CN115545335A - 一种电池功率综合预测方法、装置、设备及存储介质 - Google Patents
一种电池功率综合预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115545335A CN115545335A CN202211323504.8A CN202211323504A CN115545335A CN 115545335 A CN115545335 A CN 115545335A CN 202211323504 A CN202211323504 A CN 202211323504A CN 115545335 A CN115545335 A CN 115545335A
- Authority
- CN
- China
- Prior art keywords
- battery
- model
- predicted
- terminal voltage
- thermal
- 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
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 230000032683 aging Effects 0.000 claims abstract description 60
- 238000007599 discharging Methods 0.000 claims abstract description 40
- 230000020169 heat generation Effects 0.000 claims description 10
- 238000004519 manufacturing process Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000004804 winding Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 239000011258 core-shell material Substances 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000010287 polarization Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 239000012080 ambient air Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 239000002826 coolant Substances 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000010304 firing Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000003292 glue Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明涉及一种电池功率综合预测方法、装置、设备及存储介质,该方法包括:建立热模型、老化模型和等效电路模型,对待预测电池持续进行充放电,记录待预测电池的初始参数数据;根据所述热模型、所述老化模型、所述等效电路模型和所述初始参数数据更新待预测电池的端电压;基于二分法,根据所述初始参数数据确定待预测电池的最大放电电流和最小充电电流;根据更新后的待预测电池的端电压、所述最大放电电流和所述最小充电电流预测待预测电池的功率。本发明提供的一种电池功率综合预测方法、装置、设备及存储介质,结合热模型、老化模型和等效电路模型更新电池端电压,通过更新后的电池端电压预测电池功率,提高了对电池功率预测的准确性。
Description
技术领域
本发明涉及新能源电池技术领域,尤其涉及一种电池功率综合预测方法、装置、设备及存储介质。
背景技术
新能源势头发展正盛,电池安全问题也成为各个新能源电池生成商、新能源OEM所关注的突出问题。新能源车,自燃、碰撞起火本质上是电池过热导致局部热累积达到可燃物的着火点,从而引发的安全事故。这些常见的电池的发热,电池电量不足(电压,电流)等直观的外化特性则属于电池状态监测与估计的范畴,从一定程度上说,正常状态下电池温度局部热累积是电池滥用导致的,基于电池状态监测与估计可以有效避免电池滥用,尤其是电池功率状态的预测,从而杜绝极端工况下电池继续使用,避免事情朝着更恶劣的情况发展。
目前在实际工程应用中针对电池功率预测没有统一的标准,常用的方法是基于查表法和基于等效电路模型(Equivalent circuit model)—ECM模型的动态估计方法,前者是静态预测方法,就是针对不同寿命阶段的电池进行功率MAP测试,将获取的数据以多维表的形式输入到算法中,实际算法运行过程中通过查找多维表获取不同状态下的电池电压数值;后者是一种动态的方法,该种方法需预先创建反映电池动态特性的ECM模型,通过在线方式计算出特定工况下电池的输出电压来估算电池的功率状态。
但是,静态预测方法需要基于大量测试数据,而且需要针对BOL,MOL以及EOL阶段的电池分别进行功率MAP测试,该方法需耗费大量的测试资源,而且针对未测量到的数据点进行插值估算,误差随着电池使用情况不断累积;动态估计方法模型结构简单,可以输出任意工况下的电池电压响应,但是动态方法最大问题是受限于全寿命周期内ECM模型准确性。
发明内容
有鉴于此,有必要提供一种电池功率综合预测方法、装置、设备及存储介质,用以解决现有技术中电池功率预测时需要进行插值估算使得误差逐渐累积导致预测不准确,和全寿命周期内ECM模型结构简单预测的准确性低的问题。
为达到上述技术目的,本发明采取了以下技术方案:
第一方面,本发明提供了一种电池功率综合预测方法,包括:
建立热模型、老化模型和等效电路模型,对待预测电池持续进行充放电,记录待预测电池的初始参数数据;
根据热模型、老化模型、等效电路模型和初始参数数据更新待预测电池的端电压;
基于二分法,根据更新后的待预测电池的端电压确定待预测电池的最大放电电流和最小充电电流;
根据更新后的待预测电池的端电压、最大放电电流和最小充电电流预测待预测电池的功率。
优选的,根据热模型、老化模型、等效电路模型和初始参数数据更新待预测电池的端电压,包括:
根据初始参数数据和热模型更新电池的内部温度;
根据更新后的电池的内部温度和老化模型更新并分配电池的内阻;
根据分配后的电池的内阻和等效电路模型确定电池的实时端电压。
优选的,根据初始参数数据和热模型更新电池的内部温度,包括:
获取电池的热参数,根据热参数建立电池热路模型;
基于电池产热公式,根据初始参数数据确定电池产热;
根据电池热路模型和电池产热更新电池的内部温度。
优选的,热参数包括电池卷芯热容量和电池外壳热容量;根据电池热路模型和电池产热更新电池的内部温度,包括:
基于电池热路模型,根据电池产热、电池卷芯热容量和电池外壳热容量建立热回路关系;
根据热回路关系得到电池的实时内部温度,并对电池的实时内部温度离散化得到电池内部温度的离散值。
优选的,根据更新后的电池的内部温度和老化模型更新并分配电池的内阻,包括:
获取电池的老化数据,对老化数据进行拟合更新电池的内阻;
根据充放电电流计算累计吞吐量,基于预设规则,根据吞吐量分配电池的内阻。
优选的,根据分配后的电池的内阻和等效电路模型确定电池的实时端电压,包括:
根据充放电电流、分配后的电池的内阻和等效电路模型得到电池内部回路关系;
根据电池内部回路关系得到电池的实时端电压,并将电池的实时端电压离散化得到电池端电压的离散值。
优选的,基于二分法,根据更新后的待预测电池的端电压确定待预测电池的最大放电电流和最小充电电流,包括:
通过等效模型获取多个采集周期的电池端电压;
根据多个采集周期的电池端电压确定电池端电压的限制条件;
根据电池端电压的限制条件确定待预测电池的最大放电电流和最小充电电流。
第二方面,本发明还提供了一种电池功率综合预测装置,包括:
充放电模块,用于建立热模型、老化模型和等效电路模型,对待预测电池持续进行充放电,记录待预测电池的初始参数数据;
更新模块,用于根据热模型、老化模型、等效电路模型和初始参数数据更新待预测电池的端电压;
电流确定模块,用于基于二分法,根据初始参数数据确定待预测电池的最大放电电流和最小充电电流;
预测模块,用于根据更新后的待预测电池的端电压、最大放电电流和最小充电电流预测待预测电池的功率。
第三方面,本发明还提供了一种电子设备,包括存储器和处理器,其中,
存储器,用于存储程序;
处理器,与存储器耦合,用于执行存储器中存储的程序,以实现上述任一种实现方式中的电池功率综合预测方法中的步骤。
第四方面,本发明还提供了一种计算机可读存储介质,用于存储计算机可读取的程序或指令,程序或指令被处理器执行时,能够实现上述任一种实现方式中的电池功率综合预测方法中的步骤。
采用上述实施例的有益效果是:本发明提供的一种电池功率综合预测方法、装置、设备及存储介质,对待预测电池持续进行充放电,得到待预测电池的初始参数数据,并建立热模型、老化模型、等效电路模型,通过热模型、老化模型、等效电路模型对待预测电池的端电压进行更新,然后进一步计算出待预测电池的最大放电电流和最小充电电流,最后根据更新后的待预测电池的端电压、最大放电电流和最小充电电流预测待预测电池的功率。本发明通过建立热模型、老化模型、等效电路模型进行综合计算待预测电池的端电压,将老化、电芯温度考虑进去,精准的模拟电芯的实时状态,对电池的全生命周期功率情况实现实时在线估计,提高了电池功率预测的准确性,从而进一步的确定待预测电池的最大放电电流和最小充电电流,降低了电池功率预测的误差。
附图说明
图1为本发明提供的电池功率综合预测方法的一实施例的流程示意图;
图2为图1中步骤S102的一实施例的流程示意图;
图3为图2中步骤S201的一实施例的流程示意图;
图4为本发明提供的电池热路模型的一实施例的模型结构图;
图5为本发明提供的等效电路模型的一实施例的模型结构图;
图6为图1中步骤S103的一实施例的流程示意图;
图7为本发明提供的电池功率综合预测装置的一实施例的结构示意图;
图8为本发明实施例提供的电子设备的结构示意图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例,其中,附图构成本申请一部分,并与本发明的实施例一起用于阐释本发明的原理,并非用于限定本发明的范围。
在本申请的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本发明提供了一种电池功率综合预测方法、装置、设备及存储介质,以下分别进行说明。
请参阅图1,图1为本发明提供的电池功率综合预测方法的一实施例的流程示意图,本发明的一个具体实施例,公开了一种电池功率综合预测方法,包括:
S101、建立热模型、老化模型和等效电路模型,对待预测电池持续进行充放电,记录待预测电池的初始参数数据;
S102、根据热模型、老化模型、等效电路模型和初始参数数据更新待预测电池的端电压;
S103、基于二分法,根据更新后的待预测电池的端电压确定待预测电池的最大放电电流和最小充电电流;
S104、根据更新后的待预测电池的端电压、最大放电电流和最小充电电流预测待预测电池的功率。
在上述实施例中,为了考虑电池的老化、电芯温度的影响,提高电池功率预测的准确性,建立了热模型、老化模型,对待预测电池进行持续的充放电,得到待预测电池的初始参数数据,以消除电池的老化和电芯温度对预测产生的误差。
通过热模型、老化模型、等效电路模型提高对待预测电池的端电压的准确性,待预测电池的端电压是计算电池功率的关键参数,其准确性直接影响电池功率的预测结果,而根据热模型、老化模型、等效电路模型和初始参数数据可以得到待预测电池的端电压实时变化。
在电池的端电压不变的情况下,最大放电电流和最小充电电流分别决定了电池的最大放电功率和最小充电功率,通过二分法求得待预测电池的最大放电电流和最小充电电流。
与现有技术相比,本实施例提供的一种电池功率综合预测方法,对待预测电池持续进行充放电,得到待预测电池的初始参数数据,并建立热模型、老化模型、等效电路模型,通过热模型、老化模型、等效电路模型对待预测电池的端电压进行更新,然后进一步计算出待预测电池的最大放电电流和最小充电电流,最后根据更新后的待预测电池的端电压、最大放电电流和最小充电电流预测待预测电池的功率。本发明通过建立热模型、老化模型、等效电路模型进行综合计算待预测电池的端电压,将老化、电芯温度考虑进去,精准的模拟电芯的实时状态,对电池的全生命周期功率情况实现实时在线估计,提高了电池功率预测的准确性,从而进一步的确定待预测电池的最大放电电流和最小充电电流,降低了电池功率预测的误差。
请参阅图2,图2为图1中步骤S102的一实施例的流程示意图,在本发明的一些实施例中,根据热模型、老化模型、等效电路模型和初始参数数据更新待预测电池的端电压,包括:
S201、根据初始参数数据和热模型更新电池的内部温度;
S202、根据更新后的电池的内部温度和老化模型更新并分配电池的内阻;
S203、根据分配后的电池的内阻和等效电路模型确定电池的实时端电压。
在上述实施例中,初始参数包括电池的初始端电压,通过电池的初始端电压确定电池各个部分的温度,进一步确定并更新电池的内部温度,将电池温度对预测的影响考虑进来。
电池的内部温度对电池的内阻也有一定的影响,结合老化模型确定电池内阻的变化规律,根据电池内阻的电话规律来更新电池的内阻。对电池内阻的分配需要根据等效电路模型的具体情况进行分配。
对于等效电路模型(ECM模型)的基本结构包含反馈离子迁移和电子迁移受阻碍的欧姆阻抗R0,以及反馈极化内阻特性的RC环节,为达到满足功能安全要求的实际工程应用环境中,通常在模型计算效率以及求解精度之间取舍之后选择二阶RC模型。
对电池的内阻分配后,根据等效电路模型计算电池的端电压,确定电池的端电压随时间变化的情况,也即得到电池的实时端电压,通过热模型、老化模型、等效电路模型考虑了温度和老化对电池的影响,提高了预测的准确性。
请参阅图3,图3为图2中步骤S201的一实施例的流程示意图,在本发明的一些实施例中,根据初始参数数据和热模型更新电池的内部温度,包括:
S301、获取电池的热参数,根据热参数建立电池热路模型;
S302、基于电池产热公式,根据初始参数数据确定电池产热;
S303、根据电池热路模型和电池产热更新电池的内部温度。
在上述实施例中,请参阅图4,图4为本发明提供的电池热路模型的一实施例的模型结构图,电池的热参数包括质量,传导热阻,对流换热热阻,比热容,热容量(比热容×质量)等,这些热参数可以根据电池的属性直接获得,本发明对此不做进一步赘述。将各个部件的热参数基于传热基本理论,等效为电路进行求解。
以单电芯(电池)为例,将电芯分为内部卷芯和电芯外壳,从电芯几何中心传导到电芯外壳,有传导热阻,3个方向的传导热阻分别等效记录为Rxi,Ryi,Rzi,电池外壳和周围空气存在对流换热,3个方向的对流换热热阻分别记录为Rxo,Ryo,Rzo,此外卷芯和外壳分别会吸热引起温度升高,因此分别并上卷芯和外壳的热容量,最终得到电池的内部温度。同理在电池PACK系统中,利用同样的方法,将电芯热网络和模组端侧板,导热胶,管路,冷却液,BMS,箱体等搭建更为复杂的热路模型,基于电路的方法可以求解热路中任意节点的温度。
在本发明的一些实施例中,热参数包括电池卷芯热容量和电池外壳热容量;根据电池热路模型和电池产热更新电池的内部温度,包括:
基于电池热路模型,根据电池产热、电池卷芯热容量和电池外壳热容量建立热回路关系;
根据热回路关系得到电池的实时内部温度,并对电池的实时内部温度离散化得到电池内部温度的离散值。需要说明的是,本发明中的离散是通过编程语言实现的,具体的编程语言并不是本发明的保护重点,因此,本发明不做进一步说明,只需要能够实现数据的离散化即可。
在上述实施例中,根据电池热路模型可以建立如下热回路关系:
Tis=Ti-Tamb
Tss=Ts-Tamb;
其中,Ti,Ts为电池的内部温度和电池的外壳温度,CC,CS为电芯卷芯和外壳的热容量,Tamb为环境参考温度,Tis,Tss为电芯内部和外壳相对环境的温度,Rpi、Rpo分别为卷芯等效并联传导热阻和电池表面等效对流换热热阻。
通过以上关系式可以得到电芯内部相对于环境温度Tis,离散化之后得到:
Tis(k+2)=aTis(k+1)+bTis(k)+cq(k+1)+dq(k);
a,b,c,d分别为系数,分别表示如下:
又由于Tis=Ti-Tamb,可以进一步得到电池的内部温度Ti。
在本发明的一些实施例中,根据更新后的电池的内部温度和老化模型更新并分配电池的内阻,包括:
获取电池的老化数据,对老化数据进行拟合更新电池的内阻;
根据充放电电流计算累计吞吐量,基于预设规则,根据吞吐量分配电池的内阻。
在上述实施例中,老化有循环老化和日历老化,带来的直接结果是容量衰减和内阻增加,基于使用环境下的实测循环老化和日历老化数据,利用曲线拟合工具,拟合得到电池容量和电池的内阻随时间、温度、SOC和放电深度的关系,电池的容量和内阻满足以下变化规律:
其中,C为电池容量,Cini为初始容量,循环圈数N,t为时间,DOD为充放电深度,Ti为电池的内部温度,α,β为老化系数,m,n为常系数。
老化模型传递内阻R和容量C数值的时候,如何将R分配给ECM模型中的R0,R1,R2对模型精度尤其关键,其中f(mi(i=0,1,2))依据实际电池在使用过程中充放电总的吞吐量Q确定,在对待预测电池进行充放电时,计算电池的累计吞吐量,具体为:
其中,Iik为充放电电流的离散化表达式,tik为电流对应的持续时间,Q为累计吞吐量。
内阻分配为:Ri(1=0,1,2)=f(mi(i=0,1,2))R;
判断Q与Q1的关系,当Q小于Q1时,f(mi(i=0,1,2))=A0;当Q大于等于Q1时,进一步判断Q与Q2的关系,当Q小于Q2时,f(m1)=A1,f(m2)=B1,f(m3)=C1,当Q大于等于Q2时,f(m1)=A2,f(m2)=B2,f(m3)=C2。
其中,R为电池的内阻,Q1,Q2为常数,A0,A1,A2,B1,B2,C1,C2为比例系数。
在本发明的一些实施例中,根据分配后的电池的内阻和等效电路模型确定电池的实时端电压,包括:
根据充放电电流、分配后的电池的内阻和等效电路模型得到电池内部回路关系;
根据电池内部回路关系得到电池的实时端电压,并将电池的实时端电压离散化得到电池端电压的离散值。
在上述实施例中,请参阅图5,图5为本发明提供的等效电路模型的一实施例的模型结构图,成熟的商业软件进行参数辨识可以得到R0,R1C1和R2C2的参数,参数辨识采用的数学方法是最小二乘法,可得:
Ub=Uocv-U0-U1-U2
U0=R0Ii
将以上公式离散化便可得到:
Ub(k+1)=Uocv(k+1)-U1(k+1)-U2(k+1)-R0Ii(k);
其中,Ub为端电压,Uocv为开路电压,U0为欧姆内阻两端电压,U1、U2分别为R1C1、R2C2环节的两端电压,τ1、τ2为时间常数,分别对应的数值为R1C1、R2C2,反馈的是电流激励过程中,从激励开始到电压响应达到稳定所需的时间。
请参阅图6,图6为图1中步骤S103的一实施例的流程示意图,在本发明的一些实施例中,基于二分法,根据更新后的待预测电池的端电压确定待预测电池的最大放电电流和最小充电电流,包括:
S601、通过等效模型获取多个采集周期的电池端电压;
S602、根据多个采集周期的电池端电压确定电池端电压的限制条件;
S603、根据电池端电压的限制条件确定待预测电池的最大放电电流和最小充电电流。
在上述实施例中,以上老化模型、等效电路模型和热模型共同决定了模型输出电压的准确性,是功率预测的前置输入,前置输入不准确,功率预测功能实时预测电池的功率状态就会出现较大偏差。
根据输入电流Ii和基于输入电流作用于ECM模型得到电压响应Ub,可得到电池的功率状态:
PUbIi;
如果需要预测电池最大放电功率、最小充电功率,基于ECM模型端电压响应,N个采样周期时长,电池端电压为:
Ub(k+N)=Uocv(k+N)-U1(k+N)-U2(k+N)-R0Ii(k+N);
假设电池、充放电流N个周期内保持不变,满足Ii(k)=Ii(k+1)=...=Ii(k+N),则根据电池充电上截止电压、放电下截止电压的限制来分别寻求最小充电电流、最大放电电流,则电压需满足:
Uocv(k+N)-U1(k+N)-U2(k+N)-R0Ii(k+N)-Ubmax=0
Uocv(k+N)-U1(k+N)-U2(k+N)-R0Ii(k+N)-Ubmin=0;
因此电池的最大放电功率、最小充电功率估计如下:
为了更好实施本发明实施例中的电池功率综合预测方法,在电池功率综合预测方法基础之上,对应的,请参阅图7,图7为本发明提供的电池功率综合预测装置的一实施例的结构示意图,本发明实施例提供了一种电池功率综合预测装置700,包括:
充放电模块710,用于建立热模型、老化模型和等效电路模型,对待预测电池持续进行充放电,记录待预测电池的初始参数数据;
更新模块720,用于根据热模型、老化模型、等效电路模型和初始参数数据更新待预测电池的端电压;
电流确定模块730,用于基于二分法,根据初始参数数据确定待预测电池的最大放电电流和最小充电电流;
预测模块740,用于根据更新后的待预测电池的端电压、最大放电电流和最小充电电流预测待预测电池的功率。
这里需要说明的是:上述实施例提供的装置700可实现上述各方法实施例中描述的技术方案,上述各模块或单元具体实现的原理可参见上述方法实施例中的相应内容,此处不再赘述。
请参阅图8,图8为本发明实施例提供的电子设备的结构示意图。基于上述电池功率综合预测方法,本发明还相应提供了一种电池功率综合预测设备,电池功率综合预测设备可以是移动终端、桌上型计算机、笔记本、掌上电脑及服务器等计算设备。该电池功率综合预测设备包括处理器810、存储器820及显示器830。图8仅示出了电子设备的部分组件,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。
存储器820在一些实施例中可以是电池功率综合预测设备的内部存储单元,例如电池功率综合预测设备的硬盘或内存。存储器820在另一些实施例中也可以是电池功率综合预测设备的外部存储设备,例如电池功率综合预测设备上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器820还可以既包括电池功率综合预测设备的内部存储单元也包括外部存储设备。存储器820用于存储安装于电池功率综合预测设备的应用软件及各类数据,例如安装电池功率综合预测设备的程序代码等。存储器820还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中,存储器820上存储有电池功率综合预测程序840,该电池功率综合预测程序840可被处理器810所执行,从而实现本申请各实施例的电池功率综合预测方法。
处理器810在一些实施例中可以是一中央处理器(Central Processing Unit,CPU),微处理器或其他数据处理芯片,用于运行存储器820中存储的程序代码或处理数据,例如执行电池功率综合预测方法等。
显示器830在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。显示器830用于显示在电池功率综合预测设备的信息以及用于显示可视化的用户界面。电池功率综合预测设备的部件810-830通过系统总线相互通信。
在一实施例中,当处理器810执行存储器820中电池功率综合预测程序840时实现如上的电池功率综合预测方法中的步骤。
本实施例还提供了一种计算机可读存储介质,其上存储有电池功率综合预测程序,该电池功率综合预测程序被处理器执行时实现以下步骤:
建立热模型、老化模型和等效电路模型,对待预测电池持续进行充放电,记录待预测电池的初始参数数据;
根据热模型、老化模型、等效电路模型和初始参数数据更新待预测电池的端电压;
基于二分法,根据更新后的待预测电池的端电压确定待预测电池的最大放电电流和最小充电电流;
根据更新后的待预测电池的端电压、最大放电电流和最小充电电流预测待预测电池的功率。
综上,本实施例提供的一种电池功率综合预测方法、装置、设备及存储介质,对待预测电池持续进行充放电,得到待预测电池的初始参数数据,并建立热模型、老化模型、等效电路模型,通过热模型、老化模型、等效电路模型对待预测电池的端电压进行更新,然后进一步计算出待预测电池的最大放电电流和最小充电电流,最后根据更新后的待预测电池的端电压、最大放电电流和最小充电电流预测待预测电池的功率。本发明通过建立热模型、老化模型、等效电路模型进行综合计算待预测电池的端电压,将老化、电芯温度考虑进去,精准的模拟电芯的实时状态,对电池的全生命周期功率情况实现实时在线估计,提高了电池功率预测的准确性,从而进一步的确定待预测电池的最大放电电流和最小充电电流,降低了电池功率预测的误差。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种电池功率综合预测方法,其特征在于,包括:
建立热模型、老化模型和等效电路模型,对待预测电池持续进行充放电,记录待预测电池的初始参数数据;
根据所述热模型、所述老化模型、所述等效电路模型和所述初始参数数据更新待预测电池的端电压;
基于二分法,根据更新后的待预测电池的端电压确定待预测电池的最大放电电流和最小充电电流;
根据更新后的待预测电池的端电压、所述最大放电电流和所述最小充电电流预测待预测电池的功率。
2.根据权利要求1所述的电池功率综合预测方法,其特征在于,所述根据所述热模型、所述老化模型、所述等效电路模型和所述初始参数数据更新待预测电池的端电压,包括:
根据所述初始参数数据和所述热模型更新电池的内部温度;
根据更新后的电池的内部温度和所述老化模型更新并分配电池的内阻;
根据分配后的电池的内阻和所述等效电路模型确定电池的实时端电压。
3.根据权利要求2所述的电池功率综合预测方法,其特征在于,所述根据所述初始参数数据和所述热模型更新电池的内部温度,包括:
获取电池的热参数,根据所述热参数建立电池热路模型;
基于电池产热公式,根据所述初始参数数据确定电池产热;
根据所述电池热路模型和所述电池产热更新电池的内部温度。
4.根据权利要求3所述的电池功率综合预测方法,其特征在于,所述热参数包括电池卷芯热容量和电池外壳热容量;所述根据所述电池热路模型和所述电池产热更新电池的内部温度,包括:
基于所述电池热路模型,根据所述电池产热、所述电池卷芯热容量和所述电池外壳热容量建立热回路关系;
根据所述热回路关系得到电池的实时内部温度,并对所述电池的实时内部温度离散化得到电池内部温度的离散值。
5.根据权利要求2所述的电池功率综合预测方法,其特征在于,所述根据更新后的电池的内部温度和所述老化模型更新并分配电池的内阻,包括:
获取电池的老化数据,对所述老化数据进行拟合更新电池的内阻;
根据充放电电流计算累计吞吐量,基于预设规则,根据吞吐量分配电池的内阻。
6.根据权利要求5所述的电池功率综合预测方法,其特征在于,所述根据分配后的电池的内阻和所述等效电路模型确定电池的实时端电压,包括:
根据所述充放电电流、分配后的电池的内阻和所述等效电路模型得到电池内部回路关系;
根据所述电池内部回路关系得到电池的实时端电压,并将所述电池的实时端电压离散化得到电池端电压的离散值。
7.根据权利要求5所述的电池功率综合预测方法,其特征在于,所述基于二分法,根据更新后的待预测电池的端电压确定待预测电池的最大放电电流和最小充电电流,包括:
通过所述等效模型获取多个采集周期的电池端电压;
根据多个采集周期的电池端电压确定电池端电压的限制条件;
根据所述电池端电压的限制条件确定待预测电池的最大放电电流和最小充电电流。
8.一种电池功率综合预测装置,其特征在于,包括:
充放电模块,用于建立热模型、老化模型和等效电路模型,对待预测电池持续进行充放电,记录待预测电池的初始参数数据;
更新模块,用于根据所述热模型、所述老化模型、所述等效电路模型和所述初始参数数据更新待预测电池的端电压;
电流确定模块,用于基于二分法,根据所述初始参数数据确定待预测电池的最大放电电流和最小充电电流;
预测模块,用于根据更新后的待预测电池的端电压、所述最大放电电流和所述最小充电电流预测待预测电池的功率。
9.一种电子设备,其特征在于,包括存储器和处理器,其中,
所述存储器,用于存储程序;
所述处理器,与所述存储器耦合,用于执行所述存储器中存储的所述程序,以实现上述权利要求1至7中任一项所述电池功率综合预测方法中的步骤。
10.一种计算机可读存储介质,其特征在于,用于存储计算机可读取的程序或指令,所述程序或指令被处理器执行时,能够实现上述权利要求1至7中任一项所述电池功率综合预测方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211323504.8A CN115545335A (zh) | 2022-10-27 | 2022-10-27 | 一种电池功率综合预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211323504.8A CN115545335A (zh) | 2022-10-27 | 2022-10-27 | 一种电池功率综合预测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115545335A true CN115545335A (zh) | 2022-12-30 |
Family
ID=84718818
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211323504.8A Pending CN115545335A (zh) | 2022-10-27 | 2022-10-27 | 一种电池功率综合预测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115545335A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116070466A (zh) * | 2023-03-08 | 2023-05-05 | 上海泰矽微电子有限公司 | 一种电池截止电压下的最优soc仿真寻值方法 |
-
2022
- 2022-10-27 CN CN202211323504.8A patent/CN115545335A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116070466A (zh) * | 2023-03-08 | 2023-05-05 | 上海泰矽微电子有限公司 | 一种电池截止电压下的最优soc仿真寻值方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102219397B1 (ko) | 원격 파라미터 추정을 구비한 2차 전지 관리 시스템 | |
CN110927605B (zh) | 电池健康状态的估计方法及装置 | |
Pattipati et al. | Open circuit voltage characterization of lithium-ion batteries | |
CN106233571B (zh) | 多电池设备中的负载调度 | |
US20170146608A1 (en) | Method of dynamically extracting entropy of battery | |
Sung et al. | Electrochemical model of a lithium-ion battery implemented into an automotive battery management system | |
WO2014185163A1 (ja) | 電池状態推定装置、電池状態管理システム、電池、電池状態推定方法、及び、プログラム | |
US9176198B2 (en) | Battery state estimator with overpotential-based variable resistors | |
CN112051504B (zh) | 电池容量的预测方法、装置、终端及计算机可读存储介质 | |
US9417270B2 (en) | Systems and methods to capture and utilize temperature information in a battery system | |
JP2018059910A (ja) | 電池の状態を推定するためのシステム及び方法、および、非一時的コンピュータ可読記憶媒体 | |
US10957946B2 (en) | Capacity degradation analysis for batteries | |
JP2023139227A (ja) | 電池健康状態予測方法、装置、電子機器及び可読記憶媒体 | |
CN112818535B (zh) | 建立电热仿真模型及获得电热仿真值的方法和装置 | |
WO2022116037A1 (zh) | 电量预测方法和设备 | |
CN115545335A (zh) | 一种电池功率综合预测方法、装置、设备及存储介质 | |
Wu et al. | Large-scale energy storage system design and optimization for emerging electric-drive vehicles | |
JP7480541B2 (ja) | 開発支援装置、及び開発支援方法 | |
JP2018009963A (ja) | シミュレーション方法及びシミュレーション装置 | |
Jiang et al. | A user-friendly lithium battery simulator based on open-source CFD | |
Zhuo et al. | Diffusion-aware voltage source: An equivalent circuit network to resolve lithium concentration gradients in active particles | |
CN116359771A (zh) | 锂离子电池寿命预测方法、电子设备及可读存储介质 | |
Dingari et al. | A reduced‐order electrochemical model for coupled prediction of state of charge and state of health of lithium ion batteries under constant current‐constant voltage charging conditions | |
CN116774056A (zh) | 评估电池的充电时间的方法、系统及计算机可读存储介质 | |
CN117031292A (zh) | 电池健康状态预测方法、装置、计算机设备和存储介质 |
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 |