CN115561641B - 基于状态观测器的锂电池荷电状态估计方法、设备及介质 - Google Patents
基于状态观测器的锂电池荷电状态估计方法、设备及介质 Download PDFInfo
- Publication number
- CN115561641B CN115561641B CN202211419110.2A CN202211419110A CN115561641B CN 115561641 B CN115561641 B CN 115561641B CN 202211419110 A CN202211419110 A CN 202211419110A CN 115561641 B CN115561641 B CN 115561641B
- Authority
- CN
- China
- Prior art keywords
- state
- lithium battery
- charge
- equation
- model
- 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
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
-
- 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
Abstract
本发明实施例中提供了一种基于状态观测器的锂电池荷电状态估计方法、设备及介质,属于数据处理技术领域,具体包括:步骤1,建立一阶等效电路模型,并辨识一阶等效电路模型中的关键参数;步骤2,利用安时积分法,建立锂电池荷电状态的估计方程;步骤3,构建锂电池荷电状态的状态方程;步骤4,建立近似T‑S模糊模型;步骤5,为鲁棒系数赋值,并计算终端电压的误差;步骤6,对模糊系数对应的估计值进行更新;步骤7,将鲁棒系数、终端电压的误差、估计值代入状态观测器,得到锂电池荷电状态的估计值;步骤8,更新估计值并返回步骤1。通过本发明的方案,提高了适应性和精准度以及提高锂电池在复杂工况下的安全性和工作效率。
Description
技术领域
本发明实施例涉及数据处理技术领域,尤其涉及一种基于状态观测器的锂电池荷电状态估计方法、设备及介质。
背景技术
目前,作为清洁能源的典型代表,锂离子电池(LIBs)由于具有高能量密度、小记忆效应和长循环寿命的优点,已被广泛选择为电动汽车(EV)和混合动力电动汽车(HEV)等工业应用中的电源。然而,锂离子电池的安全性仍然是一个令人关注的问题,它直接影响到电池实际容量和寿命的利用效率。过充电和过放电会对电池性能产生负面影响,并可能导致严重事故。电池的充电和放电由电池管理系统(BMS)控制,该系统可在任何给定时间准确识别电池状态。电池状态通常包括荷电状态(SOC)、健康状态(SOH)、能量状态(SOE)和功率状态(SOP)等,所有这些都受到复杂因素的影响,即电压、电流、温度和使用时间。在这些状态中,SOC是整个使用寿命中要考虑的核心指标,它对BMS中其他指标的准确性有很大影响。
锂离子电池(LIB)在工作过程中,内部存在复杂的电化学机理。因此,在进行SOC估计的过程中,估算精度受到多种因素的干扰,例如充电/放电循环的动力学,热动力学对内部参数的影响,复杂参数间的相互作用,建模误差和未知干扰,这些因素对LIBs的模型精度以及稳定的SOC估计有很大影响。
现有关于锂电池SOC估计的方法,主要着眼于以下两个方面:一方面,许多估计方法大多使用静态电池模型,如电化学、戴维南和等效电路模型(NECM),其中,这些模型中的关键参数在识别后通常被假设为恒定,这影响了模型在实际应用中的适应性。另一方面,在估计SOC时,大多数基于滤波器的方法,主要适用于高斯噪声,当遇到非高斯干扰时,矩阵平方根的计算复杂,影响了其在实际应用中的推广。采用这类方法对锂离子电池进行SOC估计的时候,仍然难以消除模型参数和未知非高斯干扰的相互影响。
可见,亟需一种适应性和精准度高、提高锂电池在复杂工况下的安全性和工作效率的基于状态观测器的锂电池荷电状态估计方法。
发明内容
有鉴于此,本发明实施例提供一种基于状态观测器的锂电池荷电状态估计方法、设备及介质,至少部分解决现有技术中存在适应性和精准度较差的问题。
第一方面,本发明实施例提供了一种基于状态观测器的锂电池荷电状态估计方法,包括:
步骤1,根据锂电池的电化学和阻抗特性,利用预设公式建立一阶等效电路模型,并利用HPPC实验辨识一阶等效电路模型中的关键参数,其中,所述关键参数包括锂电池的欧姆内阻, 锂电池的极化内阻和锂电池的计划电容;
步骤2,利用安时积分法,建立锂电池荷电状态的估计方程;
步骤3,根据一阶等效电路模型和估计方程构建锂电池荷电状态的状态方程;
步骤4,根据状态方程建立锂电池的开路电压关于荷电状态非线性方程的近似T-S模糊模型,并推导后验系数误差;
根据本发明实施例的一种具体实现方式,所述一阶等效电路模型的表达式为
根据本发明实施例的一种具体实现方式,所述估计方程为
根据本发明实施例的一种具体实现方式,所述状态方程为
根据本发明实施例的一种具体实现方式,所述近似T-S模糊模型的表达式为
根据本发明实施例的一种具体实现方式,所述步骤7之前,所述方法还包括:
根据近似T-S模糊模型和等效控制概念,得到所述状态观测器,其中,所述状态观测器的表达式为
第二方面,本发明实施例还提供了一种电子设备,该电子设备包括:
至少一个处理器;以及,
与该至少一个处理器通信连接的存储器;其中,
