CN116125291A - 基于ocv曲线分段的电池能量状态估计方法及存储介质 - Google Patents
基于ocv曲线分段的电池能量状态估计方法及存储介质 Download PDFInfo
- Publication number
- CN116125291A CN116125291A CN202310372109.7A CN202310372109A CN116125291A CN 116125291 A CN116125291 A CN 116125291A CN 202310372109 A CN202310372109 A CN 202310372109A CN 116125291 A CN116125291 A CN 116125291A
- Authority
- CN
- China
- Prior art keywords
- battery
- ocv
- soe
- curve
- fitting
- 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
- 238000000034 method Methods 0.000 title claims abstract description 79
- 230000011218 segmentation Effects 0.000 title claims abstract description 17
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 238000012360 testing method Methods 0.000 claims abstract description 41
- 238000002474 experimental method Methods 0.000 claims abstract description 5
- 230000010287 polarization Effects 0.000 claims description 24
- 238000012546 transfer Methods 0.000 claims description 18
- 230000009466 transformation Effects 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 8
- 238000004088 simulation Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 239000003990 capacitor Substances 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 230000001052 transient effect Effects 0.000 claims description 3
- 238000005530 etching Methods 0.000 claims 1
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 abstract description 9
- 229910001416 lithium ion Inorganic materials 0.000 abstract description 9
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 10
- 238000011160 research Methods 0.000 description 10
- 230000008859 change Effects 0.000 description 7
- 238000004590 computer program Methods 0.000 description 7
- 238000004146 energy storage Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 230000018109 developmental process Effects 0.000 description 5
- 238000007599 discharging Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000012983 electrochemical energy storage Methods 0.000 description 3
- GELKBWJHTRAYNV-UHFFFAOYSA-K lithium iron phosphate Chemical compound [Li+].[Fe+2].[O-]P([O-])([O-])=O GELKBWJHTRAYNV-UHFFFAOYSA-K 0.000 description 3
- 230000007774 longterm Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000005086 pumping Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 208000000044 Amnesia Diseases 0.000 description 1
