CN116203431A - 汽车蓄电池剩余电量百分比预测方法、装置、设备及介质 - Google Patents

汽车蓄电池剩余电量百分比预测方法、装置、设备及介质 Download PDF

Info

Publication number
CN116203431A
CN116203431A CN202310300584.3A CN202310300584A CN116203431A CN 116203431 A CN116203431 A CN 116203431A CN 202310300584 A CN202310300584 A CN 202310300584A CN 116203431 A CN116203431 A CN 116203431A
Authority
CN
China
Prior art keywords
storage battery
percentage
automobile storage
electric quantity
residual electric
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
Application number
CN202310300584.3A
Other languages
English (en)
Inventor
赵浩天
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Mgjia Beijing Technology Co ltd
Original Assignee
Mgjia Beijing Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Mgjia Beijing Technology Co ltd filed Critical Mgjia Beijing Technology Co ltd
Priority to CN202310300584.3A priority Critical patent/CN116203431A/zh
Publication of CN116203431A publication Critical patent/CN116203431A/zh
Pending legal-status Critical Current

Links

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
    • 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]
    • G01R31/385—Arrangements for measuring battery or accumulator variables
    • G01R31/387—Determining ampere-hour charge capacity or SoC
    • 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)
  • General Physics & Mathematics (AREA)
  • Secondary Cells (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明提供汽车蓄电池剩余电量百分比预测方法、装置、设备及介质，包括：汽车蓄电池放电时，采用扩展卡尔曼滤波法预测第一汽车蓄电池剩余电量百分比；汽车蓄电池充电时，采用安时积分法预测第二汽车蓄电池剩余电量百分比，并通过充电电流对第二汽车蓄电池剩余电量百分比进行校准。本发明解决了将安时积分法用于通用处理器上，累计误差越来越大的现象，得到较为准确的汽车蓄电池剩余电量百分比预测值。