该存储器存储有可被该至少一个处理器执行的指令,该指令被该至少一个处理器执行,以使该至少一个处理器能够执行前述第一方面或第一方面的任一实现方式中的基于状态观测器的锂电池荷电状态估计方法。
第三方面,本发明实施例还提供了一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机指令,该计算机指令用于使该计算机执行前述第一方面或第一方面的任一实现方式中的基于状态观测器的锂电池荷电状态估计方法。
第四方面,本发明实施例还提供了一种计算机程序产品,该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序,该计算机程序包括程序指令,当该程序指令被计算机执行时,使该计算机执行前述第一方面或第一方面的任一实现方式中的基于状态观测器的锂电池荷电状态估计方法。
本发明实施例中的基于状态观测器的锂电池荷电状态估计方案,包括:步骤1,根据锂电池的电化学和阻抗特性,利用预设公式建立一阶等效电路模型,并利用HPPC实验辨识一阶等效电路模型中的关键参数,其中,所述关键参数包括锂电池的欧姆内阻, 锂电池的极化内阻和锂电池的计划电容;步骤2,利用安时积分法,建立锂电池荷电状态的估计方程;步骤3,根据一阶等效电路模型和估计方程构建锂电池荷电状态的状态方程;步骤4,根据状态方程建立锂电池的开路电压关于荷电状态非线性方程的近似T-S模糊模型,并推导后验系数误差;步骤5,为鲁棒系数,和赋值,并计算终端电压的误差;步骤6,根据更新公式对模糊系数和对应的估计值和进行更新;步骤7,将鲁棒系数、、、终端电压的误差、估计值和代入状态观测器,得到锂电池荷电状态的估计值;步骤8,更新估计值和并返回步骤1。
本发明实施例的有益效果为:通过本发明的方案,基于锂电池工作状态下的物理机理,结合等效电路模型(ECM)和安时(Ah)积分方法,建立了锂电池SOC的状态方程;在此基础上,设计了一种基于Takagi-Sugeno(T-S)模糊的自适应鲁棒观测器,该观测器采用自适应机制和鲁棒律,来实现SOC估计的自适应鲁棒性能:1)使用Takagi-Sugeno(T-S)模糊来补偿原等效电路模型中的复杂模型非线性,根据终端电压自适应调整模糊参数;2)引入鲁棒律来减轻不确定模型和外部干扰引起的干扰的影响,鲁棒增益由Lyapunov定理严格推导。这使得该观测器能有效抑制由模型不确定性和外部干扰引起的SOC估计偏差,以实现对电池SOC的精确估计。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例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的前提下,还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的一种基于状态观测器的锂电池荷电状态估计方法的流程示意图;
图2为本发明实施例提供的一种锂电池内部结构与电化学机理示意图;
图3为本发明实施例提供的一种基于自适应鲁棒状态观测器的锂电池荷电状态估计原理示意图;
图4为本发明实施例提供的一种锂电池的一阶等效电路模型示意图;
图5为本发明实施例提供的一种设计状态观测器的基本思路示意图;
图6为本发明实施例提供的电子设备示意图。
具体实施方式
下面结合附图对本发明实施例进行详细描述。
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。基于本发明中的实施例,本领域普通技术人员在没有作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,下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见,本文中所描述的方面可体现于广泛多种形式中,且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本发明,所属领域的技术人员应了解,本文中所描述的一个方面可与任何其它方面独立地实施,且可以各种方式组合这些方面中的两者或两者以上。举例来说,可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外,可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
还需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
另外,在以下描述中,提供具体细节是为了便于透彻理解实例。然而,所属领域的技术人员将理解,可在没有这些特定细节的情况下实践所述方面。
本发明实施例提供一种基于状态观测器的锂电池荷电状态估计方法,所述方法可以应用于新能源场景的锂电池荷电状态预估过程中。
参见图1,为本发明实施例提供的一种基于状态观测器的锂电池荷电状态估计方法的流程示意图。如图1所示,所述方法主要包括以下步骤:
步骤1,根据锂电池的电化学和阻抗特性,利用预设公式建立一阶等效电路模型,并利用HPPC实验辨识一阶等效电路模型中的关键参数,其中,所述关键参数包括锂电池的欧姆内阻, 锂电池的极化内阻和锂电池的计划电容;
进一步的,所述一阶等效电路模型的表达式为
具体实施时,考虑到锂离子电池(LIB)在工作过程中,内部存在复杂的电化学机理,如图2所示。因此,在进行SOC估计的过程中,估算精度受到多种因素的干扰,例如充电/放电循环的动力学,热动力学对内部参数的影响,复杂参数间的相互作用,建模误差和未知干扰,这些因素对LIBs的模型精度以及稳定的SOC估计有很大影响。
