CN116540125A - 一种电池荷电状态估计故障的诊断方法及系统 - Google Patents
一种电池荷电状态估计故障的诊断方法及系统 Download PDFInfo
- Publication number
- CN116540125A CN116540125A CN202310813821.6A CN202310813821A CN116540125A CN 116540125 A CN116540125 A CN 116540125A CN 202310813821 A CN202310813821 A CN 202310813821A CN 116540125 A CN116540125 A CN 116540125A
- Authority
- CN
- China
- Prior art keywords
- battery
- state
- charge
- fault
- diagnosed
- 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 97
- 238000003745 diagnosis Methods 0.000 title abstract description 18
- 230000008569 process Effects 0.000 claims description 35
- 238000012886 linear function Methods 0.000 claims description 12
- 230000010287 polarization Effects 0.000 claims description 10
- 238000007599 discharging Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 208000032953 Device battery issue Diseases 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 abstract description 5
- 238000005259 measurement Methods 0.000 abstract description 5
- 238000004364 calculation method Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
- G01R31/387—Determining ampere-hour charge capacity or SoC
-
- 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
Abstract
本申请提出一种电池荷电状态估计故障的诊断方法及系统,所述方法包括:获取待诊断电池的电池状态空间模型及预设时段内所述电池的荷电状态;根据库伦计数法和预设时段内所述电池的荷电状态确定所述待诊断电池的第一荷电状态;根据所述电池状态空间模型和预设时段内所述电池的荷电状态确定所述待诊断电池的第二荷电状态;根基所述第一荷电状态与所述第二荷电状态确定所述待诊断电池的第一残差;根据所述待诊断电池的第一残差确定所述待诊断电池的故障类型。本申请提出的技术方案,不需要进行复杂的测量或大量实验所获得的电池先验知识,就可以快速精确的诊断出电池的故障类型。
Description
技术领域
本申请涉及电池故障诊断领域,尤其涉及一种电池荷电状态估计故障的诊断方法及系统。
背景技术
电池具有可充电、高能量密度、便携性等优势,广泛应用于各个领域。然而,电池的性能受多种因素影响,过充或过放等行为会减少电池寿命,于是对电池SOC进行估计显得尤为重要。准确估计电池的荷电状态(State of Charge. SOC)可以帮助优化电池的性能,采取适当的充电和放电策略防止电池过热和损坏,从而最大程度地延长电池的寿命和稳定性,同时提高能源利用效率与可持续性。
目前大多数可用的SOC估计算法都存在两个问题:(1)大多数方法是前馈算法,不存在诊断机制来精确定位导致SOC估计不准确的因素;(2)对于电池组SOC估计计算量过大,必须通过牺牲SOC估计精度来折衷,进而导致在进行电池故障诊断时,诊断过程繁琐且诊断结果不精确。
发明内容