Description

汽车蓄电池剩余电量百分比预测方法、装置、设备及介质
技术领域
本发明涉及车载蓄电池技术领域，具体涉及汽车蓄电池剩余电量百分比预测、装置、设备及介质。
背景技术
传统上，车辆会配备一个单独的电池管理模块硬件，包含传感器以及独立的计算芯片，独立的计算芯片用于处理电池管理相关算法。
电池管理相关算法用于预测电池剩余电量百分比(state of charge，SOC)以及电池健康度(state of health，SOH)等，其中，安时积分法是用于预测电池剩余电量百分比的传统算法，但是，安时积分法有累计误差越来越大的缺点,导致预测电池剩余电量百分比不准确。电池管理模块硬件的独立计算芯片功耗较小，在车辆休眠后仍然可以工作，解决办法为在车辆熄火休眠后，利用休眠一段时间后的电压，采用开路电压法对电池剩余电量百分比进行校准。
目前，越来越多的车辆中会配备计算能力较强的通用处理器，在通用处理器上预测SOC，可以节省独立计算芯片的成本，如果使用安时积分法，也会有累计误差越来越大的缺点，但是通用处理器的功耗较大，车辆休眠时无法工作，所以在通用处理器上预测SOC时不能用开路电压法对SOC进行校准。
因此，如何在通用处理器上运行电池管理算法，且准确预测电池剩余电量百分比，成为了本领域技术人员亟待解决的技术问题。
发明内容
为解决现有技术中的不足，本发明提供汽车蓄电池剩余电量百分比预测、装置、设备及介质。
本发明第一方面提供一种汽车蓄电池剩余电量百分比预测方法，应用于通用处理器上，包括：汽车蓄电池放电时，采用扩展卡尔曼滤波法预测第一汽车蓄电池剩余电量百分比；汽车蓄电池充电时，采用安时积分法预测第二汽车蓄电池剩余电量百分比，并通过充电电流对第二汽车蓄电池剩余电量百分比进行校准。
有益效果为：本发明实施例提供的汽车蓄电池剩余电量百分比预测方法，在汽车蓄电池放电时，采用扩展卡尔曼滤波法预测第一汽车蓄电池剩余电量百分比。汽车蓄电池剩余电量百分比算法的输入主要是电压和电流，汽车蓄电池剩余电量百分比和电压有比较明显的关联关系，汽车蓄电池剩余电量百分比越高时电压也越高、汽车蓄电池剩余电量百分比越低时电压也越低，传统上使用的安时积分法只使用电流判断汽车蓄电池剩余电量百分比变化量，因此会有误差，且如果不做校准的话误差会累积的越来越大。扩展卡尔曼滤波法既使用电流也使用电压，相当于不断的参考当前电压去做校准，因此不会有累积误差越来越大大的问题，且，即使初始汽车蓄电池剩余电量百分比误差较大，扩展卡尔曼滤波法每次迭代时，会根据当前电压得到一个当前的汽车蓄电池剩余电量百分比变化量的参考值，扩展卡尔曼滤波法会将汽车蓄电池剩余电量百分比变化量的预测值向这个当前的汽车蓄电池剩余电量百分比变化量的参考值逼近，因此，误差会逐渐缩小。汽车蓄电池充电时，采用安时积分法预测第二汽车蓄电池剩余电量百分比，并通过充电电流对第二汽车蓄电池剩余电量百分比进行校准。汽车蓄电池充电时，往往是恒压充电，恒压充电时电压会比汽车蓄电池的开路电压高很多，且随着汽车蓄电池充电时接近于充满状态，电流会明显变小，导致汽车蓄电池充电时使用扩展卡尔曼滤波法预测不准确，因此，汽车蓄电池充电时还使用安时积分法，但加以改进，结合充电电流进行校准，由于恒压充电时，充电电流会随着汽车蓄电池剩余电量百分比的提升而减小，因此可以结合充电电流对第二汽车蓄电池剩余电量百分比进行校准，从而得到更为准确的汽车蓄电池剩余电量百分比预测值。
结合第一方面，在第一方面第一实施方式中采用安时积分法预测第二汽车蓄电池剩余电量百分比，包括：根据充电电流、充电时长以及电池最大容量预测汽车蓄电池剩余电量百分比的变化量，充电时长根据当前时刻与上一时刻的差确定；根据汽车蓄电池剩余电量百分比的变化量与上一时刻的汽车蓄电池剩余电量百分比的和确定第二汽车蓄电池剩余电量百分比。
结合第一方面或第一方面第一实施方式，在第一方面第二实施方式中，通过充电电流对第二汽车蓄电池剩余电量百分比进行校准，包括：获取根据充电电流估算得到的汽车蓄电池剩余电量百分比；根据汽车蓄电池剩余电量百分比和第二汽车蓄电池剩余电量百分比计算校准系数；根据校准系数、汽车蓄电池剩余电量百分比的变化量以及上一时刻的汽车蓄电池剩余电量百分比确定校准后的第二汽车蓄电池剩余电量百分比。