现有关于锂电池SOC估计的方法,主要着眼于以下两个方面:一方面,许多估计方法大多使用静态电池模型,如电化学、戴维南和等效电路模型(NECM),其中,这些模型中的关键参数在识别后通常被假设为恒定,这影响了模型在实际应用中的适应性。另一方面,在估计SOC时,大多数基于滤波器的方法,主要适用于高斯噪声,当遇到非高斯干扰时,矩阵平方根的计算复杂,影响了其在实际应用中的推广。采用这类方法对锂离子电池进行SOC估计的时候,仍然难以消除模型参数和未知非高斯干扰的相互影响。因此,需要开发一种考虑了这些因素的锂电池SOC估计方法,提高锂电池在复杂工况下的安全性和工作效率。
例如,如图3所示原理,首先,根据电池的电化学和阻抗特性,可以建立基于电化学动力学和传输方程的机理模型,以描述电池的内部特性和反应。作为一种有效的近似模型,等效电路模型(ECM)通过电阻、电容和电压等电气元件来模拟LIB的主要动态特性。虽然模型中的电池参数受老化状态和工作条件的影响很大,但通过在线校正仍能获得良好的建模效果。关于RC数的选择,通常需要平衡精度和计算复杂度。相关学者对不同ECM下锂离子电池的SOC进行了全面研究,发现1-RC和2-RC模型更适合选择。因此,考虑到在线SOC估计的效率,选择如下的一阶RC模型,如图4所示。
步骤2,利用安时积分法,建立锂电池荷电状态的估计方程;
在上述实施例的基础上,所述估计方程为
具体实施时,采用安时积分法则可以得到锂电池的SOC的估计方程为:
步骤3,根据一阶等效电路模型和估计方程构建锂电池荷电状态的状态方程;
进一步的,所述状态方程为
具体实施时,由公式(1)-(3),可得SOC的状态方程如下:
步骤4,根据状态方程建立锂电池的开路电压关于荷电状态非线性方程的近似T-S模糊模型,并推导后验系数误差;
在上述实施例的基础上,所述近似T-S模糊模型的表达式为
具体实施时,在实际测量系统或建模过程中,存在一些影响SOC估计精度的因素,即传感器漂移、不确定建模误差和外部干扰等,这些因素具有很强的随机性和非线性,可能不服从高斯分布。为了在这些条件下实现SOC的精确估计,提出了一种自适应模糊滑模观测器(AFSMO),如图5所示。在该观测器中,设计了两个主要部分来实现SOC估计的自适应鲁棒性能:1)使用Takagi-Sugeno(T-S)模糊来补偿原等效电路模型中的复杂模型非线性,根据终端电压自适应调整模糊参数;2) 引入鲁棒律来减轻不确定模型和外部干扰引起的干扰的影响,鲁棒增益由Lyapunov定理严格推导。
考虑到模型不确定性和干扰对模型精度的实际影响,等式(5)可由下式表示:
规则i:
规则j:
其中,和是两个与SOC相关的向量;和是两个非线性函数,将原始对象从低维映射到高维,以实现线性化。m和n 为模糊集的数量,通常有聚类算法得到。和表示规则数量;, 与,分别表示和的后验系数。假设和表示和中第i和第j个模糊规则的权重。由此,可分别得到对应于和得的模糊模型:
利用拉格朗日乘数法,求解上述模型,可得到以下基于核函数的T-S模糊模型。
进一步,定义以下变量:
然后,公式(14)和(15)可转化为:
因此,基于等效控制概念,提出的状态观测器设计如下:
具体实施时,可以分别定义以下Lyapunov方程:
通过对上述Lyapunov方程求导,可得到该状态观测器各变量误差之间的关系如下:
并满足以下的稳定性条件:
进一步的,所述步骤7之前,所述方法还包括:
根据近似T-S模糊模型和等效控制概念,得到所述状态观测器,其中,所述状态观测器的表达式为
具体实施时,考虑到基于等效控制概念设计的状态观测器为
具体实施时,在得到锂电池荷电状态的估计值后,可以将其记录至后台并更新最新数据,然后返回步骤1,以使得状态观测器处于实时监测和更新的状态。
本实施例提供的基于状态观测器的锂电池荷电状态估计方法,通过基于一阶等效电路模型(1RECM)和安时(Ah)积分方法,建立了锂电池SOC的状态方程;根据上述状态方程,设计了一种基于T-S模糊的自适应鲁棒观测器,该观测器采用自适应机制和鲁棒律,实现对锂电池SOC的自适应鲁棒估计;使用T-S模糊来补偿原等效电路模型中的复杂模型非线性,根据终端电压自适应调整模糊参数;引入鲁棒律来减轻不确定模型和外部干扰引起的干扰的影响,鲁棒增益系数由Lyapunov定理严格推导,保证所设计状态观测器的鲁棒性,提高了适应性和精准度,也提高了锂电池在复杂工况下的安全性和工作效率。
参见图6,本发明实施例还提供了一种电子设备60,该电子设备包括:至少一个处理器以及与该至少一个处理器通信连接的存储器。其中,该存储器存储有可被该至少一个处理器执行的指令,该指令被该至少一个处理器执行,以使该至少一个处理器能够执行前述方法实施例中的基于状态观测器的锂电池荷电状态估计方法。
本发明实施例还提供了一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机指令,该计算机指令用于使该计算机执行前述方法实施例中的基于状态观测器的锂电池荷电状态估计方法。
本发明实施例还提供了一种计算机程序产品,该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序,该计算机程序包括程序指令,当该程序指令被计算机执行时,使该计算机执行前述方法实施例中的基于状态观测器的锂电池荷电状态估计方法。
下面参考图6,其示出了适于用来实现本发明实施例的电子设备60的结构示意图。本发明实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的电子设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示,电子设备60可以包括处理装置(例如中央处理器、图形处理器等)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有电子设备60操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常,以下装置可以连接至I/O接口605:包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置606;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607;包括例如磁带、硬盘等的存储装置608;以及通信装置609。通信装置609可以允许电子设备60与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种装置的电子设备60,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本发明的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置609从网络上被下载和安装,或者从存储装置608被安装,或者从ROM 602被安装。在该计算机程序被处理装置601执行时,执行本发明实施例的方法中限定的上述功能。
需要说明的是,本发明上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备可以执行上述方法实施例的相关步骤。
或者,上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备可以执行上述方法实施例的相关步骤。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。
以上所述,仅为本发明的具体实施方式,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。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (7)
1.一种基于状态观测器的锂电池荷电状态估计方法,其特征在于,包括:
步骤1,根据锂电池的电化学和阻抗特性,利用预设公式建立一阶等效电路模型,并利用HPPC实验辨识一阶等效电路模型中的关键参数,其中,所述关键参数包括锂电池的欧姆内阻, 锂电池的极化内阻和锂电池的极化电容;
步骤2,利用安时积分法,建立锂电池荷电状态的估计方程;
步骤3,根据一阶等效电路模型和估计方程构建锂电池荷电状态的状态方程;
步骤4,根据状态方程建立锂电池的开路电压关于荷电状态非线性方程的近似T-S模糊模型,并推导后验系数误差;
考虑到模型不确定性和干扰对模型精度的实际影响,状态方程由下式表示:
其中,, , 是由模型不确定性和外部干扰引起的未知扰动,,, , ,为开路电压关于荷电状态的非线性函数,为的一阶导数,为开路电压关于荷电状态的线性系数,表示电池容量,, 表示等效电路模型的以下非线性项:
非线性项和由以下T-S模糊模型逼近,,,和是两个非线性函数,将原始对象从低维映射到高维,和表示规则数量;,与,分别表示和的后验系数,假设和表示和中第i和第j个模糊规则的权重,由此分别得到对应于和得的模糊模型:
定义以下变量:
基于等效控制概念,得到状态观测器设计如下:
所述步骤5具体包括:
定义以下Lyapunov方程:
通过对Lyapunov方程求导,得到该状态观测器各变量误差之间的关系如下:
所述步骤6具体包括:
6.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行前述权利要求1-5中任一项所述的基于状态观测器的锂电池荷电状态估计方法。
7.一种非暂态计算机可读存储介质,其特征在于,该非暂态计算机可读存储介质存储计算机指令,该计算机指令用于使该计算机执行前述权利要求1-5中任一项所述的基于状态观测器的锂电池荷电状态估计方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211419110.2A CN115561641B (zh) | 2022-11-14 | 2022-11-14 | 基于状态观测器的锂电池荷电状态估计方法、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211419110.2A CN115561641B (zh) | 2022-11-14 | 2022-11-14 | 基于状态观测器的锂电池荷电状态估计方法、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115561641A CN115561641A (zh) | 2023-01-03 |
CN115561641B true CN115561641B (zh) | 2023-03-14 |
Family
ID=84770486
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211419110.2A Active CN115561641B (zh) | 2022-11-14 | 2022-11-14 | 基于状态观测器的锂电池荷电状态估计方法、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115561641B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6924622B1 (en) * | 1999-06-03 | 2005-08-02 | Invensys Energy Systems (Nz) Limited | Battery capacity measurement |
