函数中对应的系数的表达式;根据初始欧姆内阻、极化内阻和极化电容与目标函数中对应的系数之间的关系,分别确定初始欧姆内阻、极化内阻和极化电容对应的表达式;在目标函数中引入遗忘因子和估计结果的偏差补偿项,利用遗忘因子偏差补偿递推最小二乘方法,对初始欧姆内阻、极化内阻和极化电容对应的表达式进行求解,确定初始欧姆内阻、极化内阻和极化电容。
在本申请一个实施例中,上述第一确定模块54,具体用于基于一阶泰勒展开式对第一状态方程和第一观测方程进行转换处理,确定第一状态方程对应的第一状态系数表达式和第一观测方程对应的第一观测系数表达式;根据第一状态系数表达式以及第一观测系数表达式,对第一状态方程以及第一观测方程进行更新,基于更新后的第一状态方程确定锂离子电池对应的SOC。
在本申请一个实施例中,上述第一确定模块54,具体用于获取锂离子电池对应的第一状态方程对应的初始值,生成第一初始状态方程;获取锂离子电池对应的第一初始协方差方程;基于第一状态系数表达式和第一状态方程中自适应滤波器递归输入过程噪声之间的关系,对第一初始状态方程以及第一初始协方差方程进行更新,得到第一更新状态方程以及第一更新协方差方程;基于第一更新协方差方程、自适应滤波器递归输入观测噪声以及第一观测系数表达式之间的关系,计算SOC对应的卡尔曼增益;基于卡尔曼增益与第一观测系数表达式之间的关系,对第一更新状态方程以及第一更新协方差方程进行更新,得到第一目标状态方程以及第一目标协方差方程;基于第一目标状态方程,确定锂离子电池对应的SOC。
关于锂离子电池状态确定装置的具体限定以及有益效果可以参见上文中对于锂离子电池状态确定方法的限定,在此不再赘述。上述锂离子电池状态确定装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于电子设备中的处理器中,也可以以软件形式存储于电子设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
本发明实施例还提供一种电子设备,具有上述图12以及图13所示的锂离子电池状态确定装置。
如图14所示,图14是本发明可选实施例提供的一种电子设备的结构示意图,如图14所示,该电子设备可以包括:至少一个处理器61,例如CPU(Central Processing Unit,中央处理器),至少一个通信接口63,存储器64,至少一个通信总线62。其中,通信总线62用于实现这些组件之间的连接通信。其中,通信接口63可以包括显示屏(Display)、键盘(Keyboard),可选通信接口63还可以包括标准的有线接口、无线接口。存储器64可以是高速RAM存储器(Random Access Memory,易挥发性随机存取存储器),也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。存储器64可选的还可以是至少一个位于远离前述处理器61的存储装置。其中处理器61可以结合图12或图13所描述的装置,存储器64中存储应用程序,且处理器61调用存储器64中存储的程序代码,以用于执行上述任一方法步骤。
其中,通信总线62可以是外设部件互连标准(peripheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture,简称EISA)总线等。通信总线62可以分为地址总线、数据总线、控制总线等。为便于表示,图14中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
其中,存储器64可以包括易失性存储器(英文:volatile memory),例如随机存取存储器(英文:random-access memory,缩写:RAM);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),硬盘(英文:hard diskdrive,缩写:HDD)或固态硬盘(英文:solid-state drive,缩写:SSD);存储器64还可以包括上述种类的存储器的组合。
其中,处理器61可以是中央处理器(英文:central processing unit,缩写:CPU),网络处理器(英文:network processor,缩写:NP)或者CPU和NP的组合。
其中,处理器61还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(英文:application-specific integrated circuit,缩写:ASIC),可编程逻辑器件(英文:programmable logic device,缩写:PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(英文:complex programmable logic device,缩写:CPLD),现场可编程逻辑门阵列(英文:field-programmable gate array,缩写:FPGA),通用阵列逻辑(英文:generic arraylogic,缩写:GAL)或其任意组合。
可选地,存储器64还用于存储程序指令。处理器61可以调用程序指令,实现如本申请图1、图4、图8以及图11实施例中所示的锂离子电池状态确定方法。
本发明实施例还提供了一种非暂态计算机存储介质,所述计算机存储介质存储有计算机可执行指令,该计算机可执行指令可执行上述任意方法实施例中的锂离子电池状态确定方法。其中,所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(Random Access Memory,RAM)、快闪存储器(Flash Memory)、硬盘(HardDisk Drive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;所述存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本发明的实施例,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (10)
1.一种锂离子电池状态确定方法,其特征在于,包括:
获取锂离子电池对应的电流数据以及电压数据;
基于所述电流数据以及所述电压数据与所述锂离子电池对应的Thevenin模型之间的关系,计算所述Thevenin模型中的初始欧姆内阻、极化内阻和极化电容;
根据所述初始欧姆内阻、所述极化内阻以及所述极化电容与所述锂离子电池对应的SOC的关系,构建所述SOC对应的第一状态方程和第一观测方程;
基于所述初始欧姆内阻、所述极化内阻、所述极化电容与所述电流数据以及所述电压数据之间的关系,对所述第一状态方程和所述第一观测方程进行更新,基于更新后的所述第一状态方程确定所述锂离子电池对应的SOC,以确定所述锂离子电池的状态。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据所述初始欧姆内阻与所述极化内阻以及所述极化电容之间的关系,构建所述初始欧姆内阻对应的第二状态方程和第二观测方程;
基于所述初始欧姆内阻与所述极化内阻、所述极化电容、所述电流数据以及所述电压数据之间的关系,对所述第二状态方程和第二观测方程进行更新,根据更新后的所述第二状态方程,对所述初始欧姆内阻进行更新,得到目标欧姆内阻;
基于所述目标欧姆内阻与所述锂离子电池对应的SOH之间的关系,确定所述SOH;
根据所述SOC和所述SOH,确定所述锂离子电池的状态。
3.根据权利要求2所述的方法,其特征在于,所述基于所述目标欧姆内阻与所述锂离子电池对应的SOH之间的关系,确定所述SOH,包括:
获取所述锂离子电池寿命终止时对应的终止欧姆内阻以及所述锂离子电池出厂时对应的初始欧姆内阻;
计算所述终止欧姆内阻与所述目标欧姆内阻之间的第一差值以及所述终止欧姆内阻与所述初始欧姆内阻之间的第二差值;
利用所述第一差值除以所述第二差值,确定所述SOH。
4.根据权利要求1所述的方法,其特征在于,所述基于所述电流数据以及所述电压数据与所述锂离子电池对应的Thevenin模型之间的关系,计算所述Thevenin模型中的初始欧姆内阻、极化内阻和极化电容,包括:
基于等效电路原理,构建所述锂离子电池对应的所述Thevenin模型;
基于所述电流数据以及所述电压数据与所述Thevenin模型之间的关系,利用遗忘因子偏差补偿递推最小二乘法,计算所述初始欧姆内阻、所述极化内阻和所述极化电容。
5.根据权利要求4所述的方法,其特征在于,所述基于所述电流数据以及所述电压数据与所述Thevenin模型之间的关系,利用遗忘因子偏差补偿递推最小二乘法,计算所述初始欧姆内阻、所述极化内阻和所述极化电容,包括:
对所述Thevenin模型中的电池端电压表达式进行拉普拉斯变换和Z变化,得到所述电池端电压表达式对应的离散系统的传递函数;
对所述传递函数进行双线性变换,得到所述传递函数对应的简化的差分方程;
将所述差分方程以向量离散表示为最小二乘形式,得到目标函数;
基于递推最小二乘原理以及所述Thevenin模型中各个参数之间的关系,计算所述目标函数中对应的系数的表达式;
根据所述初始欧姆内阻、所述极化内阻和所述极化电容与所述目标函数中对应的系数之间的关系,分别确定所述初始欧姆内阻、所述极化内阻和所述极化电容对应的表达式;
在所述目标函数中引入遗忘因子和估计结果的偏差补偿项,利用遗忘因子偏差补偿递推最小二乘方法,对所述初始欧姆内阻、所述极化内阻和所述极化电容对应的表达式进行求解,确定所述初始欧姆内阻、所述极化内阻和所述极化电容。
6.根据权利要求1所述的方法,其特征在于,所述基于所述初始欧姆内阻、所述极化内阻、所述极化电容与所述电流数据以及所述电压数据之间的关系,对所述第一状态方程和所述第一观测方程进行更新,基于更新后的所述第一状态方程确定所述锂离子电池对应的SOC,包括:
基于一阶泰勒展开式对所述第一状态方程和所述第一观测方程进行转换处理,确定所述第一状态方程对应的第一状态系数表达式和所述第一观测方程对应的第一观测系数表达式;
根据所述第一状态系数表达式以及所述第一观测系数表达式,对所述第一状态方程以及所述第一观测方程进行更新,基于更新后的所述第一状态方程确定所述锂离子电池对应的SOC。
7.根据权利要求6所述的方法,其特征在于,所述根据所述第一状态系数表达式以及所述第一观测系数表达式,对所述第一状态方程以及所述第一观测方程进行更新,基于更新后的所述第一状态方程确定所述锂离子电池对应的SOC,包括:
获取所述锂离子电池对应的所述第一状态方程对应的初始值,生成第一初始状态方程;
获取所述锂离子电池对应的第一初始协方差方程;
基于所述第一状态系数表达式和所述第一状态方程中自适应滤波器递归输入过程噪声之间的关系,对所述第一初始状态方程以及所述第一初始协方差方程进行更新,得到第一更新状态方程以及第一更新协方差方程;
基于所述第一更新协方差方程、自适应滤波器递归输入观测噪声以及所述第一观测系数表达式之间的关系,计算所述SOC对应的卡尔曼增益;
基于所述卡尔曼增益与所述第一观测系数表达式之间的关系,对所述第一更新状态方程以及第一更新协方差方程进行更新,得到第一目标状态方程以及第一目标协方差方程;
基于所述第一目标状态方程,确定所述锂离子电池对应的所述SOC。
8.一种锂离子电池状态确定装置,其特征在于,包括:
获取模块,用于获取锂离子电池对应的电流数据以及电压数据;
计算模块,用于基于所述电流数据以及所述电压数据与所述锂离子电池对应的Thevenin模型之间的关系,计算所述Thevenin模型中的初始欧姆内阻、极化内阻和极化电容;
第一构建模块,用于根据所述初始欧姆内阻、所述极化内阻以及所述极化电容与所述锂离子电池对应的SOC的关系,构建所述SOC对应的第一状态方程和第一观测方程;
第一确定模块,用于基于所述初始欧姆内阻、所述极化内阻、所述极化电容与所述电流数据以及所述电压数据之间的关系,对所述第一状态方程和所述第一观测方程进行更新,基于更新后的所述第一状态方程确定所述锂离子电池对应的SOC,以确定所述锂离子电池的状态。
9.一种电子设备,其特征在于,包括存储器和处理器,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行权利要求1-7中任一项所述的锂离子电池状态确定方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使计算机执行权利要求1-7中任一项所述的锂离子电池状态确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211060011.XA CN115421044A (zh) | 2022-08-31 | 2022-08-31 | 锂离子电池状态确定方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211060011.XA CN115421044A (zh) | 2022-08-31 | 2022-08-31 | 锂离子电池状态确定方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115421044A true CN115421044A (zh) | 2022-12-02 |
Family
ID=84199447
