CN115825746A - 一种锂电池的电池状态的估计方法及装置 - Google Patents
一种锂电池的电池状态的估计方法及装置 Download PDFInfo
- Publication number
- CN115825746A CN115825746A CN202211139480.0A CN202211139480A CN115825746A CN 115825746 A CN115825746 A CN 115825746A CN 202211139480 A CN202211139480 A CN 202211139480A CN 115825746 A CN115825746 A CN 115825746A
- Authority
- CN
- China
- Prior art keywords
- model
- battery
- lithium battery
- soc
- lithium
- 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
Landscapes
- Secondary Cells (AREA)
Abstract
本说明书一个或多个实施例提供一种锂电池的电池状态的估计方法及装置。所述方法包括:确定与待估计的锂电池对应的电池模型;其中,所述电池模型包括将ECM等效电路模型与模拟了所述锂电池的正负电极的锂离子固相扩散过程的EMM化学机理模型进行结合得到的EECM电化学等效电路模型;所述EECM模型采用所述锂电池的正负电极的锂离子颗粒表面的电位差,来表示所述锂电池的OCV开路电压;获取用于描述所述电池模型相关的状态变量的状态变化的状态方程,以及基于所述电池模型的外特性方程创建的与所述电池模型对应的测量方程;基于EFK算法针对所述状态方程和所述测量方程进行迭代计算,以联合估计出所述锂电池的SOC和SOH。
Description
技术领域
本说明书多个实施例涉及锂电池技术领域,尤其涉及一种锂电池的电池状态的估计方法及装置。
背景技术
随着新能源技术的飞速发展,锂离子电池由于能量密度大、自放电率低和寿命长等优点,在数据中心、光伏系统和电网储能等系统中的应用越来越广泛,已经成为互联网数据中心的主要备电电源,因此,锂离子电池的安全运行对数据中心的可靠运行至关重要。工程实践表明,BMS(Battery management system,电池管理系统)是保证锂离子电池安全、有效、可靠应用的重要工具。BMS的主要任务是在线监测锂离子电池的电流、电压等特性,进行实时的状态估计,主要包括:荷电状态SOC(State of Charge,荷电状态)估计和健康状态SOH(State of Health,健康状态)估计,以便于进行能量管理。因此,准确的状态估计是BMS的核心内容,其算法的准确度非常重要。
发明内容
本说明书提出一种锂电池的电池状态的估计方法,所述方法包括:
确定与待估计的锂电池对应的电池模型;其中,所述电池模型包括将ECM等效电路模型与模拟了所述锂电池的正负电极的锂离子固相扩散过程的EMM化学机理模型进行结合得到的EECM电化学等效电路模型;所述EECM模型采用所述锂电池的正负电极的锂离子颗粒表面的电位差,来表示所述锂电池的OCV开路电压;
创建用于描述所述电池模型相关的状态变量的状态变化的状态方程,以及基于所述电池模型的外特性方程创建与所述电池模型对应的测量方程;
基于EFK算法针对所述状态方程和所述测量方程进行迭代计算,以联合估计出所述锂电池的SOC和SOH。
本说明书还提出一种锂电池的电池状态的估计装置,所述装置包括:
确定模块,确定与待估计的锂电池对应的电池模型;其中,所述电池模型包括将ECM等效电路模型与模拟了所述锂电池的正负电极的锂离子固相扩散过程的EMM化学机理模型进行结合得到的EECM电化学等效电路模型;所述EECM模型采用所述锂电池的正负电极的锂离子颗粒表面的电位差,来表示所述锂电池的OCV开路电压;
创建模块,创建用于描述所述电池模型相关的状态变量的状态变化的状态方程,以及基于所述电池模型的外特性方程创建与所述电池模型对应的测量方程;
计算模块,基于EFK算法针对所述状态方程和所述测量方程进行迭代计算,以联合估计出所述锂电池的SOC和SOH。
在本说明书以上的实施方式中,由于本公开所提出的的电化学等效电路模型,模拟了锂电池的正负电极的锂离子固相扩散过程,并通过采用锂电池的正负极之间的锂离子颗粒表面的电位差,来表示锂电池的OCV开路电压;因此,可以有效地模拟离电池内部的状态性能,显著提升在低荷电状态下针对锂电池的状态估计的精准度,有效克服传统的等效电路模型在低SOC范围内的精度低的问题。
附图说明
图1是本说明书一示例性实施例示出的一种EECM电化学等效电路模型对应的电路图。
图2是本说明书一示例性实施例示出的一种锂电池的电池状态的估计方法的流程图。
图3是本说明书一示例性实施例示出的一种采用EFK算法进行第一阶的迭代计算的计算流程图。
图4是本说明书一示例性实施例示出的一种采用EFK算法进行第二阶的迭代计算的计算流程图。
图5是本说明书一示例性实施例提供的一种电子设备的示意结构图。
图6是本说明书一示例性实施例示出的一种锂电池的电池状态的估计装置的框图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,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,都应当属于本说明书保护的范围。
需要说明的是:在其他实施例中并不一定按照本说明书示出和描述的顺序来执行相应方法的步骤。在一些其他实施例中,其方法所包括的步骤可以比本说明书所描述的更多或更少。此外,本说明书中所描述的单个步骤,在其他实施例中可能被分解为多个步骤进行描述;而本说明书中所描述的多个步骤,在其他实施例中也可能被合并为单个步骤进行描述。
锂离子电池在实际应用过程中,会随着日历时间尺度和循环时间尺度逐渐老化,为了保证数据中心的可靠运行,锂离子电池存在两个亟需解决的安全问题:
一是故障问题,锂离子电池组中任何一块电池都可能成为故障点,损坏的电池可能会导致数据中心备电容量不足,因此通过电池组的特性监测,实时在线估计SOC、SOH,可了解电池健康状况并及时排除潜在故障,有利于数据中心的可靠运行。
二是失效问题,电池随着使用会逐渐老化,直至达到寿命后失效,电池组失效前需要及时更换,及时更换则需要了解电池寿命的数据(更换过早则会增加其总体拥有成本,更换过晚则易发生电池失效影响运行),电池的寿命主要取决于电池的充放电频率和日历搁置时间,但是电池过充/过放、温度过高/过低,以及电池间连接松动等因素都会影响其寿命。
SOC作为锂电池的关键特性之一,可指示锂电电池的剩余有效电量,然而由于SOC难以准确测量,有效的估计算法是必不可少的。
现有的SOC估算方法主要有直接计算法和基于模型的算法。由于直接计算法的局限性,如安时积分法的累积误差和基于开路电压OCV(Open circuit voltage,开路电压)的方法对静态时间的要求较长,难以实际应用。
基于模型的方法可分为三类:白箱模型,即以P2D为代表的电池机理模型;灰箱模型,即以多阶RC(Resistance-Capacitance Circuits,相移电路)电路为代表的等效电路模型;黑箱模型,即以神经网络为代表的机器学习模型。作为一种最优状态估计算法,扩展卡尔曼滤波EKF(Extended Kalman filter,扩展卡尔曼滤波)算法可以通过结合基于模型的方法和基于OCV的方法来修正安时积分法。因此,它被广泛应用于SOC在线估计。
然而,在实际应用中,锂电池的容量和内阻会随着锂电池的老化而发生变化,这将对模型精度产生重大影响,并进一步导致更高的SOC估计误差。因此,容量和内阻随电池老化的变化也应考虑到SOC估算中。其中,需要说明的是,锂电池的容量和内阻通常是锂电池的SOH的直观映射,锂电池的容量和内阻发生变化,通常也会导致锂电池的SOH发生变化。例如,在实际应用中,随着锂电池的不断老化,通常会出现锂电池的SOH主键缩小的情况。
而SOH作为电池的另一种重要状态,能够清晰地反应电池的容量损失和内阻增加,它是电池老化程度的直接指标。现有的SOH估计方法主要包括直接测量法和基于模型的方法。
其中,直接测量方法,如库仑计数法、电化学阻抗谱法和增量容量分析法等,是最简单、最准确的方法。然而,由于测试设备昂贵、测试过程复杂,难以实际应用。
基于模型的算法,如机理模型、ECM(Equivalent circuit model,等效电路模型)、经验模型和神经网络等,在模拟电池特性方面表现出良好的性能,这些方法通过采用历史测试数据离线训练容量衰减模型,然后基于该模型在线估计SOH。因此,该类基于模型的SOH估计方法被广泛应用于在线SOH估计中。
采用传统的等效电路模型,如多阶RC网络等效电路模型等,由于其计算简单、动态响应快等优点,被广泛应用于模拟电池特性和状态评估。然而,一个棘手的问题是,使用传统的等效电路模型来估计锂电池的电池状态时,如果锂电池处于低荷电状态,也即锂电池处于一个较低的SOC范围内时,锂电池的电压模拟精度会降低,这可能会进一步导致更高的状态估计误差。
因此,合理的结合电池电化学机理模型以及等效电路模型,使得结合后的模型,不仅能反映电池内部的电化学机理,还能说明电池外部的输出特性,对于数据中心安全、可靠、高效的运行具有重要意义。
有鉴于此,本申请提出一种结合电池电化学机理模型和传统的ECM等效电路模型得到的EECM(Electrochemistry-based equivalent circuit mode,电化学等效电路模型),来联合估计锂离子电池的SOC和SOH等电池状态的估计框架。
在实现时,可以通过创建EMM(electrochemical mechanism model,化学机理模型)来模拟锂电池的正负电极的锂离子固相扩散过程,并采用锂电池的正负电极的锂离子颗粒表面的电位差,来表示锂电池的OCV开路电压。然后,再将该EMM化学机理模型与传统的ECM等效电路模型进行结合,得到一个EECM电化学等效电路模型作为与该锂电池对应的电池模型;
而在该电池模型对锂电池进行状态估计时,可以创建用于描述该电池模型相关的状态变量的状态变化的状态方程,以及基于该电池模型的外特性方程来创建与该电池模型对应的测量方程;最后,可以基于EFK算法针对该状态方程和该测量方程进行迭代计算,以联合估计出锂电池的SOC和SOH。
在以上技术方案中,由于上述电池模型,模拟了锂电池的正负电极的锂离子固相扩散过程,并通过采用锂电池的正负极之间的锂离子颗粒表面的电位差,来表示锂电池的OCV开路电压;因此,可以有效地模拟离电池内部的状态性能,显著提升在低荷电状态下针对锂电池的状态估计的精准度,有效克服传统的等效电路模型在低SOC范围内的精度低的问题。
本说明书描述的EECM模型,具体可以是将传统的ECM等效电路模型(例如,Rint模型、一阶RC网络等效电路模型和多阶RC网络等效电路模型,等等)与EMM化学机理模型进行结合得到的EECM电化学等效电路模型。
为了提升模型在低SOC范围内的锂电池的状态估计的精准度,可以利用上述EMM模型来模拟锂电池的正负电极的锂离子固相扩散过程,然后将该EMM模型与传统的ECM模型进行结合得到上述EECM。
其中,由于结合后的EECM模型,考虑了锂电池的正负电极的锂离子固相扩散过程,因此该EECM模型具体可以采用锂电池的正负电极的锂离子颗粒表面的电位差,来表示所述锂电池的OCV开路电压。
以下通过具体的实施例来详细描述上述EECM模型的建模过程。
在本说明书中,传统的ECM模型和EMM模型中,锂电池对应的OCV,可以分别表示为以下的方程式:
其中,c表示固相锂离子浓度,大小与时间t和锂离子的位置r有关。tk时刻表示采样时刻,通常可以包括至少一个采样时刻。K的取值可是一个大于等于1的正整数;例如,K∈[1,2,3,4……];EECM(tk)表示ECM模型在tk时刻的OCV;EEMM(tk)表示EMM模型在tk时刻的OCV。
cp,surf,cp,mean和cp,max分别表示了正极球形颗粒中锂离子的表面浓度、平均浓度和最大浓度。cn,surf,cn,mean和cn,max分别表示负电极球形颗粒中锂离子的表面浓度、平均浓度和最大浓度。
cp,mean(tk)表示tk时刻锂电池的正极的锂离子颗粒的平均锂离子浓度;cn,mean(tk)表示tk时刻锂电池的负极的锂离子颗粒的平均锂离子浓度;csurf(tk)表示tk时刻锂电池的锂离子颗粒表面的锂离子浓度;cp,surf(tk)表示tk时刻锂电池的正极的锂离子颗粒表面的锂离子浓度;cn,surf(tk)表示tk时刻锂电池的负极的锂离子颗粒表面的锂离子浓度。cp,max表示所述锂电池的正极的锂离子颗粒的最大离子浓度;cn,max表示所述锂电池的负极的锂离子颗粒的最大离子浓度。
基于以上方程式可知,无论是传统的ECM模型还是EMM模型,锂电池对应的OCV都与锂电池的锂离子颗粒的浓度相关。
基于此,在创建EMM模型时,具体可以采用如下的扩散方程,来模拟锂电池的正负电极的锂离子固相扩散过程:
csurf(tk)=cmean(tk)+cs(tk) (3)
其中,在以上方程式中,cs(tk)表示锂离子颗粒在扩散过程中的tk时刻的锂离子浓度的变化量。需要说明的是,cs(tk)的具计算方式和计算过程,通常取决于上述EMM模型的具体类型。例如,在实际应用中,上述EMM模型通常可以包括P2D模型(Pseudo two-dimensionmodel,伪二维模型),SP模型(Single particle model,单颗粒模型),一种电化学机理模型。
在示出的一种实施方式中,如果采用SP模型作为上述EMM模型,cs(tk)具体可以采用如下的方程式进行计算:
其中,Rs表示锂离子颗粒的半径,Ds表示锂离子颗粒的固相扩散系数,js表示粒子表面的孔壁通量,与电流I成正比。其中
其中,P表示离电池的正极;n表示锂电池的负极;δ表示电极厚度,as表示比界面面积;A表示锂离子颗粒的表面积。
需要说明的是,基于SP模型来推导上述方程式的具体过程,在本说明书中不再进行详述。当然,在实际应用中,也可以采用诸如P2D模型来作为上述EMM模型,采用P2D模型来推导计算上述cs(tk)对应的方程式的具体过程,本说明书中也不再进行详述。
在示出的一种实施方式中,如果采用上述方程式3表示的扩散方程,来模拟锂电池的正负电极的锂离子固相扩散过程,将上述方程式3代入上述方程式2,即可得到锂电池的OCV的方程式。
此时该锂电池的正负电极的锂离子颗粒表面的电位差,可以用如下方程式进行表示:
其中,EEMM(tk)表示tk时刻上述锂电池的OCV;所述E(tk)表示tk时刻所述锂电池的的正负电极的锂离子颗粒表面的电位差。也即,通过上述方程式5可知,在本说明书中,将会用tk时刻所述锂电池的的正负电极的锂离子颗粒表面的电位差,来表示上述锂电池的OCV。
Up表示所述锂电池的正极的锂离子颗粒表面的电位;Un表示所述锂电池的负极的锂离子颗粒表面的电位;cp,mean(tk)表示tk时刻所述锂电池的正极的锂离子颗粒的平均锂离子浓度;cn,mean(tk)表示tk时刻所述锂电池的负极的锂离子颗粒的平均锂离子浓度;cp,s(tk)表示tk时刻所述锂电池的正极的锂离子颗粒随时间进行扩散的过程中锂离子浓度的变化量;cn,s(tk)表示tk时刻所述锂电池的负极的锂离子颗粒随时间进行扩散的过程中锂离子浓度的变化量;cp,max表示所述锂电池的正极的锂离子颗粒的最大离子浓度;cn,max表示所述锂电池的负极的锂离子颗粒的最大离子浓度。
在建模过程中,除了要表示出锂电池的正负电极的锂离子颗粒表面的电位差以外,还需要表示出锂电池的正负电极的锂离子颗粒表面的SOC。
对于锂电池的正负电极的锂离子颗粒表面的SOC来说,通常可以用如下的方程式进行表示:
在示出的一种实施方式中,如果采用SP模型作为上述EMM模型,假定电池的正负极SOC相等,即SOCp=SOCn。此时锂电池的正负电极的锂离子颗粒表面的SOC,可以用如下的方程式进行表示:
SOCsurf=SOCp/n+dSOC (6)
其中,SOCsurf表示池的正负电极的锂离子颗粒表面的SOC;SOCp/n表示所述锂电池的正极或者负极的SOC;dSOC表示锂离子颗粒表面的SOC与所述锂电池的正极或者负极的SOC之间的差异量,可以用如下的方程式进行计算:
cSOC=0%表示soc为0%时锂离子的浓度;cSOC=100%表示soc为100%时锂离子的浓度;cs表示锂离子颗粒扩散过程中的锂离子浓度的变化量。
而将上述方程式4,代入到上述方程式7中,则上述tk时刻锂电池的正极的锂离子颗粒的dSOC可以用如下的方程式进行表示:
在本说明书中,按照以上描述的分析过程,完成了EMM模型的建模后,可以将该EMM模型与传统的ECM模型进行结合,得到一个EEMM模型。
其中,在EMM模型与传统的ECM模型进行结合时,该ECM模型的具体类型,在本说明书中不进行特别限定;例如,述ECM模型可以是Rint模型、一阶RC网络等效电路模型、多阶RC网络等效电路模型,等等。
请参见图1,图1是本说明书一种EECM电化学等效电路模型对应的电路图。
在示出的一种实施方式中,上述ECM模型具体可以是二阶RC网络等效电路模型,在这种情况下,将上述EMM模型与二阶RC网络等效电路模型进行结合,得到的EEMM模型的电路图,具体可以如图1所示。
请参见图1,在上述EEMM模型中,可以包括一个锂电池的电压源EEMM,一个与电压源EEMM串联的内阻R0、一个与内阻R0串联的第一RC网络与第二RC网络,第一RC网络包括第一极化内阻R1以及与第一极化内阻R1并联的第一极化电容C1;第二RC网络包括第二极化内阻R2以及与所述第二极化内阻R2并联的第二极化电容C2。
其中,由于上述EECM考虑了锂电池的正负电极的锂离子固相扩散过程,因此与基于传统的二阶RC网络等效电路模型的外特性方程不同的是,图1示出的EEMM模型的外特性方程可以用如下的方程式进行表示:
U=EEMM(SOCsurf)+U1+U2+IR0 (9)
其中,U表示图1示出的EEMM模型的路端电压。EEMM(SOCsurf)表示锂电池的OCV,也即锂电池的正负极的锂离子颗粒表面的电位差;在实际应用中,EEMM的取值通常与SOCsurf存在数据拟合关系,因此上述方程式中的EEMM(SOCsurf)具体可以表示基于EEMM-SOCsurf拟合曲线计算得到的电压源EEMM的OCV开路电压。
需要说明的是,EEMM-SOCsurf拟合曲线,与传统的SOC-OCV拟合曲线相同,在实际应用中可以基于实验数据进行数据拟合得到,在本说明书不再详述EEMM-SOCsurf拟合曲线的生成过程。相应的,基于EEMM-SOCsurf拟合曲线来计算EEMM的取值的方式,在本说明书中不也不再进行详细描述;例如,在实际应用中,可以将方程式6计算出的SOCsurf作为输入,在EEMM-SOCsurf拟合曲线中来查找与该SOCsurf对应的EEMM。
U1表示第一RC网络的电压;U2表示第二RC网络的电压;IR0表示所述内阻R0的电压。I代表电池电流,放电为负,充电为正。
根据RC网络等效电路的特性,tk时刻的U1和U2可以用如下的方程式进行计算:
综上所述,图1示出的EEMM模型在tk时刻的动态响应,可以用如下示出的方程组进行表示:
其中I表示通过欧姆电阻的电流,放电为负,充电为正。表示端电压输出。和分别描述R1C1和R2C2元件的电压。τ1和τ2分别表示R1C1和R2C2元件的时间常数,即τ1=R1C1和τ2=R2C2。SOCsurf表示锂离子电池的表面荷电状态。dSOC表示表面SOC和实际SOC的差异。ksd表示固相扩散的影响因子。τsd表示固相扩散的时间常数。Δtk是相邻采样点之间的时间间隔,即Δtk=tk-tk-1。
在本说明书中,在完成上述EEMM模型的建模,并用方程式的形式表示出该EEMM模型在tk时刻的动态响应之后,可以进一步将该EEMM模型作为一个动态系统,并结合动态系统理论,来分别构建用于描述电池模型相关的状态变量的状态变化的状态方程,和与电池模型对应的测量方程,用以锂电池的状态估计。
基于动态系统理论,一个复杂的动态系统可以用以下两个状态空间模型来表示。
xk+1=g(xk,θk)+wk (12)
zk=h(xk,θk)+vk (13)
其中,上述方程式12表示状态方程,用于描述动态系统相关的状态变量的状态变化。上述方程式13表示测量方程,用于描述动态系统相关的测量值。x指示反映系统内部状态变化的状态向量。z表示输出向量。θk表示输入向量。wk和vk分别表示随机的过程噪声和测量噪声。
在本说明书中,可以在上述方程组11的基础上,来为上述EEMM模型构建状态方程和测量方程,然后采用于EFK算法针对该状态方程和该测量方程进行迭代计算,以联合估计出锂电池的SOC和SOH。
请参见图2,图2是本说明书根据一示例性实施例示出的一种锂电池的电池状态的估计方法的流程图,该方法可以应用于BMS(Battery Management System,电池管理系统);所述方法包括:
步骤202:确定与待估计的锂电池对应的电池模型;其中,所述电池模型包括将ECM等效电路模型与模拟了所述锂电池的正负电极的锂离子固相扩散过程的EMM化学机理模型进行结合得到的EECM电化学等效电路模型;所述EECM模型采用所述锂电池的正负电极的锂离子颗粒表面的电位差,来表示所述锂电池的OCV开路电压;
前文描述的EEMM模型,可以预先保存在BMS系统的电池模型数据库中,供该BMS系统所搭载的与电池状态估计相关的功能模型进行调用。例如,在实际应用中,可以以可调用的函数或者组件等形式,保存在BMS系统的电池模型数据库中。
其中,上述电池模型数据库具体用于保存为BMS系统管理的锂电池创建的电池模型。在实际应用中,为该EEMM模型构建的用于描述该EEMM模型的动态响应的状态方程和测量方程,也可以作为电池模型相关的模型数据,与该EEMM模型一起保存在BMS系统的电池模型数据库中。
当BMS系统要对锂电池进行状态评估时,BMS系统可以从数据库中保存的电池模型中,来为该锂电池确定一个与之适配的电池模型。
其中,BMS系统从数据库中保存的电池模型中,为该锂电池确定一个与之适配的电池模型的具体方式,在本说明书中不进行特别限定;
例如,在示出的一种实施方式中,BMS系统可以获取该锂电池的属性参数(比如该锂电池的类型和型号等属性参数),然后将该属性参数与数据库中保存的电池模型进行匹配,从而从数据库中确定出一个能够与该属性参数适配的电池模型。
在示出的另一种实施方式中,BMS系统也可以将电池模型数据库中保存的电池模型,通过界面向用户输出,由用户从BMS系统输出的电池模型中来选择与上述锂电池适配的电池模型。
步骤204,获取用于描述所述电池模型相关的状态变量的状态变化的状态方程,以及基于所述电池模型的外特性方程创建与所述电池模型对应的测量方程;
在实际应用中,电池的荷电状态SOC表征电池剩余电量的多少,定义为电池剩余荷电量与电池满电状态下荷电量的比值,准确的SOC估计对于了解电池的使用状态至关重要。相关技术中的SOC估计方法,主要包括直接测量法和基于模型的方法。由于直接测量方法的局限性,如电流积分法的累积误差和基于开路电压(OCV)的方法的较长的剩余时间要求,这使得在线应用很困难。
作为一种最优状态估计算法,EKF(Extended Kalman filter,扩展卡尔曼滤波)算法,可以通过合理地结合基于模型的方法和基于OCV的方法来修正当前的安时积分方法。因此,该方法在SOC估计中得到了广泛的应用。
然而,对于采用EKF算法的模型估计方法,电池老化后,容量和内阻会发生变化,这对模型的SOH的精度会造成影响,并进一步引起较高的SOC估计误差。
因此,在线SOC估计应该同时考虑SOH和内阻随电池老化的影响。SOC被广泛定义为在当前第L次充放电循环中剩余放电容量与电池容量的比值。SOH是电池容量的直接响应,通常定义为第L次充放电循环时电池容量QL与新电池标准容量Qst之比,具体可以用如下的方程式进行计算:
可见,SOC能明显地反映某一特定周期内的剩余放电容量,SOH能明显地反映电池在整个寿命周期内的容量损失,两者在电池衰减的全生命周期有着重要的作用。因此,准确的SOC估计和SOH估计相互作用,对于BMS了解电池的性能非常重要。
基于此,在本说明书中,可以将EFK算法针对锂电池进行状态估计的迭代计算划分为两阶的迭代运算,相应的,为上述EEMM模型构建的状态方程,也可以包括与上述第一阶的迭代运算对应的第一状态方程和与第二阶的迭代计算对应的第二状态方程。为上述EEMM模型构建的测量方程,也可以包括与第一阶的迭代计算对应的第一测量方程和与第二阶的迭代计算对应的第二测量方程。
在第一阶的迭代运算中,可以计算锂电池在第L个充放电循环周内的tk时刻的SOC。其中,L可以是一个大于等于1的正整数。例如,L∈[1,2,3,4……]。
具体地,在第一阶的迭代运算中,具体可以采用EFK算法基于第一状态方程和第二测量方程进行第一阶的迭代计算,对锂电池在第L个充放电循环周内的tk时刻的SOC的第一预估值进行迭代修正,以得到所述锂电池在第L个充放电循环周内的tk时刻的SOC。
其中,需要说明的是,为了突出在估计SOC和SOH的过程中,SOC估计和SOH估计的相互作用,上述第一预估值具体可以是一个基于锂电池在第L个充放电循环周期的SOH,计算出的锂电池在第L个充放电循环周内的tk时刻的SOC的先验估计值。
为上述EEMM模型创建的与第一阶的迭代运算对应的第一测量方程,可以用如下的方程式来表示:
其中,表示所述锂电池在第L个充放电循环周内的tk时刻的SOC的第一预估值;SOHL表示所述锂电池在第L个充放电循环周期的SOH;η表示库仑效率;Qst表示电池的标准容量;和表示tk时刻的状态变量;I表示作为输入的电流;U表示作为输出的路端电压;τ1和τ2分别表示第一RC网络和第一RC网络的时间常数;其中,τ1=R1C1和τ2=R2C2;ksd表示固相扩散的影响因子。τsd表示固相扩散的时间常数;ω和ν分别表示随机的过程噪声和测量噪声。
在第二阶的迭代运算中,可以计算所述锂电池在第L+1个充放电循环周内的tk时刻的SOH。
具体地,第一阶的迭代运算的计算结果,具体可以作为第二阶的迭代运算的输入。在第二阶的迭代运算中,具体可以采用EFK算法基于第二状态方程和第二测量方程进行第二阶的迭代计算,对锂电池在第L+1个充放电循环周期的SOH的第二预估值进行迭代修正,以得到锂电池在第L+1个充放电循环周内的tk时刻的SOC。
其中,需要说明的是,为了突出在估计SOC和SOH的过程中,SOC估计和SOH估计的相互作用,上述第二预估值具体可以是一个基于第一阶的迭代计算得到的,锂电池在第L个充放电循环周期内的tk时刻的SOC,计算出的锂电池在第L+1个充放电循环周期的SOH的先验估计值。
在示出的一种实施方式中,上述第二预估值具体可以是一个利用容量衰减模型,在锂电池在第L个充放电循环周期的SOH的后验估计值的基础上,计算出的锂电池在第L+1个充放电循环周期的SOH的先验估计值;其中,锂电池在第L个充放电循环周期的SOH的后验估计值,可以基于第一阶的迭代计算得到的,锂电池在第L个充放电循环周期内的tk时刻中的任意两个时刻的SOC,采用两点法计算得到。
在这种情况下,为上述EEMM模型创建的与第二阶的迭代运算对应的第二态方程可以用如下的方程组来表示:
为上述EEMM模型创建的与第一阶的迭代运算对应的第一测量方程,可以用如下的方程式来表示:
其中,表示所述锂电池在第L+1个充放电循环周期的SOH的先验估计值;表示所述锂电池在第L个充放电循环周期的SOH的后验估计值;Θ,表示所述容量衰减经验模型的参数集;σB表示布朗运动扩散系数;B表示布朗运动参数。yL+1表示所述锂电池在第L+1个充电循环周期的SOH的测量值;v表示随机的测量噪声。
需要说明的是,上文提到的容量衰减模型,在实际应用中可以灵活的进行选择,在本说明书中不进行特别限定。
在示出的一种实施方式中,上述容量衰减模型可以是一个基于锂电池在若干个历史充放电循环周期的历史测试数据训练出的经验模型。
例如,在实现时,工程人员可以通过测试实验,得到锂电池在大量的历史充放电循环周期的历史测试数据,然后将这些历史测试数据,来作为训练样本,训练容量衰减模型。
其中,上述经验模型的具体类型,在实际应用中也可以灵活的进行选择,在本说明书中也不进行特别限定。
例如,在示出的一种实现方式中,上述容量衰减模型可以包括Arrhenius模型。
Arrhenius模型,是以负极SEI膜增厚作为主要衰减机理而建立的经验模型。因此,Arrhenius模型则采用如下的方程式来描述所述锂电池的电池容量衰减情况:
ξ(L)为L次循环后的相对容量衰减量,单位%;A为大于零的常数;Ea为激活能,单位为J/mol;R为气体常数,单位为J/(mol·k);T为绝对温度,单位为K;n为循环次数;z为指数。通常将看作整体,作为一个未知参数。
以Arrhenius模型为基础模型,并对其进行适当变形,构建离散Arrhenius寿命模型,以适应变温度工况。由式(18)可以变形得到:
对方程式18左右对L求导,计算得到:
将式(19)代入式(20),得到消去L的微分形式:
在实际应用中,需将式(21)化简处理成离散形式:
式中,k1,k2,k3分别为:
对于新鲜电池,初始状态下容量损失为0,循环1次后容量损失计算如以下的方程式所示。
此后可以通过式(22)迭代循环计算电池容量衰减量。
相应地,根据电池循环n次后相对容量衰减量ξ(n)转换得到模型容量估计值:
CA(L)=(1-ξ(L))·C1
式中:CA(n)为电池n次循环后模型估计的容量值,单位为Ah;C1为电池初始容量,单位为Ah。
基于以上的理论分析可知,在利用容量衰减模型,在所述锂电池在第L个充放电循环周期的SOH的后验估计值的基础上,计算出的所述锂电池在第L+1个充放电循环周期的SOH的先验估计值时,具体可以采用如下的方程式进行计算:
其中:ξ(1)为1次循环后的相对容量衰减量。
在本说明书中,当BMS系统从数据库中保存的电池模型中,为该锂电池确定出一个与之适配的电池模型之后,BMS系统可以进一步获取用于描述该电池模型相关的状态变量的状态变化的状态方程,以及基于该电池模型的外特性方程创建的与该电池模型对应的测量方程。
其中,需要说明的是,BMS系统在获取与该电池模型对应的状态方程和测量方程的过程中,除了需要从BMS的电池模型数据库中读取出保存的与该电池模型对应的状态方程和测量方程以外,还需要结合搭载的参数辨识算法,对该状态方程和测量方程中相关的参数进行参数辨识。
例如,以14-17描述的状态方程和测量方程而言需,需要辨识的参数包括{R0,R1,τ1,R2,τ1,ksd,τsd}。
需要强调的是,在本说明书中,对该状态方程和测量方程中相关的参数进行参数辨识的具体实施细节,本说明书中不再进行详述,本领域技术人员在将本说明书记载的技术方案付诸实现时,可以参考相关技术中的记载。
步骤206,基于EFK算法针对所述状态方程和所述测量方程进行迭代计算,以联合估计出所述锂电池的SOC和SOH。
如前所述,基于EFK算法针对所述状态方程和所述测量方程进行迭代计算,具体可以包括采用EFK算法基于方程式14和方程式15进行第一阶的迭代计算,对所述锂电池在第L个充放电循环周内的tk时刻的SOC的第一预估值即进行迭代修正,以得到所述锂电池在第L个充放电循环周内的tk时刻的SOC;其中,如前所述,该第一预估值为基于锂电池在第L个充放电循环周期的SOH,计算出的锂电池在第L个充放电循环周内的tk时刻的SOC的先验估计值。
其中,采用EFK算法基于方程式14和方程式15进行第一阶的迭代计算的计算过程,可以参考图3所示,在本说明书中不再对计算过程进行详细描述。
除了第一阶的迭代计算以外,还可以将第一阶的迭代计算的结果作为输入,
采用EFK算法基于方程式16和方程式17进行第二阶的迭代计算,对锂电池在第L+1个充放电循环周期的SOH的第二预估值进行迭代修正,以得到锂电池在第L+1个充放电循环周内的tk时刻的SOC;
其中,如前所述,第二预估值为基于第一阶的迭代计算得到的,锂电池在第L个充放电循环周期内的tk时刻的SOC,计算出的锂电池在第L+1个充放电循环周期的SOH的先验估计值。
其中,采用EFK算法基于方程式16和方程式17进行第二阶的迭代计算的计算过程,可以参考图4所示,在本说明书中不再对计算过程进行详细描述。
在实际应用中,电池寿命老化是一个极其复杂的过程,其包含机、电、热等因素相互耦合。但归根溯源,是电池内部发生的物理化学副反应导致了各种元素损失进而导致电池衰减。这些副反应包括SEI膜生成与持续增厚、锂离子析出与枝晶生长等等。
对于负极为石墨的锂离子电池,最重要的衰减机理为SEI膜持续增厚而引起的LLI。由于电池内阻(即图1示出的内阻R0)会随着老化而逐渐增大,因此为了避免由于电池内阻的老化影响SOH估计的精度,在基于EFK算法针对第二状态方程(即方程式16)和第二测量方程(即方程式17)进行迭代计算之前,还可以基于RLS(Recursive least squaresalgorithm,最小二乘法)算法实时的更新图1示出的上述内阻R0。
其中,基于RLS算法实时更限定图1示出的内阻R0,详细的算法可以用如下的方程式组来表示:
其中,y表示系统输出,eL表示系统输出的估计误差,α表示测量向量,β表示系统参数,λ表示遗忘因子,P描述协方差矩阵,K表示增益。通过上述RLS算法可以在线更新电池老化的内阻R0,L。基于上述方程式组来在线更新电池老化的内阻的具体的计算过程,本说明书中不再进行详述。
与前述方法的实施例相对应,本说明书还提供了装置、电子设备以及存储介质的实施例。
图5是一示例性实施例提供的一种电子设备的示意结构图。请参考图5,在硬件层面,该设备包括处理器502、内部总线504、网络接口506、内存508以及非易失性存储器810,当然还可能包括其他业务所需要的硬件。本说明书一个或多个实施例可以基于软件方式来实现,比如由处理器502从非易失性存储器510中读取对应的计算机程序到内存508中然后运行。当然,除了软件实现方式之外,本说明书一个或多个实施例并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
如图6所示,图6是本说明书根据一示例性实施例示出的一种锂电池的电池状态的估计装置的框图,该装置可以应用于如图5所示的电子设备中,以实现本说明书的技术方案。所述装置60包括:
确定模块601,确定与待估计的锂电池对应的电池模型;其中,所述电池模型包括将ECM等效电路模型与模拟了所述锂电池的正负电极的锂离子固相扩散过程的EMM化学机理模型进行结合得到的EECM电化学等效电路模型;所述EECM模型采用所述锂电池的正负电极的锂离子颗粒表面的电位差,来表示所述锂电池的OCV开路电压;
创建模块602,创建用于描述所述电池模型相关的状态变量的状态变化的状态方程,以及基于所述电池模型的外特性方程创建与所述电池模型对应的测量方程;
计算模块603,基于EFK算法针对所述状态方程和所述测量方程进行迭代计算,以联合估计出所述锂电池的SOC和SOH。
上述装置60的各个模块的具体细节已经在之前描述的方法流程中进行了详细的描述,因此此处不再赘述。
相应的,本说明书还提供一种电子设备,所述电子设备包括有处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为实现之前描述的全部的方法流程中的步骤。
相应的,本说明书还提供一种计算机可读存储介质,其上存储有可执行的指令;其中,该指令被处理器执行时,实现之前描述的全部的方法流程中的步骤。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本说明书方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机,计算机的具体形式可以是个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件收发设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任意几种设备的组合。
在一个典型的配置中,计算机包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带、磁盘存储、量子存储器、基于石墨烯的存储介质或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
在本说明书一个或多个实施例使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本说明书一个或多个实施例。在本说明书一个或多个实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本说明书一个或多个实施例可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本说明书一个或多个实施例范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
以上所述仅为本说明书一个或多个实施例的较佳实施例而已,并不用以限制本说明书一个或多个实施例,凡在本说明书一个或多个实施例的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本说明书一个或多个实施例保护的范围之内。
Claims (14)
1.一种锂电池的电池状态的估计方法,所述方法包括:
确定与待估计的锂电池对应的电池模型;其中,所述电池模型包括将ECM等效电路模型与模拟了所述锂电池的正负电极的锂离子固相扩散过程的EMM化学机理模型进行结合得到的EECM电化学等效电路模型;所述EECM模型采用所述锂电池的正负电极的锂离子颗粒表面的电位差,来表示所述锂电池的OCV开路电压;
获取用于描述所述电池模型相关的状态变量的状态变化的状态方程,以及基于所述电池模型的外特性方程创建的与所述电池模型对应的测量方程;
基于EFK算法针对所述状态方程和所述测量方程进行迭代计算,以联合估计出所述锂电池的SOC和SOH。
2.根据权利要求1所述的方法,所述迭代计算包括计算所述锂电池在第L个充放电循环周内的tk时刻的SOC的第一阶的迭代计算,以及计算所述锂电池在第L+1个充放电循环周内的tk时刻的SOH第二阶的迭代计算;所述状态方程包括与所述第一阶的迭代计算对应的第一状态方程和与所述第二阶的迭代计算对应的第二状态方程;所述测量方程包括与所述第一阶的迭代计算对应的第一测量方程和与所述第二阶的迭代计算对应的第二测量方程;其中,所述L为大于等于1的正整数;
基于EFK算法针对所述状态方程和所述测量方程进行迭代计算,以联合估计出所述锂电池的SOC和SOH,包括:
采用EFK算法基于所述第一状态方程和所述第二测量方程进行第一阶的迭代计算,对所述锂电池在第L个充放电循环周内的tk时刻的SOC的第一预估值进行迭代修正,以得到所述锂电池在第L个充放电循环周内的tk时刻的SOC;其中,所述tk时刻包括至少一个采样时刻;所述k为大于等于1的正整数;所述第一预估值为基于所述锂电池在第L个充放电循环周期的SOH,计算出的所述锂电池在第L个充放电循环周内的tk时刻的SOC的先验估计值;
采用EFK算法基于所述第二状态方程和所述第二测量方程进行第二阶的迭代计算,对所述锂电池在第L+1个充放电循环周期的SOH的第二预估值进行迭代修正,以得到所述锂电池在第L+1个充放电循环周内的tk时刻的SOC;其中,所述第二预估值为基于所述第一阶的迭代计算得到的,所述锂电池在第L个充放电循环周期内的tk时刻的SOC,计算出的所述锂电池在第L+1个充放电循环周期的SOH的先验估计值。
3.根据权利要求2所述的方法,所述EMM化学机理模型采用如下的扩散方程,模拟所述锂电池的正负电极的锂离子固相扩散过程:
csurf(tk)=cmean(tk)+cs(tk)
csurf(tk)表示tk时刻锂离子颗粒表面的锂离子浓度;cmean(tk)表示tk时刻锂离子颗粒的平均锂离子浓度;cs(tk)表示锂离子颗粒在扩散过程中的tk时刻的锂离子浓度的变化量。
5.根据权利要求3所述的方法,所述电池模型的OCV开路电压用如下方程式进行表示:
EEMM(tk)表示tk时刻所述锂电池的OCV开路电压;所述E(tk)表示tk时刻所述锂电池的的正负电极的锂离子颗粒表面的电位差;Up表示所述锂电池的正极的锂离子颗粒表面的电位;Un表示所述锂电池的负极的锂离子颗粒表面的电位;cp,mean(tk)表示tk时刻所述锂电池的正极的锂离子颗粒的平均锂离子浓度;cn,mean(tk)表示tk时刻所述锂电池的负极的锂离子颗粒的平均锂离子浓度;cp,s(tk)表示tk时刻所述锂电池的正极的锂离子颗粒随时间进行扩散的过程中锂离子浓度的变化量;cn,s(tk)表示tk时刻所述锂电池的负极的锂离子颗粒随时间进行扩散的过程中锂离子浓度的变化量;cp,max表示所述锂电池的正极的锂离子颗粒的最大离子浓度;cn,max表示所述锂电池的负极的锂离子颗粒的最大离子浓度。
6.根据权利要求3所述的方法,所述等效电路模型为二阶RC网络等效电路模型;
其中,所述二阶RC网络等效电路模型包括所述锂电池的电压源EECM;与所述电压源EEMM串联的内阻R0、与所述内阻R0串联的第一RC网络与第二RC网络,所述第一RC网络包括第一极化内阻R1以及与所述第一极化内阻R1并联的第一极化电容C1;所述第二RC网络包括第二极化内阻R2以及与所述第二极化内阻R2并联的第二极化电容C2;所述电池模型的外特性方程用如下方程式进行表示:
U=EEMM(SOCsurf)+U1+U2+IR0
U表示所述电池模型的路端电压;EEMM(SOCsurf)表示基于EEMM-SOCsurf拟合曲线得到的所述电压源EEMM的OCV开路电压;SOCsurf表示锂离子颗粒表面的SOC;U1表示所述第一RC网络的电压;U2表示所述第二RC网络的电压;IR0表示所述内阻R0的电压。
9.根据权利要求2所述的方法,所述第二预估值为利用容量衰减模型,在所述锂电池在第L个充放电循环周期的SOH的后验估计值的基础上,计算出的所述锂电池在第L+1个充放电循环周期的SOH的先验估计值;其中,所述锂电池在第L个充放电循环周期的SOH的后验估计值,为基于所述第一阶的迭代计算得到的,所述锂电池在第L个充放电循环周期内的tk时刻中的任意两个时刻的SOC,采用两点法计算得到;所述第二状态方程用如下方程式进行表示:
所述第二测量方程用如下方程式进行表示:
10.根据权利要求9所述的方法,所述容量衰减模型为基于所述锂电池在若干个历史充放电循环周期的的历史测试数据训练出的经验模型。
11.根据权利要求10所述的方法,所述容量衰减模型包括Arrhenius模型;
如果所述容量衰减模型为Arrhenius模型,则采用如下的方程式来描述所述锂电池的电池容量衰减情况:
其中,ξ(L)为L次循环后的相对容量衰减量,单位为%;A为大于零的常数;Ea为激活能,单位为J/mol;R为气体常数,单位为J/(mol·k);T为绝对温度,单位为K;n为循环次数;z为指数;所述利用容量衰减模型,在所述锂电池在第L个充放电循环周期的SOH的后验估计值的基础上,计算出的所述锂电池在第L+1个充放电循环周期的SOH的先验估计值,包括:
其中:ξ(1)为1次循环后的相对容量衰减量。
12.一种锂电池的电池状态的估计装置,所述装置包括:
确定模块,确定与待估计的锂电池对应的电池模型;其中,所述电池模型包括将ECM等效电路模型与模拟了所述锂电池的正负电极的锂离子固相扩散过程的EMM化学机理模型进行结合得到的EECM电化学等效电路模型;所述EECM模型采用所述锂电池的正负电极的锂离子颗粒表面的电位差,来表示所述锂电池的OCV开路电压;
创建模块,创建用于描述所述电池模型相关的状态变量的状态变化的状态方程,以及基于所述电池模型的外特性方程创建与所述电池模型对应的测量方程;
计算模块,基于EFK算法针对所述状态方程和所述测量方程进行迭代计算,以联合估计出所述锂电池的SOC和SOH。
13.一种电子设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器通过运行所述可执行指令以实现如权利要求1-11中任一项所述的方法。
14.一种计算机可读存储介质,其上存储有计算机指令,该指令被处理器执行时实现如权利要求1-11中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211139480.0A CN115825746A (zh) | 2022-09-19 | 2022-09-19 | 一种锂电池的电池状态的估计方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211139480.0A CN115825746A (zh) | 2022-09-19 | 2022-09-19 | 一种锂电池的电池状态的估计方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115825746A true CN115825746A (zh) | 2023-03-21 |
Family
ID=85523707
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211139480.0A Pending CN115825746A (zh) | 2022-09-19 | 2022-09-19 | 一种锂电池的电池状态的估计方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115825746A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117637044A (zh) * | 2023-10-07 | 2024-03-01 | 武汉理工大学 | 一种电池电压预测方法、装置、电子设备及存储介质 |
-
2022
- 2022-09-19 CN CN202211139480.0A patent/CN115825746A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117637044A (zh) * | 2023-10-07 | 2024-03-01 | 武汉理工大学 | 一种电池电压预测方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102219397B1 (ko) | 원격 파라미터 추정을 구비한 2차 전지 관리 시스템 | |
Shen et al. | Accurate state of charge estimation with model mismatch for li-ion batteries: A joint moving horizon estimation approach | |
Ruan et al. | State of health estimation of lithium-ion battery based on constant-voltage charging reconstruction | |
Shahriari et al. | Online state-of-health estimation of VRLA batteries using state of charge | |
JP5058814B2 (ja) | バッテリーの状態及びパラメーターの推定システム及び方法 | |
US11422192B2 (en) | Method and apparatus for estimating state of health of battery | |
CN113156321B (zh) | 一种锂离子电池荷电状态soc的估算方法 | |
Takyi‐Aninakwa et al. | A strong tracking adaptive fading‐extended Kalman filter for the state of charge estimation of lithium‐ion batteries | |
US20210048480A1 (en) | Battery state estimation method | |
Jiang et al. | Data-based fractional differential models for non-linear dynamic modeling of a lithium-ion battery | |
CN110673037B (zh) | 基于改进模拟退火算法的电池soc估算方法及系统 | |
JP2023541417A (ja) | バッテリの充電状態を推定する方法 | |
CN107942261A (zh) | 电池荷电状态的估计方法及系统 | |
CN111142025A (zh) | 一种电池soc估算方法、装置、存储介质及电动汽车 | |
Kim et al. | Reliable online parameter identification of li-ion batteries in battery management systems using the condition number of the error covariance matrix | |
CN114545262A (zh) | 一种针对损失数据的锂离子电池参数辨识及soc估计方法 | |
CN114114038A (zh) | 一种全寿命全温度下锂电池soc及可用容量联合估计方法 | |
Ahmed et al. | A scaling approach for improved open circuit voltage modeling in Li-ion batteries | |
CN115825746A (zh) | 一种锂电池的电池状态的估计方法及装置 | |
Hallmann et al. | Methods for lithium-based battery energy storage SOC estimation. Part I: Overview | |
Savargaonkar et al. | A novel neural network with gaussian process feedback for modeling the state-of-charge of battery cells | |
CN115951236A (zh) | 锂电池状态监测方法及系统、装置、存储介质 | |
Saboo et al. | State of Charge (SoC) Estimation of Li-Ion Battery | |
CN110850299B (zh) | 一种基于sr-ukf的锂离子动力电池状态估计方法 | |
Yamin et al. | Embedded state of charge and state of health estimator based on Kalman filter for electric scooter battery management system |
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 |