CN103901351A (zh) * | 2014-03-18 | 2014-07-02 | 浙江大学城市学院 | 一种基于滑动窗滤波的单体锂离子电池soc估计方法 |
CN107192959A (zh) * | 2017-06-16 | 2017-09-22 | 浙江大学 | 一种基于Takagi‑Sugeno模糊模型的锂电池荷电状态估计方法 |
-
2022
- 2022-11-14 CN CN202211419110.2A patent/CN115561641B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6924622B1 (en) * | 1999-06-03 | 2005-08-02 | Invensys Energy Systems (Nz) Limited | Battery capacity measurement |
CN103901351A (zh) * | 2014-03-18 | 2014-07-02 | 浙江大学城市学院 | 一种基于滑动窗滤波的单体锂离子电池soc估计方法 |
CN107192959A (zh) * | 2017-06-16 | 2017-09-22 | 浙江大学 | 一种基于Takagi‑Sugeno模糊模型的锂电池荷电状态估计方法 |
Non-Patent Citations (6)
Title |
---|
State of charge and state of health estimation based on dual nonlinear adaptive observer and hysteresis model of lithium-ion battery;Yan Ma等;《Journal of Renewable and Sustainable Energy》;20210805;全文 * |
State of Charge Estimation of Lithium-Ion Battery Using Robust Kernel Fuzzy Model and Multi-Innovation UKF Algorithm Under Noise;Xiangbo Cui等;《IEEE Transactions on Industrial Electronics》;20211027;第69卷(第11期);全文 * |
State-Space Modeling and Observer Design of Li-Ion Batteries Using Takagi–Sugeno Fuzzy System;Mohammad Foad Samadi等;《IEEE Transactions on Control Systems Technology》;20160517;第25卷(第1期);全文 * |
基于分级Takagi-Sugeno模糊控制的电池SOC预测研究;陈德海等;《电源技术》;20181031;全文 * |
基于变参数模型的锂电池荷电状态观测方法;许元武等;《控制理论与应用》;20190331;全文 * |
质子交换膜燃料电池的建模与鲁棒控制;邵庆龙;《万方学位论文数据库》;20050819;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115561641A (zh) | 2023-01-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Peng et al. | An improved state of charge estimation method based on cubature Kalman filter for lithium-ion batteries | |
Tang et al. | Aging trajectory prediction for lithium-ion batteries via model migration and Bayesian Monte Carlo method | |
Wang et al. | Modeling and state-of-charge prediction of lithium-ion battery and ultracapacitor hybrids with a co-estimator | |
Ungurean et al. | Battery state of health estimation: a structured review of models, methods and commercial devices | |
Chen et al. | State-of-charge estimation of lithium-ion batteries based on improved H infinity filter algorithm and its novel equalization method | |
