CN115951225A - 一种电池均衡优化容量估计方法和装置 - Google Patents
一种电池均衡优化容量估计方法和装置 Download PDFInfo
- Publication number
- CN115951225A CN115951225A CN202211240440.5A CN202211240440A CN115951225A CN 115951225 A CN115951225 A CN 115951225A CN 202211240440 A CN202211240440 A CN 202211240440A CN 115951225 A CN115951225 A CN 115951225A
- Authority
- CN
- China
- Prior art keywords
- battery
- capacity
- model
- time data
- voltage
- 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
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
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Secondary Cells (AREA)
Abstract
本发明涉及电池管理技术领域，本发明提供了一种电池均衡优化容量估计方法，包括：采集一个锂电池模组中各个电池的电流时间数据和电压时间数据；利用所述电流时间数据和所述电压时间数据，建立各个电池对应的电池模型；基于各个电池对应的电池模型，以估计均衡优化容量。本发明采用建立电芯电池模型将大大提高对电池均衡优化容量的预测精度。
Description
技术领域
本发明涉及电池管理技术领域，尤指一种电池均衡优化容量估计方法和装置。
背景技术
随着电动汽车的发展使锂电池的价格急剧下降，使其性价比上在低速电动车和备用电源上出现了取代铅酸电池不可逆转的趋势。但在电池簇中，电芯之间存在由于制造过程和使用环境差异引起的不一致。工程过程中，电芯簇的实际充放电控制由充放电表现最差的电池控制，这种不一致性势必会造成储能电池的安全隐患和经济损失。
目前存在物理均衡手段可以调整改善电池簇内的不一致性，使得电池簇的运行状态能够重新回到良好状态。然而存在的问题：一是均衡手段存在成本，若对均衡手段后能够带来的电池优化容量和经济效益没有预估值，那必然是盲目且没有效率的；二是，有些非健康状态的电池簇是因为内短路和自放电导致的不一致性，均衡手段是效用极低的，需要把这些情况进行筛选。
现有方法是以电池簇中通过统计学的方法去进行优化容量估计，这样做的问题：一是缺少内部物理化学机理的基础，并且需要大量统计数据进行支撑；二是，对于未接触过的电池工况估计会失真较多。
发明内容
本发明的目的是提供一种电池均衡优化容量估计方法，用于解决上述问题。
本发明提供的技术方案如下：
一种电池均衡优化容量估计方法，包括：
采集一个锂电池模组中各个电池的电流时间数据和电压时间数据；
利用所述电流时间数据和所述电压时间数据，建立各个电池对应的电池模型；
基于各个电池对应的电池模型，以估计均衡优化容量。
在一些实施例中，所述利用所述电流时间数据和所述电压时间数据，建立各个电池对应的电池模型，包括：
根据所述电流时间数据和所述电压时间数据，识别各个电池的电池模型参数；
基于各个电池的电池模型参数，建立各个电池对应的电池模型。
在一些实施例中，所述基于各个电池对应的电池模型，以估计均衡优化容量，包括：
基于所述电池模型，计算各个电池所处的相对SOC位置；
通过所述电池模型根据各个电池所处的相对SOC位置对各个电池进行电压输入模拟，得到各个电池的容量差异，以估计均衡优化容量。
在一些实施例中，所述通过所述电池模型根据各个电池所处的相对SOC位置对各个电池进行电压输入模拟，得到各个电池的容量差异，以估计均衡优化容量，包括：
演绎模拟各个电池电流工况输入下的电池模拟电压输出；
通过安时积分或剩余正负极锂离子浓度情况，得到各个电池在所述锂电池模组中最差电池到达截止电压后各个电池到达截止电压的剩余容量，以估计均衡优化容量。
在一些实施例中，所述电池模型，包括以下至少一种电池模型：
等效电路模型、电化学模型。
一种电池均衡优化容量估计装置，包括：
采集模块，用于采集一个锂电池模组中各个电池的电流时间数据和电压时间数据；
建立模块，用于利用所述电流时间数据和所述电压时间数据，建立各个电池对应的电池模型；
估计模块，用于基于各个电池对应的电池模型，以估计均衡优化容量。
在一些实施例中，所述建立模块，用于：
根据所述电流时间数据和所述电压时间数据，识别各个电池的电池模型参数；
基于各个电池的电池模型参数，建立各个电池对应的电池模型。
在一些实施例中，所述估计模块，用于：
基于所述电池模型，计算各个电池所处的相对SOC位置；
通过所述电池模型根据各个电池所处的相对SOC位置对各个电池进行电压输入模拟，得到各个电池的容量差异，以估计均衡优化容量。
在一些实施例中，所述估计模块，用于：
演绎模拟各个电池在电流工况输入下的电池模拟电压输出；
通过安时积分或剩余正负极锂离子浓度情况，得到各个电池在所述锂电池模组中最差电池到达截止电压后各个电池到达截止电压的剩余容量，以估计均衡优化容量。
在一些实施例中，所述电池模型，包括以下至少一种电池模型：
等效电路模型、电化学模型。
与现有技术相比，本发明所提供的电池均衡优化容量估计方法，能够带来以下有益效果：
1、本发明采用建立电芯电池模型将大大提高对电池均衡优化容量的预测精度。
2、本发明精确预测电池的均衡优化容量，为如何物理处理电池模组所需采取策略提供依据，提高储能电池运行的经济效益和安全性。
3、本发明为电池模组的诊断和监控提供动态的实时的数据从而去建立全生命周期的数据支持和动态实时的寿命预测数据支持。
附图说明
下面将以明确易懂的方式，结合附图说明优选实施方式，对电池均衡优化容量估计方法和装置的上述特性、技术特征、优点及其实现方式予以进一步说明。
图1是本发明的一种电池均衡优化容量估计方法的一个实施例的流程图；
图2是本发明的一种电池均衡优化容量估计方法的另一个实施例的流程图；
图3是本发明的等效电路模型的示意图；
图4是本发明的均衡优化容量估计的示意图。
具体实施方式
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，下面将对照附图说明本发明的具体实施方式。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他的附图，并获得其他的实施方式。
为使图面简洁，各图中只示意性地表示出了与本发明相关的部分，它们并不代表其作为产品的实际结构。另外，以使图面简洁便于理解，在有些图中具有相同结构或功能的部件，仅示意性地绘示了其中的一个，或仅标出了其中的一个。在本文中，“一个”不仅表示“仅此一个”，也可以表示“多于一个”的情形。
在一个实施例中，如图1所示，本发明提供一种电池均衡优化容量估计方法，包括：
S101采集一个锂电池模组中各个电池的电流时间数据和电压时间数据。
S102利用所述电流时间数据和所述电压时间数据，建立各个电池对应的电池模型。
在本实施例中，电池模型包括等效电路模型和电化学模型。等效电路模型是以电压为标志，而电化学模型则是锂离子浓度为标志的。通过步骤S101所得数据，识别各电芯的电池模型参数。
S103基于各个电池对应的电池模型，以估计均衡优化容量。
通过上述电池模型辨识出每个单体电池的参数，当单体电池的参数辨识出来之后，可以在辨识模型的框架下演绎模拟电池在不同工况下的电压变化。把组成模组的各个电池调整他们的相对SOC位置。
在本实施例中，如图4所示，在一个电池模组中，以模组某一电池到达某一个充电或者放电电压作为充放电截止条件。也就是说充放电控制是以模组中最差的电池为标准的。图4中左边最上图可以看到四个电池仍然有可充余地(Remaining rechargeablecapacity)，但是因为最右边的电池不太好，它已经不可以进行充电，所以整个模组都充电截止。而如何判断最右边的电池不能充电，是看它的单体电压是否达到了充电截止电压。也就是说如果我们能把这节坏电池调整均衡一下或者换一节好电池，其他电池因此被限制的电量就能被使用了，这对应的就是图4中的下面四张图。
在本实施例中，本发明提供的方法这是电池模型在锂电池均衡容量估计上的首次使用，相对于以往的基于统计学的做法，本方法的方案是基于演绎方法，精度更佳。
在一个实施例中，所述利用所述电流时间数据和所述电压时间数据，建立各个电池对应的电池模型，包括：
根据所述电流时间数据和所述电压时间数据，识别各个电池的电池模型参数；
基于各个电池的电池模型参数，建立各个电池对应的电池模型。
在一个实施例中，所述基于各个电池对应的电池模型，以估计均衡优化容量，包括：
基于所述电池模型，计算各个电池所处的相对SOC位置；
通过所述电池模型根据各个电池所处的相对SOC位置对各个电池进行电压输入模拟，得到各个电池的容量差异，以估计均衡优化容量。
具体的，首先判断最先到达截止电压的电池是哪一节电池，如果没有这节最先到达截止电压的电池，其余的电池各自到达截止电压的时间需要多久。
当确定其余的电池各自到达截止电压的时间后，就能知道把一节或几节性能低的电池进行均衡或置换后，整个电池模组能够提升优化多少容量。
之前的做法是让一节电池确实地到达截止电压，这样解决了第一个问题，之后比较此时剩下电池各自到达截止电压需要多久。现行的方法是使用机器学习用统计模型学习它们之前的表现从而知道各自需要多久。
本发明的做法是，对每个电池的电压曲线进行参数辨识，辨识的模型是等效电路模型或者电化学模型。参数辨识出来之后，可以在辨识模型的框架下演绎模拟电池在不同工况下的电压变化。把组成模组的各个电池调整他们的相对SOC位置。
等效电路模型是以电压为标志，而电化学模型则是锂离子浓度为标志的。这个过程相当于在调整每个电池的起始点，但是起始点的顺序未必代表了他们达到截止电压的顺序，这就需要方法去分析到底哪个电池是第一个到达的电池，以及剩下的电池在第一个电池到达后多久能到达。这里因为知道了模型参数，就很容易地可以使用电池模型各自演绎各自电压曲线的变化。
这里需要注意的是，模组的各个电池的工况是需要满足电气拓扑结构的。具体的就是串联电池电流一致。
之后得到模组各电池的先后顺序后就可以通过安时积分或剩余正负极锂离子浓度情况，得到各个电池在所述锂电池模组中最差电池到达截止电压后各个电池到达截止电压的剩余容量，以估计均衡优化容量。
其中，相对SOC位置是指：几个电芯合成一个簇，电芯之间是串联的，先测电压最高的电芯，再获取其它电芯与最高电压电芯的相对SOC位置。
需要说明的是，最高电压电芯是会变化的，可以认为这一个模组中的电池在进行赛跑。相对SOC位置是它们赛跑的起点是不同的，如果电池模型是等效电路模型，那么对于等效电路模型来说是电压起点不同；如果电池模型是电化学模型，那么对于电化学模型则是两个电极固相锂离子浓度起点不同。然后模型模拟演绎电芯之后到达终点的跑动过程，从而得到表征这个电池具体能力的容量差异。
在本实施例中，是利用了具有实际物理意义的仿真模型去预测评估电池的均衡优化容量。
本发明提供的是一种基于电池模型演绎模拟分析的电池均衡优化容量估计方法，通过对同一电池模组近段时间运行工况表现提取各电芯物化参数，再根据各电芯参数建立各电芯的电池模型，随后根据电池模型计算在常见工况下的容量差异和相对SOC位置，从而得到电池均衡优化容量估计。
在一个实施例中，所述通过所述电池模型根据各个电池所处的相对SOC位置对各个电池进行电压输入模拟，得到各个电池的容量差异，以估计均衡优化容量，包括：
演绎模拟各个电流工况下的电池模拟电压输入；
通过安时积分或剩余正负极锂离子浓度情况，得到各个电池在所述锂电池模组中最差电池到达截止电压后各个电池到达截止电压的剩余容量，以估计均衡优化容量。
在本实施例中，具体做法是对各电芯具体的去演绎模拟各个电池在电流工况输入下的电池模拟电压输出。通过安时积分或剩余正负极锂离子浓度情况得到各电芯在模组最差电池到达截止电压后各自单独跑到截止电压的剩余容量，从而估计均衡优化容量。
在一个实施例中，所述电池模型，包括以下至少一种电池模型：
等效电路模型、电化学模型。
其中，电池模型可以是等效电路模型，也可以是电化学模型。
在本实施例中，如图3所示的等效电路模型，对于Rint模型只要识别R0即可，而一阶RC模型则是RP,CP,R0，依次类推。
如果是电化学模型，比如SPM模型，则需要识别正负极固相颗粒半径，扩散系数，固相电导率等。
在一个实施例中，本发明提供一种电池均衡优化容量估计装置，包括：
采集模块，用于采集一个锂电池模组中各个电池的电流时间数据和电压时间数据；
建立模块，用于利用所述电流时间数据和所述电压时间数据，建立各个电池对应的电池模型；
估计模块，用于基于各个电池对应的电池模型，以估计均衡优化容量。
在本实施例中，本发明提供一种基于电池模型演绎模拟分析的电池均衡优化容量估计装置，通过对同一模组近段时间运行工况表现提取各电芯物化参数，再根据各电芯参数建立各电芯的电池模型，随后根据电池模型计算在常见工况下的容量差异和相对SOC位置，从而得到电池均衡优化容量估计。
在一个实施例中，所述建立模块，用于：
根据所述电流时间数据和所述电压时间数据，识别各个电池的电池模型参数；
基于各个电池的电池模型参数，建立各个电池对应的电池模型。
在一个实施例中，所述估计模块，用于：
基于所述电池模型，计算各个电池所处的相对SOC位置；
通过所述电池模型根据各个电池所处的相对SOC位置对各个电池进行电压输入模拟，得到各个电池的容量差异，以估计均衡优化容量。
在一个实施例中，所述估计模块，用于：
演绎模拟各个电池在电流工况输入下的电池模拟电压输出；
通过安时积分或剩余正负极锂离子浓度情况，得到各个电池在所述锂电池模组中最差电池到达截止电压后各个电池到达截止电压的剩余容量，以估计均衡优化容量。
在一个实施例中，所述电池模型，包括以下至少一种电池模型：
等效电路模型、电化学模型。
本发明采用建立电芯电池模型将大大提高对电池均衡优化容量的预测精度。本发明精确预测电池的均衡优化容量，为如何物理处理电池模组所需采取策略提供依据，提高储能电池运行的经济效益和安全性。本发明为电池模组的诊断和监控提供动态的实时的数据从而去建立全生命周期的数据支持和动态实时的寿命预测数据支持。
应当说明的是，上述实施例均可根据需要自由组合。以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种电池均衡优化容量估计方法，其特征在于，包括：
采集一个锂电池模组中各个电池的电流时间数据和电压时间数据；
利用所述电流时间数据和所述电压时间数据，建立各个电池对应的电池模型；
基于各个电池对应的电池模型，以估计均衡优化容量。
2.根据权利要求1所述的电池均衡优化容量估计方法，其特征在于，所述利用所述电流时间数据和所述电压时间数据，建立各个电池对应的电池模型，包括：
根据所述电流时间数据和所述电压时间数据，识别各个电池的电池模型参数；
基于各个电池的电池模型参数，建立各个电池对应的电池模型。
3.根据权利要求1所述的电池均衡优化容量估计方法，其特征在于，所述基于各个电池对应的电池模型，以估计均衡优化容量，包括：
基于所述电池模型，计算各个电池所处的相对SOC位置；
通过所述电池模型根据各个电池所处的相对SOC位置对各个电池进行电压输入模拟，得到各个电池的容量差异，以估计均衡优化容量。
4.根据权利要求3所述的电池均衡优化容量估计方法，其特征在于，所述通过所述电池模型根据各个电池所处的相对SOC位置对各个电池进行电压输入模拟，得到各个电池的容量差异，以估计均衡优化容量，包括：
演绎模拟各个电池在电流工况输入下的电池模拟电压输出；
通过安时积分或剩余正负极锂离子浓度情况，得到各个电池在所述锂电池模组中最差电池到达截止电压后各个电池到达截止电压的剩余容量，以估计均衡优化容量。
5.根据权利要求1～4中任一项所述的电池均衡优化容量估计方法，其特征在于，所述电池模型，包括以下至少一种电池模型：
等效电路模型、电化学模型。
6.一种电池均衡优化容量估计装置，其特征在于，包括：
采集模块，用于采集一个锂电池模组中各个电池的电流时间数据和电压时间数据；
建立模块，用于利用所述电流时间数据和所述电压时间数据，建立各个电池对应的电池模型；
估计模块，用于基于各个电池对应的电池模型，以估计均衡优化容量。
7.根据权利要求6所述的电池均衡优化容量估计装置，其特征在于，所述建立模块，用于：
根据所述电流时间数据和所述电压时间数据，识别各个电池的电池模型参数；
基于各个电池的电池模型参数，建立各个电池对应的电池模型。
8.根据权利要求6所述的电池均衡优化容量估计装置，其特征在于，所述估计模块，用于：
基于所述电池模型，计算各个电池所处的相对SOC位置；
通过所述电池模型根据各个电池所处的相对SOC位置对各个电池进行电压输入模拟，得到各个电池的容量差异，以估计均衡优化容量。
9.根据权利要求8所述的电池均衡优化容量估计装置，其特征在于，所述估计模块，用于：
演绎模拟各个电池在电流工况输入下的电池模拟电压输出；
通过安时积分或剩余正负极锂离子浓度情况，得到各个电池在所述锂电池模组中最差电池到达截止电压后各个电池到达截止电压的剩余容量，以估计均衡优化容量。
10.根据权利要求6～9中任一项所述的电池均衡优化容量估计装置，其特征在于，所述电池模型，包括以下至少一种电池模型：
等效电路模型、电化学模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211240440.5A CN115951225A (zh) | 2022-10-11 | 2022-10-11 | 一种电池均衡优化容量估计方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211240440.5A CN115951225A (zh) | 2022-10-11 | 2022-10-11 | 一种电池均衡优化容量估计方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115951225A true CN115951225A (zh) | 2023-04-11 |
Family
ID=87290225
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211240440.5A Pending CN115951225A (zh) | 2022-10-11 | 2022-10-11 | 一种电池均衡优化容量估计方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115951225A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117559614A (zh) * | 2024-01-11 | 2024-02-13 | 西安奇点能源股份有限公司 | 一种串联电池pack充放电均衡控制方法 |
-
2022
- 2022-10-11 CN CN202211240440.5A patent/CN115951225A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117559614A (zh) * | 2024-01-11 | 2024-02-13 | 西安奇点能源股份有限公司 | 一种串联电池pack充放电均衡控制方法 |
| CN117559614B (zh) * | 2024-01-11 | 2024-04-02 | 西安奇点能源股份有限公司 | 一种串联电池pack充放电均衡控制方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110568361B (zh) | 一种动力电池健康状态的预测方法 | |
| Zhang et al. | Battery modelling methods for electric vehicles-A review | |
| CN107785624B (zh) | 一种评估锂电池性能的方法 | |
| KR102650965B1 (ko) | 배터리 상태 추정 방법 | |
| He et al. | Online model-based estimation of state-of-charge and open-circuit voltage of lithium-ion batteries in electric vehicles | |
| CN103424710A (zh) | 用于监测电池组中的老化单体的性能变化的方法和系统 | |
| CN114371409B (zh) | 电池状态预测模型的训练方法、电池状态预测方法及装置 | |
| CN109239602B (zh) | 一种动力电池的欧姆内阻的估算方法 | |
| CN115114878B (zh) | 一种储能电站电池寿命在线预测方法、装置及存储介质 | |
| CN110082682A (zh) | 一种锂电池荷电状态估计方法 | |
| Li et al. | Multi-state joint estimation for a lithium-ion hybrid capacitor over a wide temperature range | |
| CN113484771A (zh) | 一种锂离子电池宽温度全寿命soc及容量估计的方法 | |
| CN110673037A (zh) | 基于改进模拟退火算法的电池soc估算方法及系统 | |
| CN115616425A (zh) | 电池性能分析方法、电子设备及储能系统 | |
| Sepasi et al. | SOC estimation for aged lithium-ion batteries using model adaptive extended Kalman filter | |
| Du et al. | State-of-charge estimation for second-life lithium-ion batteries based on cell difference model and adaptive fading unscented Kalman filter algorithm | |
| CN115951225A (zh) | 一种电池均衡优化容量估计方法和装置 | |
| CN110232432B (zh) | 一种基于人工生命模型的锂电池组soc预测方法 | |
| CN116609686B (zh) | 一种基于云平台大数据的电芯一致性评估方法 | |
| CN117054892A (zh) | 一种储能电站电池健康状态的评估方法、装置及管理方法 | |
| Tong et al. | Comprehensive battery equivalent circuit based model for battery management application | |
| Xiong et al. | Improved cooperative competitive particle swarm optimization and nonlinear coefficient temperature decreasing simulated annealing-back propagation methods for state of health estimation of energy storage batteries | |
| CN115510648B (zh) | 一种锂电池电芯实际容量和电芯健康度识别方法和系统 | |
| CN114895189B (zh) | 一种串联型电池系统能量状态预测方法 | |
| CN111983458B (zh) | 并联电池最优模型判定及优化方法 |
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 |