- 208000031091 Amnestic disease Diseases 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000006986 amnesia Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001453 impedance spectrum Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003446 memory effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- 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
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/44—Methods for charging or discharging
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Electrochemistry (AREA)
- Algebra (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Computer Hardware Design (AREA)
- General Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Geometry (AREA)
- Chemical & Material Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本申请提供基于OCV曲线分段的电池能量状态估计方法及存储介质,包括:进行标准充放电测试实验,标定电池基准能量;不同温度下,每间隔10%的SOE进行HPPC测试,得到OCV‑SOE测试曲线;建立等效电路模型;基于等效电路模型,建立电池开路电压、电池端电压与电池内部参数的物理关系式;完成电池内部参数的在线辨识,实现OCV的实时获取;根据OCV‑SOE测试曲线,分析不同能量状态下的电池OCV特性,划分SOE区间;基于SOE划分,对不同区间内的OCV‑SOE拟合曲线进行分段拟合,得到分段拟合后的OCV‑SOE关系曲线;具有可适应不同温度且误差精度较底的有益效果,适用于锂离子电池能量管理的技术领域。
Description
技术领域
本申请涉及锂离子电池能量管理的技术领域,具体涉及基于OCV曲线分段的电池能量状态估计方法及存储介质。
背景技术
经济能源转型已成为贯彻新发展理念、推动高质量发展的必然要求。
目前较为成熟的新能源发电有光伏、风电等,因其本身具有一定的随机波动性导致运行结果可能出现的不可预测性,从而会对电网的稳定运行造成一定影响,因此,具有快速充放电特性的储能系统逐渐成为未来电网运行的重要组成部分。
传统的储能方式大多以抽水储能为主,但抽水储能变电站受选址、气候等条件的限制无法起到灵活调节的作用。
现阶段随着电池技术的不断更新,电化学储能以其实现快速充放电以及结果可预测的独特优势正逐步应用于电力系统实现削峰填谷、频率调节等目的,进一步提高了电网的运行效率,为电网更好地实现稳定运行、平衡负荷具有重要意义。
目前,电化学储能装置主要以铅酸蓄电池为主,但其能量密度低、使用寿命短、具有一定污染性,不适用于储能系统动力来源的长久发展;而锂离子电池因其本身的无污染性和使用周期长等特点已经在社会各个领域得到广泛应用,故而从长远地发展角度来看,锂离子电池即将逐步成为储能系统的主要动力来源,因此对锂离子电池进行基础研究便显得至关重要;其中,磷酸铁锂电池因其自放电率低、能量密度高、循环寿命长、无记忆效应等显著优势更是被国家电网有限公司大力推行,因此,本申请主要以磷酸铁锂电池为例展开研究,但该方法不仅限于磷酸铁锂电池,其他电池依旧适用。
现阶段对电池容量的研究方法已相对成熟,但对电池能量状态的估计方法还相对较少,大多文献仅以容量来反映电池的能量;然而,在电网实际工程应用中切实体现出的是电池的能量状态,而能量和容量的区别关键则在于电池充放电过程中电池电压的实时变化,所以估计电池能量状态时还需考虑电池电压平台,较其容量而言更为复杂。
同时,对于锂离子电池能量状态的基本研究大多仍只在常温25℃下展开,对于电池处于其他温度下的研究相对较少,尤其在低温环境下的研究更是相对匮乏;但在实际工程应用中,环境温度的变化以及电池本身工作过程中温度的改变都会影响电池的能量状态,所以在不同温度下对电池的能量状态进行研究具有重大意义。
想要更好地研究锂离子电池的内部机理就需要建立合适的电池模型,迄今较为成熟的电池模型主要有以下几类:
1、电化学模型能更好地反映电池内部锂离子的化学反应,但其模型参数的调试极为复杂,更多应用于实验研究,在工程应用中进行实践具有相当大的困难。
2、分数阶模型基于阻抗谱分析测试电池参数,精度较高,但其工程量繁琐、负荷计算复杂,且频域参数无法直接转化成时域参数,故不适用于工程结果分析。
3、等效电路模型基于各参数的物理关系进行研究分析,通过阻容电路描述电池的充放电过程,常用的等效电路有一阶、二阶以及多阶模型等,但并不是随着阶数的一味增加精度就随之升高,三阶以上模型反而会使得精度下降,二阶模型精度会有所提高,但其模型的参数辨识较一阶模型而言相对复杂,实验室高精度仪器大多以研究二阶模型为主;工程应用中一阶RC模型居多且可以更好地模拟实际结果。
发明内容
为了解决上述技术缺陷之一,本申请提供了一种可适应不同温度且误差精度较底的基于OCV曲线分段的电池能量状态估计方法及存储介质。
根据本申请的第一个方面,提供了基于OCV曲线分段的电池能量状态估计方法,包括以下步骤:
S10,进行标准充放电测试实验,标定电池基准能量;
S20,不同温度下,每间隔10%的SOE进行HPPC测试,获取不同能量状态下的开路电压值,得到OCV-SOE测试曲线;
S30,建立等效电路模型;
S40,基于等效电路模型,建立电池开路电压、电池端电压与电池内部参数的物理关系式;
S50,完成电池内部参数的在线辨识,实现OCV的实时获取;
S60,根据OCV-SOE测试曲线,分析不同能量状态下的电池OCV特性,划分SOE区间;
S70,基于SOE划分,对不同区间内的OCV-SOE拟合曲线进行分段拟合,得到分段拟合后的OCV-SOE关系曲线。
优选地,基于OCV曲线分段的电池能量状态估计方法,还包括:
S80,获得不同温度下的OCV-SOE关系曲线,并对比不同温度下的OCV-SOE关系曲线与OCV-SOE测试曲线之间的误差,对拟合后的OCV-SOE关系曲线进行效果验证。
优选地,在所述步骤S50,通过含遗忘因子的递推最小二乘法实现电池内部参数的在线辨识,实现OCV的实时获取;之后还包括:
通过DST对电池进行放电仿真测试,并通过仿真曲线与获取的OCV值进行比对,进行等效电路模型的效果验证。
优选地,基于OCV曲线分段的电池能量状态估计方法,还包括:
采用多项式拟合的方法对OCV-SOE曲线进行拟合,得到OCV-SOE拟合曲线;
将OCV-SOE拟合曲线与OCV-SOE测试曲线进行比较,得到误差曲线;
为得到符合精度要求的误差曲线,通过将多项式拟合方法调整为高阶多项式拟合方法对OCV-SOE曲线进行拟合,得到新的OCV-SOE拟合曲线。
优选地,所述等效电路模型包括:电池开路电压、电池端电压和电池内部参数,所述电池内部参数包括:欧姆内阻、极化电阻和极化电容;
所述电池开路电压的正极串接欧姆内阻后与电池端电压的一端相连,所述电池开路电压的负极分别与极化电容的一端、极化电阻的一端相连,所述极化电容的另一端并接极化电阻的另一端后与电池端电压的另一端相连。
优选地,所述电池开路电压、电池端电压与电池内部参数的物理关系式为:
(1-1)
式(1-1)中,为t时刻的电池内部参数电压,为初始极化电压,为等效电路模型中的电流;为电路暂态过程;
为t时刻的电池开路电压;为t时刻的电池端电压;
电池静止状态下,对式(1-1)中进行变换,得到:
(1-2)。
优选地,所述步骤S50,通过含遗忘因子的递推最小二乘法实现电池内部参数的在线辨识,实现OCV的实时获取;具体包括:
S501,构建子网络,将其传递函数离散化表达,得到对应参数的辨识矩阵;
S502,采用含遗忘因子的递推最小二乘法实现参数在线辨识。
优选地,所述步骤S501,构建子网络,将其传递函数离散化表达,得到对应参数的辨识矩阵;具体包括:
S5011,将等效电路模型中的阻容参数作为子网络,所述的阻容参数包括:欧姆内阻和极化电阻;设端电压为,则子网络的传递函数的表达式为:
(1-3)
进行双线性变换的转化式为:
(1-4)
其中,为传递函数,表示系统输出与激励的比值;s为拉普拉斯变换算子;z为对离散时间系统描述的变换算子;Δt为系统采样时间间隔;
S5012,对传递函数双线性变换,得到离散时间系统的传递函数;
(1-5)
式(1-5)中:
(1-6)
S5013,对式(1-5)进行逆变换得到;
(1-7)
初始参数为:
(1-8)
式(1-7)中,为第k-1个采样时刻的端电压;为第k-1个采样时刻的电流。
根据本申请的第二个方面,提供了一种计算机可读存储介质,其中存储有多条指令,所述指令适于由处理器加载并执行如上所述的基于OCV曲线分段的电池能量状态估计方法。
采用本申请提供的基于OCV曲线分段的电池能量状态估计方法及存储介质,使用时:首先,在不同温度下,每间隔10%的SOE进行HPPC测试,得到OCV-SOE测试曲线;其次,通过建立等效电路模型,并基于等效电路模型,建立了电池开路电压、电池端电压与电池内部参数的物理关系式;并通过电池内部参数的在线辨识,实现OCV的实时获取;通过多项式拟合的方法对OCV-SOE曲线进行拟合,得到OCV-SOE拟合曲线;再次,根据OCV-SOE测试曲线,分析不同能量状态下的电池OCV特性,划分SOE区间;并基于SOE划分,对不同区间内的OCV-SOE拟合曲线进行分段拟合,得到分段拟合后的OCV-SOE关系曲线;采用本申请提供的方法对电池能量状态估计,具有误差精度低的、适应不同温度的有益效果,实用性极强。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本申请实施例提供的基于OCV曲线分段的电池能量状态估计方法的流程示意图;
图2为本申请实施例中HPPC测试工况图;
图3为本申请实施例中每间隔10%的SOE下的电池OCV变化曲线示意图;
图4为本申请实施例中不同温度下电池的OCV-SOE测试曲线图;
图5为本申请实施例中等效电路模型的结构示意图;
图6为本申请实施例中完成电池内部参数的在线辨识的流程示意图;
图7为本申请实施例中采用含遗忘因子的递推最小二乘法实现参数在线辨识的流程示意图;
图8为一个具体的实施例中DST实验工况图;
图9为一个具体的实施例中仿真电压曲线示意图;
图10为一个具体的实施例中高阶多项式拟合曲线与真实值曲线对比图;
图11为一个具体的实施例中不同温度下的拟合曲线误差图;
图12为一个具体的实施例中分段拟合曲线与真实值曲线图对比;
图13为一个具体的实施例中分段拟合曲线的误差图。
实施方式
为了使本申请实施例中的技术方案及优点更加清楚明白,以下结合附图对本申请的示例性实施例进行进一步详细的说明,显然,所描述的实施例仅是本申请的一部分实施例,而不是所有实施例的穷举。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
在实现本申请的过程中,为了能更好地对电池进行控制变量分析研究,同时考虑到在实际工程应用中重点关注的是电池放电方向过程中能量状态的变化,本申请实施例中提供了基于OCV曲线分段的电池能量状态估计方法、系统及装置。
如图1所示,基于OCV曲线分段的电池能量状态估计方法,包括以下步骤:
S10,进行标准充放电测试实验,标定电池基准能量;
S20,不同温度下,每间隔10%的SOE进行HPPC测试,获取不同能量状态下的开路电压值,得到OCV-SOE测试曲线;
S30,建立等效电路模型;
S40,基于等效电路模型,建立电池开路电压、电池端电压与电池内部参数的物理关系式;
S50,通过含遗忘因子的递推最小二乘法实现电池内部参数的在线辨识,实现OCV的实时获取;
S60,根据OCV-SOE测试曲线,分析不同能量状态下的电池OCV特性,划分SOE区间;
S70,基于SOE划分,对不同区间内的OCV-SOE拟合曲线进行分段拟合,得到分段拟合后的OCV-SOE关系曲线;
S80,获得不同温度下的OCV-SOE关系曲线,并对比不同温度下的OCV-SOE关系曲线与OCV-SOE测试曲线之间的误差,对拟合后的OCV-SOE关系曲线进行效果验证。
本实施例中,提出统一充电工况进而对锂离子电池展开具体分析,即不同温度下保证电池放电过程的高端对齐;在具体实施时:
首先,定义能量状态SOE,其表达式为:
其中:为放电方向剩余能量,为基础能量,为累计放出的能量;
基准能量表示:电池数据手册标定标准工况下放出的能量,即以标准工况对电池放电达到截止条件时放出的总能量;
剩余能量表示:基准能量与到达某时刻即某能量状态下累计放出的能量的差值。
其次,如图2至图4所示,通过建立HPPC测试工况,每间隔10%的SOE进行HPPC测试,得到OCV-SOE测试曲线;本实施例中,具体包括:
S201,标准工况下,恒流恒压充满电至截止电压,充分静置待电压趋于稳定后,记录下此时电池OCV,随后开始进行恒流放电;
S202,放出10%能量后,充分静置待电压趋于稳定后,记录下此时电池OCV;
S203,重复步骤S202,间隔放出10%能量且记录OCV,达到放电截止条件结束;
S204,基于得到OCV-SOE测试曲线。
本实施例中,在具体进行某电池的电池能量状态估计时,包括:
如图5所示,建立等效电路模型;所述等效电路模型包括:电池开路电压、电池端电压和电池内部参数,所述电池内部参数包括:欧姆内阻、极化电阻和极化电容;
所述电池开路电压的正极串接欧姆内阻后与电池端电压的一端相连,所述电池开路电压的负极分别与极化电容的一端、极化电阻的一端相连,所述极化电容的另一端并接极化电阻的另一端后与电池端电压的另一端相连。
具体地,基于等效电路模型,建立电池开路电压、电池端电压与电池内部参数的物理关系式中,所述电池开路电压、电池端电压与电池内部参数的物理关系式为:
(1-1)
式(1-1)中,为t时刻的电池内部参数电压,为初始极化电压,为等效电路模型中的电流;为电路暂态过程;
为t时刻的电池开路电压;为t时刻的电池端电压;
电池静止状态下,对式(1-1)中进行变换,得到:
(1-2)。
进一步地,为了能够实时获取不同能量状态下电池的开路电压OCV,需要对电池内部参数进行在线辨识。
如图6所示,本实施例中,所述步骤S50,完成电池内部参数的在线辨识,实现OCV的实时获取;具体包括:
S501,构建子网络,将其传递函数离散化表达,得到对应参数的辨识矩阵;
S502,采用含遗忘因子的递推最小二乘法实现参数在线辨识。
具体地,所述步骤S501,构建子网络,将其传递函数离散化表达,得到对应参数的辨识矩阵;具体包括:
S5011,将等效电路模型中的阻容参数作为子网络,所述的阻容参数包括:欧姆内阻和极化电阻;设端电压为,则子网络的传递函数的表达式为:
(1-3)
进行双线性变换,即时域与频域转化为:
(1-4)
其中,为传递函数,表示系统输出与激励的比值;s为拉普拉斯变换算子;z为对离散时间系统描述的变换算子;Δt为系统采样时间间隔;
S5012,对传递函数双线性变换,得到离散时间系统的传递函数;
(1-5)
式(1-5)中:
(1-6)
S5013,对式(1-5)进行逆变换得到;
(1-7)
初始参数为:
(1-8)
式(1-7)中,为第k-1个采样时刻的端电压;为第k-1个采样时刻的电流。
进一步地,本实施例中,所述步骤S502,采用含遗忘因子的递推最小二乘法实现参数在线辨识,需要辨识的矩阵为:,辨识的具体过程如图7所示。
首先,设置参数估计的初值、协方差矩阵、遗忘因子;
一般地,初值、遗忘因子可根据经验选取一个大概值,协方差矩阵取单位矩阵与标量乘积,根据逐次新增数据通过算法流程图公式实现参数的逐步更新,待误差精度较高时,得到最优取值。
第k时刻,为实际值,,。
在所述步骤S50,通过含遗忘因子的递推最小二乘法实现电池内部参数的在线辨识,实现OCV的实时获取;之后还包括:
通过DST对电池进行放电仿真测试,并通过仿真曲线与获取的OCV值进行比对,进行等效电路模型的效果验证。
本实施例中,通过一个具体的实验对其进行仿真说明,如图8所示,选择动态循环测试工况(Dynamic Stress Test,DST)对电池进行放电仿真测试仿真曲线与真实曲线对比如图9所示,误差精度较高,因此,需要进行进一步的优化。
本实施例中,还包括:
基于获取的OCV值,采用多项式拟合的方法对OCV-SOE曲线进行拟合;
将OCV-SOE拟合曲线与OCV-SOE测试曲线进行比较,得到误差曲线;
为得到符合精度要求的误差曲线,通过将多项式拟合方法调整为高阶多项式拟合方法对OCV-SOE曲线进行拟合,得到新的OCV-SOE拟合曲线;拟合时:
首先,采用多项式拟合的方法对曲线进行整体拟合;
其次,根据拟合结果,将OCV-SOE拟合曲线与OCV-SOE测试曲线(真实值)进行比较,得到误差曲线;
再次,为了进一步减小误差,得到符合精度要求的误差曲线,通过将多项式拟合方法调整为高阶多项式拟合方法对OCV-SOE曲线进行拟合,得到新的OCV-SOE拟合曲线。
通过一个具体的实施例进行验证,如图10所示,通过提高多项式阶次,对曲线进行高阶拟合,可大大提高误差精度,但是其具有计算量复杂且庞大的问题;降低阶次对曲线整体进行拟合,在不同温度下的误差见附图11所示,这种情况下误差较大。
因此,为了提高误差精度且减少计算量,本申请包括:
根据OCV-SOE测试曲线,分析不同能量状态下的电池OCV特性,划分SOE区间;
基于SOE划分,对不同区间内的OCV-SOE拟合曲线进行分段拟合,得到分段拟合后的OCV-SOE关系曲线。
本实施例中,基于图3所示的每间隔10%的SOE下的电池OCV变化曲线示意图,可以看出,在10%SOE、90%SOE处有明显的OCV变化特性,因基于此,找到SOE界限,划分SOE区间,在不同区间内对曲线进行分段拟合。
如图12、图13所示,采用本申请的分段拟合方法,可以有效提高误差精度也能适用于不同温度,且随着温度的变化其最大误差范围控制在±0.015V之内。
本申请还提供了一种计算机可读存储介质。
一种计算机可读存储介质,其中存储有多条指令,所述指令适于由处理器加载并执行如上所述的基于OCV曲线分段的电池能量状态估计方法。
综上,本申请提供的基于OCV曲线分段的电池能量状态估计方法及存储介质,对电池能量状态估计,具有误差精度低的、适应不同温度的有益效果,实用性极强。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本申请实施例中的方案可以采用各种计算机语言实现,例如,C语言、VHDL语言、Verilog语言、面向对象的程序设计语言Java和直译式脚本语言JavaScript等。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (9)
1.基于OCV曲线分段的电池能量状态估计方法,其特征在于:包括以下步骤:
S10,进行标准充放电测试实验,标定电池基准能量;
S20,不同温度下,每间隔10%的SOE进行HPPC测试,获取不同能量状态下的开路电压值,得到OCV-SOE测试曲线;
S30,建立等效电路模型;
S40,基于等效电路模型,建立电池开路电压、电池端电压与电池内部参数的物理关系式;
S50,完成电池内部参数的在线辨识,实现OCV的实时获取;
S60,根据OCV-SOE测试曲线,分析不同能量状态下的电池OCV特性,划分SOE区间;
S70,基于SOE划分,对不同区间内的OCV-SOE拟合曲线进行分段拟合,得到分段拟合后的OCV-SOE关系曲线。
2.根据权利要求1所述的基于OCV曲线分段的电池能量状态估计方法,其特征在于:还包括:
S80,获得不同温度下的OCV-SOE关系曲线,并对比不同温度下的OCV-SOE关系曲线与OCV-SOE测试曲线之间的误差,对拟合后的OCV-SOE关系曲线进行效果验证。
3.根据权利要求1所述的基于OCV曲线分段的电池能量状态估计方法,其特征在于:在所述步骤S50,通过含遗忘因子的递推最小二乘法实现电池内部参数的在线辨识,实现OCV的实时获取;之后还包括:
通过DST对电池进行放电仿真测试,并通过仿真曲线与获取的OCV值进行比对,进行等效电路模型的效果验证。
4.根据权利要求1所述的基于OCV曲线分段的电池能量状态估计方法,其特征在于:还包括:
采用多项式拟合的方法对OCV-SOE曲线进行拟合,得到OCV-SOE拟合曲线;
将OCV-SOE拟合曲线与OCV-SOE测试曲线进行比较,得到误差曲线;
为得到符合精度要求的误差曲线,通过将多项式拟合方法调整为高阶多项式拟合方法对OCV-SOE曲线进行拟合,得到新的OCV-SOE拟合曲线。
5.根据权利要求1所述的基于OCV曲线分段的电池能量状态估计方法,其特征在于:所述等效电路模型包括:电池开路电压、电池端电压和电池内部参数,所述电池内部参数包括:欧姆内阻、极化电阻和极化电容;
所述电池开路电压的正极串接欧姆内阻后与电池端电压的一端相连,所述电池开路电压的负极分别与极化电容的一端、极化电阻的一端相连,所述极化电容的另一端并接极化电阻的另一端后与电池端电压的另一端相连。
6.根据权利要求5所述的基于OCV曲线分段的电池能量状态估计方法,其特征在于:所述电池开路电压、电池端电压与电池内部参数的物理关系式为:
(1-1)
式(1-1)中,为t时刻的电池内部参数电压,为初始极化电压,为等效电路模型中的电流;为电路暂态过程;
为t时刻的电池开路电压;为t时刻的电池端电压;
电池静止状态下,对式(1-1)中进行变换,得到:
(1-2)。
7.根据权利要求6所述的基于OCV曲线分段的电池能量状态估计方法,其特征在于:所述步骤S50,通过含遗忘因子的递推最小二乘法实现电池内部参数的在线辨识,实现OCV的实时获取;具体包括:
S501,构建子网络,将其传递函数离散化表达,得到对应参数的辨识矩阵;
S502,采用含遗忘因子的递推最小二乘法实现参数在线辨识。
8.根据权利要求7所述的基于OCV曲线分段的电池能量状态估计方法,其特征在于:所述步骤S501,构建子网络,将其传递函数离散化表达,得到对应参数的辨识矩阵;具体包括:
S5011,将等效电路模型中的阻容参数作为子网络,所述的阻容参数包括:欧姆内阻和极化电阻;设端电压为,则子网络的传递函数的表达式为:
(1-3)
进行双线性变换的转化式为:
(1-4)
其中,为传递函数,表示系统输出与激励的比值;s为拉普拉斯变换算子;z为对离散时间系统描述的变换算子;Δt为系统采样时间间隔;
S5012,对传递函数双线性变换,得到离散时间系统的传递函数;
(1-5)
式(1-5)中:
(1-6)
S5013,对式(1-5)进行逆变换得到;
(1-7)
初始参数为:
(1-8)
式(1-7)中,为第k-1个采样时刻的端电压;为第k-1个采样时刻的电流。
9.一种计算机可读存储介质,其中存储有多条指令,其特征在于:所述指令适于由处理器加载并执行如权利要求1至8任一所述的基于OCV曲线分段的电池能量状态估计方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310372109.7A CN116125291A (zh) | 2023-04-10 | 2023-04-10 | 基于ocv曲线分段的电池能量状态估计方法及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310372109.7A CN116125291A (zh) | 2023-04-10 | 2023-04-10 | 基于ocv曲线分段的电池能量状态估计方法及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116125291A true CN116125291A (zh) | 2023-05-16 |
Family
ID=86299396
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310372109.7A Pending CN116125291A (zh) | 2023-04-10 | 2023-04-10 | 基于ocv曲线分段的电池能量状态估计方法及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116125291A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117110895A (zh) * | 2023-10-19 | 2023-11-24 | 武汉船用电力推进装置研究所(中国船舶集团有限公司第七一二研究所) | 一种船用锂离子动力电池剩余能量估计方法、设备及介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113203955A (zh) * | 2021-04-29 | 2021-08-03 | 南京林业大学 | 一种基于动态优选遗忘因子递推最小二乘在线辨识的磷酸铁锂电池soc估算方法 |
US20210364574A1 (en) * | 2020-11-06 | 2021-11-25 | Beijing Institute Of Technology | Intelligent battery and state-of-charge online estimation method and applications thereof |
-
2023
- 2023-04-10 CN CN202310372109.7A patent/CN116125291A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210364574A1 (en) * | 2020-11-06 | 2021-11-25 | Beijing Institute Of Technology | Intelligent battery and state-of-charge online estimation method and applications thereof |
CN113203955A (zh) * | 2021-04-29 | 2021-08-03 | 南京林业大学 | 一种基于动态优选遗忘因子递推最小二乘在线辨识的磷酸铁锂电池soc估算方法 |
Non-Patent Citations (1)
Title |
---|
陈育哲: "锂离子电池能量状态估计研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, no. 02, pages 035 - 420 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117110895A (zh) * | 2023-10-19 | 2023-11-24 | 武汉船用电力推进装置研究所(中国船舶集团有限公司第七一二研究所) | 一种船用锂离子动力电池剩余能量估计方法、设备及介质 |
CN117110895B (zh) * | 2023-10-19 | 2024-01-05 | 武汉船用电力推进装置研究所(中国船舶集团有限公司第七一二研究所) | 一种船用锂离子动力电池剩余能量估计方法、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lin et al. | State of charge estimation with the adaptive unscented Kalman filter based on an accurate equivalent circuit model | |
CN107957562B (zh) | 一种锂离子电池剩余寿命在线预测方法 | |
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 | |
CN107785624B (zh) | 一种评估锂电池性能的方法 | |
CN103197251B (zh) | 一种动力锂电池二阶rc等效模型的辨识方法 | |
CN112327166B (zh) | 基于分数阶平方根无迹卡尔曼滤波的锂电池soc估计方法 | |
CN102937704B (zh) | 一种动力电池rc等效模型的辨识方法 | |
Li et al. | Estimation algorithm research for lithium battery SOC in electric vehicles based on adaptive unscented Kalman filter | |
Yu et al. | Fractional-order modeling of lithium-ion batteries using additive noise assisted modeling and correlative information criterion | |
Wang et al. | Adaptive state-of-charge estimation method for an aeronautical lithium-ion battery pack based on a reduced particle-unscented kalman filter | |
CN110096780B (zh) | 一种超级电容一阶rc网络等效电路及参数确定方法 | |
CN108090244B (zh) | 一种并联型锂离子电池系统建模方法 | |
CN110442901A (zh) | 一种锂离子电池电化学简化模型及其参数的获取方法 | |
CN116125291A (zh) | 基于ocv曲线分段的电池能量状态估计方法及存储介质 | |
Lavety et al. | A dynamic battery model and parameter extraction for discharge behavior of a valve regulated lead-acid battery | |
Binelo et al. | Mathematical modeling and parameter estimation of battery lifetime using a combined electrical model and a genetic algorithm | |
Wang et al. | A novel OCV curve reconstruction and update method of lithium-ion batteries at different temperatures based on cloud data | |
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 | |
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 | |
Shen et al. | Nonlinear optimization strategy for state of power estimation of lithium-ion batteries: A systematical uncertainty analysis of key impact parameters | |
CN113466728B (zh) | 一种两阶段电池模型参数在线辨识的方法与系统 | |
CN112946480B (zh) | 一种提高soc估计实时性的锂电池电路模型简化方法 | |
CN114720881A (zh) | 一种基于改进初值带遗忘因子递推最小二乘法的锂电池参数辨识方法 | |
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 | |
CN106680722B (zh) | 一种实时在线预测ocv-soc曲线的方法和装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230516 |