Li et al. | A multi-model probability SOC fusion estimation approach using an improved adaptive unscented Kalman filter technique | |
Wei et al. | Comparative study of methods for integrated model identification and state of charge estimation of lithium-ion battery | |
He et al. | Online model-based estimation of state-of-charge and open-circuit voltage of lithium-ion batteries in electric vehicles | |
Song et al. | The sequential algorithm for combined state of charge and state of health estimation of lithium-ion battery based on active current injection | |
US20150219726A1 (en) | Systems and methods for battery state estimation | |
Zhang et al. | State‐of‐charge estimation of the lithium‐ion battery system with time‐varying parameter for hybrid electric vehicles | |
Hu et al. | Two time-scaled battery model identification with application to battery state estimation | |
Li et al. | A wavelet transform‐adaptive unscented Kalman filter approach for state of charge estimation of LiFePo4 battery | |
Sun et al. | A sequential capacity estimation for the lithium-ion batteries combining incremental capacity curve and discrete Arrhenius fading model | |
CN107024659B (zh) | 使用非线性电阻元件的电池状态估计系统和方法 | |
Shrivastava et al. | Model‐based state of X estimation of lithium‐ion battery for electric vehicle applications | |
Gholizadeh et al. | State of charge estimation of a lithium‐ion battery using robust non‐linear observer approach | |
Mussi et al. | A voltage dynamic-based state of charge estimation method for batteries storage systems | |
Havangi | Adaptive robust unscented Kalman filter with recursive least square for state of charge estimation of batteries | |
Selvabharathi et al. | Experimental analysis on battery based health monitoring system for electric vehicle | |
Li et al. | A novel Co-estimation framework of state-of-charge, state-of-power and capacity for lithium-ion batteries using multi-parameters fusion method | |
Priya et al. | State of charge estimation of lithium‐ion battery based on extended Kalman filter and unscented Kalman filter techniques | |
Liu et al. | Online state of charge estimation for lithium-ion battery by combining incremental autoregressive and moving average modeling with adaptive H-infinity filter | |
CN106970328B (zh) | 一种soc估算方法及装置 | |
CN115561641B (zh) | 基于状态观测器的锂电池荷电状态估计方法、设备及介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |