CN115659649A - 基于云端数据的锂电池实时完整ocv-soc曲线的构建方法 - Google Patents
基于云端数据的锂电池实时完整ocv-soc曲线的构建方法 Download PDFInfo
- Publication number
- CN115659649A CN115659649A CN202211329052.4A CN202211329052A CN115659649A CN 115659649 A CN115659649 A CN 115659649A CN 202211329052 A CN202211329052 A CN 202211329052A CN 115659649 A CN115659649 A CN 115659649A
- Authority
- CN
- China
- Prior art keywords
- ocv
- soc
- curve
- charging
- battery
- 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
Abstract
本发明公开了一种基于云端数据的锂电池实时完整OCV‑SOC曲线的构建方法,包括以下步骤:步骤一、构建电池模型;步骤二、辨识放电片段OCV,基于类比法辨识放电片段OCV;步骤三、构建OCV‑SOC模型,通过分析电极电势模型中电池电极的嵌锂率与SOC的关系,对电极电势表达式进行改进,获得OCV‑SOC模型;步骤四、基于充电阶段辨识完整OCV‑SOC模型,包括欧姆内阻变化趋势分析、充电阶段特性分析、完整OCV‑SOC求解、OCV‑SOC关系实时更新。有益效果:本发明在不拆卸实车电池组的情况下获得电池OCV,修正云端SOC值,且方法简单、易于实现,解决了云端数据精度低、电池状态估计准确度差的问题。
Description
技术领域
本发明涉及一种动力电池OCV-SOC曲线的构建方法,特别涉及一种基于云端数据的锂电池实时完整OCV-SOC曲线的构建方法,属于动力电池技术领域。
背景技术
电池荷电状态(State of Charge,SOC)的准确估计能够防止电池过充过放,提高电池性能,延长电池使用寿命。在众多SOC估计算法中,开路电压法和卡尔曼滤波算法是最为常用的方法。开路电压法是通过长时间静置试验得到不同SOC下对应的开路电压(OpenCircuit Voltag e,OCV),进而建立OCV与SOC间关系,实现基于开路电压的SOC估计。卡尔曼滤波算法则是根据电池模型建立相应的状态方程和观测方程,通过系统输出的观测值及实测值,对系统状态进行最小方差意义上的最优估计,从而实现SOC估计。其中观测方程的建立仍是以OCV-SOC曲线作为基准,端电压作为反馈信号,从而实现对SOC估计值的闭环修正。OCV-SOC关系的准确性对电池SOC估计存在直接影响,同时电池健康状态(State ofHealth,SOH)估计的精准性也依赖于OCV-SOC间关系。因此,准确的OCV-SOC曲线对提高电池状态估计的精度至关重要。
由于实车运行工程中一般不存在长时间静置的工况,在初步阶段,许多研究人员通过实验室数据研究了OCV与SOC的关系。然而,实验环境或者仿真模拟过于理想化,通常很难模拟实车运行中复杂多变的工况。近年来针对实际工况下锂离子电池的OCV-SOC关系的研究逐渐增多,例如:基于实车数据分段辨识OCV,把辨识结果拼接成一条长的OCV-容量(Ampere-hour,Ah)曲线,最后通过实验室构建的OCV-Ah数据库查表将辨识得到的OCV-Ah曲线两端补齐,从而获得完整的OCV-Ah曲线;基于实车数据分段辨识OCV-SOC曲线,根据数据片段构建实车数据片段集,根据实测的SOC和容量建立参考数据集,按照参考数据集把实车数据片段集的辨识结果拼接成完整的OCV-SOC曲线。但以往的研究中均需要建立大量的参考数据库,并且均通过电池容量这一参数来计算OCV,这大大增加了时间成本,而且数据片段SOC初始值对辨识结果影响很大。实际上,上传到大数据中心即云端的数据通常降低精度,上述研究辨识OCV-SOC时没有考虑修正SOC。同时,上述研究未能考虑电池每次充放过程的不同相变所带来的OCV-SOC曲线中部电压平台趋势的实时改变。
因此,无法构建出能够适应不同温度且准确描述OCV-SOC的模型,无法构建出基于充电阶段完整的OCV-SOC曲线,并实现OCV-SOC曲线的实时更新。
发明内容
发明目的:针对现有技术中存在的问题,本发明提供了一种基于云端数据的锂电池实时完整OCV-SOC曲线的构建方法。本发明采用类比法辨识云端数据放电片段OCV-SOC关系,并与实验室测得OCV-SOC曲线对比,分析出实车工况与实验测试下的电池特性;通过分析电池OCV-SOC曲线特性,构建出能够适应不同温度且准确描述OCV-SOC的模型;通过分析充电阶段特性,重构出充电阶段完整的OCV-SOC曲线,并实现OCV-SOC曲线的实时更新。
技术方案:一种基于云端数据的锂电池实时完整OCV-SOC曲线的构建方法,包括以下步骤:
步骤一、构建电池模型;
步骤二、辨识放电片段OCV,基于类比法辨识放电片段OCV;
步骤三、构建OCV-SOC模型,通过分析电极电势模型中电池电极的嵌锂率与SOC的关系,对电极电势表达式进行改进,获得OCV-SOC模型;
步骤四、基于充电阶段辨识完整OCV-SOC模型,包括欧姆内阻变化趋势分析、充电阶段特性分析、完整OCV-SOC求解、OCV-SOC关系实时更新。
进一步,所述步骤一中构建的电池模型为一阶RC等效电路模型,该模型的方程如下:
式中,UOCV为开路电压,I为工作电流,R0为欧姆内阻,R1为极化内阻,C1为极化电容,U1表示极化电压即R1C1两端的电压,U为端电压。
进一步,所述步骤二中基于类比法辨识放电片段OCV,采用电池混合功率脉冲(Hybrid Pulse Power Characteristic,HPPC)工况下零输入响应阶段端电压U与时间t的函数关系,具体函数关系为:
式中,e为自然常数,τ1=R1C1为时间常数;
HPPC工况下零输入响应阶段端电压U与时间t符合指数函数关系,指数函数表达式为:
对比式(2)、(3),可以求得电池OCV如下:
y0=UOCV (4)
将云端数据中电流在0A附近波动的数据片段视为零输入响应阶段,并选取至少3个以上电流在0A附近波动的连续数据片段中的电压和采集时间数据带入式(3)进行拟合,进而求得参数y0,根据式(4)求得电池组开路电压UOCV;
根据电池成组方式计算的单体电池平均开路电压UOCV,dis,计算公式如下:
式中,n为电池包中串联电池个数。
进一步,所述步骤三中分析电极电势模型中电池电极的嵌锂率与SOC的关系,对电极电势表达式进行改进,获得OCV-SOC模型,具体改进方法如下:
首先,电极电势模型表达式由三个主要部分组成,表达式如下:
式中,U(x)为电极电势,x为嵌锂率,a1,b1,b2,c1,c2,di,ei和fi(i为双曲正切(tanh)函数的项数)为对应温度下电极电势的相关参数,且均为大于0的有理数;
分析电池阴极嵌锂率与SOC的关系,将式(6)中的x变为1-s,从而建立描述全电池OCV-SOC关系模型,具体表述为:
式中,s是电池SOC。
进一步,所述全电池OCV-SOC关系模型的表达式(7)拆分为常数项①、指数项②和正切函数项③;其中,常数项①中a1用于表示电池在不同温度和老化状态下,开路电压曲线的上下偏移;指数项②中和分别描述开路电压曲线两端变化趋势;双曲正切函数项③用于描述开路电压曲线中间部分由于相变而产生的电压平台,通过一个或多个双曲正切函数进行描述,随着对应平台的增加,项也随之增加。
进一步,所述步骤四中欧姆内阻变化趋势分析,基于实验室测得的不同温度下欧姆内阻R0与SOC的关系曲线,分析R0的变化规律;
进一步,所述充电阶段特性分析,包括充电电流变化趋势分析、充电工况下充电电压与开路电压关系分析、不同温度范围内充电电压曲线趋势分析。
进一步,所述充电电流变化趋势分析,基于采集的云端数据对一次典型充电工况下的单体电池平均充电电流的变化情况进行分析;
充电工况下充电电压与开路电压的关系分析,基于式(8)中低充电倍率工况下开路电压表达式,分析开路电压曲线与充电电压曲线趋势:
UOCV,C=UC-ICR0 (8)
式中,UOCV,C为充电工况下OCV,UC为充电电压,IC为充电电流;
不同温度范围内充电电压曲线趋势分析,首先从云端数据中随机抽取不同温度范围内的充电片段电压,计算单体电池平均充电电压;然后分析不同温度下平均充电电压曲线变化趋势;最后对比分析平均充电电压曲线与该温度下实验室测得的OCV-SOC曲线。
进一步,完整OCV-SOC求解包括以下步骤:
首先,将充电片段平均充电电压曲线以该片段相应温度下实验室测得的OCV-SOC曲线为基准,通过横向平移一定的距离k,实现SOC值的修正;
然后,将修正SOC值后的曲线再以该片段相应温度下实验室测得的OCV-SOC曲线为基准,通过纵向平移一定的距离b,使之与实验室OCV-SOC曲线尽量重合,从而获得相应SOC下的UOCV,C;
将对应温度下实验室测得的OCV-SOC数据带入式(7),利用最小二乘法进行拟合,得到基于改进电极电势模型的OCV-SOC关系曲线具体表达式;在获得的表达式的基础上,遵循函数“左加右减,上加下减”原则,在竖直方向上加上一个参数b,在水平方向上减去一个参数k,可得充电电压与SOC关系曲线模型;具体表达式为:
式中,b为该充电阶段充电电压与OCV的差值,k为该充电片段SOC修正值;
将充电片段的数据带入,则可获得b和k的值;
最后,若经平移后的曲线能够覆盖0~1SOC且符合开路电压特性,则不必继续以下步骤,反之,则需要进行以下步骤:
将平移后且符合开路电压特性的曲线片段的OCV-SOC与相应温度下实验室测得的OCV-SOC拼接融合,进而获得完整的OCV-SOC曲线。
进一步,所述OCV-SOC关系实时更新,首先根据充电阶段将云端数据划分成多个“充-放”单元,每个“充-放”单元是由一个完整的充电阶段和该充电阶段到下一个充电阶段前的放电阶段组成;然后基于式(7)和充电片段获得的完整OCV-SOC数据,利用最小二乘法进行拟合,对每个单元的OCV-SOC曲线关系参数更新,进而实现OCV-SOC关系曲线的实时更新。
有益效果:本发明通过类比法获得了云端数据放电片段OCV-SOC关系;接着,分析了电池在不同工作温度和老化状态下电池特性,构建了能够准确描述OCV-SOC关系的模型;最后,基于充电阶段数据和构建的关系模型,求解了完整的OCV-SOC曲线,并实现了OCV-SOC曲线实时更新。本发明采用一种能够适应不同温度的SOC-OCV模型,构建与更新不同温度下完整OCV-SOC曲线。所提方法不仅可以在不拆卸电池组的情况下获得电池OCV,修正云端SOC值,且方法简单、易于实现,克服了云端数据精度低、直接利用测量的信息导致电池状态估计准确度差的问题。
附图说明
图1是本发明HPPC循环工步电流、电压变化趋势图;
图2是本发明不同数据点数下拟合与实验室测试开路电压对比图;
图3是本发明不同温度下电池OCV-SOC曲线趋势图;
图4是本发明不同充放次数下电池OCV-SOC曲线趋势图;
图5是本发明改进电极电势模型拟合结果图;
图6是本发明不同温度下的电池欧姆内阻变化趋势图;
图7是本发明不同温度下充电片段单体电池平均电流变化趋势图;
图8是本发明云端数据充电电压曲线与实验室不同温度下OCV-SOC曲线对比图;
图9是本发明基于充电片段求解OCV-SOC曲线原理图;
图10是本发明拼接融合结果图;
图11是本发明不同充电片段修正后OCV-SOC曲线图;
图12是本发明充电阶段完整OCV-SOC曲线更新结果图。
具体实施方式
下面结合附图以及具体实施例对本发明作进一步的说明,但本发明的保护范围并不限于此。
一种基于云端数据的锂电池实时完整OCV-SOC曲线的构建方法,包括以下步骤:
步骤一、构建电池模型;
电池模型构建,选用一阶RC等效电路模型描述电池特性,当然模型并不仅仅局限与此,这里仅仅是为了阐述方便。该模型的数学描述方程可表示为:
式中,UOCV为开路电压,I为工作电流,R0为欧姆内阻,R1为极化内阻,C1为极化电容,U1表示极化电压即R1C1两端的电压,U为端电压。
步骤二、辨识放电片段OCV,基于类比法辨识放电片段OCV;
如图1所示,DE阶段为脉冲放电之后静置—“回弹上升”阶段,端电压迅速上升然后逐渐趋于稳定状态,即电池的“回弹特性”,极化电容放电的过程是RC回路的零输入响应阶段。
电池混合功率脉冲工况下零输入响应阶段端电压U与时间t的函数关系为:
式中,e为自然常数,τ1=R1C1为时间常数。
HPPC工况下零输入响应阶段端电压U与时间t符合指数函数关系,指数函数表达式为:
式中,y0是UOCV的一般化表示,A1和t1代表一般化系数,x代表一般化因变量。
对比式(2)、(3),可以求得电池OCV如下:
y0=UOCV (4)
将磷酸铁锂电池云端数据中电流在0A~0.9A范围内连续数据片段视为零输入响应阶段,并别选取5、10、15、20、25个电流在0A~0.9A范围内连续的数据片段中的电压和采集时间数据带入式(3)进行拟合,进而求得参数y0,根据式(4)求得电池组开路电压UOCV。
考虑到磷酸铁锂电池包的成组方式是14并180串,则单体电池平均开路电压可表示为:
上述实车工况下电池特性分析,如图2所示为不同点数下拟合获得的单体电池平均开路电压与实验室测试OCV-SOC曲线特性对比。从图2中可以看出,在实车运行过程中,拟合所得的单体电池平均开路电压的大部分点都落在实验室测得OCV-SOC曲线附近,且拟合的散点的趋势几乎和实验室测得OCV-SOC曲线的趋势一致,拟合点数对开路电压的辨识影响不大,表明利用云端数据类比HPPC零输入响应阶段辨识参数原理的方法是可行的。从图中还可以看出,SOC在0~0.2范围内基本没有开路电压散点分布,这是因为实车运行工况中,电池电量基本维持在SOC为0.2以上,很难出现完全放空电量的情况。
步骤三、构建OCV-SOC模型,包括OCV-SOC曲线特性分析,通过分析电极电势模型中电池电极的嵌锂率与SOC的关系,对电极电势表达式进行改进,获得OCV-SOC模型;
所述OCV-SOC曲线特性分析,基于不同温度下OCV-SOC关系曲线、不同充放次数下OCV-SOC关系曲线,分析不同温度和老化状态下锂离子电池OCV-SOC曲线特性。
如图3所示,为磷酸铁锂电池组中单体电池在5℃、25℃、55℃三种温度下的OCV-SOC关系曲线。从图中可以看出,在0.1~0.95SOC内不同温度下OCV-SOC曲线形状几乎相同,尤其是曲线特征的变化趋势基本一致,不同温度下曲线的上下偏移量也较小,电池的OCV-SOC曲线特性几乎不变。
如图4所示,为磷酸铁锂电池组中单体电池在25℃工况充放电100次、300次、500次状态下的OCV-SOC关系曲线。从图中可以看出,不同老化状态下的OCV-SOC关系曲线几乎没有发生变化,曲线特征的变化趋势基本一致。
通过分析电极电势模型中电池阴极嵌锂率与SOC的关系,对电极电势表达式进行改进,进而获得OCV-SOC模型,具体改进方法如下:
首先,电极电势模型表达式由三个主要部分组成,通用表达式如下:
式中,U(x)为电极电势,x为嵌锂率,a1,b1,b2,c1,c2,di,ei和fi(i为双曲正切(tanh)函数的项数)为对应温度下电极电势的相关参数,且均为大于0的有理数;
分析电池阴极嵌锂率与SOC的关系,将式(6)中的x变为1-s,从而建立描述全电池OCV-SOC关系模型,具体表述为:
式中,s是电池SOC;
进一步,式(7)可以拆分为常数项①,指数项②和正切函数项③。其中,常数项①中a1用于表示电池在不同温度和老化状态下,开路电压曲线的上下偏移;指数项②中和分别描述开路电压曲线两端变化趋势;双曲正切函数项③用于描述开路电压曲线中间部分由于相变而产生的电压平台,可以通过一个或多个双曲正切函数进行描述,随着对应平台的增加,项也随之增加;
从图3和图4可知,磷酸铁锂电池OCV-SOC曲线具有两个明显的电压平台,所以描述该曲线的模型应含有两个双曲正切函数项。
如图5所示,为改进电极电势模型拟合结果图。从图中可以看出,改进后的电极电势模型能够很好的描述出电池开路电压曲线的电压平台和走势,并且拟合的曲线非常平滑。
步骤四、基于充电阶段辨识完整OCV-SOC模型,包括欧姆内阻变化趋势分析、充电阶段特性分析、完整OCV-SOC求解、OCV-SOC关系实时更新。
所述欧姆内阻变化趋势分析,基于实验室测得的不同温度下欧姆内阻R0与SOC的关系曲线,分析R0的变化规律;
如图6所示,为磷酸铁锂电池组中单体电池在5℃、25℃、55℃三种温度下欧姆内阻变化曲线。从图中可以看出,欧姆内阻在0.2~1SOC的区间内变化很小;实车工况下,电池充电开始SOC一般在0.2以上,即充电阶段电池欧姆内阻可视为固定值。
所述充电阶段特性分析,包括充电电流变化趋势分析、充电工况下充电电压与开路电压关系分析、不同温度范围内充电电压曲线趋势分析。
充电电流变化趋势分析,基于采集的云端数据对一次典型充电工况下的电池组单体电池平均电流的变化情况进行分析。
如图7所示,为磷酸铁锂电池组中单体电池在34~42℃、31~40℃、31~38℃、34~40℃、21~28℃、23~31℃、18~25℃、12~21℃、11~20℃范围内的变化曲线。从图中可以看出不同温度范围内充电电流几乎恒定,且电流范围在5~6A,磷酸铁锂单体电池容量为29Ah,所以可以判断电池包为恒流低倍率充电。
充电工况下充电电压与开路电压关系分析,基于式(8)中低倍率工况下开路电压表达式,分析充电片段开路电压与充电电压之间的关系:
UOCV,C=UC-ICR0 (8)
式中,UOCV,C为充电工况下OCV,UC为充电电压,IC为充电电流。
由图6和图7可知,每个充电片段的IC和R0可视为固定值,基于式(8)可知UOCV,C与UC之间相差一个固定值ICR0,则充电片段OCV-SOC曲线可由充电电压曲线在竖直方向上向下平移一定距离获得。
不同温度范围内充电电压曲线趋势分析,首先从云端数据中随机抽取不同温度范围内的充电片段电压,计算单体电池平均充电电压;然后分析不同温度下平均充电电压曲线变化趋势;最后对比分析平均充电电压曲线与该温度下实验室测得的OCV-SOC曲线。
如图8所示,为磷酸铁锂电池在34~42℃、31~40℃、31~38℃、34~40℃、21~28℃、23~31℃、18~25℃、12~21℃、11~20℃范围内单体电池平均充电电压曲线与实验室OCV-SOC曲线的趋势对比。从图中可以看出,磷酸铁锂电池充电阶段的单体电池充电电压曲线在充电初期因起始充电SOC不同,电池电压会在充电初期出现上升,曲线一致性较差。但当电池充电稳定后,充电平均电压曲线与HPPC测得的开路电压曲线趋势基本一致,仅在数值方向上存在一定的距离差。从图中同样可以看出,充电片段的SOC与实验室测得SOC在水平方向上存在一定的距离差,这是因为云端数据采集平台存在采集误差,导致充电片段计算SOC存在误差。
所述完整OCV-SOC求解,主要包括以下步骤:
首先,将充电片段平均充电电压曲线以该片段相应温度下实验室测得的OCV-SOC曲线为基准,通过横向平移一定的距离k,实现SOC值的修正;如图9(b)所示,为充电电压曲线横向平移k后的结果。
然后,将修正SOC值后的曲线再以该片段相应温度下实验室测得的OCV-SOC曲线为基准,通过纵向平移一定的距离b,使之与实验室OCV-SOC曲线尽量重合,从而获得相应SOC下的UOCV,C;如图9(c)所示,为经横向平移后的充电电压曲线纵向平移后的结果,经横纵向平移后的充电电压曲线与实验室测得OCV-SOC在平台期内基本重合。
将对应温度下实验室测得的OCV-SOC数据带入式(7),利用最小二乘法进行拟合,得到基于改进电极电势模型的OCV-SOC关系曲线表达式;在获得的表达式的基础上,遵循函数“左加右减,上加下减”原则,在竖直方向上加上一个参数b,在水平方向上减去一个参数k,可得充电电压与SOC关系曲线模型;将充电片段的数据带入,则可获得b和k的值。
将磷酸铁锂电池25℃下的OCV-SOC数据带入式(7),得到基于改进电极电势模型的OCV-SOC关系曲线表达式:
从而可得,充电电压与SOC关系曲线模型,具体可表示为:
式中,b为该充电阶段充电电压与OCV的差值,k为该充电片段SOC修正值。
利用图8中9条不同温度下的充电片段的数据进行验证。考虑到充电初期和后期曲线存在差异性,选取SOC在0.4~0.8范围内的充电电压及SOC数据带入式(10),当然不同温度下均需建立类似式(10)的函数。各个充电阶段的拟合参数值如表1所示。
表1磷酸铁锂电池部分充电片段拟合结果
如图11所示,为不同充电片段修正后的OCV-SOC曲线。将各个充电阶段原始SOC分别减去对应的横向平移k则获得修正后的SOC,将对应的充电电压减去纵向平移b则获得该阶段SOC对应的开路电压值。
最后,若经平移后的曲线能够覆盖0~1SOC且符合开路电压特性,则不必继续以下步骤,反之,则需要进行以下步骤:
将平移后且符合开路电压特性的曲线片段的OCV-SOC与相应温度下实验室测得的OCV-SOC拼接融合,进而获得完整的OCV-SOC。
从图9(c)可以看出,充电初期曲线变化的不稳定性,以及末期欧姆阻抗增加导致曲线变化幅度改变,仅利用充电片段中间段数据进行计算OCV-SOC。
如图10所示,为充电片段中间数据与相应温度下实验室OCV-SOC拼接融合的结果。从图中可以看出,拼接后的数据可以完整覆盖0~1SOC范围。
上述OCV-SOC关系实时更新,首先根据充电阶段将云端数据划分成多个“充-放”单元,每个“充-放”单元是由一个完整的充电阶段和该充电阶段到下一个充电阶段前的放电片段组成;然后基于式(7)和充电片段获得的完整OCV-SOC数据,利用最小二乘法进行拟合,对每个单元的OCV-SOC曲线关系参数更新,进而实现OCV-SOC关系曲线的实时更新。
如图12所示,为图8中9个充电阶段完整OCV-SOC曲线更新结果。从图中可以看出,实时更新后的融合OCV-SOC拟合曲线能够准确的描述出每个“充-放”单元的OCV-SOC的关系。
所述实施例为本发明的优选的实施方式,但本发明并不限于上述实施方式,在不背离本发明的实质内容的情况下,本领域技术人员能够做出的任何显而易见的改进、替换或变型均属于本发明的保护范围。
Claims (10)
1.一种基于云端数据的锂电池实时完整OCV-SOC曲线的构建方法,其特征在于,包括以下步骤:
步骤一、构建电池模型;
步骤二、辨识放电片段OCV,基于类比法辨识放电片段OCV;
步骤三、构建OCV-SOC模型,通过分析电极电势模型中电池电极的嵌锂率与SOC的关系,对电极电势表达式进行改进,获得OCV-SOC模型;
步骤四、基于充电阶段辨识完整OCV-SOC模型,包括欧姆内阻变化趋势分析、充电阶段特性分析、完整OCV-SOC求解、OCV-SOC关系实时更新。
3.根据权利要求1所述的基于云端数据的锂电池实时完整OCV-SOC曲线的构建方法,其特征在于,所述步骤二中基于类比法辨识放电片段OCV,采用电池混合功率脉冲(HybridPulse Power Characteristic,HPPC)工况下零输入响应阶段端电压U与时间t的函数关系,具体函数关系为:
式中,e为自然常数,τ1=R1C1为时间常数;
HPPC工况下零输入响应阶段端电压U与时间t符合指数函数关系,指数函数表达式为:
对比式(2)、(3),可以求得电池OCV如下:
y0=UOCV (4)
将云端数据中电流在0A附近波动的数据片段视为零输入响应阶段,并选取至少3个以上电流在0A附近波动的连续数据片段中的电压和采集时间数据带入式(3)进行拟合,进而求得参数y0,根据式(4)求得电池组开路电压UOCV;
根据电池成组方式计算的单体电池平均开路电压UOCV,dis,计算公式如下:
式中,n为电池包中串联电池个数。
4.根据权利要求1所述的基于云端数据的锂电池实时完整OCV-SOC曲线的构建方法,其特征在于,所述步骤三中分析电极电势模型中电池电极的嵌锂率与SOC的关系,对电极电势表达式进行改进,获得OCV-SOC模型,具体改进方法如下:
首先,电极电势模型表达式由三个主要部分组成,表达式如下:
式中,U(x)为电极电势,x为嵌锂率,a1,b1,b2,c1,c2,di,ei和fi(i为双曲正切(tanh)函数的项数)为对应温度下电极电势的相关参数,且均为大于0的有理数;
分析电池阴极嵌锂率与SOC的关系,将式(6)中的x变为1-s,从而建立描述全电池OCV-SOC关系模型,具体表述为:
式中,s是电池SOC。
6.根据权利要求1所述的基于云端数据的锂电池实时完整OCV-SOC曲线的构建方法,其特征在于:所述步骤四中欧姆内阻变化趋势分析,基于实验室测得的不同温度下欧姆内阻R0与SOC的关系曲线,分析R0的变化规律。
7.根据权利要求1或6所述的基于云端数据的锂电池实时完整OCV-SOC曲线的构建方法,其特征在于:所述步骤四中所述充电阶段特性分析,包括充电电流变化趋势分析、充电工况下充电电压与开路电压关系分析、不同温度范围内充电电压曲线趋势分析。
8.根据权利要求7所述的基于云端数据的锂电池实时完整OCV-SOC曲线的构建方法,其特征在于:所述充电电流变化趋势分析,基于采集的云端数据对一次典型充电工况下的电池组单体电池平均电流的变化情况进行分析;
充电工况下充电电压与开路电压的关系分析,基于式(8)中低充电倍率工况下开路电压表达式,分析开路电压曲线与充电电压曲线趋势:
UOCV,C=UC-ICR0 (8)
式中,UOCV,C为充电工况下OCV,UC为充电电压,IC为充电电流;
不同温度范围内充电电压曲线趋势分析,首先从云端数据中随机抽取不同温度范围内的充电片段电压,计算单体电池平均充电电压;然后分析不同温度下平均充电电压曲线变化趋势;最后对比分析平均充电电压曲线与该温度下实验室测得的OCV-SOC曲线。
9.根据权利要求4所述的基于云端数据的锂电池实时完整OCV-SOC曲线的构建方法,其特征在于,所述步骤四中完整OCV-SOC求解包括以下步骤:
首先,将充电片段平均充电电压曲线以该片段相应温度下实验室测得的OCV-SOC曲线为基准,通过横向平移一定的距离k,实现SOC值的修正;
然后,将修正SOC值后的曲线再以该片段相应温度下实验室测得的OCV-SOC曲线为基准,通过纵向平移一定的距离b,使之与实验室OCV-SOC曲线尽量重合,从而获得相应SOC下的UOCV,C;
将对应温度下实验室测得的OCV-SOC数据带入式(7),利用最小二乘法进行拟合,得到基于改进电极电势模型的OCV-SOC关系曲线具体表达式;在获得的表达式的基础上,遵循函数“左加右减,上加下减”原则,在竖直方向上加上一个参数b,在水平方向上减去一个参数k,可得充电电压与SOC关系曲线模型;具体表达式为:
式中,b为该充电阶段充电电压与OCV的差值,k为该充电片段SOC修正值;
将充电片段的数据带入,则可获得b和k的值;
最后,若经平移后的曲线能够覆盖0~1SOC且符合开路电压特性,则不必继续以下步骤,反之,则需要进行以下步骤:
将平移后且符合开路电压特性的曲线片段的OCV-SOC与相应温度下实验室测得的OCV-SOC拼接融合,进而获得完整的OCV-SOC曲线。
10.根据权利要求4所述的基于云端数据的锂电池实时完整OCV-SOC曲线的构建方法,其特征在于:所述步骤四中OCV-SOC关系实时更新,首先根据充电阶段将云端数据划分成多个“充-放”单元,每个“充-放”单元是由一个完整的充电阶段和该充电阶段到下一个充电阶段前的放电阶段组成;然后基于式(7)和充电片段获得的完整OCV-SOC数据,利用最小二乘法进行拟合,对每个单元的OCV-SOC曲线关系参数更新,进而实现OCV-SOC关系曲线的实时更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211329052.4A CN115659649A (zh) | 2022-10-27 | 2022-10-27 | 基于云端数据的锂电池实时完整ocv-soc曲线的构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211329052.4A CN115659649A (zh) | 2022-10-27 | 2022-10-27 | 基于云端数据的锂电池实时完整ocv-soc曲线的构建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115659649A true CN115659649A (zh) | 2023-01-31 |
Family
ID=84993293
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211329052.4A Pending CN115659649A (zh) | 2022-10-27 | 2022-10-27 | 基于云端数据的锂电池实时完整ocv-soc曲线的构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115659649A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116298927A (zh) * | 2023-04-10 | 2023-06-23 | 山东锂安新能源有限公司 | 一种电池容量估计方法和装置、计算机设备、存储介质 |
CN116579121A (zh) * | 2023-03-23 | 2023-08-11 | 西南交通大学 | 用于回收动力电池模组的人机协作拆卸线平衡方法 |
-
2022
- 2022-10-27 CN CN202211329052.4A patent/CN115659649A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116579121A (zh) * | 2023-03-23 | 2023-08-11 | 西南交通大学 | 用于回收动力电池模组的人机协作拆卸线平衡方法 |
CN116579121B (zh) * | 2023-03-23 | 2024-04-26 | 西南交通大学 | 用于回收动力电池模组的人机协作拆卸线平衡方法 |
CN116298927A (zh) * | 2023-04-10 | 2023-06-23 | 山东锂安新能源有限公司 | 一种电池容量估计方法和装置、计算机设备、存储介质 |
CN116298927B (zh) * | 2023-04-10 | 2023-10-24 | 深圳锂安技术有限公司 | 一种电池容量估计方法和装置、计算机设备、存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106716158B (zh) | 电池荷电状态估算方法和装置 | |
CN104678316B (zh) | 锂离子电池荷电状态估算方法和装置 | |
CN110488194B (zh) | 一种基于电化学阻抗模型的锂电池soc估算方法及其系统 | |
Sun et al. | Improved parameter identification and state-of-charge estimation for lithium-ion battery with fixed memory recursive least squares and sigma-point Kalman filter | |
CN108519555A (zh) | 一种锂离子电池的改进分数阶模型和参数辨识方法 | |
CN115659649A (zh) | 基于云端数据的锂电池实时完整ocv-soc曲线的构建方法 | |
CN110208703A (zh) | 基于温度修正的复合等效电路模型对荷电状态估计的方法 | |
CN111337832A (zh) | 一种动力电池多维度融合soc和soh在线联合估算的方法 | |
CN108445422B (zh) | 基于极化电压恢复特性的电池荷电状态估算方法 | |
CN111781504A (zh) | 一种锂离子动力电池老化状态识别与开路电压重构方法 | |
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 | |
Wang et al. | Adaptive state-of-charge estimation method for an aeronautical lithium-ion battery pack based on a reduced particle-unscented kalman filter | |
CN112098849B (zh) | 基于求积分卡尔曼滤波的锂电池剩余电量估计方法 | |
CN112379270B (zh) | 一种电动汽车动力电池荷电状态滚动时域估计方法 | |
CN111426956A (zh) | 考虑温度及迟滞效应的分数阶动力电池soc估算方法 | |
CN108829911A (zh) | 一种开路电压与soc函数关系优化方法 | |
CN110632520A (zh) | 一种动力电池soc的估算装置及其估算方法 | |
CN112989690A (zh) | 一种混合动力汽车锂电池多时间尺度荷电状态估计方法 | |
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 | |
CN111216595B (zh) | 基于锂电池等效电路模型的重度混合动力汽车soc校准方法 | |
CN115754724A (zh) | 一种适用于未来不确定性动态工况放电的动力电池健康状态估计方法 | |
CN111027203A (zh) | 一种超级电容soc计算方法 | |
CN114545260B (zh) | 一种电池容量解耦的锂电池荷电状态估计方法 | |
CN112649734A (zh) | 基于改进pngv模型和扩展卡尔曼算法的soc估算方法 | |
CN112364471A (zh) | 基于Thevenin模型和无迹卡尔曼的锂电池SOC估算方法研究 |
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 |