CN116148678A - 基于大数据估算电池soc值的方法和装置 - Google Patents
基于大数据估算电池soc值的方法和装置 Download PDFInfo
- Publication number
- CN116148678A CN116148678A CN202310420297.6A CN202310420297A CN116148678A CN 116148678 A CN116148678 A CN 116148678A CN 202310420297 A CN202310420297 A CN 202310420297A CN 116148678 A CN116148678 A CN 116148678A
- Authority
- CN
- China
- Prior art keywords
- soc
- value
- battery
- original
- estimating
- 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 91
- 238000001914 filtration Methods 0.000 claims abstract description 18
- 230000006870 function Effects 0.000 claims description 27
- 238000005457 optimization Methods 0.000 claims description 21
- 230000010354 integration Effects 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000005284 excitation Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 7
- 230000008901 benefit Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 229910052744 lithium Inorganic materials 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012545 processing Methods 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
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Algebra (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Secondary Cells (AREA)
Abstract
本申请涉及一种基于大数据估算电池SOC值的方法和装置。所述方法包括：采集所述电池的运行参数；使用扩展卡尔曼滤波法估算所述电池在所述当前时刻的原始SOC估算值；计算所述原始SOC估算值与所述SOC观测值之间的误差范围，并在所述误差范围内，在数据库中查询多组由SOC预测值、SOC观测值和对应的卡尔曼增益系数组成的三元组；根据所述三元组，更新所述原始SOC估算值，以获得所述电池在所述当前时刻的最终SOC估算值。通过本申请的技术方案，能够更准确和高效地估算电池的SOC值。
Description
技术领域
本申请一般地涉及电池技术领域，尤其涉及一种基于大数据估算电池SOC值的方法和装置。
背景技术
电池管理系统（Battery Management System，BMS）主要用于智能化管理和维护各个电池单元，防止电池出现充电和过放电，延长电池的使用寿命，通过实时监控电池的状态参数并进行必要的分析计算来保证各电池储能单元的安全可靠运行。
其中，电池剩余容量（State of Charge，SOC）是BMS中最重要的参数，因为其他的一切工作都是以SOC为基础的，因此SOC的精度和鲁棒性极其重要，如果没有精确的SOC，如电池均衡管理等工作便无法正常开展。
目前主流的SOC估算方法有开路电压法、电流积分法、卡尔曼滤波法、神经网络法等方法，然而这些方法在计算SOC的过程中都会存在一些相应的缺点，例如安时积分法时不仅鲁棒性不强，且容易存储误差累计，而扩展卡尔曼滤波法虽然鲁棒性较强，但算法较为复杂，计算效率较为低下，从而导致SOC估算不够准确和高效。
发明内容
为了解决现有技术中的上述技术问题，本申请提供了一种基于大数据估算电池SOC值的方法和装置，以期更准确和高效地估算电池的SOC值。
根据本申请的第一方面，提供了一种基于大数据估算电池SOC值的方法，包括：采集所述电池的运行参数；根据所述电池在当前时刻的SOC预测值和SOC观测值，使用扩展卡尔曼滤波法估算所述电池在所述当前时刻的原始SOC估算值，其中所述SOC预测值是根据所述运行参数使用安时积分法计算获得，所述SOC观测值是使用开路电压法测量获得，卡尔曼增益系数是根据所述运行参数计算获得，作为原始卡尔曼增益系数；计算所述原始SOC估算值与所述SOC观测值之间的误差范围，并在所述误差范围内，在数据库中查询多组由SOC预测值、SOC观测值和对应的卡尔曼增益系数组成的三元组；根据所述三元组，更新所述原始SOC估算值，以获得所述电池在所述当前时刻的最终SOC估算值。
在一个实施例中，所述根据所述三元组，更新所述原始SOC估算值，以获得所述电池在所述当前时刻的最终SOC估算值包括：根据所述三元组进行拟合，以构建卡尔曼增益系数优化函数；根据所述SOC预测值和所述SOC观测值以及所述卡尔曼增益系数优化函数，修正所述原始卡尔曼增益系数，以获得修正后卡尔曼增益系数；根据所述预测SOC值和所述观测SOC值以及所述修正后卡尔曼增益系数，使用扩展卡尔曼滤波法更新所述原始SOC估算值，以获得所述最终SOC估算值。
在一个实施例中，所述计算所述原始SOC估算值与所述SOC观测值之间的误差范围包括：通过以下关系式计算所述误差范围：
其中，
表示所述误差范围，
表示所述原始SOC估算值，
表示所述SOC观测值。
在一个实施例中，所述计算所述原始SOC估算值与所述SOC观测值之间的误差范围包括：通过以下关系式计算所述误差范围：
其中，
表示所述误差范围，
表示取最大值函数，
表示所述原始SOC估算值，
表示使用扩展卡尔曼滤波法估算的所述电池在所述当前时刻的参考SOC估算值，
表示所述SOC观测值。
在一个实施例中，所述SOC预测值是根据所述运行参数使用安时积分法依据以下公式计算获得：
其中，
为当前时刻k时的预测SOC值，
为初始时刻
时的初始SOC值，
为当前时刻k时的电流，C为当前电流
下的电池总容量。
在一个实施例中，所述根据所述电池在当前时刻的SOC预测值和SOC观测值，使用扩展卡尔曼滤波法估算所述电池在所述当前时刻的原始SOC估算值包括：根据所述预测SOC值和所述观测SOC值，使用以下公式计算所述原始SOC估算值，
其中
表示所述原始SOC估算值，
表示所述SOC预测值，
表示所述SOC观测值，
为根据所述电池的所述运行参数构建的观测矩阵，
为所述原始卡尔曼增益系数。
在一个实施例中，所述运行参数还包括所述电池的端电压、激励电流、温度和电阻。
在一个实施例中，所述根据所述三元组进行拟合，以构建卡尔曼增益系数优化函数包括：根据所述三元组，使用最小二乘拟合法进行拟合，以构建所述卡尔曼增益系数优化函数。
在一个实施例中，所述根据所述三元组进行拟合，以构建卡尔曼增益系数优化函数包括：根据所述三元组，使用多项式拟合法进行拟合，以构建所述卡尔曼增益系数优化函数。
根据本申请的第二方面，提供了一种基于大数据估算电池SOC值的装置，包括存储器和处理器，所述存储器上存储有计算机可执行指令，其特征在于，所述计算机可执行指令在被所述处理器执行时，实现根据本申请的第一方面所述的基于大数据估算电池SOC值的方法。
本申请的技术方案具有以下有益技术效果：
本申请的技术方案通过结合安时积分法和扩展卡尔曼滤波法对电池的SOC值进行初步估算得到原始SOC估算值，从而在保证SOC估算的准确性和鲁棒性的情况下提高SOC估算的效率；然后通过对比所述原始SOC估算值和通过开路电压法测得的SOC观测值从大数据中确定出当前误差范围内的SOC相关数据，最终运用这些SOC相关数据拟合出适合所述电池的卡尔曼增益系数优化函数，进而确定合适的卡尔曼滤波系数，补偿了结合使用安时积分法和扩展卡尔曼滤波法可能导致的误差，从而进一步提高SOC估算的准确性。
附图说明
通过参考附图阅读下文的详细描述，本申请示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本申请的若干实施方式，并且相同或对应的标号表示相同或对应的部分，其中：
图1是根据本申请实施例的基于大数据估算电池SOC值的方法的流程图；
图2是根据本申请实施例的计算最终SOC估算值的流程图；
图3是根据本申请实施例的基于大数据估算电池SOC值的装置的结构框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域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，都属于本申请保护的范围。
应当理解，当本申请的权利要求、说明书及附图使用术语“第一”、“第二”等时，其仅是用于区别不同对象，而不是用于描述特定顺序。本申请的说明书和权利要求书中使用的术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
根据本申请的第一方面，本申请提供了一种基于大数据估算电池SOC值的方法。所述方法可以应用于各种类型的电池管理系统，例如锂电池管理系统。电池管理系统（BMS）从拓扑结构上一般分为集中式和分布式两类，其中集中式BMS将所有电芯统一用一个BMS硬件进行采集，适用于电芯少的场景，如电动工具、电动低速车等；而目前插电式混动、纯电动车型等主要采用分布式架构的BMS，本申请中可以选用分布式架构的BMS作为所述锂电池管理系统。
图1是根据本申请实施例的基于大数据估算电池SOC值的方法的流程图。如图1所示，所述方法包括步骤S101至步骤S104，以下具体说明。
S101，采集所述电池的运行参数。
具体而言，可以通过所述电池管理系统采集所述电池的运行参数。所述电池管理系统主要由单体电池管理层、电池组管理层和电池组管理层组成。其中，所述单体电池管理层负责采集电池的电压、温度等单体信息，通过CAN（Controller Area Network）对外通信，并通过菊花链与外部进行连接；所述电池组管理层负责收集所述单体电池管理层上传的各种单体电池信息，并采集电池组的组电压、充电放电电流等信息，而所述电池组管理层则负责收集所述单体电池管理层和电池组管理层上传的各种电池信息。
所述电池管理系统可以一端与所述电池相连，另一端与整车的控制及电子系统相连接，并通过采用CAN协议进行通信，最终，将通过电池管理系统采集到的电池端电压、激励电流、电池温度、电阻等数据作为所述运行参数。
S102，根据所述电池在当前时刻的SOC预测值和SOC观测值，使用扩展卡尔曼滤波法估算所述电池在所述当前时刻的原始SOC估算值，其中所述SOC预测值是根据所述运行参数使用安时积分法计算获得，所述SOC观测值是使用开路电压法测量获得，卡尔曼增益系数是根据所述运行参数计算获得，作为原始卡尔曼增益系数。
具体而言，所述SOC预测值是根据所述运行参数使用安时积分法依据以下公式计算获得：
其中，
为当前时刻k时的预测SOC值，
为初始时刻
时的初始SOC值，
为当前时刻k时的电流，C为当前电流
下的电池总容量。SOC的取值范围为0~1，其数值上定义为剩余容量与电池容量的比值，常用百分数表示。
安时积分法也叫电流积分法 (也叫库仑计数法)，其本质是在电池进行充电或放电时，通过累积充进或放出的电量来估算电池的SOC。与其它SOC估算方法相比，电流积分法相对可靠，并且可以动态地估算电池的SOC值，因此被广泛使用。
所述SOC观测值可以由基于开路电压的电量计直接测量获得，所述开路电压的测量原理是利用电池在长时间静置的条件下，开路电压与SOC存在相对固定的函数关系。然而，若电池没有经过长期静置，则开路电压短时间内很难稳定，并且电池处于不同的温度或不同的寿命时期都会导致相同开路电压下的SOC值有很大差别，因此所述SOC观测值也会与实际的SOC值存在一定误差。
在获得所述SOC预测值和所述SOC观测值之后，所述根据所述电池在当前时刻的SOC预测值和SOC观测值，使用扩展卡尔曼滤波法估算所述电池在所述当前时刻的原始SOC估算值包括：根据所述预测SOC值和所述观测SOC值，使用以下公式计算所述原始SOC估算值，
其中
表示所述原始SOC估算值，
表示所述SOC预测值，
表示所述SOC观测值，
为根据所述电池的所述运行参数构建的观测矩阵，
为所述原始卡尔曼增益系数。
卡尔曼滤波算法（KF）是序贯数据同化的一种，是由Kalman针对随机过程状态估计提出的。KF的基本思想是利用前一时刻的状态估计值和当前时刻的观测值来获得动态系统当前时刻状态变量的最优估计，包括预报和分析两个步骤。在预报阶段，根据前一时刻的模式状态生成当前时刻模式状态的预报值。在分析阶段，引入观测数据，利用最小方差估计方法对模式状态进行重新分析。随着模式状态预报的持续进行和新的观测数据的陆续输入，这个过程不断向前推进。即模式随着时间向前积分进行状态预报，当出现观测数据时,根据模式预报误差的协方差矩阵（已知）和观测误差的协方差矩阵（已知）之间相对大小导出状态的最小方差估计。
通过上述计算过程可以看出，本申请直接将通过安时积分法计算出的所述SOC预测值作为
，原因在于扩展卡尔曼滤波法中使用的常规预测值与上述SOC预测值均是对当前时刻的SOC值的一种预测，只是计算方法不同而已：常规预测值是通过卡尔曼滤波公式以迭代方式计算得到，而上述SOC预测值是通过安时积分法以积分方式直接计算得到，这是两种方法之所以能够结合使用的本质原因，且二者的结合不仅保留了安时积分法的计算效率高的优点，也保留了卡尔曼滤波法的准确性高、鲁棒性强的优点。然而，由于在上述公式中同时使用了两种方法，此时的卡尔曼系数与安时积分法获取到的SOC预测值可能无法完全匹配，即卡尔曼增益系数可能存在一定误差，需要加以修正补偿才能获取更为准确的SOC估算值。
本申请中通过以下方式减少所述SOC观测值和所述卡尔曼增益系数存在的潜在误差。
S103，计算所述原始SOC估算值与所述SOC观测值之间的误差范围，并在所述误差范围内，在数据库中查询多组由SOC预测值、SOC观测值和对应的卡尔曼增益系数组成的三元组。
在一种实施方式中，直接计算所述原始SOC估算值与所述SOC观测值之间的第一差值得到所述误差范围。这种计算方式效率较高，但准确性偏低。具体来说，所述计算所述原始SOC估算值与所述SOC观测值之间的误差范围包括：通过以下关系式计算所述误差范围：
其中，
表示所述误差范围，
表示所述原始SOC估算值，
表示所述SOC观测值。
示例性的，所述原始SOC估算值为30%，所述SOC观测值为38%，此时所述原始SOC估算值和所述SOC观测值之间的误差范围为±8%。
在另一种实施方式中，为了更准确地计算所述误差范围，使用扩展卡尔曼滤波法估算所述电池在所述当前时刻的常规SOC估算值作为参考SOC估算值，计算所述参考SOC估算值与所述SOC观测值之间的第二差值，并选取上述第一差值和第二差值之间的较大者作为所述误差范围，从而进一步提高容错性，保证计算准确性。具体来说，所述计算所述原始SOC估算值与所述SOC观测值之间的误差范围包括：通过以下关系式计算所述误差范围：
其中，
表示所述误差范围，
表示取最大值函数，
表示所述原始SOC估算值，
表示使用扩展卡尔曼滤波法估算的所述电池在所述当前时刻的参考SOC估算值，
表示所述SOC观测值。
示例性的，所述原始SOC估算值为30%，所述SOC观测值为38%，所述参考SOC估算值为28%，此时所述SOC估算值与所述SOC观测值之间的误差范围为±10%。
所述数据库中存储有大量由SOC预测值、SOC观测值和对应的卡尔曼增益系数组成的三元组，其中所述SOC预测值、SOC观测值和对应的卡尔曼增益系数均通过与以上描述的方法相同的方法计算得到，以通过大数据方式减少单次计算过程可能存在的随机误差和波动。所述数据库可以通过多次重复上述计算过程获得，也可以通过其他合适方式获得，本申请对此不作特别限定。
S104，根据所述三元组，更新所述原始SOC估算值，以获得所述电池在所述当前时刻的最终SOC估算值。
在根据上述误差范围从所述数据库检索到合适数量的三元组之后，通过处理所述三元组，更新所述原始SOC估算值以获得最终SOC估算值。图2是根据本申请实施例的计算最终SOC估算值的流程图。如图2所示，所述根据所述三元组，更新所述原始SOC估算值，以获得所述电池在所述当前时刻的最终SOC估算值的过程包括子步骤S1041至S1043。
S1041，根据所述三元组进行拟合，以构建卡尔曼增益系数优化函数。
具体而言，可以通过数据拟合方法如最小二乘拟合、多项式拟合等方法进行拟合，本申请对此不作特别限定。在一种实施方式中，所述根据所述三元组进行拟合，以构建卡尔曼增益系数优化函数包括：根据所述三元组，使用最小二乘拟合法进行拟合，以构建所述卡尔曼增益系数优化函数。
在另一种实施方式中，所述根据所述三元组进行拟合，以构建卡尔曼增益系数优化函数包括：根据所述三元组，使用多项式拟合法进行拟合，以构建所述卡尔曼增益系数优化函数。
S1042，根据所述SOC预测值和所述SOC观测值以及所述卡尔曼增益系数优化函数，修正所述原始卡尔曼增益系数，以获得修正后卡尔曼增益系数。
具体而言，将所述当前时刻的上述SOC预测值和SOC观测值代入所述卡尔曼系数优化函数中，并将对应得到的新的卡尔曼增益系数作为修正后卡尔曼增益系数，从而实现卡尔曼增益系数与所述SOC预测值和SOC观测值的准确匹配。
S1043，根据所述预测SOC值和所述观测SOC值以及所述修正后卡尔曼增益系数，使用扩展卡尔曼滤波法更新所述原始SOC估算值，以获得所述最终SOC估算值。
具体而言，将上述修正后卡尔曼增益系数继续代入上述通过扩展卡尔曼滤波法计算SOC的关系式中即可计算获得最终的SOC值，从而实现对电池的SOC值的准确估算。
以上通过具体实施例描述了本申请的基于大数据估算电池SOC值的方法的技术原理和实施细节。本申请的技术方案通过结合安时积分法和扩展卡尔曼滤波法对电池的SOC值进行初步估算得到原始SOC估算值，从而在保证SOC估算的准确性和鲁棒性的情况下提高SOC估算的效率；然后通过对比所述原始SOC估算值和通过开路电压法测得的SOC观测值从大数据中确定出当前误差范围内的SOC相关数据，最终运用这些SOC相关数据拟合出适合所述电池的卡尔曼增益系数优化函数，进而确定合适的卡尔曼滤波系数，补偿了结合使用安时积分法和扩展卡尔曼滤波法可能导致的误差，从而进一步提高SOC估算的准确性。
根据本申请的第二方面，本申请还提供了一种基于大数据估算电池SOC值的装置。
图3是根据本申请实施例的基于大数据估算电池SOC值的装置30的结构框图。所述装置包括处理器和存储器，所述存储器存储有计算机程序指令，当所述计算机程序指令被所述处理器执行时实现根据本申请第一方面所述的基于大数据估算电池SOC值的方法。所述装置还包括通信总线和通信接口等本领域技术人员熟知的其他组件，其设置和功能为本领域中已知，因此在此不再赘述。
在本申请中，前述的存储器可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，计算机可读存储介质可以是任何适当的磁存储介质或者磁光存储介质，比如，阻变式存储器RRAM（Resistive RandomAccess Memory）、动态随机存取存储器DRAM（Dynamic Random Access Memory）、静态随机存取存储器SRAM（Static Random-Access Memory）、增强动态随机存取存储器EDRAM（Enhanced Dynamic Random Access Memory）、高带宽内存HBM（High-Bandwidth Memory）、混合存储立方HMC（Hybrid Memory Cube）等等，或者可以用于存储所需信息并且可以由应用程序、模块或两者访问的任何其他介质。任何这样的计算机存储介质可以是设备的一部分或可访问或可连接到设备。本申请描述的任何应用或模块可以使用可以由这样的计算机可读介质存储或以其他方式保持的计算机可读/可执行指令来实现。
根据本说明书的上述描述，本领域技术人员还可以理解如下使用的术语，例如“上”、“下”等指示方位或位置关系的术语是基于本说明书的附图所示的方位或位置关系的，其仅是为了便于阐述本申请的方案和简化描述的目的，而不是明示或暗示所涉及的装置或元件必须要具有所述特定的方位、以特定的方位来构造和进行操作，因此上述的方位或位置关系术语不能被理解或解释为对本申请方案的限制。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于大数据估算电池SOC值的方法，其特征在于，包括：
采集所述电池的运行参数；
根据所述电池在当前时刻的SOC预测值和SOC观测值，使用扩展卡尔曼滤波法估算所述电池在所述当前时刻的原始SOC估算值，其中所述SOC预测值是根据所述运行参数使用安时积分法计算获得，所述SOC观测值是使用开路电压法测量获得，卡尔曼增益系数是根据所述运行参数计算获得，作为原始卡尔曼增益系数；
计算所述原始SOC估算值与所述SOC观测值之间的误差范围，并在所述误差范围内，在数据库中查询多组由SOC预测值、SOC观测值和对应的卡尔曼增益系数组成的三元组；
根据所述三元组，更新所述原始SOC估算值，以获得所述电池在所述当前时刻的最终SOC估算值。
2.根据权利要求1所述的基于大数据估算电池SOC值的方法，其特征在于，所述根据所述三元组，更新所述原始SOC估算值，以获得所述电池在所述当前时刻的最终SOC估算值包括：
根据所述三元组进行拟合，以构建卡尔曼增益系数优化函数；
根据所述SOC预测值和所述SOC观测值以及所述卡尔曼增益系数优化函数，修正所述原始卡尔曼增益系数，以获得修正后卡尔曼增益系数；
根据所述预测SOC值和所述观测SOC值以及所述修正后卡尔曼增益系数，使用扩展卡尔曼滤波法更新所述原始SOC估算值，以获得所述最终SOC估算值。
3.根据权利要求1所述的基于大数据估算电池SOC值的方法，其特征在于，所述计算所述原始SOC估算值与所述SOC观测值之间的误差范围包括：通过以下关系式计算所述误差范围：
其中，
表示所述误差范围，
表示所述原始SOC估算值，
表示所述SOC观测值。
4.根据权利要求1所述的基于大数据估算电池SOC值的方法，其特征在于，所述计算所述原始SOC估算值与所述SOC观测值之间的误差范围包括：通过以下关系式计算所述误差范围：
其中，
表示所述误差范围，
表示取最大值函数，
表示所述原始SOC估算值，
表示使用扩展卡尔曼滤波法估算的所述电池在所述当前时刻的参考SOC估算值，
表示所述SOC观测值。
5.根据权利要求1所述的基于大数据估算电池SOC值的方法，其特征在于，所述SOC预测值是根据所述运行参数使用安时积分法依据以下公式计算获得：
其中，
为当前时刻k时的预测SOC值，
为初始时刻
时的初始SOC值，
为当前时刻k时的电流，C为当前电流
下的电池总容量。
6.根据权利要求2所述的基于大数据估算电池SOC值的方法，其特征在于，所述根据所述电池在当前时刻的SOC预测值和SOC观测值，使用扩展卡尔曼滤波法估算所述电池在所述当前时刻的原始SOC估算值包括：根据所述预测SOC值和所述观测SOC值，使用以下公式计算所述原始SOC估算值，
其中
表示所述原始SOC估算值，
表示所述SOC预测值，
表示所述SOC观测值，
为根据所述电池的所述运行参数构建的观测矩阵，
为所述原始卡尔曼增益系数。
7.根据权利要求5所述的基于大数据估算电池SOC值的方法，其特征在于，所述运行参数还包括所述电池的端电压、激励电流、温度和电阻。
8.根据权利要求2所述的基于大数据估算电池SOC值的方法，其特征在于，所述根据所述三元组进行拟合，以构建卡尔曼增益系数优化函数包括：根据所述三元组，使用最小二乘拟合法进行拟合，以构建所述卡尔曼增益系数优化函数。
9.根据权利要求2所述的基于大数据估算电池SOC值的方法，其特征在于，所述根据所述三元组进行拟合，以构建卡尔曼增益系数优化函数包括：根据所述三元组，使用多项式拟合法进行拟合，以构建所述卡尔曼增益系数优化函数。
10.一种基于大数据估算电池SOC值的装置，包括存储器和处理器，所述存储器上存储有计算机可执行指令，其特征在于，所述计算机可执行指令在被所述处理器执行时，实现根据权利要求1至9中任一项所述的基于大数据估算电池SOC值的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310420297.6A CN116148678B (zh) | 2023-04-19 | 2023-04-19 | 基于大数据估算电池soc值的方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310420297.6A CN116148678B (zh) | 2023-04-19 | 2023-04-19 | 基于大数据估算电池soc值的方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116148678A true CN116148678A (zh) | 2023-05-23 |
| CN116148678B CN116148678B (zh) | 2023-07-04 |
Family
ID=86354671
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310420297.6A Active CN116148678B (zh) | 2023-04-19 | 2023-04-19 | 基于大数据估算电池soc值的方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116148678B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116699415A (zh) * | 2023-05-26 | 2023-09-05 | 云储新能源科技有限公司 | 一种动态可重构电池系统电量估计方法、系统及电子设备 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105512722A (zh) * | 2015-11-26 | 2016-04-20 | 中国石油大学(华东) | 一种基于bp神经网络的卡尔曼增益修正方法 |
| CN109895657A (zh) * | 2019-03-22 | 2019-06-18 | 芜湖职业技术学院 | 一种动力电池soc估计装置、汽车及方法 |
| CN110196443A (zh) * | 2019-06-06 | 2019-09-03 | 中国人民解放军战略支援部队信息工程大学 | 一种飞行器的容错组合导航方法及系统 |
| 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 |
| CN111289911A (zh) * | 2020-04-03 | 2020-06-16 | 深圳天邦达新能源技术有限公司 | 基于电池的soc估算方法、装置以及电子设备 |
| CN111693877A (zh) * | 2020-05-15 | 2020-09-22 | 江苏大学 | 一种锂离子电池的soc在线估测方法和系统 |
| WO2022068589A1 (zh) * | 2020-09-30 | 2022-04-07 | 青岛歌尔智能传感器有限公司 | 动态心率预测方法、装置、设备及可读存储介质 |
| EP4050355A1 (de) * | 2021-02-26 | 2022-08-31 | Siemens Mobility GmbH | Schätzeinrichtungen und verfahren zum schätzen des betriebszustands einer batterie |
| CN115248381A (zh) * | 2021-04-28 | 2022-10-28 | 北京机械设备研究所 | 基于安时校正的扩展卡尔曼滤波锂电池soc估算方法 |
-
2023
- 2023-04-19 CN CN202310420297.6A patent/CN116148678B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105512722A (zh) * | 2015-11-26 | 2016-04-20 | 中国石油大学(华东) | 一种基于bp神经网络的卡尔曼增益修正方法 |
| CN109895657A (zh) * | 2019-03-22 | 2019-06-18 | 芜湖职业技术学院 | 一种动力电池soc估计装置、汽车及方法 |
| CN110196443A (zh) * | 2019-06-06 | 2019-09-03 | 中国人民解放军战略支援部队信息工程大学 | 一种飞行器的容错组合导航方法及系统 |
| 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 |
| CN111289911A (zh) * | 2020-04-03 | 2020-06-16 | 深圳天邦达新能源技术有限公司 | 基于电池的soc估算方法、装置以及电子设备 |
| CN111693877A (zh) * | 2020-05-15 | 2020-09-22 | 江苏大学 | 一种锂离子电池的soc在线估测方法和系统 |
| WO2022068589A1 (zh) * | 2020-09-30 | 2022-04-07 | 青岛歌尔智能传感器有限公司 | 动态心率预测方法、装置、设备及可读存储介质 |
| EP4050355A1 (de) * | 2021-02-26 | 2022-08-31 | Siemens Mobility GmbH | Schätzeinrichtungen und verfahren zum schätzen des betriebszustands einer batterie |
| CN115248381A (zh) * | 2021-04-28 | 2022-10-28 | 北京机械设备研究所 | 基于安时校正的扩展卡尔曼滤波锂电池soc估算方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116699415A (zh) * | 2023-05-26 | 2023-09-05 | 云储新能源科技有限公司 | 一种动态可重构电池系统电量估计方法、系统及电子设备 |
| CN116699415B (zh) * | 2023-05-26 | 2024-06-11 | 云储新能源科技有限公司 | 一种动态可重构电池系统电量估计方法、系统及电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116148678B (zh) | 2023-07-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108375739B (zh) | 电动车锂电池的荷电状态估算方法与荷电状态估算系统 | |
| US9537325B2 (en) | Battery state estimation system, battery control system, battery system, and battery state estimation method | |
| KR101731322B1 (ko) | 배터리의 교환 시기 통보 장치 및 방법 | |
| Huang et al. | Soc estimation of li-ion battery based on improved ekf algorithm | |
| WO2020259096A1 (zh) | 电池的许用功率估算方法、装置、系统和存储介质 | |
| JP2013531780A (ja) | リチウムイオン電池充電状態の算出方法 | |
| CN110462414A (zh) | 用于估计电池电阻的装置和方法 | |
| CN110376536B (zh) | 电池系统soh检测方法、装置、计算机设备和存储介质 | |
| CN116148678B (zh) | 基于大数据估算电池soc值的方法和装置 | |
| CN114371408B (zh) | 电池荷电状态的估算方法、充电曲线的提取方法及装置 | |
| CN112213644B (zh) | 电池荷电状态估算方法及电池管理系统 | |
| Chen et al. | A novel combined estimation method of online full‐parameter identification and adaptive unscented particle filter for Li‐ion batteries SOC based on fractional‐order modeling | |
| Ramezani-al et al. | A novel combined online method for SOC estimation of a Li-Ion battery with practical and industrial considerations | |
| CN115389954A (zh) | 一种电池容量的估算方法、电子设备及可读存储介质 | |
| KR102703823B1 (ko) | 시변 부하전류 상황에 강인한 리튬 이온 배터리의 모델 기반 충전 상태 추정 장치 및 방법 | |
| CN116500475B (zh) | 一种具有实时soc校正补偿的储能采集方法及系统 | |
| CN117849633A (zh) | 一种电池漏电评估方法、装置、介质及bms系统 | |
| CN111413620A (zh) | 一种基于集员滤波的锂电池电荷状态估计方法 | |
| CN114636936B (zh) | 一种铅酸电池充电阶段soc预测曲线的修正方法及装置 | |
| CN115877247A (zh) | 电池组的soh值估算方法、电池管理系统及存储介质 | |
| CN114675193A (zh) | 一种许用功率估算方法、电池管理系统及存储介质 | |
| CN118011240B (zh) | 电池的一致性的评估方法、装置、存储介质和计算机设备 | |
| CN118386940A (zh) | 功率控制方法、装置、控制器、电池包、车辆、介质和程序产品 | |
| CN219349083U (zh) | 一种荷电状态估算电路及荷电状态估算系统 | |
| CN118625184B (zh) | 一种基于开路电压斜率的电池荷电状态估计方法及系统 |
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 |