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211060011.XA Pending CN115421044A (zh) | 2022-08-31 | 2022-08-31 | 锂离子电池状态确定方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115421044A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117538759A (zh) * | 2024-01-10 | 2024-02-09 | 清华四川能源互联网研究院 | 锂离子电池直流内阻高通量获取方法 |
CN117590243A (zh) * | 2024-01-19 | 2024-02-23 | 清华四川能源互联网研究院 | 一种锂离子电池直流内阻分解方法及装置 |
-
2022
- 2022-08-31 CN CN202211060011.XA patent/CN115421044A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117538759A (zh) * | 2024-01-10 | 2024-02-09 | 清华四川能源互联网研究院 | 锂离子电池直流内阻高通量获取方法 |
CN117538759B (zh) * | 2024-01-10 | 2024-03-19 | 清华四川能源互联网研究院 | 锂离子电池直流内阻高通量获取方法 |
CN117590243A (zh) * | 2024-01-19 | 2024-02-23 | 清华四川能源互联网研究院 | 一种锂离子电池直流内阻分解方法及装置 |
CN117590243B (zh) * | 2024-01-19 | 2024-03-29 | 清华四川能源互联网研究院 | 一种锂离子电池直流内阻分解方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | Online parameters identification and state of charge estimation for lithium-ion capacitor based on improved Cubature Kalman filter | |
CN115421044A (zh) | 锂离子电池状态确定方法、装置、电子设备及存储介质 | |
US10447046B2 (en) | Secondary battery management system with remote parameter estimation | |
JP7095110B2 (ja) | バッテリ状態推定方法 | |
He et al. | State-of-charge estimation of lithium ion batteries based on adaptive iterative extended Kalman filter | |
Aung et al. | Temperature dependent state‐of‐charge estimation of lithium ion battery using dual spherical unscented Kalman filter | |
Couto et al. | State of health estimation for lithium ion batteries based on an equivalent-hydraulic model: An iron phosphate application | |
WO2019114240A1 (zh) | 一种电池荷电状态预测方法和系统 | |
Li et al. | A novel parameter and state-of-charge determining method of lithium-ion battery for electric vehicles | |
He et al. | An improved coulomb counting approach based on numerical iteration for SOC estimation with real-time error correction ability | |
CN112379270B (zh) | 一种电动汽车动力电池荷电状态滚动时域估计方法 | |
CN112305423A (zh) | 锂离子动力电池荷电状态估算方法、装置、介质和设备 | |
CN111913109A (zh) | 一种电池峰值功率的预测方法及装置 | |
CN111044906A (zh) | 一种基于极大似然准则的锂离子电池能量状态估算方法 | |
Sandoval-Chileño et al. | Robust State of Charge estimation for Li-ion batteries based on Extended State Observers | |
CN117110891A (zh) | 锂离子电池荷电状态估计值的计算方法和计算装置 | |
CN115656848A (zh) | 一种基于容量修正的锂电池soc估算方法 | |
CN114895205A (zh) | 电池模型参数的获取方法、装置、计算机设备、存储介质 | |
CN113671377A (zh) | 一种基于改进ekf算法的锂电池soc估算方法 | |
Li et al. | SOC estimation for lithium‐ion batteries based on a novel model | |
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 | |
Ramezani-al et al. | A novel combined online method for SOC estimation of a Li-Ion battery with practical and industrial considerations | |
Xiong et al. | Lithium‐Ion Battery Parameters and State of Charge Joint Estimation Using Bias Compensation Least Squares and the Alternate Algorithm | |
Baccouche et al. | Hardware implementation of an algorithm based on kalman filtrer for monitoring low capacity Li-ion batteries | |
CN111239608A (zh) | 基于扩展卡尔曼滤波的电池soc估算方法及装置 |
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 |