CN115902647A - 一种电池状态智能监测方法 - Google Patents
一种电池状态智能监测方法 Download PDFInfo
- Publication number
- CN115902647A CN115902647A CN202310156809.2A CN202310156809A CN115902647A CN 115902647 A CN115902647 A CN 115902647A CN 202310156809 A CN202310156809 A CN 202310156809A CN 115902647 A CN115902647 A CN 115902647A
- Authority
- CN
- China
- Prior art keywords
- discharge
- charge
- data
- current
- moment
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 80
- 238000012544 monitoring process Methods 0.000 title claims abstract description 14
- 238000007599 discharging Methods 0.000 claims abstract description 69
- 230000008569 process Effects 0.000 claims description 48
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 claims description 42
- 229910052744 lithium Inorganic materials 0.000 claims description 42
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000005259 measurement Methods 0.000 abstract description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000001914 filtration Methods 0.000 description 9
- 230000007613 environmental effect Effects 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 5
- 238000000354 decomposition reaction Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 229940127554 medical product Drugs 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- 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
- Secondary Cells (AREA)
Abstract
本发明涉及电池状态测量技术领域,提出了一种电池状态智能监测方法,包括:采集额定电荷量、当前及历史充放电数据以及当前环境温度数据,获取充放电大数据及环境温度大数据;根据充放电数据进行曲线拟合并构建电池模型,获取当前充放电周期的衰减程度;获取充放电大数据中每个第一充放电周期的衰减程度,根据衰减程度及当前环境温度数据与环境温度大数据,获取当前充放电周期的若干参考充放电周期,进而得到当前充放电周期中每个时刻的特征参数;根据特征参数对卡尔曼增益系数进行调节,对状态变量进行测量校正,完成电池荷电状态的估计。本发明旨在解决数据偏差对电池荷电状态造成错误估计的问题。
Description
技术领域
本发明涉及电池状态测量技术领域,具体涉及一种电池状态智能监测方法。
背景技术
现阶段医疗产品电池主要用作医疗设备、器械等产品的供电电源,其中锂电池由于能量密度大、使用寿命长以及充电速度快的优点,被大量用于医疗设备及器械中;其中电池的荷电状态(SOC)是锂电池的重要指标,SOC表征着锂电池的剩余电量,因此准确估计SOC十分重要。
现如今估计SOC的方法使用最多的为卡尔曼滤波算法,利用测量数据和电池系统模型,实时的获取最优状态的无偏差估计;然而在计算得到卡尔曼增益系数后对状态变量进行校正更新的过程中,卡尔曼滤波在更新过程中受到前一时刻测量值的影响;而在实际的锂电池SOC估计过程中,由于传感器测量的偏差影响,会使得计算得到的某些时刻的电池信号数据出现较大的偏差;在通过卡尔曼增益系数进行状态更新过程中,若前一时刻数据偏差较大,则对应的计算得到的卡尔曼增益系数也同样存在较大的偏差,进而在后续的预测和更新过程中,获取到错误的电池SOC值。
发明内容
本发明提供一种电池状态智能监测方法,以解决现有的数据偏差对电池荷电状态造成错误估计的问题,所采用的技术方案具体如下:
本发明一个实施例提供了一种电池状态智能监测方法,该方法包括以下步骤:
获取待测锂电池的额定电荷量、当前充放电数据、当前环境温度数据以及历史充放电数据,获取若干相同型号锂电池的所有充放电数据组成充放电大数据,将充放电大数据中每个充放电数据记为第一充放电数据,对应的环境温度数据组成环境温度大数据,每个第一充放电数据的环境温度数据记为第一环境温度数据;
根据当前充放电数据及历史充放电数据进行曲线拟合并构建电池模型,将当前充放电数据对应周期记为当前充放电周期,根据当前充放电数据及历史充放电数据获取当前充放电周期的衰减程度,将每个第一充放电数据对应周期记为第一充放电周期,根据充放电大数据获取每个第一充放电周期的衰减程度;
根据当前充放电周期及所有第一充放电周期的衰减程度,以及当前环境温度数据与所有第一环境温度数据,对当前充放电周期及第一充放电周期进行聚类,获取当前充放电周期的若干参考充放电周期,将参考充放电周期对应的第一充放电数据记为参考充放电数据,根据当前充放电数据及参考充放电数据中的放电数据获取当前及参考放电趋势线,根据当前放电趋势线与参考放电趋势线获取当前放电趋势线中每个时刻的特征参数,根据当前充放电数据与参考充放电数据,以及当前放电趋势线中每个时刻的特征参数,获取当前充放电数据中每个时刻的特征参数;
根据特征参数对卡尔曼增益系数进行调节,根据调节后的卡尔曼增益系数对状态变量进行测量校正,完成对待测锂电池当前荷电状态的估计。
可选的,所述根据当前充放电数据及历史充放电数据获取当前充放电周期的衰减程度,包括的具体方法为:
将当前充放电周期记为待测锂电池的第个充放电周期,获取第个充放电周期的衰减程度的计算方法为:
其中,表示历史充放电周期的数量,表示锂电池的额定电荷量,表示第个历史充放电周期充电后的电荷量,表示第个历史充放电周期放电后的电荷量;第个充放电周期的衰减程度即为当前充放电周期的衰减程度。
可选的,所述对当前充放电周期及第一充放电周期进行聚类,获取当前充放电周期的若干参考充放电周期,包括的具体方法为:
第一环境温度数据及当前环境温度数据均为一组数据,每组数据包括若干环境温度数据,将每组环境温度数据的均值作为横坐标,衰减程度作为纵坐标,将当前充放电周期及每个第一充放电周期根据衰减程度及环境温度数据置于坐标系中,每个充放电周期对应一个坐标点,根据坐标点之间的欧式距离进行聚类,得到若干聚簇;
将当前充放电周期对应坐标点所在聚簇中其他坐标点对应的第一充放电周期,作为当前充放电周期的参考充放电周期。
可选的,所述根据当前放电趋势线与参考放电趋势线获取当前放电趋势线中每个时刻的特征参数,包括的具体方法为:
其中,表示当前放电趋势线中第时刻的特征参数,表示当前放电趋势线中第时刻和第时刻数据的差异,表示当前放电趋势线中所有相邻时刻数据的差异最大值,表示参考充放电周期的数量,表示第条参考放电趋势线中与当前放电趋势线中第时刻经DTW得到的匹配点对数量,表示第条参考放电趋势线中与当前放电趋势线中第时刻经DTW得到的匹配点对中第个匹配点对之间的欧式距离,表示以自然常数为底的指数函数。
可选的,所述获取当前充放电数据中每个时刻的特征参数,包括的具体方法为:
根据当前放电趋势线中每个时刻的特征参数的计算方法,获取当前充放电数据中充电过程中每个时刻的特征参数,将充电过程中每个时刻及放电过程中每个时刻根据时间对应还原到当前充放电数据中的每个时刻,对应的特征参数即为当前充放电数据中每个时刻的特征参数。
可选的,所述根据特征参数对卡尔曼增益系数进行调节,包括的具体方法为:
其中,表示调整后的当前充放电周期中第时刻的卡尔曼增益系数,表示第时刻的特征参数,表示调整前的当前充放电周期中第时刻的卡尔曼增益系数。
本发明的有益效果是:构建电池模型并通过卡尔曼滤波,结合测量数据准确预测SOC值,实时对电池的荷电状态完成智能监测;通过锂电池历史充放电周期的电荷量变化,获取每个充放电周期的衰减程度,表征电池的工作寿命以反映当前工作状态下的效率;同时考虑环境温度对电池工作状态的影响,结合衰减程度获取对于当前充放电周期的参考数据;通过当前充放电周期的数据趋势分布与参考充放电周期的数据趋势分布之间的差异,来量化每个时刻的特征参数,使其能充分表征每个时刻的数据与其原本趋势以及参考数据之间的差异,进而在对该时刻的卡尔曼增益系数进行调整的过程中,以特征参数对卡尔曼增益系数进行调整并对状态变量更新校正;避免了传统状态更新过程中,没有考虑到数据偏差造成卡尔曼增益系数偏差较大的问题,而使得获取到的电池SOC估计值出现错误。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的一个实施例所提供的一种电池状态智能监测方法流程示意图;
图2为同一电池不同充放电周期下的充放电情况示例图;
图3为电池的衰减程度示意图;
图4为环境温度数据与电池衰减程度构建坐标系的示意图;
图5为当前放电曲线与参考放电曲线的示例图;
图6为当前放电趋势线与参考放电趋势线的示例图;
图7为当前充放电周期中每个时刻的特征参数示例图;
图8为优化后的卡尔曼估算电压误差示例图;
图9为优化后的卡尔曼估计误差示例图;
图10为优化后的SOC评估示意图。
具体实施方式
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,所描述的实施例仅仅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,本领域普通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。
请参阅图1,其示出了本发明一个实施例所提供的一种电池状态智能监测方法流程图,该方法包括以下步骤:
步骤S001、采集待测锂电池的额定电荷量、当前充放电数据、当前环境温度数据以及历史充放电数据,采集相同型号锂电池的充放电大数据及对应的环境温度大数据。
本实施例的目的是通过改进的卡尔曼滤波来对待测锂电池当前的荷电状态进行准确估计,因此首先需要采集待测锂电池的相关参数以及当前的充放电数据,同时采集待测锂电池的额定电荷量用于后续分析,所述充放电数据即为锂电池在使用过程中电池的开路电压;而为了减小当前充放电数据中可能存在的异常数据对于荷电状态估计的影响,需要采集待测锂电池的历史充放电数据用于量化历史充放电对待测锂电池的影响,同时需要从互联网中获取相同型号锂电池的大量充放电数据作为充放电大数据,以对当前充放电数据提供参考,进而达成降低异常数据影响估计的目的;同时为了使参考可信度更高,需要获取当前充放电数据工作过程中的环境温度数据,记为当前环境温度数据;获取充放电大数据中每个充放电数据对应的环境温度数据,组成环境温度大数据;需要说明的是,充放电大数据即为若干个相同型号的锂电池的所有充放电数据,即获取多个相同型号的锂电池开始使用以来的所有充放电数据,并组成充放电大数据。
至此,获取到了待测锂电池的额定电荷量、当前与历史充放电数据以及当前环境温度数据;同时获取了充放电大数据及对应的环境温度大数据,用于后续为当前充放电数据提供参考。
步骤S002、根据采集的充放电数据进行曲线拟合并构建电池模型,根据当前充放电数据及历史充放电数据获取锂电池在当前充放电周期的衰减程度。
需要说明的是,对于待测锂电池,在步骤S001中已经获取了其当前充放电数据及历史充放电数据,当前充放电数据对应当前的充放电周期,历史充放电数据对应若干个历史充放电周期,需要根据充放电数据及相应周期拟合曲线,通过曲线构建电池模型;而后通过卡尔曼滤波在构建的电池模型上进行实时地获取最优状态的无偏估算,其中通过卡尔曼滤波计算得到卡尔曼增益,对状态变量进行更新校正,进而完成SOC,即荷电状态的估计。
具体的,将当前及历史充放电数据根据时序关系进行曲线拟合,根据拟合曲线获取充放电数据,即开路电压数据与SOC之间的拟合关系,所述SOC即为电池的荷电状态;而后通过拟合关系,本实施例根据Thevenin模型中的二阶RC模型进行电池模型构建,二阶RC模型为系统状态方程和测量方程,其中二阶为本实施例给出的经验参考值,实施者可根据实际情况设定阶数;需要说明的是,时序关系进行曲线拟合、根据拟合曲线获取开路电压数据与SOC的拟合关系,以及电池模型构建均为公知技术,本实施例不再赘述。
进一步需要说明的是,由于卡尔曼滤波算法是根据前一个时刻的状态来预测当前时刻的状态,主要分为两步,一步为根据前一个时刻的后验状态值预测当前时刻的先验状态估计值,二步为根据当前时刻的测量值来更新预测的估计值获取当前时刻的后验状态估计值,即两步对应着卡尔曼滤波算法中的更新系统状态方程和更新测量方程,而在更新方程中通过卡尔曼增益系数进行更新;其中在卡尔曼滤波算法中每个时刻的卡尔曼增益系数表征着对应时刻内对于估计值和测量值的平衡过程,即若卡尔曼增益系数越大,则对应的当前时刻的估计值的准确性就越小;若卡尔曼增益系数越小,则对应的当前时刻的估计值的准确性就越大;因此可以得知卡尔曼滤波在更新过程中受到前一时刻状态的测量值的影响;
但在实际的锂电池SOC估计过程中,由于传感器测量的偏差影响,会使得计算得到的每个时刻的电池信号数据可能出现较大的偏差,即对应的在某个时刻内会出现异常数据,在通过卡尔曼增益系数进行状态更新过程中,若前一时刻出现数据偏差较大,则对应的计算得到的卡尔曼增益系数也同样存在较大的偏差,进而使得在后续的预测和更新过程中,获取到错误的电池SOC值;而本实施例考虑根据充放电大数据对当前充放电数据提供参考,以此来降低数据偏差对于SOC估计所带来的影响,而参考的充放电数据则需要与当前充放电数据具有电池工作状态相近的特征,其中不同的充放电过程即影响电池的工作状态,充放电过程存在“深充深放”或者“浅充浅放”,而“深充深放”则会较大影响电池的工作寿命,通过不同充放电周期电荷量的变化差异获取衰减程度,通过衰减程度量化电池的工作寿命变化,进而在后续选取衰减程度相近情况下的充放电数据为当前充放电数据提供参考。
具体的,请参阅图2,其示出了同一电池不同充放电周期下的充放电情况示例图,图2中充放电情况由充电电荷量及放电电荷量来进行量化;将历史充放电数据对应的若干个充放电周期记为若干历史充放电周期,将当前充放电数据对应的充放电周期记为当前充放电周期,记为待测锂电池的第个充放电周期,则获取第个充放电周期的衰减程度的具体计算方法为:
其中,由于当前充放电周期记为待测锂电池的第个充放电周期,则待测锂电池共有个历史充放电周期,表示锂电池的额定电荷量,表示第个历史充放电周期充电后的电荷量,表示第个历史充放电周期放电后的电荷量;其中,充放电周期即为一次充电到下一次充电期间的过程,充电后的电荷量即为该过程中充电结束时的电荷量,放电后的电荷量则为下一次充电开始前的电荷量;此时,通过每个历史充放电周期内电荷量的变化来量化当前充放电周期的衰减程度,历史充放电周期内充电后电荷量越大,则存在“深充”情况;放电后电荷量越小,则存在“深放”情况,综合两种情况即是同一历史充放电周期中充电后与放电后的电荷量差异越大,该周期内“深充深放”情况越明显;而通过将电荷量差异与额定电荷量作比值实现归一化,所有历史充放电周期中,“深充深放”情况的数量越多,电荷量差异越大,对电池的损伤也就越大,相应的工作寿命降低越多,衰减程度就越大;请参阅图3,其示出了电池的衰减程度随周期变化的曲线示意图。
至此,获取到了锂电池在当前充放电周期的衰减程度,用于后续从充放电大数据中获取可以参考的充放电数据。
步骤S003、获取充放电大数据中每个第一充放电周期的衰减程度,根据衰减程度及当前环境温度数据与环境温度大数据,对当前充放电周期及第一充放电周期进行聚类,获取当前充放电周期的若干参考充放电周期,进而得到当前充放电周期中每个时刻的特征参数。
需要说明的是,要获取与当前充放电数据对应的工作状态相近的充放电数据来作为参考数据,除了要从衰减程度方面考虑,工作过程中的环境温度也会对锂电池的充放电过程造成影响,因此需要根据当前环境温度数据及第一环境温度数据,以及衰减程度进行聚类,进而获取当前充放电数据的若干参考充放电数据。
具体的,将充放电大数据中每个充放电数据记为第一充放电数据,对应的周期记为第一充放电周期,由于充放电大数据中由若干个相同型号的锂电池开始使用以来的所有充放电数据组成,因此每个第一充放电数据都有对应的开始使用以来的历史充放电数据,则可以按照步骤S002获取衰减程度的方法计算每个第一充放电数据对应第一充放电周期的衰减程度;同时将每个第一充放电周期在环境温度大数据中对应的环境温度数据记为第一环境温度数据;此时已经得到了每个第一充放电周期的衰减程度及工作过程中的第一环境温度数据,以及当前充放电周期的衰减程度及当前环境温度数据。
进一步的,由于第一环境温度数据及当前环境温度数据均为一组数据,即分别包括若干环境温度数据,因此将每组环境温度数据的均值作为横坐标,将衰减程度作为纵坐标,将每个第一充放电周期及当前充放电周期根据衰减程度及环境温度数据置于坐标系中,每个充放电周期对应了一个坐标点,请参阅图4,其示出了根据环境温度数据均值以及电池衰减程度构建的坐标系示例图;根据坐标系中各坐标点之间的欧式距离,通过DBSCAN算法对坐标点进行聚类,得到若干聚簇,其中DBSCAN聚类算法为公知技术,本实施例不再赘述;将当前充放电周期对应坐标点所在聚簇中其他坐标点对应的第一充放电周期,作为当前充放电周期的参考充放电周期,则得到了若干参考充放电周期;此时,通过衰减程度及环境温度数据之间的差异,即坐标点之间的欧式距离,对当前充放电周期及第一充放电周期进行聚类,同一聚簇中的坐标点对应的充放电周期之间的衰减程度相近,则对应的工作过程中电池寿命相近,环境温度数据均值相近,则工作过程中所处的环境温度相近,可以作为聚簇内互相的参考充放电周期。
进一步需要说明的是,由于锂电池在使用过程中出现数据偏差,即异常数据主要体现在电池放电过程中,因此本实施例提取当前充放电周期及参考充放电周期中的放电数据,即放电过程的开路电压数据进行分析;通过将时序的开路电压数据转换为曲线,考虑到传感器采集数据是可能受到噪声影响,因此利用曲线的趋势线进行分析,通过STL时间序列分解获取当前充放电周期及第一充放电周期的放电趋势线;再利用DTW时间动态规整算法根据放电趋势线,对当前充放电周期放电过程每个时刻与若干第一充放电周期的放电过程中的时刻进行匹配,通过匹配的点对来对当前充放电周期中放电过程每个时刻的趋势特征进行量化。
具体的,首先提取当前充放电周期及每个参考充放电周期中对应的充放电数据中放电过程的数据,分别记为当前放电数据和参考放电数据,由于放电数据均为时序数据形式,则根据时序关系将其转换为当前放电曲线和参考放电曲线,请参阅图5,其示出了当前放电曲线与若干参考放电曲线的示例图,图5中利用开路电压来量化表示放电数据;利用STL时间序列分解算法获取趋势项,趋势项分别记为当前放电趋势线和参考放电趋势线,请参阅图6,其示出了当前放电趋势线与若干参考放电趋势线的示例图,图5中纵坐标即为STL时间序列分解得到的趋势项;对任意一个参考放电趋势线与当前放电趋势线通过DTW时间动态规整算法获取当前放电趋势线中每个时刻对应的若干匹配点对;需要说明的是,每条放电曲线及趋势线均从0时刻开始,即是将放电过程开始的时刻作为0时刻,后续的原时刻根据放电过程开始时刻与0时刻的差异进行转换得到对应放电趋势线中的时刻;STL时间序列分解算法和DTW时间动态规整算法均为现有技术,本实施例不再赘述。
进一步的,对于当前放电趋势线中第时刻的特征参数的具体计算方法为:
其中,表示当前放电趋势线中第时刻和第时刻数据的差异,表示当前放电趋势线中所有相邻时刻数据的差异最大值,表示参考充放电周期的数量,表示第条参考放电趋势线中与当前放电趋势线中第时刻经DTW得到的匹配点对数量,表示第条参考放电趋势线中与当前放电趋势线中第时刻经DTW得到的匹配点对中第个匹配点对之间的欧式距离,所述欧式距离即为根据时间坐标差异及数据坐标差异得到的欧式距离;表示以自然常数为底的指数函数,本实施例采用函数来进行反比例关系呈现及归一化处理,实施者可根据实际情况选择其他的反比例及归一化函数;按照上述方法获取当前放电曲线中每个时刻的特征参数;需要说明的是,由于放电曲线及趋势线均从0时刻开始,0时刻对应的放电曲线数据即为放电过程开始的数据,而在实际过程中放电过程开始通常不会出现异常数据,因此本实施例对于即放电过程开始的时刻,其特征参数设置为1,即在后续卡尔曼增益系数中不作修改;对于当前充放电周期中的充电过程,由于充电数据也为时序数据,则按照上述方法获取当前充电曲线,并得到当前充电曲线中每个时刻的特征参数,其中充电过程开始的时刻的特征参数同样设置为1,充电过程结束的时刻即为放电过程开始的时刻,特征参数已经设置为1;将当前充电曲线及当前放电曲线中每个时刻的特征参数根据时间对应还原到当前充放电周期中每个时刻,则得到了当前充放电周期中每个时刻的特征参数,其中当前充放电周期中第时刻的特征参数记为;请参阅图7,其示出了当前充放电周期中每个时刻的特征参数的示例图。
此时,在当前放电趋势线中,相邻时刻的数据差异越大,后一时刻对应的测量值越可能存在较大的异常,对于后续参与卡尔曼增益系数调节的特征参数应越小,以避免引起后续估计值的不准确;当前放电趋势线中某一时刻与参考放电趋势线中形成的匹配点对之间的欧式距离越大,即时间差异与数据差异越大,当前放电曲线中该时刻的数据波动程度越大,越可能存在较大的异常,特征参数应越小。
至此,获取到了当前充放电周期内每个时刻的特征参数,根据特征参数对卡尔曼增益系数进行后续调整,以调整后的卡尔曼增益系数对状态增量进行校正。
步骤S004、根据特征参数对卡尔曼增益系数进行调节,根据调节后的卡尔曼增益系数对状态变量进行测量校正,进而完成对待测锂电池当前荷电状态的估计。
在步骤S003中已经获取到当前充放电周期中每个时刻的特征参数,根据特征参数对卡尔曼增益系数进行调整,并进行状态变量的校正,以当前充放电周期中第时刻为例,调整后的卡尔曼增益系数的计算方法为:
其中,表示调整后的当前充放电周期中第时刻的卡尔曼增益系数,表示第时刻的特征参数,表示调整前的当前充放电周期中第时刻的卡尔曼增益系数;调整前的卡尔曼增益系数以及校正后的状态变量为公知技术,具体计算表达式为:
其中,表示第时刻的先验估计协方差,是状态变量到测量的转移矩阵,表示转移矩阵的转置矩阵,表示测量噪声协方差,表示第时刻的后验状态估计值,表示第时刻的先验状态估计值,表示第时刻的测量值,表示测量值和估计值的残差,表示第时刻的后验估计协方差,为单位矩阵;计算表达式中均为现有技术,本实施例不再赘述;当前充放电周期中某一时刻下数据出现偏差,即发生异常的可能性越小,特征参数越大,需要对卡尔曼增益系数进行更大调整来提高估计值的准确性。
进一步的,根据上述步骤完成状态变量估计值的校正后,即可从系统状态变量最优估计中获取待测锂电池的当前充放电周期中第时刻的SOC值,其中具体的过程为:根据调整后的卡尔曼滤波算法通过系统状态方程及测量方程,获取每个时刻下对应的模型参数,所述模型参数即为步骤S002中构建的电池模型,得到荷电状态即SOC值,该过程为公知技术,本实施例不再赘述;请参阅图8及图9,其示出了优化后的卡尔曼滤波估算电压误差与估计误差的示例图;请参阅图10,其示出了优化后的卡尔曼滤波评估SOC的示意图。
至此,通过改进调整卡尔曼滤波,实现了对锂电池当前的荷电状态的准确估计,避免了数据偏差对荷电状态估计造成的错误影响。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种电池状态智能监测方法,其特征在于,该方法包括以下步骤:
获取待测锂电池的额定电荷量、当前充放电数据、当前环境温度数据以及历史充放电数据,获取若干相同型号锂电池的所有充放电数据组成充放电大数据,将充放电大数据中每个充放电数据记为第一充放电数据,对应的环境温度数据组成环境温度大数据,每个第一充放电数据的环境温度数据记为第一环境温度数据;
根据当前充放电数据及历史充放电数据进行曲线拟合并构建电池模型,将当前充放电数据对应周期记为当前充放电周期,根据当前充放电数据及历史充放电数据获取当前充放电周期的衰减程度,将每个第一充放电数据对应周期记为第一充放电周期,根据充放电大数据获取每个第一充放电周期的衰减程度;
根据当前充放电周期及所有第一充放电周期的衰减程度,以及当前环境温度数据与所有第一环境温度数据,对当前充放电周期及第一充放电周期进行聚类,获取当前充放电周期的若干参考充放电周期,将参考充放电周期对应的第一充放电数据记为参考充放电数据,根据当前充放电数据及参考充放电数据中的放电数据获取当前及参考放电趋势线,根据当前放电趋势线与参考放电趋势线获取当前放电趋势线中每个时刻的特征参数,根据当前充放电数据与参考充放电数据,以及当前放电趋势线中每个时刻的特征参数,获取当前充放电数据中每个时刻的特征参数;
根据特征参数对卡尔曼增益系数进行调节,根据调节后的卡尔曼增益系数对状态变量进行测量校正,完成对待测锂电池当前荷电状态的估计。
2.根据权利要求1所述的一种电池状态智能监测方法,其特征在于,所述根据当前充放电数据及历史充放电数据获取当前充放电周期的衰减程度,包括的具体方法为:
将当前充放电周期记为待测锂电池的第个充放电周期,获取第个充放电周期的衰减程度的计算方法为:
其中,表示历史充放电周期的数量,表示锂电池的额定电荷量,表示第个历史充放电周期充电后的电荷量,表示第个历史充放电周期放电后的电荷量;第个充放电周期的衰减程度即为当前充放电周期的衰减程度。
3.根据权利要求1所述的一种电池状态智能监测方法,其特征在于,所述对当前充放电周期及第一充放电周期进行聚类,获取当前充放电周期的若干参考充放电周期,包括的具体方法为:
第一环境温度数据及当前环境温度数据均为一组数据,每组数据包括若干环境温度数据,将每组环境温度数据的均值作为横坐标,衰减程度作为纵坐标,将当前充放电周期及每个第一充放电周期根据衰减程度及环境温度数据置于坐标系中,每个充放电周期对应一个坐标点,根据坐标点之间的欧式距离进行聚类,得到若干聚簇;
将当前充放电周期对应坐标点所在聚簇中其他坐标点对应的第一充放电周期,作为当前充放电周期的参考充放电周期。
4.根据权利要求1所述的一种电池状态智能监测方法,其特征在于,所述根据当前放电趋势线与参考放电趋势线获取当前放电趋势线中每个时刻的特征参数,包括的具体方法为:
其中,表示当前放电趋势线中第时刻的特征参数,表示当前放电趋势线中第时刻和第时刻数据的差异,表示当前放电趋势线中所有相邻时刻数据的差异最大值,表示参考充放电周期的数量,表示第条参考放电趋势线中与当前放电趋势线中第时刻经DTW得到的匹配点对数量,表示第条参考放电趋势线中与当前放电趋势线中第时刻经DTW得到的匹配点对中第个匹配点对之间的欧式距离,表示以自然常数为底的指数函数。
5.根据权利要求1所述的一种电池状态智能监测方法,其特征在于,所述获取当前充放电数据中每个时刻的特征参数,包括的具体方法为:
根据当前放电趋势线中每个时刻的特征参数的计算方法,获取当前充放电数据中充电过程中每个时刻的特征参数,将充电过程中每个时刻及放电过程中每个时刻根据时间对应还原到当前充放电数据中的每个时刻,对应的特征参数即为当前充放电数据中每个时刻的特征参数。
6.根据权利要求1所述的一种电池状态智能监测方法,其特征在于,所述根据特征参数对卡尔曼增益系数进行调节,包括的具体方法为:
其中,表示调整后的当前充放电周期中第时刻的卡尔曼增益系数,表示第时刻的特征参数,表示调整前的当前充放电周期中第时刻的卡尔曼增益系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310156809.2A CN115902647B (zh) | 2023-02-23 | 2023-02-23 | 一种电池状态智能监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310156809.2A CN115902647B (zh) | 2023-02-23 | 2023-02-23 | 一种电池状态智能监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115902647A true CN115902647A (zh) | 2023-04-04 |
CN115902647B CN115902647B (zh) | 2023-05-16 |
Family
ID=85737448
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310156809.2A Active CN115902647B (zh) | 2023-02-23 | 2023-02-23 | 一种电池状态智能监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115902647B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116224099A (zh) * | 2023-05-06 | 2023-06-06 | 力高(山东)新能源技术股份有限公司 | 一种动态自适应估算电池soc的方法 |
CN116388343A (zh) * | 2023-05-29 | 2023-07-04 | 山东智跃新能源科技有限公司 | 基于充电控制器软件数据的充电负荷预测方法 |
CN116502478A (zh) * | 2023-06-29 | 2023-07-28 | 中国电建集团华东勘测设计研究院有限公司 | 一种基于海底地形监测的自提升平台下桩辅助决策方法 |
CN117554824A (zh) * | 2024-01-05 | 2024-02-13 | 四会永利五金电池有限公司 | 一种锌锰电池的异常数据检测方法 |
CN117741450A (zh) * | 2024-02-21 | 2024-03-22 | 新风光电子科技股份有限公司 | 一种电参数分析的储能电池检测方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105738817A (zh) * | 2016-01-29 | 2016-07-06 | 深圳市沃特玛电池有限公司 | 一种基于aekf的电池荷电状态估计方法及估计系统 |
CN106959417A (zh) * | 2016-01-08 | 2017-07-18 | 中兴通讯股份有限公司 | 电池荷电状态的获取方法及装置 |
CN107843847A (zh) * | 2017-10-31 | 2018-03-27 | 武汉科技大学 | 一种基于ekf算法的蓄电池soc在线估测方法 |
JP2018096953A (ja) * | 2016-12-16 | 2018-06-21 | 三菱自動車工業株式会社 | 電池状態推定装置 |
CN109857094A (zh) * | 2019-03-14 | 2019-06-07 | 杭州电子科技大学 | 基于两阶段卡尔曼滤波算法的航空发动机故障诊断方法 |
CN109946623A (zh) * | 2019-03-27 | 2019-06-28 | 吉林大学 | 一种锂电池的soc在线估测方法 |
CN110187282A (zh) * | 2019-06-03 | 2019-08-30 | 珠海东帆科技有限公司 | 电池荷电状态估算方法和估算装置 |
CN110502778A (zh) * | 2019-07-02 | 2019-11-26 | 江苏大学 | 一种基于卡尔曼滤波框架估算电池soc的自适应优化方法 |
CN110596593A (zh) * | 2019-08-26 | 2019-12-20 | 浙江大学 | 基于智能自适应扩展卡尔曼滤波的锂离子电池soc估计方法 |
CN112485675A (zh) * | 2020-11-23 | 2021-03-12 | 郑州轨道交通信息技术研究院 | 一种锂电池soc估计方法和系统 |
CN114879046A (zh) * | 2022-04-24 | 2022-08-09 | 上海玫克生储能科技有限公司 | 一种基于卡尔曼滤波的锂电池寿命预测方法和系统 |
US20230076118A1 (en) * | 2021-09-03 | 2023-03-09 | Electronics And Telecommunications Research Institute | Device and method for predicting state of battery |
-
2023
- 2023-02-23 CN CN202310156809.2A patent/CN115902647B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106959417A (zh) * | 2016-01-08 | 2017-07-18 | 中兴通讯股份有限公司 | 电池荷电状态的获取方法及装置 |
CN105738817A (zh) * | 2016-01-29 | 2016-07-06 | 深圳市沃特玛电池有限公司 | 一种基于aekf的电池荷电状态估计方法及估计系统 |
JP2018096953A (ja) * | 2016-12-16 | 2018-06-21 | 三菱自動車工業株式会社 | 電池状態推定装置 |
CN107843847A (zh) * | 2017-10-31 | 2018-03-27 | 武汉科技大学 | 一种基于ekf算法的蓄电池soc在线估测方法 |
CN109857094A (zh) * | 2019-03-14 | 2019-06-07 | 杭州电子科技大学 | 基于两阶段卡尔曼滤波算法的航空发动机故障诊断方法 |
CN109946623A (zh) * | 2019-03-27 | 2019-06-28 | 吉林大学 | 一种锂电池的soc在线估测方法 |
CN110187282A (zh) * | 2019-06-03 | 2019-08-30 | 珠海东帆科技有限公司 | 电池荷电状态估算方法和估算装置 |
CN110502778A (zh) * | 2019-07-02 | 2019-11-26 | 江苏大学 | 一种基于卡尔曼滤波框架估算电池soc的自适应优化方法 |
CN110596593A (zh) * | 2019-08-26 | 2019-12-20 | 浙江大学 | 基于智能自适应扩展卡尔曼滤波的锂离子电池soc估计方法 |
CN112485675A (zh) * | 2020-11-23 | 2021-03-12 | 郑州轨道交通信息技术研究院 | 一种锂电池soc估计方法和系统 |
US20230076118A1 (en) * | 2021-09-03 | 2023-03-09 | Electronics And Telecommunications Research Institute | Device and method for predicting state of battery |
CN114879046A (zh) * | 2022-04-24 | 2022-08-09 | 上海玫克生储能科技有限公司 | 一种基于卡尔曼滤波的锂电池寿命预测方法和系统 |
Non-Patent Citations (3)
Title |
---|
HONG WANG: "Two-stage Kalman Filter for Linear System with Correlated Noises", 《PROCEEDINGS OF THE 37TH CHINESE CONTROL CONFERENCE》 * |
华俊等: "基于自适应卡尔曼滤波算法的锂电池SOC估算", 《科技通报》 * |
林程等: "基于模糊卡尔曼滤波算法的动力电池 SOC 估计", 《电源技术》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116224099A (zh) * | 2023-05-06 | 2023-06-06 | 力高(山东)新能源技术股份有限公司 | 一种动态自适应估算电池soc的方法 |
CN116388343A (zh) * | 2023-05-29 | 2023-07-04 | 山东智跃新能源科技有限公司 | 基于充电控制器软件数据的充电负荷预测方法 |
CN116388343B (zh) * | 2023-05-29 | 2023-09-19 | 重庆大学 | 基于充电控制器软件数据的充电负荷预测方法 |
CN116502478A (zh) * | 2023-06-29 | 2023-07-28 | 中国电建集团华东勘测设计研究院有限公司 | 一种基于海底地形监测的自提升平台下桩辅助决策方法 |
CN116502478B (zh) * | 2023-06-29 | 2023-09-01 | 中国电建集团华东勘测设计研究院有限公司 | 一种基于海底地形监测的自提升平台下桩辅助决策方法 |
CN117554824A (zh) * | 2024-01-05 | 2024-02-13 | 四会永利五金电池有限公司 | 一种锌锰电池的异常数据检测方法 |
CN117554824B (zh) * | 2024-01-05 | 2024-03-22 | 四会永利五金电池有限公司 | 一种锌锰电池的异常数据检测方法 |
CN117741450A (zh) * | 2024-02-21 | 2024-03-22 | 新风光电子科技股份有限公司 | 一种电参数分析的储能电池检测方法 |
CN117741450B (zh) * | 2024-02-21 | 2024-05-14 | 新风光电子科技股份有限公司 | 一种电参数分析的储能电池检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115902647B (zh) | 2023-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115902647A (zh) | 一种电池状态智能监测方法 | |
CN110068774B (zh) | 锂电池健康状态的估计方法、装置及存储介质 | |
CN113109715B (zh) | 基于特征选择和支持向量回归的电池健康状况预测方法 | |
CN110658462B (zh) | 一种基于数据融合与arima模型的锂电池在线寿命预测方法 | |
CN109752656A (zh) | 一种在多时间尺度下用电动汽车电池soh评估方法 | |
CN113447828A (zh) | 一种基于贝叶斯神经网络的锂电池温度估计方法及系统 | |
CN117368744B (zh) | 一种户用储能电池在线评估方法 | |
CN111931354A (zh) | 基于灰色-自回归差分移动平均模型的变压器顶层油温预测方法 | |
CN114280490B (zh) | 一种锂离子电池荷电状态估计方法及系统 | |
CN113791351B (zh) | 基于迁移学习和差值概率分布的锂电池寿命预测方法 | |
CN116743180B (zh) | 一种储能电源数据智能存储方法 | |
Yu et al. | SOH estimation method for lithium-ion battery based on discharge characteristics | |
CN116953547A (zh) | 一种储能电池健康度评估方法、系统、设备及存储介质 | |
CN116736171A (zh) | 一种基于数据驱动的锂离子电池健康状态估算方法 | |
CN116842464A (zh) | 一种电池系统soc估计方法 | |
CN115219907A (zh) | 一种锂电池soc估计方法、系统、介质、设备及终端 | |
CN115481796A (zh) | 基于贝叶斯混合神经网络的电池剩余使用寿命预测方法 | |
CN115308623A (zh) | 一种基于粒子重采样与搜寻者优化算法的电池荷电状态估计方法 | |
CN110556595B (zh) | 储能用磷酸铁锂电池安全管理系统的质态失衡预测方法 | |
CN114859231A (zh) | 基于维纳过程和极限学习机的电池剩余寿命预测方法 | |
CN114779105A (zh) | 一种锂电池组的不一致性估计方法 | |
CN117129895A (zh) | 电池健康状态计算方法、装置、存储介质以及车辆 | |
CN114325393A (zh) | 基于pf和gpr的锂离子电池组soh自适应估算方法 | |
CN117325699B (zh) | 一种用于液冷超充技术的安全监控系统 | |
CN116577686B (zh) | 一种基于局部阶段充电数据的多工况soh估计方法和系统 |
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 |