本申请提供一种电池荷电状态估计故障的诊断方法及系统,以至少解决进行电池故障诊断时,诊断过程繁琐且诊断结果不精确的技术问题。
本申请第一方面实施例提出一种电池荷电状态估计故障的诊断方法,所述方法包括:
获取待诊断电池的电池状态空间模型及预设时段内所述电池的荷电状态;
根据库伦计数法和预设时段内所述电池的荷电状态确定所述待诊断电池的第一荷电状态;
根据所述电池状态空间模型和预设时段内所述电池的荷电状态确定所述待诊断电池的第二荷电状态;
根基所述第一荷电状态与所述第二荷电状态确定所述待诊断电池的第一残差;
根据所述待诊断电池的第一残差确定所述待诊断电池的故障类型。
优选的,所述待诊断电池的电池状态空间模型的计算式如下:
式中,为开路电压导数,/>为电池等效电路模型中/>回路两端的电压导数,/>为电池等效电路模型中的极化电阻,/>为电池等效电路模型中的极化电容,/>为开路电压,/>为电池等效电路模型中/>回路两端的电压,/>为第/>段分段线性函数的斜率,/>为电池容量,/>为偏置负载电流,/>为电池等效电路模型中端子电压,/>为电池等效电路模型中的欧姆内阻。
进一步的,所述第段分段线性函数是基于所述待诊断电池预设时段内SOC-VOC特性曲线采用分段线性化进行拟合后得到的。
进一步的,所述待诊断的第一荷电状态的计算式如下:
式中,为t预设时段电池的第一荷电状态,/>为电池发生故障时的初始荷电状态,/>为电池发生故障时的荷电状态偏移量,/>为充放电效率,/>为时刻偏置负载电流,/>为/>时刻电池发生故障时的偏置负载电流偏移量,/>为电池发生故障时的电池容量偏移量。
进一步的,所述根据所述电池状态空间模型和预设时段内所述电池的荷电状态确定所述待诊断电池的第二荷电状态,包括:
基于所述电池状态空间模型及预设时段内所述电池的荷电状态,并利用线性观测器确定所述待诊断电池的第二荷电状态;
其中,所述线性观测器包括:龙伯格观测器、滑模观测器、卡尔曼滤波器及其变体。
进一步的,所述根基所述第一荷电状态与所述第二荷电状态确定所述待诊断电池的第一残差,包括:
获取所述第一荷电状态与所述第二荷电状态的差值,并将所述差值作为所述待诊断电池的第一残差。
优选的,所述根据所述待诊断电池的第一残差确定所述待诊断电池的故障类型,包括:
根据所述第一残差确定所述电池的初始SOC故障残差、偏置容量故障残差、偏置负载电流故障残差;
基于所述初始SOC故障残差、偏置容量故障残差、偏置负载电流故障残差确定所述待诊断电池的故障类型。
进一步的,所述电池的初始SOC故障残差的计算如下:
式中,为电池的初始SOC故障残差,/>为k时刻待诊断电池的第一残差,/>为移动平均的窗口,/>为充电过程所取窗口的末端时刻;
所述偏置容量故障残差的计算式如下:
式中,为偏置容量故障残差,j为放电过程所取窗口的末端时刻;
所述偏置负载电流故障残差的计算式如下:
式中,为偏置负载电流故障残差,/>为电池SOC的采样间隔,/>为k时刻的偏置负载电流与电池发生故障时的偏置负载电流偏移量之差。
进一步的,所述基于所述初始SOC故障残差、偏置容量故障残差、偏置负载电流故障残差确定所述待诊断电池的故障类型,包括:
获取所述初始SOC故障残差的阈值、偏置容量故障残差的阈值、偏置负载电流故障残差的阈值;
当所述初始SOC故障残差的绝对值大于等于所述初始SOC故障残差的阈值时,和/或当所述偏置容量故障残差的绝对值大于等于所述偏置容量故障残差的阈值时,和/或当所述偏置负载电流故障残差的绝对值大于等于所述偏置负载电流故障残差的阈值时,判定所述电池发生初始SOC故障,和/或发生偏置容量故障,和/或发生偏置负载电流故障。
本申请第二方面实施例提出一种电池荷电状态估计故障的诊断系统,包括:
获取模块,用于获取待诊断电池的电池状态空间模型及预设时段内所述电池的荷电状态;
第一确定模块,用于根据库伦计数法和预设时段内所述电池的荷电状态确定所述待诊断电池的第一荷电状态;
第二确定模块,用于根据所述电池状态空间模型和预设时段内所述电池的荷电状态确定所述待诊断电池的第二荷电状态;
第二确定模块,用于根基所述第一荷电状态与所述第二荷电状态确定所述待诊断电池的第一残差;
第三确定模块,用于根据所述待诊断电池的第一残差确定所述待诊断电池的故障类型。
本申请的实施例提供的技术方案至少带来以下有益效果:
本申请提出了一种电池荷电状态估计故障的诊断方法及系统,所述方法包括:获取待诊断电池的电池状态空间模型及预设时段内所述电池的荷电状态;根据库伦计数法和预设时段内所述电池的荷电状态确定所述待诊断电池的第一荷电状态;根据所述电池状态空间模型和预设时段内所述电池的荷电状态确定所述待诊断电池的第二荷电状态;根基所述第一荷电状态与所述第二荷电状态确定所述待诊断电池的第一残差;根据所述待诊断电池的第一残差确定所述待诊断电池的故障类型。本申请提出的技术方案,不需要进行复杂的测量或大量实验所获得的电池先验知识,就可以快速精确的诊断出电池的故障类型。
本申请附加的方面以及优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面以及优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为根据本申请一个实施例提供的一种电池荷电状态估计故障的诊断方法的流程图;
图2为根据本申请一个实施例提供的电池等效电路模型的示意图;
图3为根据本申请一个实施例提供的SOC-VOC特性曲线示意图;
图4为根据本申请一个实施例提供的一种电池荷电状态估计故障的诊断系统的结构图;
图5为根据本申请一个实施例提供的第三确定模块的结构图;
图6为根据本申请一个实施例提供的第二确定单元的结构图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。
本申请提出的一种电池荷电状态估计故障的诊断方法及系统,所述方法包括:获取待诊断电池的电池状态空间模型及预设时段内所述电池的荷电状态;根据库伦计数法和预设时段内所述电池的荷电状态确定所述待诊断电池的第一荷电状态;根据所述电池状态空间模型和预设时段内所述电池的荷电状态确定所述待诊断电池的第二荷电状态;根基所述第一荷电状态与所述第二荷电状态确定所述待诊断电池的第一残差;根据所述待诊断电池的第一残差确定所述待诊断电池的故障类型。本申请提出的技术方案,不需要进行复杂的测量或大量实验所获得的电池先验知识,就可以快速精确的诊断出电池的故障类型。
下面参考附图描述本申请实施例的一种电池荷电状态估计故障的诊断方法及系统。
实施例一
图1为根据本申请一个实施例提供的一种电池荷电状态估计故障的诊断方法的流程图,如图1所示,所述方法包括:
步骤1:获取待诊断电池的电池状态空间模型及预设时段内所述电池的荷电状态;
在本公开实施例中,基于如图2所示的电池等效电路模型来设计SOC观测器,该模型包含一个代表电池开路电压的电压源,其值大小与SOC有关,端子电压的动态响应使用欧姆内阻/>和极化电阻/>与极化电容/>表征。
对如图3所示的电池SOC-VOC特性曲线采用分段线性化进行拟合,基于所述SOC所属的区间确定对应的拟合方程,其中SOC有不同区间,比如0-20%,20%-40%,40-60%,60-80%,80-100%,当SOC处于某一个区间时要用这个区间对应的拟合方程。
当所述SOC对应的拟合方程为第g段分段线性函数时,第段的拟合方程如下式所示:
式中,为第/>段分段线性函数的偏差,/>为第/>段分段线性函数的斜率,为第g段分段线性函数对应的开路电压,其中,第/>段分段线性函数是基于所述待诊断电池预设时段内SOC-VOC特性曲线采用分段线性化进行拟合后得到的。
进一步的,基于电池等效电路模型和拟合方程,电池的负载电流-端子电压的动态特性可以公式化为状态空间模型,进而所述待诊断电池的电池状态空间模型的计算式如下:
式中,为开路电压导数,/>为电池等效电路模型中/>回路两端的电压导数,/>为电池等效电路模型中的极化电阻,/>为电池等效电路模型中的极化电容,/>为开路电压,/>为电池等效电路模型中/>回路两端的电压,/>为第/>段分段线性函数的斜率,/>为电池容量,/>为偏置负载电流,/>为电池等效电路模型中端子电压,/>为电池等效电路模型中的欧姆内阻。
步骤2:根据库伦计数法和预设时段内所述电池的荷电状态确定所述待诊断电池的第一荷电状态;
在本公开实施例中,所述待诊断的第一荷电状态的计算式如下:
式中,为t预设时段电池的第一荷电状态,/>为电池发生故障时的初始荷电状态,/>为电池发生故障时的荷电状态偏移量,/>为充放电效率,/>为时刻偏置负载电流,/>为/>时刻电池发生故障时的偏置负载电流偏移量,/>为电池发生故障时的电池容量偏移量。
步骤3:根据所述电池状态空间模型和预设时段内所述电池的荷电状态确定所述待诊断电池的第二荷电状态;
在本公开实施例中,所述步骤3具体包括:
基于所述电池状态空间模型及预设时段内所述电池的荷电状态,并利用线性观测器确定所述待诊断电池的第二荷电状态;
其中,所述线性观测器包括:龙伯格观测器、滑模观测器、卡尔曼滤波器及其变体。
需要说明的是,利用公式来估计电池SOC即第二荷电状态/>;
同时,在状态空间模型中的变量、/>和/>使用以下等效传递函数持续识别和更新:
式中,为拉普拉斯算子。
其中,这些变量、/>和/>可以使用参数识别算法来识别,如最小二乘法、递归最小二乘法等。通过基于电池电路模型建立的电池状态空间模型,可以使用线性观测器来估计电池的SOC即所述待诊断电池的第二荷电状态,如龙伯格观测器、滑模观测器,卡尔曼滤波器及其变体,此外频繁进行参数识别确保了SOC估计的准确性。
步骤4:根基所述第一荷电状态与所述第二荷电状态确定所述待诊断电池的第一残差;
在本公开实施例中,所述步骤4具体包括:
获取所述第一荷电状态与所述第二荷电状态的差值,并将所述差值作为所述待诊断电池的第一残差。
示例的,所述第一残差的计算式如下:
式中,为t预设时段电池的第一残差,/>为t预设时段电池的第二荷电状态。
步骤5:根据所述待诊断电池的第一残差确定所述待诊断电池的故障类型。
在本公开实施例中,所述步骤5具体包括:
步骤5-1:根据所述第一残差确定所述电池的初始SOC故障残差、偏置容量故障残差、偏置负载电流故障残差;
其中,所述电池的初始SOC故障残差的计算如下:
式中,为电池的初始SOC故障残差,/>为k时刻待诊断电池的第一残差,/>为移动平均的窗口,/>为充电过程所取窗口的末端时刻;
所述偏置容量故障残差的计算式如下:
式中,为偏置容量故障残差,j为放电过程所取窗口的末端时刻;
所述偏置负载电流故障残差的计算式如下:
式中,为偏置负载电流故障残差,/>为电池SOC的采样间隔,/>为k时刻的偏置负载电流与电池发生故障时的偏置负载电流偏移量之差。
步骤5-2:基于所述初始SOC故障残差、偏置容量故障残差、偏置负载电流故障残差确定所述待诊断电池的故障类型。
进一步的,所述步骤5-2具体包括:
步骤5-2-1:获取所述初始SOC故障残差的阈值、偏置容量故障残差的阈值、偏置负载电流故障残差的阈值;
步骤5-2-2:当所述初始SOC故障残差的绝对值大于等于所述初始SOC故障残差的阈值时,和/或当所述偏置容量故障残差的绝对值大于等于所述偏置容量故障残差的阈值时,和/或当所述偏置负载电流故障残差的绝对值大于等于所述偏置负载电流故障残差的阈值时,判定所述电池发生初始SOC故障,和/或发生偏置容量故障,和/或发生偏置负载电流故障。
需要说明的是,为了节省用于实时精确SOC估计的计算量,所提出的根据所述电池状态空间模型和预设时段内所述电池的荷电状态确定所述待诊断电池的第二荷电状态,即基于观测器的SOC估计时可以在云端远程执行,本地只需执行库仑计数算法以保证所涉及故障诊断算法的实时计算能力。
综上所述,本实施例提出的一种电池荷电状态估计故障的诊断方法,不需要进行复杂的测量或大量实验所获得的电池先验知识,就可以快速精确的诊断出电池的故障类型。
实施例二
图4为根据本申请一个实施例提供的一种电池荷电状态估计故障的诊断系统的结构图,如图4所示,所述系统包括:
获取模块100,用于获取待诊断电池的电池状态空间模型及预设时段内所述电池的荷电状态;
第一确定模块200,用于根据库伦计数法和预设时段内所述电池的荷电状态确定所述待诊断电池的第一荷电状态;
第二确定模块300,用于根据所述电池状态空间模型和预设时段内所述电池的荷电状态确定所述待诊断电池的第二荷电状态;
第二确定模块400,用于根基所述第一荷电状态与所述第二荷电状态确定所述待诊断电池的第一残差;
第三确定模块500,用于根据所述待诊断电池的第一残差确定所述待诊断电池的故障类型。
在本公开实施例中,所述待诊断电池的电池状态空间模型的计算式如下:
式中,为开路电压导数,/>为电池等效电路模型中/>回路两端的电压导数,/>为电池等效电路模型中的极化电阻,/>为电池等效电路模型中的极化电容,/>为开路电压,/>为电池等效电路模型中/>回路两端的电压,/>为第/>段分段线性函数的斜率,/>为电池容量,/>为偏置负载电流,/>为电池等效电路模型中端子电压,/>为电池等效电路模型中的欧姆内阻。
需要说明的是,所述第段分段线性函数是基于所述待诊断电池预设时段内SOC-VOC特性曲线采用分段线性化进行拟合后得到的。
进一步的,所述待诊断的第一荷电状态的计算式如下:
式中,为t预设时段电池的第一荷电状态,/>为电池发生故障时的初始荷电状态,/>为电池发生故障时的荷电状态偏移量,/>为充放电效率,/>为时刻偏置负载电流,/>为/>时刻电池发生故障时的偏置负载电流偏移量,/>为电池发生故障时的电池容量偏移量。
在本公开实施例中,所述第二确定模块300还用于:
基于所述电池状态空间模型及预设时段内所述电池的荷电状态,并利用线性观测器确定所述待诊断电池的第二荷电状态;
其中,所述线性观测器包括:龙伯格观测器、滑模观测器、卡尔曼滤波器及其变体。
在本公开实施例中,所述第二确定模块400还用于:
获取所述第一荷电状态与所述第二荷电状态的差值,并将所述差值作为所述待诊断电池的第一残差。
在本公开实施例中,如图5所示,所述第三确定模块500,包括:
第一确定单元501,用于根据所述第一残差确定所述电池的初始SOC故障残差、偏置容量故障残差、偏置负载电流故障残差;
第二确定单元502,用于基于所述初始SOC故障残差、偏置容量故障残差、偏置负载电流故障残差确定所述待诊断电池的故障类型。
进一步的,所述电池的初始SOC故障残差的计算如下:
式中,为电池的初始SOC故障残差,/>为k时刻待诊断电池的第一残差,/>为移动平均的窗口,/>为充电过程所取窗口的末端时刻;
所述偏置容量故障残差的计算式如下:
式中,为偏置容量故障残差,j为放电过程所取窗口的末端时刻;
所述偏置负载电流故障残差的计算式如下:
式中,为偏置负载电流故障残差,/>为电池SOC的采样间隔,/>为k时刻的偏置负载电流与电池发生故障时的偏置负载电流偏移量之差。
在本公开实施例中,如图6所示,所述第二确定单元502,包括:
第一获取子模块5021,用于获取所述初始SOC故障残差的阈值、偏置容量故障残差的阈值、偏置负载电流故障残差的阈值;
第一确定子模块5022,用于当所述初始SOC故障残差的绝对值大于等于所述初始SOC故障残差的阈值时,和/或当所述偏置容量故障残差的绝对值大于等于所述偏置容量故障残差的阈值时,和/或当所述偏置负载电流故障残差的绝对值大于等于所述偏置负载电流故障残差的阈值时,判定所述电池发生初始SOC故障,和/或发生偏置容量故障,和/或发生偏置负载电流故障。
综上所述,本实施例提出的一种电池荷电状态估计故障的诊断系统,不需要进行复杂的测量或大量实验所获得的电池先验知识,就可以快速精确的诊断出电池的故障类型。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、 “示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种电池荷电状态估计故障的诊断方法,其特征在于,所述方法包括:
获取待诊断电池的电池状态空间模型及预设时段内所述电池的荷电状态;
根据库伦计数法和预设时段内所述电池的荷电状态确定所述待诊断电池的第一荷电状态;
根据所述电池状态空间模型和预设时段内所述电池的荷电状态确定所述待诊断电池的第二荷电状态;
根基所述第一荷电状态与所述第二荷电状态确定所述待诊断电池的第一残差;
根据所述待诊断电池的第一残差确定所述待诊断电池的故障类型。
2.如权利要求1所述的方法,其特征在于,所述待诊断电池的电池状态空间模型的计算式如下:
式中,为开路电压导数,/>为电池等效电路模型中/>回路两端的电压导数,/>为电池等效电路模型中的极化电阻,/>为电池等效电路模型中的极化电容,/>为开路电压,/>为电池等效电路模型中/>回路两端的电压,/>为第/>段分段线性函数的斜率,为电池容量,/>为偏置负载电流,/>为电池等效电路模型中端子电压,/>为电池等效电路模型中的欧姆内阻。
3.如权利要求2所述的方法,其特征在于,所述第段分段线性函数是基于所述待诊断电池预设时段内SOC-VOC特性曲线采用分段线性化进行拟合后得到的。
4.如权利要求2所述的方法,其特征在于,所述待诊断的第一荷电状态的计算式如下:
式中,为t预设时段电池的第一荷电状态,/>为电池发生故障时的初始荷电状态,/>为电池发生故障时的荷电状态偏移量,/>为充放电效率,/>为/>时刻偏置负载电流,/>为/>时刻电池发生故障时的偏置负载电流偏移量,/>为电池发生故障时的电池容量偏移量。
5.如权利要求3所述的方法,其特征在于,所述根据所述电池状态空间模型和预设时段内所述电池的荷电状态确定所述待诊断电池的第二荷电状态,包括:
基于所述电池状态空间模型及预设时段内所述电池的荷电状态,并利用线性观测器确定所述待诊断电池的第二荷电状态;
其中,所述线性观测器包括:龙伯格观测器、滑模观测器、卡尔曼滤波器及其变体。
6.如权利要求5所述的方法,其特征在于,所述根基所述第一荷电状态与所述第二荷电状态确定所述待诊断电池的第一残差,包括:
获取所述第一荷电状态与所述第二荷电状态的差值,并将所述差值作为所述待诊断电池的第一残差。
7.如权利要求1所述的方法,其特征在于,所述根据所述待诊断电池的第一残差确定所述待诊断电池的故障类型,包括:
根据所述第一残差确定所述电池的初始SOC故障残差、偏置容量故障残差、偏置负载电流故障残差;
基于所述初始SOC故障残差、偏置容量故障残差、偏置负载电流故障残差确定所述待诊断电池的故障类型。
8.如权利要求7所述的方法,其特征在于,所述电池的初始SOC故障残差的计算如下:
式中,为电池的初始SOC故障残差,/>为k时刻待诊断电池的第一残差,/>为移动平均的窗口,/>为充电过程所取窗口的末端时刻;
所述偏置容量故障残差的计算式如下:
式中,为偏置容量故障残差,j为放电过程所取窗口的末端时刻;
所述偏置负载电流故障残差的计算式如下:
式中,为偏置负载电流故障残差,/>为电池SOC的采样间隔,/>为k时刻的偏置负载电流与电池发生故障时的偏置负载电流偏移量之差。
9.如权利要求7所述的方法,其特征在于,所述基于所述初始SOC故障残差、偏置容量故障残差、偏置负载电流故障残差确定所述待诊断电池的故障类型,包括:
获取所述初始SOC故障残差的阈值、偏置容量故障残差的阈值、偏置负载电流故障残差的阈值;
当所述初始SOC故障残差的绝对值大于等于所述初始SOC故障残差的阈值时,和/或当所述偏置容量故障残差的绝对值大于等于所述偏置容量故障残差的阈值时,和/或当所述偏置负载电流故障残差的绝对值大于等于所述偏置负载电流故障残差的阈值时,判定所述电池发生初始SOC故障,和/或发生偏置容量故障,和/或发生偏置负载电流故障。
10.一种电池荷电状态估计故障的诊断系统,其特征在于,包括:
获取模块,用于获取待诊断电池的电池状态空间模型及预设时段内所述电池的荷电状态;
第一确定模块,用于根据库伦计数法和预设时段内所述电池的荷电状态确定所述待诊断电池的第一荷电状态;
第二确定模块,用于根据所述电池状态空间模型和预设时段内所述电池的荷电状态确定所述待诊断电池的第二荷电状态;
第二确定模块,用于根基所述第一荷电状态与所述第二荷电状态确定所述待诊断电池的第一残差;
第三确定模块,用于根据所述待诊断电池的第一残差确定所述待诊断电池的故障类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310813821.6A CN116540125B (zh) | 2023-07-05 | 2023-07-05 | 一种电池荷电状态估计故障的诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310813821.6A CN116540125B (zh) | 2023-07-05 | 2023-07-05 | 一种电池荷电状态估计故障的诊断方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116540125A true CN116540125A (zh) | 2023-08-04 |
CN116540125B CN116540125B (zh) | 2023-10-03 |
Family
ID=87452832
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310813821.6A Active CN116540125B (zh) | 2023-07-05 | 2023-07-05 | 一种电池荷电状态估计故障的诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116540125B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102831100A (zh) * | 2012-07-18 | 2012-12-19 | 深圳职业技术学院 | 电池荷电状态估算方法及装置 |
CN105093114A (zh) * | 2015-03-02 | 2015-11-25 | 北京交通大学 | 一种电池在线建模与荷电状态的联合估计方法及系统 |
CN111220920A (zh) * | 2019-11-22 | 2020-06-02 | 国网浙江省电力有限公司台州供电公司 | 基于h∞无迹卡尔曼滤波算法的退役锂离子电池荷电状态计算方法 |
CN111965548A (zh) * | 2020-09-27 | 2020-11-20 | 哈尔滨工业大学(威海) | 一种基于状态估计法的电池系统传感器故障诊断方法 |
CN113156321A (zh) * | 2021-04-26 | 2021-07-23 | 中国矿业大学 | 一种锂离子电池荷电状态soc的估算方法 |
CN113466723A (zh) * | 2020-03-31 | 2021-10-01 | 比亚迪股份有限公司 | 确定电池荷电状态的方法及装置,电池管理系统 |
CN115166530A (zh) * | 2022-07-15 | 2022-10-11 | 西北工业大学 | 一种基于改进型卡尔曼滤波算法的航空用锂电池荷电状态精确估计方法 |
CN115480166A (zh) * | 2022-09-26 | 2022-12-16 | 山东大学 | 基于自适应无迹卡尔曼滤波的锂电池荷电状态估计方法 |
WO2023088163A1 (zh) * | 2021-11-16 | 2023-05-25 | 宇通客车股份有限公司 | 新能源车辆及其电池系统soc异常监控诊断方法、装置 |
CN116338513A (zh) * | 2023-03-03 | 2023-06-27 | 中国华能集团清洁能源技术研究院有限公司 | 一种锂电池短路故障检测方法及系统 |
-
2023
- 2023-07-05 CN CN202310813821.6A patent/CN116540125B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102831100A (zh) * | 2012-07-18 | 2012-12-19 | 深圳职业技术学院 | 电池荷电状态估算方法及装置 |
CN105093114A (zh) * | 2015-03-02 | 2015-11-25 | 北京交通大学 | 一种电池在线建模与荷电状态的联合估计方法及系统 |
CN111220920A (zh) * | 2019-11-22 | 2020-06-02 | 国网浙江省电力有限公司台州供电公司 | 基于h∞无迹卡尔曼滤波算法的退役锂离子电池荷电状态计算方法 |
CN113466723A (zh) * | 2020-03-31 | 2021-10-01 | 比亚迪股份有限公司 | 确定电池荷电状态的方法及装置,电池管理系统 |
CN111965548A (zh) * | 2020-09-27 | 2020-11-20 | 哈尔滨工业大学(威海) | 一种基于状态估计法的电池系统传感器故障诊断方法 |
CN113156321A (zh) * | 2021-04-26 | 2021-07-23 | 中国矿业大学 | 一种锂离子电池荷电状态soc的估算方法 |
WO2023088163A1 (zh) * | 2021-11-16 | 2023-05-25 | 宇通客车股份有限公司 | 新能源车辆及其电池系统soc异常监控诊断方法、装置 |
CN115166530A (zh) * | 2022-07-15 | 2022-10-11 | 西北工业大学 | 一种基于改进型卡尔曼滤波算法的航空用锂电池荷电状态精确估计方法 |
CN115480166A (zh) * | 2022-09-26 | 2022-12-16 | 山东大学 | 基于自适应无迹卡尔曼滤波的锂电池荷电状态估计方法 |
CN116338513A (zh) * | 2023-03-03 | 2023-06-27 | 中国华能集团清洁能源技术研究院有限公司 | 一种锂电池短路故障检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116540125B (zh) | 2023-10-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103472403B (zh) | 一种基于pngv等效电路模型的动力电池soc复合估计方法 | |
CN107368619B (zh) | 一种扩展卡尔曼滤波soc估算方法 | |
Xiong et al. | A robust state-of-charge estimator for multiple types of lithium-ion batteries using adaptive extended Kalman filter | |
US10312699B2 (en) | Method and system for estimating battery open cell voltage, state of charge, and state of health during operation of the battery | |
WO2015106691A1 (zh) | 一种混合动力车用动力电池soc估算方法 | |
US9927492B2 (en) | Cell monitoring apparatus, battery monitoring apparatus, integrated circuit and method of monitoring a rechargeable cell | |
Vasebi et al. | A novel combined battery model for state-of-charge estimation in lead-acid batteries based on extended Kalman filter for hybrid electric vehicle applications | |
Zou et al. | Combined state of charge and state of health estimation over lithium-ion battery cell cycle lifespan for electric vehicles | |
CN111610456B (zh) | 一种区分电池微短路和小容量故障的诊断方法 | |
Huang et al. | A model-based state-of-charge estimation method for series-connected lithium-ion battery pack considering fast-varying cell temperature | |
CN109507611B (zh) | 一种电动汽车的soh修正方法及系统 | |
CN109669131B (zh) | 一种工况环境下动力电池soc估算方法 | |
CN104569835A (zh) | 一种估计电动汽车的动力电池的荷电状态的方法 | |
CN109031133B (zh) | 一种动力电池的soc修正方法 | |
CN109856548B (zh) | 动力电池容量估算方法 | |
CN110895310A (zh) | 一种磷酸铁锂电池soc估算系统 | |
CN103797374A (zh) | 用于电池监控的系统和方法 | |
CN107219466A (zh) | 一种混合扩展卡尔曼滤波的锂电池soc估算方法 | |
KR20160128000A (ko) | 배터리 진단 장치 및 그 방법 | |
JP7155486B2 (ja) | バッテリー管理システム、バッテリー管理方法、バッテリーパック及び電気車両 | |
CN108828448B (zh) | 基于充电电压曲线融合卡尔曼滤波的电池荷电状态在线估算方法 | |
CN112285570B (zh) | 一种基于衰减记忆滤波器的电动汽车故障诊断方法 | |
CN113625174B (zh) | 一种锂离子电池soc与容量联合估计方法 | |
JP6729312B2 (ja) | バッテリ評価方法およびバッテリ評価装置 | |
CN111781503A (zh) | 一种锂离子储能电池soc在线估算方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |