CN116879757A - 一种用于边缘端的用户侧储能电池组多状态联合估计方法 - Google Patents
一种用于边缘端的用户侧储能电池组多状态联合估计方法 Download PDFInfo
- Publication number
- CN116879757A CN116879757A CN202310914611.6A CN202310914611A CN116879757A CN 116879757 A CN116879757 A CN 116879757A CN 202310914611 A CN202310914611 A CN 202310914611A CN 116879757 A CN116879757 A CN 116879757A
- Authority
- CN
- China
- Prior art keywords
- battery
- soh
- sop
- soc
- battery pack
- 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 65
- 238000004146 energy storage Methods 0.000 title claims abstract description 30
- 238000005070 sampling Methods 0.000 claims abstract description 50
- 230000008859 change Effects 0.000 claims abstract description 9
- 230000008569 process Effects 0.000 claims abstract description 8
- 230000004044 response Effects 0.000 claims description 41
- 230000007613 environmental effect Effects 0.000 claims description 25
- 238000004364 calculation method Methods 0.000 claims description 15
- 230000010354 integration Effects 0.000 claims description 5
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 4
- 229910001416 lithium ion Inorganic materials 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000032683 aging Effects 0.000 description 3
- 230000005059 dormancy Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 208000032953 Device battery issue Diseases 0.000 description 1
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 238000004519 manufacturing process 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
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002035 prolonged effect Effects 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]
- G01R31/367—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
-
- 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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- 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]
- G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种用于边缘端的用户侧储能电池组多状态联合估计方法,包括以下步骤:S101、首先获取各单体电池运行过程中当前采样时刻的现场数据;S102、将现场数据输入至预设的电池多状态联合估计模型,获得当前采样时刻各单体电池SOH、SOC、SOE和SOP的估计值。S103、基于各单体电池状态,获得电池组相应状态。通过估计电池的各个状态,可以在电池逐渐衰减之前及时更换电池,从而避免因电池故障而引起的设备故障或数据丢失等问题,同时也可以优化电池的使用,延长电池的寿命,并减少对环境的污染。
Description
技术领域
本发明属于电池状态估计技术领域,具体涉及一种用于边缘端的用户侧储能电池组多状态联合估计方法。
背景技术
锂离子电池具有能量和功率密度高、循环寿命长、充电速度快等优点,这些优点使得锂离子电池成为用户侧储能系统应用最为广泛的储能电池。在实际应用中,准确获取电池的SOH、SOC、SOE和SOP,对于保证设备高效、安全、平稳运行和延长电池的使用寿命都具有非常重要的意义。因此,研究如何在用户侧储能较少计算资源和存储空间的条件下准确估计电池各状态具有非常重要的现实意义。
目前锂离子电池多状态联合估计主要有三种模型:电化学模型,等效电路模型,数据驱动模型。电化学模型存在过多偏微分计算式,因此无法部署在用户侧储能设备进行在线求解。等效电路模型预测精度低,容易受到环境、不同充电倍率等因素影响。数据驱动模型避免了从复杂机理提取特征的过程,直接从数据中探寻锂离子电池各状态与外部参数的关系,但同样存在需要大量算力的情况。
在中国专利CN202280003290.8中公开了电池组SOH的估算方法、户用储能系统,公开了一种电池组SOH的估算方法、户用储能系统,所述方法包括:估算电池组的充放电循环次数;应用所述充放电循环次数计算电池组的第一SOH;计算电池组的使用年数,以便提高确定估算SOH的准确率。但是这种通过计算方式所获得的准确率,需要消耗大量的算力辅助,会提高整体的成本投入。
发明内容
针对现有技术的不足,本发明的目的在于提供一种用于边缘端的用户侧储能电池组多状态联合估计方法,解决了现有技术中存在的上述技术问题。
本发明的目的可以通过以下技术方案实现:
一种用于边缘端的用户侧储能电池组多状态联合估计方法,包括以下步骤:
S101、首先获取各单体电池运行过程中当前采样时刻的现场数据;
S102、将所述现场数据输入至预设的电池多状态联合估计模型,获得当前采样时刻各单体电池SOH、SOC、SOE和SOP的估计值;其中,所述电池多状态联合估计模型包括以累计电量和环境温度为参数的电池SOH衰减模型、使用安时积分的SOC计算方式、以SOH和环境温度为参数的电池最大可用能量响应面模型和不同SOH下以SOC和环境温度为参数的电池充放电SOP响应面模型组。
S103、基于各单体电池状态,获得电池组相应状态。
进一步的,S101中,所述现场数据包括:各单体电池的电压值、电流值和环境温度值,采样周期内所述现场数据视为恒定。
进一步的,所述电池多状态联合估计模型是通过以下方式得到的:
S201、建立所述电池SOH衰减模型、最大可用能量响应面模型和充放电SOP响应面模型;
S202、根据样本电池在不同环境温度下的实验数据,进行参数辨识;其中,所述实验数据包括:不同所述环境温度下的电池初始容量、不同所述环境温度和累计电量下的电池容量和开路电压变化情况、不同SOH、SOC和环境温度下的电池充放电SOP;
基于所述实验数据,使用最小二乘法对所述电池SOH衰减模型、最大可用能量响应面模型和充放电SOP响应面模型进行参数辨识并作为所述电池多状态联合估计模型。
进一步的,所述S202具体包括:
根据不同环境温度下的样本电池初始容量,基于最小二乘法对电池初始容量与环境温度的关系进行参数辨识,获得电池初始容量随环境温度变化的曲线;
根据不同环境温度和累计电量下的样本电池容量,结合样本电池初始容量随环境温度变化的曲线获得电池相应SOH,并基于最小二乘法对电池SOH衰减模型进行参数辨识,获得以环境温度和累计电量为参数的电池SOH衰减模型;
基于电池初始容量随环境温度变化的曲线以及通过容量和满电量状态开路电压表示电池最大可用能量的方法,获得以环境温度和SOH为参数的电池最大可用能量响应面模型;
根据不同SOH下,不同SOC和环境温度相对应的样本电池充放电SOP,基于最小二乘法对电池充放电SOP响应面模型进行参数识别,获得电池不同SOH下的充放电SOP响应面模型组。
进一步的,所述S202具体实现过程包括:
S301、确定各单体电池的初始SOH和初始SOC;
S302、根据当前采样时刻的现场数据,进行各单体电池状态估计;
S303、根据当前采样时刻各单体电池的状态估计结果,确定电池组相应状态。
进一步的,所述S102中,将所述现场数据输入至预设的电池多状态联合估计模型,获得所述当前采样时刻各单体电池的SOH、SOC、SOE和SOP的估计值,包括:
在不同时间尺度下进行所述电池多状态联合估计;其中,所述电池的SOH为长时间尺度,经过多个所述采样周期后进行一次SOH估计,所述电池的SOC、SOE和SOP为短时间尺度,每个所述采样时刻进行一次SOC、SOE和SOP估计;
每个所述采样时刻都会产生一组所述单体电池状态估计结果,所述各单体电池在完成一次所述电池多状态联合估计后各状态值视为不变,直到进行下一次估计。
进一步的,所述S103中,具体包括:
基于电池组最小可充电容量和最小可用容量,根据各所述单体电池的容量和SOC,确定所述电池组的容量和SOC;
基于所述电池组的SOC和最大可用能量,确定所述电池组的SOE;
基于最小所述单体电池的SOP,确定所述电池组的SOP。
进一步的,在不同时间尺度下进行所述电池多状态联合估计,包括:
基于所述电池初始容量随环境温度变化的曲线,根据所述各单体电池SOH和环境温度,确定所述各单体电池容量;
基于所述安时积分,根据所述各单体电池容量、电流值和采样间隔,确定所述各单体电池SOC;
基于所述电池最大可用能量响应面模型,根据所述各单体电池SOH和环境温度,获得所述各单体电池最大可用能量,再结合所述SOC确定所述各单体电池SOE;
基于所述电池充放电SOP响应面模型组,根据所述各单体电池SOH、SOC和环境温度,确定所述各单体电池充放电SOP。
本发明的有益效果:
1、本发明通过估计电池的各个状态,可以在电池逐渐衰减之前及时更换电池,从而避免因电池故障而引起的设备故障或数据丢失等问题,同时也可以优化电池的使用,延长电池的寿命,并减少对环境的污染。
2、本发明通过获取各单体电池当前采样时刻的现场数据,将现场数据输入至预设的电池多状态联合估计模型,获得各单体电池当前采样时刻SOH、SOC、SOE和SOP的估计值;基于单体电池状态,获得电池组相应状态。该方案基于离线参数辨识建立的电池多状态联合估计模型,实现了对用户侧储能单体电池及电池组状态的准确估计。
3、本发明基于离线参数辨识建立电池多状态联合估计模型,根据电池电压、电流和温度采样数据对电池SOH、SOC、SOE和SOP进行联合估计的方法原理简单,可靠性高,易于实现,可以在用户侧储能较少的计算资源和存储空间条件下对单体电池及电池组的状态进行准确估计,并且根据各状态的变化快慢设置不同的时间尺度,进一步降低对计算资源的要求。
附图说明
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,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。
图1为本发明申请实施例所提供的一种用于边缘端的用户侧储能的电池组多状态联合估计方法的流程图;
图2为本发明申请实施例中的一种电池多状态联合估计模型建立方法的流程图;
图3为本发明申请实施例中的实现电池组多状态联合估计的流程图;
图4为本发明申请实施例中的获取SOH、SOC初始值的流程图;
图5为本发明申请实施例中的单体电池状态估计的流程图;
图6为本发明申请实施例中的电池组各单体电池不一致性的示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
如图1所示,本发明申请实施例提供一种用于边缘端的用户侧储能的电池组多状态联合估计方法可以用于锂电池。该方法的执行主体可以为电子设备,比如计算机、平板电脑、承载电池的电子设备等。该方法可以包括以下步骤:
S101、首先获取各单体电池运行过程中当前采样时刻的现场数据;
作为一种实施方式,若执行该方法的电子设备具备可交互显示屏,则获取各单体电池当前采样时刻的现场数据可以是相关工作人员基于运行过程的监测,将对应的现场数据通过电子设备的可交互显示屏将监测到的现场数据进行输入,并提交,以使电子设备获得对应的现场数据。
作为另一种实施方式,若各单体电池的现场数据存储在服务器中,则电子设备可以向服务器发起获取当前采样时刻的现场数据的请求,并接收服务器基于请求所返回的现场数据。
在本申请的一些实施例中,现场数据可以包括:各单体电池的电压值、电流值和温度值。各单体电池的电压值、电流值和温度值可以是直接获取到的值。采样时刻获取的现场数据视为采样周期内的恒定值,比如,当前采样时刻为9:00:10,采样间隔为10s,则认为在9:00:00到9:00:10这段时间里,各单体电池电压值、电流值和温度值一直保持为9:00:10的值。
S102,将现场数据输入至预设的电池多状态联合估计模型,获得当前采样时刻各单体电池SOH、SOC、SOE和SOP的估计值。其中,所述电池多状态联合估计模型包括以累计电量和环境温度为参数的电池SOH衰减模型、使用安时积分的SOC计算方式、以SOH和环境温度为参数的电池最大可用能量响应面模型和不同SOH下以SOC和环境温度为参数的电池充放电SOP响应面模型组。
步骤103,基于单体电池状态,获得电池组相应状态;
在本申请的一些实施例中,由于生产工艺的限制,电池组中不同单体电池出厂时的性能存在差异,在串联形式电流一致的情况下,不同单体电池因为容量和所处环境温度的不同,对应SOC的变化范围和老化速度也不同,单体电池存在的不一致性导致所对应的SOH、SOC、SOE和SOP存在差异。
作为一种实施方式,根据各单体电池的SOH、SOC、SOE和SOP,定义了电池组相应状态的表示方法。基于电池组最小可充电容量和最小可用容量,确定电池组的容量和SOC;基于电池组SOC和最大可用能量,确定电池组SOE;基于最小单体电池SOP,确定电池组SOP。
根据本申请实施例的一种用于边缘端的用户侧储能的电池组多状态联合估计方法,通过获取各单体电池当前采样时刻的现场数据;将现场数据输入至预设的电池多状态联合估计模型,获得当前采样时刻各单体电池SOH、SOC、SOE和SOP的估计值;根据各单体电池的状态估计值,对电池组的相应状态进行表示;该方案基于离线参数辨识得到的电池多状态联合估计模型,实现了对电池SOH、SOC、SOE和SOP的准确估计,不仅可以避免出现因电池过充过放而引起的设备故障或数据丢失问题,也可以优化电池的使用,有助于延长电池的寿命,并减少对环境的污染。
接下来,针对电池多状态联合估计模型的建立过程提出了另一个实施例。
图2为本申请实施例中的一种电池多状态联合估计模型建立方法的流程图。如图2所示,该电池多状态联合估计模型的建立方法可以包括以下步骤:
步骤201,建立电池SOH衰减模型、电池最大可用能量响应面模型和电池充放电SOP响应面模型。
在本申请的一些实施例中,电池SOH衰减模型的数学表达式如下:
其中,B为指前因子,Ea为活化能,R为气体常数,Tenv为电池环境温度,Qt为电池累计电量,z为幂律因子,指数项表示温度遵循阿伦尼乌斯定律,B、Ea、z为待识别参数。
电池最大可用能量响应面模型的数学表达式如下:
其中:b1、b2、b3为电池初始容量与环境温度关系的待识别参数,OCV100%SOC为电池满电量状态下的开路电压,其值视为定值。电池最大可用能量可以表示为电池容量与满电量状态下开路电压的乘积。
电池充放电SOP响应面模型的数学表达式如下:
SOP=p00+β10SOC+p01T+p11SOC×T+p20×SOC2+p21SOC2×T+p30SOC3+p31SOC3×T+p40SOC4+p41SOC4×T×p50SOC5
其中,p为多项式拟合系数,其下标分别对应拟合项中SOC和T的阶数。不同SOH下的电池充放电SOP响应面模型组成电池充放电SOP响应面模型组。
S202、根据样本电池在实验条件下进行不同温度下的容量标定实验、HPPC测试和加速老化试验的实验数据,进行参数辨识;其中,实验数据包括:不同环境温度下的电池初始容量、不同环境温度和累计电量下的电池容量和开路电压变化情况、不同SOH、SOC和环境温度下的电池充放电SOP。
需要说明的是,样本电池与各单体电池为同一种电池。
在本申请的一些实施例中,S202的具体实现过程包括:根据不同环境温度下的样本电池初始容量,基于最小二乘法对电池初始容量与环境温度的关系进行参数辨识,获得电池初始容量随环境温度变化的曲线;
根据不同环境温度和累计电量下的样本电池容量,结合样本电池初始容量随环境温度变化的曲线获得电池相应SOH,并基于最小二乘法对电池SOH衰减模型进行参数辨识,获得以环境温度和累计电量为参数的电池SOH衰减模型;
基于电池初始容量随环境温度变化的曲线以及通过容量和满电量状态开路电压表示电池最大可用能量的方法,获得以环境温度和SOH为参数的电池最大可用能量响应面模型;
根据不同SOH下,不同SOC和环境温度相对应的样本电池充放电SOP,基于最小二乘法对电池充放电SOP响应面模型进行参数识别,获得电池不同SOH下的充放电SOP响应面模型组。
如图3所示,接下来,针对电池组多状态联合估计方法的实现过程提出了另一个实施例。
步骤301,确定各单体电池的初始SOH和初始SOC。
在本申请的一些实施例中,如图4所示,首先检测储能电池组是否达到满充条件。
如果电池组达到了满充条件,可以直接确定各单体电池SOC,否则检测电池组休眠超过三小时,
如果休眠超过三小时,可利用各单体电池开路电压校准SOC,否则需要等待电池组达到满充条件或者休眠时间超过三小时;
如果储能电池组为刚投入运行的新电池,可以直接确定各单体电池SOH,否则需要获取储能电池组上次运行结束时各单体电池的SOH估计结果,作为此次运行各单体电池的初始SOH。
步骤302,根据当前采样时刻的现场数据,进行各单体电池状态估计。
在本申请的一些实施例中,根据各单体电池温度值,基于滑动窗口均值滤波确定各单体电池环境温度,单体电池环境温度的计算方法如下所示:
其中,Tbat(k)为当前采样时刻电池温度值,Tenv(k)为当前采样时刻电池的环境温度值,ltemp为滑动窗口长度,其对应时间长度为三小时。
如图5所示,首先判断当前采样时刻是否进行SOH估计,如果不进行SOH估计,可以保持各单体电池SOH不变;
如果进行SOH估计,可以根据当前采样时刻各单体电池对应的环境温度值和上一次SOH估计的结果,在电池SOH衰减模型中确定各单体电池的伪累计电量,再根据上一次SOH估计到本次SOH估计各单体电池通过的累计电量,在电池SOH衰减模型中确定当前采样时刻各单体电池的SOH;
基于各单体电池SOH估计结果,结合电池初始容量随环境温度变化的曲线,确定各单体电池的容量,再基于安时积分,确定当前采样时刻各单体电池的SOC,计算方式如下所示:
其中,SOC(k)为当前采样时刻电池SOC值,tSI为采样间隔,Ca(k)为当前采样时刻电池容量值,I(k)为当前采样时刻电池电流值,定义电流方向为充电为正,放电为负。
进一步判断各单体电池电压值是否达到满充条件,如果单体电池电压达到充电截止电压,可以校准单体电池SOC为1。
基于各单体电池SOH估计结果和环境温度,结合电池最大可用能量响应面模型,确定各单体电池最大可用能量,再结合SOC估计结果,确定当前采样时刻各单体电池SOE,计算方式如下:
SOE(k)=Ea(k)×SOC(k)
其中,SOE(k)为当前采样时刻电池SOE值,Ea(k)为当前采样时刻电池最大可用能量值。
基于各单体电池SOH估计结果,在电池充放电SOP响应面模型组中选择SOH相距最近的一组,基于各单体电池SOC估计结果和环境温度,在各单体电池对应的所选电池充放电SOP响应面模型,确定当前采样时刻各单体电池充放电SOP。
步骤303,根据当前采样时刻各单体电池的状态估计结果,确定电池组相应状态。
在本申请的一些实施例中,如图6所示,对于由n个单体电池串联组成的储能电池组,由于各单体电池的容量、剩余电量以及所处环境温度的不同,所对应的SOH、SOC、SOE和SOP也存在差异,因此需要根据各单体电池的状态对储能电池组的相应状态进行表示。
作为一种示例,一般用最小的单体电池SOH作为电池组SOH,而相比于SOH,容量更能直观反映电池组的健康状态。基于电池组的最小可充电容量和最小可用容量,电池组容量的表示方法如下:
其中,Cpack为电池组容量,等式右边第一项表示电池组最小可用容量,第二项表示电池组最小可充电容量。
基于电池组容量表示方法,电池组SOC的表示方法如下:
其中,SOCpack为电池组SOC。
基于电池组的SOC表示方法和最大可用能量,电池组SOE的表示方法如下:
其中,SOEpack为电池组SOE。
而对于电池组SOP,因为各单体电池SOH、SOC和环境温度的不一致性,导致各单体电池要达到自身估计SOP所需要的电流条件是不同的,而串联形式下的电池组中各单体电池通过的电流大小是相同的,所以对于电池组SOP表示方法应该相对保守,将最小的单体电池SOP视为其余单体电池的SOP,于是电池组SOP的表示方法所下:
其中,SOPpack为电池组SOP。
根据本申请实施例的一种用于边缘端的用户侧储能的电池组多状态联合估计方法,通过不同环境温度下电池容量标定实验、HPPC测试和加速老化试验的实验数据,对电池SOH衰减模型、最大可用能量响应面模型和充放电SOP响应面模型组进行参数辨识,结合基于安时积分的SOC估计以及利用最大可用能量和SOC进行SOE估计的方法,得到电池多状态联合估计模型,并根据单体电池的状态定义电池组相应状态的表示方法。
本方案基于离线参数辨识建立电池多状态联合估计模型,根据电池电压、电流和温度采样数据对电池SOH、SOC、SOE和SOP进行联合估计的方法原理简单,可靠性高,易于实现,可以在用户侧储能较少的计算资源和存储空间条件下对单体电池及电池组的状态进行准确估计,并且根据各状态的变化快慢设置不同的时间尺度,进一步降低对计算资源的要求。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。
Claims (8)
1.一种用于边缘端的用户侧储能电池组多状态联合估计方法,其特征在于,包括以下步骤:
S101、首先获取各单体电池运行过程中当前采样时刻的现场数据;
S102、将所述现场数据输入至预设的电池多状态联合估计模型,获得当前采样时刻各单体电池SOH、SOC、SOE和SOP的估计值;其中,所述电池多状态联合估计模型包括以累计电量和环境温度为参数的电池SOH衰减模型、使用安时积分的SOC计算方式、以SOH和环境温度为参数的电池最大可用能量响应面模型和不同SOH下以SOC和环境温度为参数的电池充放电SOP响应面模型组;
S103、基于各单体电池状态,获得电池组相应状态。
2.根据权利要求1所述的用于边缘端的用户侧储能电池组多状态联合估计方法,其特征在于,S101中,所述现场数据包括:各单体电池的电压值、电流值和环境温度值,采样周期内所述现场数据视为恒定。
3.根据权利要求1所述的用于边缘端的用户侧储能电池组多状态联合估计方法,其特征在于,所述电池多状态联合估计模型是通过以下方式得到的:
S201、建立所述电池SOH衰减模型、最大可用能量响应面模型和充放电SOP响应面模型;
S202、根据样本电池在不同环境温度下的实验数据,进行参数辨识;其中,所述实验数据包括:不同所述环境温度下的电池初始容量、不同所述环境温度和累计电量下的电池容量和开路电压变化情况、不同SOH、SOC和环境温度下的电池充放电SOP;
基于所述实验数据,使用最小二乘法对所述电池SOH衰减模型、最大可用能量响应面模型和充放电SOP响应面模型进行参数辨识并作为所述电池多状态联合估计模型。
4.根据权利要求3所述的用于边缘端的用户侧储能电池组多状态联合估计方法,其特征在于,所述S202具体包括:
根据不同环境温度下的样本电池初始容量,基于最小二乘法对电池初始容量与环境温度的关系进行参数辨识,获得电池初始容量随环境温度变化的曲线;
根据不同环境温度和累计电量下的样本电池容量,结合样本电池初始容量随环境温度变化的曲线获得电池相应SOH,并基于最小二乘法对电池SOH衰减模型进行参数辨识,获得以环境温度和累计电量为参数的电池SOH衰减模型;
基于电池初始容量随环境温度变化的曲线以及通过容量和满电量状态开路电压表示电池最大可用能量的方法,获得以环境温度和SOH为参数的电池最大可用能量响应面模型;
根据不同SOH下,不同SOC和环境温度相对应的样本电池充放电SOP,基于最小二乘法对电池充放电SOP响应面模型进行参数识别,获得电池不同SOH下的充放电SOP响应面模型组。
5.根据权利要求3所述的用于边缘端的用户侧储能电池组多状态联合估计方法,其特征在于,所述S202具体实现过程包括:
S301、确定各单体电池的初始SOH和初始SOC;
S302、根据当前采样时刻的现场数据,进行各单体电池状态估计;
S303、根据当前采样时刻各单体电池的状态估计结果,确定电池组相应状态。
6.根据权利要求1所述的用于边缘端的用户侧储能电池组多状态联合估计方法,其特征在于,所述S102中,将所述现场数据输入至预设的电池多状态联合估计模型,获得所述当前采样时刻各单体电池的SOH、SOC、SOE和SOP的估计值,包括:
在不同时间尺度下进行所述电池多状态联合估计;其中,所述电池的SOH为长时间尺度,经过多个所述采样周期后进行一次SOH估计,所述电池的SOC、SOE和SOP为短时间尺度,每个所述采样时刻进行一次SOC、SOE和SOP估计;
每个所述采样时刻都会产生一组所述单体电池状态估计结果,所述各单体电池在完成一次所述电池多状态联合估计后各状态值视为不变,直到进行下一次估计。
7.根据权利要求1所述的用于边缘端的用户侧储能电池组多状态联合估计方法,其特征在于,所述S103中,具体包括:
基于电池组最小可充电容量和最小可用容量,根据各所述单体电池的容量和SOC,确定所述电池组的容量和SOC;
基于所述电池组的SOC和最大可用能量,确定所述电池组的SOE;
基于最小所述单体电池的SOP,确定所述电池组的SOP。
8.根据权利要求6所述的用于边缘端的用户侧储能电池组多状态联合估计方法,其特征在于,在不同时间尺度下进行所述电池多状态联合估计,包括:
基于所述电池初始容量随环境温度变化的曲线,根据所述各单体电池SOH和环境温度,确定所述各单体电池容量;
基于所述安时积分,根据所述各单体电池容量、电流值和采样间隔,确定所述各单体电池SOC;
基于所述电池最大可用能量响应面模型,根据所述各单体电池SOH和环境温度,获得所述各单体电池最大可用能量,再结合所述SOC确定所述各单体电池SOE;
基于所述电池充放电SOP响应面模型组,根据所述各单体电池SOH、SOC和环境温度,确定所述各单体电池充放电SOP。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310914611.6A CN116879757A (zh) | 2023-07-25 | 2023-07-25 | 一种用于边缘端的用户侧储能电池组多状态联合估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310914611.6A CN116879757A (zh) | 2023-07-25 | 2023-07-25 | 一种用于边缘端的用户侧储能电池组多状态联合估计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116879757A true CN116879757A (zh) | 2023-10-13 |
Family
ID=88256606
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310914611.6A Pending CN116879757A (zh) | 2023-07-25 | 2023-07-25 | 一种用于边缘端的用户侧储能电池组多状态联合估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116879757A (zh) |
-
2023
- 2023-07-25 CN CN202310914611.6A patent/CN116879757A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110261779B (zh) | 一种三元锂电池荷电状态与健康状态在线协同估计方法 | |
Baccouche et al. | Implementation of an improved Coulomb-counting algorithm based on a piecewise SOC-OCV relationship for SOC estimation of li-IonBattery | |
CN106909716B (zh) | 计及容量损耗的磷酸铁锂电池建模及soc估计方法 | |
CN102445663B (zh) | 一种电动汽车电池健康状态估算的方法 | |
US20160363630A1 (en) | Systems and methods for estimating battery system parameters | |
WO2020198118A1 (en) | Methods, systems, and devices for estimating and predicting a remaining time to charge and a remaining time to discharge of a battery | |
CN101535827A (zh) | 用于在电池非平衡时确定电池的荷电状态的设备和方法 | |
CN103314303B (zh) | 用于测定蓄电池的开路电压的方法、具有用于测定开路电压的模块的蓄电池以及具有相应的蓄电池的机动车 | |
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 | |
CN101430366A (zh) | 电池荷电状态检测方法 | |
EP3594705B1 (en) | Method and device for estimating service capacity and state of health of minimum battery cell and battery system | |
CN110795851A (zh) | 一种考虑环境温度影响的锂离子电池建模方法 | |
CN108732499B (zh) | 一种检测锂离子电池循环寿命的方法和系统 | |
CN110133533A (zh) | 估算电池健康状态的方法和电池管理装置 | |
CN110568373A (zh) | 锂电池健康状态评估方法、系统、终端及存储介质 | |
CN109752660B (zh) | 一种无电流传感器的电池荷电状态估计方法 | |
CN112104046B (zh) | 一种并联电池组均衡充放电控制方法及其系统 | |
CN110618389A (zh) | 电池soc-ocv曲线的测试方法及测试电池soc-ocv曲线的设备 | |
CN112305426B (zh) | 一种多约束条件下的锂离子电池功率状态估计系统 | |
CN113777501A (zh) | 一种电池模组的soh的估算方法 | |
CN116008827A (zh) | 一种锂离子电池析锂电位的确定方法、装置及电子设备 | |
CN114609523A (zh) | 一种电池容量的在线检测方法、电子设备及存储介质 | |
CN115932634A (zh) | 一种对电池健康状态评估的方法、装置、设备及存储介质 | |
CN108693473B (zh) | 电池健康状态soh的检测方法及装置 | |
CN113325327B (zh) | 基于内阻测试的动力电池瞬态产热率的测算方法 |
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 |