有益效果为：恒压充电时，充电电流会随着汽车蓄电池剩余电量百分比的提升而减小，在使用安时积分法预测汽车蓄电池剩余电量百分比时，根据汽车蓄电池剩余电量百分比和第二汽车蓄电池剩余电量百分比计算校准系数，根据校准系数、汽车蓄电池剩余电量百分比的变化量以及上一时刻的汽车蓄电池剩余电量百分比确定校准后的第二汽车蓄电池剩余电量百分比，通过校准，得到更加准确的汽车蓄电池剩余电量百分比预测值。同时，本发明在预测汽车蓄电池剩余电量百分比时，乘以一个校准系数，比起传统的校准方法，校准过程更加平滑，避免汽车蓄电池剩余电量百分比的跳变。
结合第一方面第二实施方式，在第二方面第三实施方式中，校准系数的计算公式为：
Figure BDA0004145060640000041
其中，RATIO为校准系数，SOCcurrent表示根据充电电流预测的SOC值，SOCold表示上一时刻的SOC值。
结合第一方面第三实施方式，在第一方面第四实施方式中，计算出校准系数的数值后，还包括：若校准系数的数值小于第一预设值，则设校准系数为第一预设值；若校准系数的数值大于第二预设值，则设校准系数为第二预设值。
有益效果为：将校准系数的数值控制在一定的范围内，超出范围就设校准系数为预设值，防止校准系数的值浮动太大导致汽车蓄电池剩余电量百分比预测值不准确。
本发明第二方面提供一种汽车蓄电池剩余电量百分比预测装置，应用于通用处理器上，包括：第一预测模块，用于汽车蓄电池放电时，采用扩展卡尔曼滤波法预测第一汽车蓄电池剩余电量百分比；第二预测模块，用于汽车蓄电池充电时，采用安时积分法预测第二汽车蓄电池剩余电量百分比，并通过充电电流对第二汽车蓄电池剩余电量百分比进行校准。
有益效果为：本发明实施例提供的汽车蓄电池剩余电量百分比预测方法，在汽车蓄电池放电时，采用扩展卡尔曼滤波法预测第一汽车蓄电池剩余电量百分比。汽车蓄电池剩余电量百分比算法的输入主要是电压和电流，汽车蓄电池剩余电量百分比和电压有比较明显的关联关系，汽车蓄电池剩余电量百分比越高时电压也越高、汽车蓄电池剩余电量百分比越低时电压也越低，传统上使用的安时积分法只使用电流判断汽车蓄电池剩余电量百分比变化量，因此会有误差，且如果不做校准的话误差会累积的越来越大。扩展卡尔曼滤波法既使用电流也使用电压，相当于不断的参考当前电压去做校准，因此不会有累积误差越来越大大的问题，且，即使初始汽车蓄电池剩余电量百分比误差较大，扩展卡尔曼滤波法每次迭代时，会根据当前电压得到一个当前的汽车蓄电池剩余电量百分比变化量的参考值，扩展卡尔曼滤波法会将汽车蓄电池剩余电量百分比变化量的预测值向这个当前的汽车蓄电池剩余电量百分比变化量的参考值逼近，因此，误差会逐渐缩小。汽车蓄电池充电时，采用安时积分法预测第二汽车蓄电池剩余电量百分比，并通过充电电流对第二汽车蓄电池剩余电量百分比进行校准。汽车蓄电池充电时，往往是恒压充电，恒压充电时电压会比汽车蓄电池的开路电压高很多，且随着汽车蓄电池充电时接近于充满状态，电流会明显变小，导致汽车蓄电池充电时使用扩展卡尔曼滤波法预测不准确，因此，汽车蓄电池充电时还使用安时积分法，但加以改进，结合充电电流进行校准，由于恒压充电时，充电电流会随着汽车蓄电池剩余电量百分比的提升而减小，因此可以结合充电电流对第二汽车蓄电池剩余电量百分比进行校准，从而得到更为准确的汽车蓄电池剩余电量百分比预测值。
结合第二方面，在第二方面第一实施方式中，通过充电电流对第二汽车蓄电池剩余电量百分比进行校准，包括：获取根据充电电流估算得到的汽车蓄电池剩余电量百分比；根据汽车蓄电池剩余电量百分比和第二汽车蓄电池剩余电量百分比计算校准系数；根据校准系数、汽车蓄电池剩余电量百分比的变化量以及上一时刻的汽车蓄电池剩余电量百分比确定校准后的第二汽车蓄电池剩余电量百分比。
有益效果为：恒压充电时，充电电流会随着汽车蓄电池剩余电量百分比的提升而减小，在使用安时积分法预测汽车蓄电池剩余电量百分比时，根据汽车蓄电池剩余电量百分比和第二汽车蓄电池剩余电量百分比计算校准系数，根据校准系数、汽车蓄电池剩余电量百分比的变化量以及上一时刻的汽车蓄电池剩余电量百分比确定校准后的第二汽车蓄电池剩余电量百分比，通过校准，得到更加准确的汽车蓄电池剩余电量百分比预测值。
结合第二方面第一实施方式，在第二方面第二实施方式中，校准系数的计算公式为：
Figure BDA0004145060640000061
其中，RATIO为校准系数，SOCcurrent表示根据充电电流预测的SOC值，SOCold表示上一时刻的SOC值。
本发明第三方面提供一种计算机设备，包括，至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，从而执行第一方面及其可选实施方式中任一项的汽车蓄电池剩余电量百分比预测方法。
本发明第四方面提供一种计算机可读存储介质，计算机可读存储介质存储有计算机指令，计算机指令用于使计算机执行第一方面及其可选实施方式中任一项的汽车蓄电池剩余电量百分比预测方法。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式。
图1示出了本发明实施例提供的汽车蓄电池剩余电量百分比预测方法流程图；
图2示出了本发明实施例提供的汽车蓄电池剩余电量百分比预测装置示意图；
图3示出了本发明实施例提供的一种计算机设备的硬件结构示意图；
图4示出了本发明实施例提供的一种计算机可读存储介质的结构示意图。
具体实施方式
下面将结合附图对本发明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。
在本发明的描述中，需要说明的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明实施例提供了一种汽车蓄电池剩余电量百分比预测方法，应用于通用处理器上，如图1所示，包括以下步骤：
步骤S001：汽车蓄电池放电时，采用扩展卡尔曼滤波法预测第一汽车蓄电池剩余电量百分比。
在一可选实施例中，传统上，预测汽车蓄电池剩余电量百分比的算法运行在电池管理模块配备的独立计算芯片上，本发明实施例将预测汽车蓄电池剩余电量百分比的算法运行在通用处理器上，通用处理器与电池管理模块配备的独立计算芯片相比，计算能力强，可以运行一些较为复杂的算法，示例性地，在通用处理器中可以通过神经网络模型预测汽车蓄电池剩余电量百分比，而且，运行在通用处理器上后，可以不给电池管理模块配备独立的计算芯片，节约这部分成本。
在一可选实施例中，在采用扩展卡尔曼滤波法预测汽车蓄电池剩余电量百分比时，首先建立电池的等效电路模型，采用充放电实验和离线辨识的方法得到模型中的参数，从而得到开路电压、欧姆内阻、极化内阻和极化电容与汽车蓄电池剩余电量百分比的多项式函数关系，然后，对模型进行验证，分析模型的准确性，最后，在实际工况下，运用扩展卡尔曼滤波法预测汽车蓄电池剩余电量百分比。
步骤S002：汽车蓄电池充电时，采用安时积分法预测第二汽车蓄电池剩余电量百分比，并通过充电电流对第二汽车蓄电池剩余电量百分比进行校准。
在本发明实施例中，在汽车蓄电池放电时，采用扩展卡尔曼滤波法预测第一汽车蓄电池剩余电量百分比。汽车蓄电池剩余电量百分比算法的输入主要是电压和电流，汽车蓄电池剩余电量百分比和电压有比较明显的关联关系，汽车蓄电池剩余电量百分比越高时电压也越高、汽车蓄电池剩余电量百分比越低时电压也越低，传统上使用的安时积分法只使用电流判断汽车蓄电池剩余电量百分比变化量，因此会有误差，且如果不做校准的话误差会累积的越来越大。扩展卡尔曼滤波法既使用电流也使用电压，相当于不断的参考当前电压去做校准，因此不会有累积误差越来越大的问题，且，即使初始汽车蓄电池剩余电量百分比误差较大，扩展卡尔曼滤波法每次迭代时，会根据当前电压得到一个当前的汽车蓄电池剩余电量百分比变化量的参考值，扩展卡尔曼滤波法会将汽车蓄电池剩余电量百分比变化量的预测值向这个当前的汽车蓄电池剩余电量百分比变化量的参考值逼近，因此，误差会逐渐缩小。汽车蓄电池充电时，采用安时积分法预测第二汽车蓄电池剩余电量百分比，并通过充电电流对第二汽车蓄电池剩余电量百分比进行校准。汽车蓄电池充电时，往往是恒压充电，恒压充电时电压会比汽车蓄电池的开路电压高很多，且随着汽车蓄电池充电时接近于充满状态，电流会明显变小，导致汽车蓄电池充电时使用扩展卡尔曼滤波法预测不准确，因此，汽车蓄电池充电时还使用安时积分法，但加以改进，结合充电电流进行校准，由于恒压充电时，充电电流会随着汽车蓄电池剩余电量百分比的提升而减小，因此可以结合充电电流对第二汽车蓄电池剩余电量百分比进行校准，从而得到更为准确的汽车蓄电池剩余电量百分比预测值。
在一可选实施例中，本发明实施例提供的汽车蓄电池剩余电量百分比预测方法，采用安时积分法预测第二汽车蓄电池剩余电量百分比，包括：
首先，根据充电电流、充电时长以及电池最大容量预测汽车蓄电池剩余电量百分比的变化量，充电时长根据当前时刻与上一时刻的差确定。
其次，根据汽车蓄电池剩余电量百分比的变化量与上一时刻的汽车蓄电池剩余电量百分比的和确定第二汽车蓄电池剩余电量百分比。
在一可选实施例中，预测汽车蓄电池剩余电量百分比的变化量的公式为：
Figure BDA0004145060640000101
其中，SOCdelta表示汽车蓄电池剩余电量百分比的变化量，I表示充电电流，tnew表示当前时刻，told表示上一时刻，C表示电池最大容量。
在一可选实施例中，预测第二汽车蓄电池剩余电量百分比的公式为：
SOCnew＝SOCold+SOCdelta
其中，SOCnew表示第二汽车蓄电池剩余电量百分比，SOCold表示上一时刻的汽车蓄电池剩余电量百分比，SOCdelta表示汽车蓄电池剩余电量百分比的变化量。
在一可选实施例中，本发明实施例提供的汽车蓄电池剩余电量百分比预测方法，通过充电电流对第二汽车蓄电池剩余电量百分比进行校准，包括：
首先，获取根据充电电流估算得到的汽车蓄电池剩余电量百分比。
其次，根据汽车蓄电池剩余电量百分比和第二汽车蓄电池剩余电量百分比计算校准系数。
最后，根据所述校准系数、所述汽车蓄电池剩余电量百分比的变化量以及上一时刻的汽车蓄电池剩余电量百分比。
本发明实施例中，恒压充电时，充电电流会随着汽车蓄电池剩余电量百分比的提升而减小，在使用安时积分法预测汽车蓄电池剩余电量百分比时，根据汽车蓄电池剩余电量百分比和第二汽车蓄电池剩余电量百分比计算校准系数，根据校准系数、汽车蓄电池剩余电量百分比的变化量以及上一时刻的汽车蓄电池剩余电量百分比确定校准后的第二汽车蓄电池剩余电量百分比，通过校准，得到更加准确的汽车蓄电池剩余电量百分比预测值。同时，本发明在预测汽车蓄电池剩余电量百分比时，乘以一个校准系数，比起传统的校准方法，校准过程更加平滑，避免汽车蓄电池剩余电量百分比的跳变。
在一可选实施例中，本发明实施例提供的汽车蓄电池剩余电量百分比预测方法，校准系数的计算公式为：
Figure BDA0004145060640000111
其中，RATIO表示校准系数，SOCcurrent表示根据充电电流预测的SOC值，SOCold表示上一时刻的的SOC值。
在一可选实施例中，SOCcurrent为根据充电电流预测的SOC值，预测方法包括，通过实验得到SOC值与充电电流的关系曲线，可以发现，随着SOC值的提升，充电电流会有规律的减小，根据实际操作中的充电电流在SOC值与充电电流的关系曲线中找到对应的SOC值即为SOCcurrent。
在一可选实施例中，确定校准后的第二汽车蓄电池剩余电量百分比的公式为：
SOCnew＝SOCold+SOCdelta*RATIO
其中，RATIO表示校准系数，SOCdelta表示汽车蓄电池剩余电量百分比的变化量，SOCold表示上一时刻的汽车蓄电池剩余电量百分比。
在一可选实施例中，本发明实施例提供的汽车蓄电池剩余电量百分比预测方法，计算出校准系数的数值后，还包括：若校准系数的数值小于第一预设值，则设校准系数为第一预设值；若校准系数的数值大于第二预设值，则设校准系数为第二预设值。第一预设值小于第二预设值。
在一可选实施例中，示例性地，第一预设值可以是0.5，第二预设值可以是2。
在一可选实施例中，将校准系数的数值控制在一定的范围内，超出范围就设校准系数为预设值，防止校准系数的值浮动太大导致汽车蓄电池剩余电量百分比预测值不准确。
本发明实施例提供一种汽车蓄电池剩余电量百分比预测装置，应用于通用处理器上，如图2所示，包括以下模块：
第一预测模块201，用于汽车蓄电池放电时，采用扩展卡尔曼滤波法预测第一汽车蓄电池剩余电量百分比，详细内容参见上述实施例中步骤S001的描述，在此不再赘述。
第二预测模块202，用于汽车蓄电池充电时，采用安时积分法预测第二汽车蓄电池剩余电量百分比，并通过充电电流对第二汽车蓄电池剩余电量百分比进行校准，详细内容参见上述实施例中步骤S002的描述，在此不再赘述。
在本发明实施例中，在汽车蓄电池放电时，采用扩展卡尔曼滤波法预测第一汽车蓄电池剩余电量百分比。汽车蓄电池剩余电量百分比算法的输入主要是电压和电流，汽车蓄电池剩余电量百分比和电压有比较明显的关联关系，汽车蓄电池剩余电量百分比越高时电压也越高、汽车蓄电池剩余电量百分比越低时电压也越低，传统上使用的安时积分法只使用电流判断汽车蓄电池剩余电量百分比变化量，因此会有误差，且如果不做校准的话误差会累积的越来越大。扩展卡尔曼滤波法既使用电流也使用电压，相当于不断的参考当前电压去做校准，因此不会有累积误差越来越大的问题，且，即使初始汽车蓄电池剩余电量百分比误差较大，扩展卡尔曼滤波法每次迭代时，会根据当前电压得到一个当前的汽车蓄电池剩余电量百分比变化量的参考值，扩展卡尔曼滤波法会将汽车蓄电池剩余电量百分比变化量的预测值向这个当前的汽车蓄电池剩余电量百分比变化量的参考值逼近，因此，误差会逐渐缩小。汽车蓄电池充电时，采用安时积分法预测第二汽车蓄电池剩余电量百分比，并通过充电电流对第二汽车蓄电池剩余电量百分比进行校准。汽车蓄电池充电时，往往是恒压充电，恒压充电时电压会比汽车蓄电池的开路电压高很多，且随着汽车蓄电池充电时接近于充满状态，电流会明显变小，导致汽车蓄电池充电时使用扩展卡尔曼滤波法预测不准确，因此，汽车蓄电池充电时还使用安时积分法，但加以改进，结合充电电流进行校准，由于恒压充电时，充电电流会随着汽车蓄电池剩余电量百分比的提升而减小，因此可以结合充电电流对第二汽车蓄电池剩余电量百分比进行校准，从而得到更为准确的汽车蓄电池剩余电量百分比预测值。
在一可选实施例中，本发明实施例提供的汽车蓄电池剩余电量百分比预测装置，通过充电电流对第二汽车蓄电池剩余电量百分比进行校准，包括：
首先，获取根据充电电流估算得到的汽车蓄电池剩余电量百分比。
其次，根据汽车蓄电池剩余电量百分比和第二汽车蓄电池剩余电量百分比计算校准系数。
最后，根据所述校准系数、所述汽车蓄电池剩余电量百分比的变化量以及上一时刻的汽车蓄电池剩余电量百分比。
在一可选实施例中，本发明实施例提供的汽车蓄电池剩余电量百分比预测装置，校准系数的计算公式为：
Figure BDA0004145060640000141
其中，RATIO为校准系数，SOCcurrent表示根据充电电流预测的SOC值，SOCold表示上一时刻的SOC值。
本发明实施例还提供一种计算机设备，如图3是根据一示例性实施例提出的一种计算机设备的硬件结构示意图。
如图3所示，该设备包括一个或多个处理器301以及存储器302，存储器302包括持久内存、易失内存和硬盘，图3中以一个处理器301为例。该设备还可以包括：输入装置303和输出装置304。
处理器301、存储器302、输入装置303和输出装置304可以通过总线或者其他方式连接，图3中以通过总线连接为例。
处理器301可以为中央处理器(Central Processing Unit，CPU)。处理器301还可以为其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器302作为一种非暂态计算机可读存储介质，包括持久内存、易失内存和硬盘，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本申请实施例中的业务管理方法对应的程序指令模块。处理器301通过运行存储在存储器302中的非暂态软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述任意一种汽车蓄电池剩余电量百分比预测方法。
存储器302可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据、需要使用的数据等。此外，存储器302可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器302可选包括相对于处理器301远程设置的存储器，这些远程存储器可以通过网络连接至数据处理装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置303可接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键信号输入。输出装置304可包括显示屏等显示设备。
一个或者多个模块存储在存储器302中，当被一个或者多个处理器301执行时，执行如图1所示的方法。
上述产品可执行本发明实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，具体可参见如图1所示的实施例中的相关描述。
本发明实施例还提供了一种计算机可读存储介质，如图4所示，计算机可读存储介质中存储有计算机可执行指令401，该计算机可执行指令401可执行上述任意方法实施例中的汽车蓄电池剩余电量百分比预测方法。
存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(Random Access Memory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，HDD)或固态硬盘(Solid-State Drive，SSD)等；存储介质还可以包括上述种类的存储器的组合。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (10)

1.一种汽车蓄电池剩余电量百分比预测方法，应用于通用处理器上，其特征在于，包括：
汽车蓄电池放电时，采用扩展卡尔曼滤波法预测第一汽车蓄电池剩余电量百分比；
汽车蓄电池充电时，采用安时积分法预测第二汽车蓄电池剩余电量百分比，并通过充电电流对所述第二汽车蓄电池剩余电量百分比进行校准。
2.根据权利要求1所述的汽车蓄电池剩余电量百分比预测方法，其特征在于，采用安时积分法预测第二汽车蓄电池剩余电量百分比，包括：
根据充电电流、充电时长以及电池最大容量预测汽车蓄电池剩余电量百分比的变化量，所述充电时长根据当前时刻与上一时刻的差确定；
根据所述汽车蓄电池剩余电量百分比的变化量与上一时刻的汽车蓄电池剩余电量百分比的和确定所述第二汽车蓄电池剩余电量百分比。
3.根据权利要求1或2所述的汽车蓄电池剩余电量百分比预测方法，其特征在于，通过充电电流对所述第二汽车蓄电池剩余电量百分比进行校准，包括：
获取根据充电电流估算得到的汽车蓄电池剩余电量百分比；
根据所述汽车蓄电池剩余电量百分比和所述第二汽车蓄电池剩余电量百分比计算校准系数；
根据所述校准系数、所述汽车蓄电池剩余电量百分比的变化量以及上一时刻的汽车蓄电池剩余电量百分比确定校准后的第二汽车蓄电池剩余电量百分比。
4.根据权利要求3所述的汽车蓄电池剩余电量百分比预测方法，其特征在于，
所述校准系数的计算公式为：
Figure FDA0004145060630000021
其中，RATIO为校准系数，SOCcurrent表示根据充电电流预测的SOC值，SOCold表示上一时刻的SOC值。
5.根据权利要求4所述的汽车蓄电池剩余电量百分比预测方法，其特征在于，计算出所述校准系数的数值后，还包括：
若所述校准系数的数值小于第一预设值，则设所述校准系数为所述第一预设值；
若所述校准系数的数值大于第二预设值，则设所述校准系数为所述第二预设值。
6.一种汽车蓄电池剩余电量百分比预测装置，应用于通用处理器上，其特征在于，包括：
第一预测模块，用于汽车蓄电池放电时，采用扩展卡尔曼滤波法预测第一汽车蓄电池剩余电量百分比；
第二预测模块，用于汽车蓄电池充电时，采用安时积分法预测第二汽车蓄电池剩余电量百分比，并通过充电电流对所述第二汽车蓄电池剩余电量百分比进行校准。
7.根据权利要求6所述的汽车蓄电池剩余电量百分比预测装置，其特征在于，通过充电电流对所述第二汽车蓄电池剩余电量百分比进行校准，包括：
获取根据充电电流估算得到的汽车蓄电池剩余电量百分比；
根据所述汽车蓄电池剩余电量百分比和所述第二汽车蓄电池剩余电量百分比计算校准系数；
根据所述校准系数、所述汽车蓄电池剩余电量百分比的变化量以及上一时刻的汽车蓄电池剩余电量百分比确定校准后的第二汽车蓄电池剩余电量百分比。
8.根据权利要求7所述的汽车蓄电池剩余电量百分比预测装置，其特征在于，
所述校准系数的计算公式为：
Figure FDA0004145060630000031
其中，RATIO为校准系数，SOCcurrent表示根据充电电流预测的SOC值，SOCold表示上一时刻的SOC值。
9.一种计算机设备，其特征在于，包括：
至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，从而执行如权利要求1-5中任一项所述的汽车蓄电池剩余电量百分比预测方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行如权利要求1-5中任一项所述的汽车蓄电池剩余电量百分比预测方法。
CN202310300584.3A 2023-03-24 2023-03-24 汽车蓄电池剩余电量百分比预测方法、装置、设备及介质 Pending CN116203431A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310300584.3A CN116203431A (zh) 2023-03-24 2023-03-24 汽车蓄电池剩余电量百分比预测方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310300584.3A CN116203431A (zh) 2023-03-24 2023-03-24 汽车蓄电池剩余电量百分比预测方法、装置、设备及介质

Publications (1)

Publication Number Publication Date
CN116203431A true CN116203431A (zh) 2023-06-02

Family

ID=86517298

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310300584.3A Pending CN116203431A (zh) 2023-03-24 2023-03-24 汽车蓄电池剩余电量百分比预测方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN116203431A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117074973A (zh) * 2023-07-19 2023-11-17 浙江凌骁能源科技有限公司 电芯soc估计方法、装置、计算机设备和存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117074973A (zh) * 2023-07-19 2023-11-17 浙江凌骁能源科技有限公司 电芯soc估计方法、装置、计算机设备和存储介质

Similar Documents

Publication Publication Date Title
US10447046B2 (en) Secondary battery management system with remote parameter estimation
KR101866073B1 (ko) 배터리 soh 추정 방법
Xiong et al. A robust state-of-charge estimator for multiple types of lithium-ion batteries using adaptive extended Kalman filter
CN109188293B (zh) 基于新息协方差带渐消因子的ekf锂离子电池soc估算方法
CN106908741B (zh) 混合动力汽车动力电池组soh估算方法和装置
JP2016536605A (ja) 電池の充電状態を推定するための方法、装置およびシステム
CN114072685A (zh) 一种用于估计电池单元的操作参数的方法
CN116203431A (zh) 汽车蓄电池剩余电量百分比预测方法、装置、设备及介质
CN111913111B (zh) 放电功率校正方法、装置、存储介质及电子设备
JP2023139227A (ja) 電池健康状態予測方法、装置、電子機器及び可読記憶媒体
CN111439128B (zh) 电动车辆剩余里程估计方法、装置和计算机设备
CN113853524B (zh) 用于估计电池状态的方法
JP2014174172A (ja) バッテリーの残存容量の決定方法
CN103901348A (zh) 适用于动态电流工况的电池剩余放电容量的估计方法
CN109782182B (zh) 一种串联电池组能量状态在线估计方法和装置
CN116819346B (zh) 电池soc估算方法、装置、设备及存储介质
CN116990691A (zh) 一种电池剩余满充时间的评估方法、装置、设备和介质
CN109633451B (zh) 储能系统自轨迹参数标定方法及soc估算方法
CN113447826B (zh) 一种基于稳态等效电路模型的soc确定方法及装置
CN115015763A (zh) Soc估算校准方法、设备及介质
US11953558B2 (en) Method and system for estimating the state-of-health of a battery
CN109782210B (zh) 电动汽车电池管理系统的电流传感器校正方法及电子设备
CN116736127B (zh) 一种应对温度变化的电池剩余电量百分比预测方法及装置
CN112034366A (zh) 一种soc动态补偿方法及电子系统
CN114578229B (zh) 动力电池健康状态确定方法、装置和可读存储介质

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