CN117031315A - 锂电池的剩余荷电状态确定方法、装置及电子设备 - Google Patents
锂电池的剩余荷电状态确定方法、装置及电子设备 Download PDFInfo
- Publication number
- CN117031315A CN117031315A CN202311124859.9A CN202311124859A CN117031315A CN 117031315 A CN117031315 A CN 117031315A CN 202311124859 A CN202311124859 A CN 202311124859A CN 117031315 A CN117031315 A CN 117031315A
- Authority
- CN
- China
- Prior art keywords
- covariance matrix
- noise covariance
- target
- lithium battery
- value
- 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 155
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 146
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 146
- 239000011159 matrix material Substances 0.000 claims abstract description 167
- 238000005259 measurement Methods 0.000 claims abstract description 104
- 230000008569 process Effects 0.000 claims abstract description 100
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 45
- 238000001914 filtration Methods 0.000 claims abstract description 33
- 241000254158 Lampyridae Species 0.000 claims description 146
- 238000005070 sampling Methods 0.000 claims description 35
- 230000006870 function Effects 0.000 claims description 15
- IGXWBGJHJZYPQS-SSDOTTSWSA-N D-Luciferin Chemical compound OC(=O)[C@H]1CSC(C=2SC3=CC=C(O)C=C3N=2)=N1 IGXWBGJHJZYPQS-SSDOTTSWSA-N 0.000 claims description 13
- CYCGRDQQIOGCKX-UHFFFAOYSA-N Dehydro-luciferin Natural products OC(=O)C1=CSC(C=2SC3=CC(O)=CC=C3N=2)=N1 CYCGRDQQIOGCKX-UHFFFAOYSA-N 0.000 claims description 13
- BJGNCJDXODQBOB-UHFFFAOYSA-N Fivefly Luciferin Natural products OC(=O)C1CSC(C=2SC3=CC(O)=CC=C3N=2)=N1 BJGNCJDXODQBOB-UHFFFAOYSA-N 0.000 claims description 13
- DDWFXDSYGUXRAY-UHFFFAOYSA-N Luciferin Natural products CCc1c(C)c(CC2NC(=O)C(=C2C=C)C)[nH]c1Cc3[nH]c4C(=C5/NC(CC(=O)O)C(C)C5CC(=O)O)CC(=O)c4c3C DDWFXDSYGUXRAY-UHFFFAOYSA-N 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 8
- GNBHRKFJIUUOQI-UHFFFAOYSA-N fluorescein Chemical compound O1C(=O)C2=CC=CC=C2C21C1=CC=C(O)C=C1OC1=CC(O)=CC=C21 GNBHRKFJIUUOQI-UHFFFAOYSA-N 0.000 claims description 5
- 238000012549 training Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 5
- 230000010287 polarization Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000026676 system process Effects 0.000 description 2
- 241000131894 Lampyris noctiluca Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- BULVZWIRKLYCBC-UHFFFAOYSA-N phorate Chemical compound CCOP(=S)(OCC)SCSCC BULVZWIRKLYCBC-UHFFFAOYSA-N 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]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
本发明公开了一种锂电池的剩余荷电状态确定方法、装置及电子设备。涉及锂电池领域,该方法包括:获取锂电池的等效电路模型;对所述等效电路模型进行参数辨识,得到参数辨识结果;确定所述锂电池对应的目标过程噪声协方差矩阵和目标测量噪声协方差矩阵;基于所述参数辨识结果,所述目标过程噪声协方差矩阵以及所述目标测量噪声协方差矩阵,采用卡尔曼滤波算法,得到所述锂电池的剩余荷电状态。本发明解决了相关技术中的锂电池的剩余荷电状态确定方法存在的预测误差大,模型训练需要的数据量大的技术问题。
Description
技术领域
本发明涉及锂电池领域,具体而言,涉及一种锂电池的剩余荷电状态确定方法、装置及电子设备。
背景技术
目前,新能源汽车将逐渐取代传统燃油车,已成为当今世界的重点发展方向。锂电池准确可靠的状态估计是电动汽车安全运行的基础,其核心是荷电状态(State ofCharge,SOC),其直接反映了电池的剩余电量。目前相关技术中应用最多的电池SOC测量方法是安时积分法,它计算简单,但受到初始SOC误差的影响较大,且会随着时间增长出现较大的累积误差。另外还有开路电压法和神经网络法。然而,开路电压需要长时间静置,在实际中很难实现;基于神经网络进行锂电池剩余荷电状态评估的方法则需要大量的数据进行训练估算。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种锂电池的剩余荷电状态确定方法、装置及电子设备,以至少解决相关技术中的锂电池的剩余荷电状态确定方法存在的预测误差大,模型训练需要的数据量大的技术问题。
根据本发明实施例的一个方面,提供了一种锂电池的剩余荷电状态确定方法,包括:获取锂电池的等效电路模型;对所述等效电路模型进行参数辨识,得到参数辨识结果,其中,所述参数辨识结果中至少包括:所述锂电池对应的电池参数与剩余荷电状态之间的关系数据;确定所述锂电池对应的目标过程噪声协方差矩阵和目标测量噪声协方差矩阵,其中,所述目标过程噪声协方差矩阵用于指示所述锂电池对应的过程噪声的统计特性,所述目标测量噪声协方差矩阵用于指示所述锂电池对应的测量噪声的统计特性;基于所述参数辨识结果,所述目标过程噪声协方差矩阵以及所述目标测量噪声协方差矩阵,采用卡尔曼滤波算法,得到所述锂电池的剩余荷电状态。
根据本发明实施例的另一方面,还提供了一种锂电池的剩余荷电状态确定装置,包括:第一确定模块,用于获取锂电池的等效电路模型;参数辨识模块,用于对所述等效电路模型进行参数辨识,得到参数辨识结果,其中,所述参数辨识结果中至少包括:所述锂电池对应的电池参数与剩余荷电状态之间的关系数据;第二确定模块,用于确定所述锂电池对应的目标过程噪声协方差矩阵和目标测量噪声协方差矩阵,其中,所述目标过程噪声协方差矩阵用于指示所述锂电池对应的过程噪声的统计特性,所述目标测量噪声协方差矩阵用于指示所述锂电池对应的测量噪声的统计特性;获取模块,用于基于所述参数辨识结果,所述目标过程噪声协方差矩阵以及所述目标测量噪声协方差矩阵,采用卡尔曼滤波算法,得到所述锂电池的剩余荷电状态。
根据本发明实施例的另一方面,还提供了一种电子设备,包括一个或多个处理器和存储器,所述存储器用于存储一个或多个程序,其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现任意一项所述的锂电池的剩余荷电状态确定方法。
在本发明实施例中,通过获取锂电池的等效电路模型;对所述等效电路模型进行参数辨识,得到参数辨识结果,其中,所述参数辨识结果中至少包括:所述锂电池对应的电池参数与剩余荷电状态之间的关系数据;确定所述锂电池对应的目标过程噪声协方差矩阵和目标测量噪声协方差矩阵,其中,所述目标过程噪声协方差矩阵用于指示所述锂电池对应的过程噪声的统计特性,所述目标测量噪声协方差矩阵用于指示所述锂电池对应的测量噪声的统计特性;基于所述参数辨识结果,所述目标过程噪声协方差矩阵以及所述目标测量噪声协方差矩阵,采用卡尔曼滤波算法,得到所述锂电池的剩余荷电状态,达到了通过卡尔曼滤波算法准确进行锂电池剩余荷电状态的评估的目的,从而实现了提升锂电池剩余荷电状态评估准确性的技术效果,进而解决了相关技术中的锂电池的剩余荷电状态确定方法存在的预测误差大,模型训练需要的数据量大的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的一种锂电池的剩余荷电状态确定方法的示意图;
图2是根据本发明实施例的一种可选的锂电池等效电路图;
图3是根据本发明实施例的一种可选的锂电池的剩余荷电状态确定方法的示意图;
图4是根据本发明实施例的一种锂电池的剩余荷电状态确定装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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,显然,所描述的实施例仅仅是本发明一部分的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本发明实施例,提供了一种锂电池的剩余荷电状态确定的方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的锂电池的剩余荷电状态确定方法的流程图,如图1所示,该方法包括如下步骤:
步骤S102,获取锂电池的等效电路模型。
可选的,上述等效电路模型为锂电池二阶等效模型。图2是根据本发明实施例的一种可选的锂电池等效电路示意图。如图2所示,基于该锂电池等效电路可以得到如下形式的锂电池二阶等效电路:
其中,I为锂电池工作电流,U1为t时刻的R1C1环端电压,R1为电化学极化电阻,C1为浓度差极化电容,U2为t时刻的R2C2环端电压,R2为电化学极化电阻,C2为浓度差极化电容,UoutUout为端电压,Uocv为开路电压,R0为欧姆电阻。
锂电池SOC表达式(即剩余荷电状态方程)可以表示为:
对公式(1)进行离散化并联合公式(2),得到锂电池对应的状态方程如下:
步骤S104,对等效电路模型进行参数辨识,得到参数辨识结果,其中,参数辨识结果中至少包括:锂电池对应的电池参数与剩余荷电状态之间的关系数据。
可选的,锂电池对应的电池参数可以但不限于包括:开路电压、欧姆内阻、浓度差极化电阻、浓度差极化电容、电化学极化电阻、电化学极化电容。对锂电池二阶等效模型进行参数辨识,得到参数辨识结果,即分别得出开路电压Uocv与剩余荷电状态SOC关系数据、欧姆内阻R0与SOC关系数据、浓度差极化电阻R1与SOC关系数据、浓度差极化电容C1与SOC关系数据、电化学极化电阻R2与SOC关系数据以及电化学极化电容C2与SOC关系数据。
步骤S106,确定锂电池对应的目标过程噪声协方差矩阵和目标测量噪声协方差矩阵,其中,目标过程噪声协方差矩阵用于指示锂电池对应的过程噪声的统计特性,目标测量噪声协方差矩阵用于指示锂电池对应的测量噪声的统计特性。
可选的,过程噪声协方差矩阵是指描述系统模型中过程噪声的统计特性的矩阵。在系统建模中,过程噪声通常表示系统模型中的不确定性和随机性。过程噪声协方差矩阵描述了过程噪声在不同状态和输入下的方差和协方差。测量噪声协方差矩阵是指描述测量噪声的统计特性的矩阵。在系统建模中,测量噪声通常表示了测量设备或传感器的不确定性和随机性。测量噪声协方差矩阵描述了测量噪声在不同测量状态下的方差和协方差。本发明实施例中,目标过程噪声协方差矩阵和目标测量噪声协方差矩阵可以是基于萤火虫算法,对初始过程噪声协方差矩阵和初始测量噪声协方差矩阵进行迭代寻优进行迭代寻优得到的。
在一种可选的实施例中,确定锂电池对应的目标过程噪声协方差矩阵和目标测量噪声协方差矩阵,包括:获取初始过程噪声协方差矩阵和初始测量噪声协方差矩阵;确定锂电池的实测电压值,以及等效电路模型对应的等效电压值;以实测电压值与等效电压值之间的绝对差值作为目标函数值,采用萤火虫算法,对初始过程噪声协方差矩阵和初始测量噪声协方差矩阵进行迭代寻优,得到目标过程噪声协方差矩阵和目标测量噪声协方差矩阵。
需要说明的是,相关技术中主要通过人为设置方式直接进行过程噪声协方差矩阵和测量噪声协方差矩阵的设定,但其初始值大小影响到卡尔曼滤波算法的结果,当测量噪声协方差矩阵对应数值较大时,会导致卡尔曼滤波算法收敛变慢;当过程噪声协方差矩阵对应数值较大时,也会增加卡尔曼滤波算法的不确定性。导致最终获取到的锂电池剩余荷电状态评估结果不准确。基于此,本发明实施例以实测电压值与等效电压值之间的绝对差值作为目标函数值,采用萤火虫算法,对初始过程噪声协方差矩阵和初始测量噪声协方差矩阵进行迭代寻优,通过以上方式获取得到目标过程噪声协方差矩阵和目标测量噪声协方差矩阵具备更高的准确度,更加贴合锂电池剩余荷电状态评估场景。
在一种可选的实施例中,以实测电压值与等效电压值之间的绝对差值作为目标函数值,采用萤火虫算法,对初始过程噪声协方差矩阵和初始测量噪声协方差矩阵进行迭代寻优,得到目标过程噪声协方差矩阵和目标测量噪声协方差矩阵,包括:基于初始过程噪声协方差矩阵和初始测量噪声协方差矩阵,确定初始化种群,其中,初始化种群中包括多个萤火虫;以实测电压值与等效电压值之间的绝对差值作为目标函数值,以初始过程噪声协方差矩阵和初始测量噪声作为初始值,对多个萤火虫分别执行以下位置更新操作,直至满足预设第一终止条件:确定目标萤火虫对应的邻居集合,其中,目标萤火虫为多个萤火虫中的任意一个萤火虫;在邻居集合不为空的情况下,确定邻居集合中包括的萤火虫分别对应的移动概率,其中,移动概率用于指示目标萤火虫向邻居集合中包括的萤火虫移动的概率;确定目标萤火虫的第一移动方向和移动步长;基于邻居集合中包括的萤火虫分别对应的移动概率,第一移动方向和移动步长,对目标萤火虫进行位置更新。
可选的,在确定初始化种群之前,需要对萤火虫算法的各个参数进行初始化。如初始化如下参数:过程噪声协方差矩阵Qk和测量噪声协方差矩阵Rk,最大移动步长Smax,最小移动步长Smin,领域阈值Nt,萤火虫更新率γ,萤火虫损失率ρ以及决策域更新率β,最大迭代次数,等等。
可选的,萤火虫i(即目标萤火虫)在自身的决策域ri d(t)内,找寻符合条件的萤火虫组成它的邻居集合Ni(t);如果目标萤火虫i的邻居集合Ni(t)不为空集,则进一步计算目标萤火虫向邻居集合中的每一个萤火虫移动的移动概率,从邻居集合中确定出移动概率最大的萤火虫作为第一萤火虫;同时根据轮盘赌法则在邻居集合中选择一只萤火虫作为目标萤火虫的移动方向,基于预先设定的最大移动步长和最小移动步长确定目标萤火虫的移动步长,最终综合邻居集合中包括的萤火虫分别对应的移动概率,第一移动方向和移动步长,对目标萤火虫进行位置更新。
在一种可选的实施例中,确定邻居集合中包括的萤火虫分别对应的移动概率,包括:确定邻居集合中包括的萤火虫分别在当前位置的荧光素值,以及目标萤火虫在当前位置的荧光素值;基于邻居集合中包括的萤火虫分别在当前位置的荧光素值,以及目标萤火虫在当前位置的荧光素值,确定邻居集合中包括的萤火虫分别对应的移动概率。
可选的,邻居集合中包括的萤火虫的荧光素值与目标萤火虫的荧光素值的计算方式相同。例如,可以通过如下方式计算目标萤火虫在当前位置的荧光素值:
li(t)=(1-ρ)li(t-1)+γJ(xi(t))
其中,J(xi(t))表示萤火虫i(即目标萤火虫)在t时刻所在位置xi(t)的适应度函数值,li(t)表示萤火虫在t时刻荧光素值,li(t-1)表示萤火虫在t-1时刻荧光素值。
可选的,如果萤火虫i的邻居集合Ni(t)不为空集,通过如下方式计算得到萤火虫i相邻居集合中萤火虫j的移动概率pij(t),再根据轮盘赌法则在邻居集合中选择一只萤火虫作为萤火虫i的移动方向:
其中,j∈Ni(t),表示萤火虫i在t次迭代中的邻居集合,di,j(t)表示在第t次迭代中萤火虫i和萤火虫j的空间距离。
在一种可选的实施例中,方法还包括:在邻居集合为空的情况下,确定目标萤火虫的随机移动次数M,其中,M为大于或等于2的整数;对目标萤火虫进行M次随机移动,确定M次随机移动分别对应的适应度值;确定目标萤火虫在目标位置的第一适应度值,其中,目标位置为目标萤火虫执行M次随机移动之前的位置;在M次随机移动分别对应的适应度值中,存在大于第一适应度值的第二适应度值的情况下,基于第二适应度值对应的随机移动方向,确定目标萤火虫的第二移动方向;基于第二移动方向和移动步长,对目标萤火虫进行位置更新。
可选的,如果萤火虫i(即目标萤火虫)的Ni(t)为空集,萤火虫i则在决策域ri d(t)范围通过如下方式执行M次随机移动:
其中,tmax表示最大迭代次数,w表示萤火虫初始随机移动次数,设为15;
通过如下公式对萤火虫i的随机移动位置:
xi(t+1)=xi(t)+rand(1,D)*rand(1)
其中,xi(t+1)表示萤火虫i在t+1时刻对应的随机移动位置,D表示解空间维度。
可选的,在M次随机移动中,挑选出所有萤火虫i移动后适应度大于没有移动时的适应度值的位置,在满足上述前提条件的移动位置中,选择距离原萤火虫i位置最近的随机点作为移动方向。
在一种可选的实施例中,方法还包括:在M次随机移动分别对应的适应度值中,不存在大于第一适应度值的第二适应度值的情况下,将M次随机移动中,最后一次移动对应的位置,作为目标萤火虫的更新后的位置。
可选的,超过M次随机移动后,萤火虫i(即目标萤火虫)没有找到随机移动后比原始位置适应度值高的点,则表示当前是最优的点,萤火虫i不需要进行移动。
可选的,通过如下方式对目标萤火虫的位置进行更新:
其中,s表示萤火虫的移动步长,||xj(t)-xi(t)||表示萤火虫i和j之间的欧拉距离。
通过如下公式确定目标萤火虫的移动步长:
s(t)=Smax*c+Smin
其中,Smax和Smin分别表示预设的萤火虫最大移动步长和最小移动步长,c为比例系数。
其中,tmax为预设的萤火虫最大移动时长。
进一步通过如下方式对种群全部萤火虫的动态决策域进行更新。
当算法迭代次数达到最大值时,则算法停止运行,输出满足条件的最优Q′k、R′k值;否则继续执行,直到满足条件为止。
步骤S108,基于参数辨识结果,目标过程噪声协方差矩阵以及目标测量噪声协方差矩阵,采用卡尔曼滤波算法,得到锂电池的剩余荷电状态。
可选的,在基于萤火虫算法对初始过程噪声协方差矩阵和初始测量噪声协方差矩阵进行迭代寻优计算,得到的目标过程噪声协方差矩阵和目标测量噪声协方差矩阵,即为最优的过程噪声协方差矩阵和最优的测量噪声协方差矩阵,在此基础上以目标过程噪声协方差矩阵和目标测量噪声协方差矩阵作为卡尔曼滤波算法运算对应的初始值,得到锂电池的剩余荷电状态。
在一种可选的实施例中,基于参数辨识结果,目标过程噪声协方差矩阵以及目标测量噪声协方差矩阵,采用卡尔曼滤波算法,得到锂电池的剩余荷电状态,包括:基于参数辨识结果,得到等效电路模型对应的输出方程;基于输出方程,以预设状态变量后验值、预设均方估计误差后验值、目标过程噪声协方差矩阵以及目标测量噪声协方差矩阵为初始值,采用卡尔曼滤波算法,得到锂电池在预设时段内包括的多个采样时刻分别对应的剩余荷电状态。
可选的,输出方程是基于参数辨识结果拟合得到的。可以但不限于通过如下方式得到等效电路模型(如锂电池二阶等效模型)对应的输出方程:
对公式(3)进行改写则为:
令
并加入k时刻的系统过程噪声Wk,可得到电池模型的状态方程为:
xk=Ak-1xk-1+Bk-1Ik-1+Wk-1
其中,xk为k时刻的状态变量,xk-1为k-1时刻的状态变量,Ik-1为k-1时刻的锂电池电流,Wk-1为k-1时刻的系统噪声,与电流的测量噪声有关,Ak-1和Bk-1为中间量;
锂电池模型输出方程为:
Uout,k=Uocv(SOCk)-U1,k-U2,k-IkR0
其中,Uout,k为k时刻的端电压,Uocv(SOCk)为k时刻的开路电压,U1,k为k时刻的R1C1环端电压,U2,k为k时刻的R2C2环端电压,R0为欧姆内阻;
由于开路电压Uocv(SOCk)与SOC之间是非线性关系,因此Uocv(SOCk)是非线性函数;
令g(xk,Ik)=Uocv(SOCk)-U1,k-U2,k-IkR0,再加入观测噪声Vk,因此得到电池模型观测方程:
Z′k=g(xk,Ik)+Vk
其中,Vk为k时刻的端电压的修正值。
在一种可选的实施例中,基于输出方程,以预设状态变量后验值、预设均方估计误差后验值、目标过程噪声协方差矩阵以及目标测量噪声协方差矩阵为初始值,采用卡尔曼滤波算法,得到锂电池在预设时段内包括的多个采样时刻分别对应的剩余荷电状态,包括:基于输出方程,以预设状态变量后验值、预设均方估计误差后验值、目标过程噪声协方差矩阵以及目标测量噪声协方差矩阵为初始值,采用卡尔曼滤波算法,从多个采样时刻中的第一个采样时刻开始,将多个采样时刻分别作为当前采样时刻,并执行以下操作,直至达到多个采样时刻中的最后一个采样时刻:基于上一采样时刻对应的状态变量后验值、均方估计误差后验值、测量电流值,以及目标过程噪声协方差矩阵,得到当前采样时刻的状态变量先验值和均方估计误差先验值;基于当前采样时刻的均方误差先验值和目标测量噪声协方差矩阵,得到当前采样时刻的卡尔曼滤波增益;基于锂电池在当前采样时刻的电压测量值和卡尔曼滤波增益,确定当前采样时刻的状态变量后验值和均方估计误差后验值;根据当前采样时刻的状态变量后验值和均方估计误差后验值,确定锂电池在当前采样时刻的剩余荷电状态。
可选的,首先进行初始值设定。设定状态变量后验值和均方估计误差后验值/>初始值;前述确定的最优的过程噪声协方差矩阵Q′和最优测量噪声协方差矩阵R′(即目标过程噪声协方差矩阵和目标最优测量噪声协方差矩阵)作为初始值。基于初始值后,采用前述得到的电池模型输出方程,通过如下方式得到k时刻(即任意一个采样时刻)的状态变量先验值/>和k时刻的均方估计误差先验值/>为:
其中,为k-1时刻(即上一采样时刻)的状态变量后延值,/>为k-1时刻的均方估计误差后验值,T为转置矩阵;
通过如下方式计算卡尔曼滤波增益:
其中,Kk为k-1时刻的状态变量后验值;Hk为系统k时刻输出矩阵,且为
根据k时刻端电压测量值U(k)和卡尔曼滤波增益Kk,通过如下方式得到k时刻的状态变量后验值以及相应的均方估计误差的后验值/>
其中,为k时刻的状态变量后验值;
从而得到k时刻的电池SOC值,即SOCk。令k=k+1,重复前述步骤,进行下一轮SOC估算,重复迭代,得到每个时刻的电池SOC值,直到满足条件结束输出。
通过上述步骤S102至步骤S108,可以达到通过卡尔曼滤波算法准确进行锂电池剩余荷电状态的评估的目的,从而实现提升锂电池剩余荷电状态评估准确性的技术效果,进而解决相关技术中的锂电池的剩余荷电状态确定方法存在的预测误差大,模型训练需要的数据量大的技术问题。
基于上述实施例和可选实施例,本发明提出一种可选实施方式,图3是根据本发明实施例的一种可选的锂电池的剩余荷电状态确定方法的流程图,如图3所示,该方法包括:
步骤S1、建立锂电池二阶等效电路,构建其状态方程模型:
其中,式中I为电池工作电流,U1为t时刻的R1C1环端电压,R1为电化学极化电阻,C1为浓度差极化电容,U2为t时刻的R2C2环端电压,R2为电化学极化电阻,C2为浓度差极化电容,Uout为端电压,Uocv为开路电压,R0为欧姆电阻。
电池SOC表达式可以表示为:
其中,η表示库伦效率为1,SOC0是初始值,采样时间T=1s,Cn是电池实际容量。
令状态向量xk=[SOCk,U1,k,U2,k]
对公式(1)进行离散化并联合公式(2),得到状态方程:
步骤S2、对锂电池二阶等效模型进行参数辨识,分别得出开路电压Uocv与SOC关系系数据、欧姆内阻R0与SOC关系数据、浓度差极化电阻R1与SOC关系数据、浓度极化电阻C1与SOC关系数据、电化学极化电阻R2与SOC关系数据以及浓度极化电阻C2与SOC关系数据;
步骤S3、使用萤火虫算法对过程噪声协方差矩阵Q和测量噪声协方差矩阵R进行在线寻优,得到最优的过程噪声协方差矩阵Q′和最优的测量噪声协方差矩阵R′,具体实现步骤如下:
步骤S31、对萤火虫算法的各个参数进行初始化。如过程噪声协方差矩阵Qk和测量噪声协方差矩阵Rk,最大移动步长Smax,最小移动步长Smin,领域阈值Nt,萤火虫更新率γ,萤火虫损失率ρ以及决策域更新率β,最大迭代次数;
步骤S32、所有萤火虫个体的荧光素值li通过如下方式进行荧光素更新:
li(t)=(1-ρ)li(t-1)+γJ(xi(t))
其中,J(xi(t))表示萤火虫i(即目标萤火虫)在t时刻所在位置xi(t)的适应度函数值,li(t)表示萤火虫在t时刻荧光素值,li(t-1)表示萤火虫在t-1时刻荧光素值。
步骤S33、萤火虫i在自身的决策域ri d(t)内,找寻符合条件的萤火虫组成它的邻居集合Ni(t);
步骤S34、如果萤火虫i的邻居集合Ni(t)不为空集,通过如下方式计算得到萤火虫i相邻居集合中萤火虫j的移动的概率pij(t),再根据轮盘赌法则在邻居集合中选择一只萤火虫作为萤火虫i的移动方向:
其中,j∈Ni(t),表示萤火虫i在t次迭代中的邻居集合,di,j(t)表示在第t次迭代中萤火虫i和萤火虫j的空间距离。
步骤S35、如果萤火虫i(即目标萤火虫)的Ni(t)为空集,萤火虫i则在决策域ri d(t)范围通过如下方式执行M次随机移动:
其中,tmax表示最大迭代次数,w表示萤火虫初始随机移动次数,设为15;
通过如下公式对萤火虫i的随机移动位置:
xi(t+1)=xi(t)+rand(1,D)*rand(1)
其中,xi(t+1)表示萤火虫i在t+1时刻对应的随机移动位置,D表示解空间维度。
在M次随机移动中,挑选出所有萤火虫i移动后适应度大于没有移动时的适应度值的位置,在满足上述前提条件的移动位置中,选择距离原萤火虫i位置最近的随机点作为移动方向。超过M次随机移动后,萤火虫i没有找到随机移动后比原始位置适应度值高的点,则表示当前是最优的点,萤火虫i不需要进行移动。
步骤S36、通过如下方式对目标萤火虫的位置进行更新:
其中,s表示萤火虫的移动步长,||xj(t)-xi(t)||表示萤火虫i和j之间的欧拉距离。
通过如下公式确定目标萤火虫的移动步长:
s(t)=Smax*c+Smin
其中,smax和smin分别表示预设的萤火虫最大移动步长和最小移动步长,c为比例系数。
其中,tmax为预设的萤火虫最大移动时长。
进一步通过如下方式对种群全部萤火虫的动态决策域进行更新。
步骤S38、当算法迭代次数达到最大值时,则算法停止运行,输出满足条件的最优Q′k、R′k值;否则继续执行,直到满足条件为止。
步骤S4、将步骤S3得到的最优过程噪声和测量噪声Q′、R′作为输入,以第2步确定的参数辨识结果作为输入,利用卡尔曼滤波(Extended Kalman Filter,EKF)算法对锂电池进行SOC估算,得到最终的锂电池SOC估算值,具体步骤为:
步骤S41、对公式(3)进行改写则为:
令
并加入k时刻的系统过程噪声Wk,通过如下方式得到电池模型的状态方程为:
xk=Ak-1xk-1+Bk-1Ik-1+Wk-1
其中,xk为k时刻的状态变量,xk-1为k-1时刻的状态变量,Ik-1为k-1时刻的电流,Wk-1为k-1时刻的系统噪声,与电流的测量噪声有关,Ak-1和Bk-1为中间量;
锂电池模型输出方程为:
Uout,k=Uocv(SOCk)-U1,k-U2,k-IkR0
其中,Uout,k为k时刻的端电压,Uocv(SOCk)为k时刻的开路电压,U1,k为k时刻的R1C1环端电压,U2,k为k时刻的R2C2环端电压,R0为欧姆内阻;
由于开路电压Uocv(SOCk)与SOC之间是非线性关系,因此Uocv(SOCk)是非线性函数;
令g(xk,Ik)=Uocv(SOCk)-U1,k-U2,k-IkR0,再加入观测噪声Vk,因此得到电池模型观测方程:
Z′k=g(xk,Ik)+Vk
其中,Vk为k时刻的端电压的修正值;
步骤S42、设定初始值。设定状态变量后验值和均方估计误差后验值/>初始值;将步骤S3中确定的最优的过程噪声协方差矩阵Q′和最优测量噪声协方差矩阵R′作为初始值;
步骤S43、输入初始值后,代入步骤S41确定的电池模型输出方程式,通过如下方式得到k时刻的状态变量先验值和k时刻的均方估计误差先验值/>为:/>
其中,为k-1时刻的状态变量后延值,/>为k-1时刻的均方估计误差后验值,T为转置矩阵;
步骤S44、通过如下方式计算卡尔曼滤波增益:
其中,Kk为k-1时刻的状态变量后验值;Hk为系统k时刻输出矩阵,且为
步骤S45、根据k时刻端电压测量值U(k)和卡尔曼滤波增益Kk,通过如下方式得到k时刻的状态变量后验值以及相应的均方估计误差的后验值/>
其中,为k时刻的状态变量后验值;
从而得到k时刻的电池SOC值,即SOCk。令k=k+1,返回步骤S43,进行下一轮SOC估算,重复迭代,得到每个时刻的电池SOC值,知道满足条件结束输出。
通过以上方式,在EKF算法对过程噪声协方差Qk和测量噪声协方差矩阵Rk初始值设定时利用萤火虫(Particle Aggregation based Glowworm Swarm Optimization,PAGSO)算法对Qk、Rk进行自适应寻找最优值,再输入到EKF算法中,使得估算的SOC值更接近真实值和保证估算过程中能够较快的收敛。相对于标准EKF而言,改进EKF的估算性能更好,精度更高。
在本实施例中还提供了一种锂电池的剩余荷电状态确定装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”“装置”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
根据本发明实施例,还提供了一种用于实施上述锂电池的剩余荷电状态确定方法的装置实施例,图4是根据本发明实施例的一种锂电池的剩余荷电状态确定装置的结构示意图,如图4所示,上述锂电池的剩余荷电状态确定装置,包括:第一确定模块400、参数辨识模块402、第二确定模块404、获取模块406,其中:
上述第一确定模块400,用于获取锂电池的等效电路模型;
上述参数辨识模块402,连接于上述第一确定模块400,用于对等效电路模型进行参数辨识,得到参数辨识结果,其中,参数辨识结果中至少包括:锂电池对应的电池参数与剩余荷电状态之间的关系数据;
上述第二确定模块404,连接于上述参数辨识模块402,用于确定锂电池对应的目标过程噪声协方差矩阵和目标测量噪声协方差矩阵,其中,目标过程噪声协方差矩阵用于指示锂电池对应的过程噪声的统计特性,目标测量噪声协方差矩阵用于指示锂电池对应的测量噪声的统计特性;
上述获取模块406,连接于上述第二确定模块404,用于基于参数辨识结果,目标过程噪声协方差矩阵以及目标测量噪声协方差矩阵,采用卡尔曼滤波算法,得到锂电池的剩余荷电状态。
在本发明实施例中,通过设置上述第一确定模块400,用于获取锂电池的等效电路模型;上述参数辨识模块402,连接于上述第一确定模块400,用于对等效电路模型进行参数辨识,得到参数辨识结果,其中,参数辨识结果中至少包括:锂电池对应的电池参数与剩余荷电状态之间的关系数据;上述第二确定模块404,连接于上述参数辨识模块402,用于确定锂电池对应的目标过程噪声协方差矩阵和目标测量噪声协方差矩阵,其中,目标过程噪声协方差矩阵用于指示锂电池对应的过程噪声的统计特性,目标测量噪声协方差矩阵用于指示锂电池对应的测量噪声的统计特性;上述获取模块406,连接于上述第二确定模块404,用于基于参数辨识结果,目标过程噪声协方差矩阵以及目标测量噪声协方差矩阵,采用卡尔曼滤波算法,得到锂电池的剩余荷电状态,达到了通过卡尔曼滤波算法准确进行锂电池剩余荷电状态的评估的目的,从而实现了提升锂电池剩余荷电状态评估准确性的技术效果,进而解决了相关技术中的锂电池的剩余荷电状态确定方法存在的预测误差大,模型训练需要的数据量大的技术问题。
需要说明的是,上述各个模块是可以通过软件或硬件来实现的,例如,对于后者,可以通过以下方式实现:上述各个模块可以位于同一处理器中;或者,上述各个模块以任意组合的方式位于不同的处理器中。
此处需要说明的是,上述第一确定模块400、参数辨识模块402、第二确定模块404、获取模块406对应于实施例中的步骤S102至步骤S108,上述模块与对应的步骤所实现的实例和应用场景相同,但不限于上述实施例所公开的内容。需要说明的是,上述模块作为装置的一部分可以运行在计算机终端中。
需要说明的是,本实施例的可选或优选实施方式可以参见实施例中的相关描述,此处不再赘述。
上述的锂电池的剩余荷电状态确定装置还可以包括处理器和存储器,上述第一确定模块400、参数辨识模块402、第二确定模块404、获取模块406等均作为程序模块存储在存储器中,由处理器执行存储在存储器中的上述程序模块来实现相应的功能。
处理器中包含内核,由内核去存储器中调取相应的程序模块,上述内核可以设置一个或以上。存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。
根据本申请实施例,还提供了一种非易失性存储介质的实施例。可选的,在本实施例中,上述非易失性存储介质包括存储的程序,其中,在上述程序运行时控制上述非易失性存储介质所在设备执行上述任意一种锂电池的剩余荷电状态确定方法。
可选的,在本实施例中,上述非易失性存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中,或者位于移动终端群中的任意一个移动终端中,上述非易失性存储介质包括存储的程序。
可选的,在程序运行时控制非易失性存储介质所在设备执行以下功能:获取锂电池的等效电路模型;对等效电路模型进行参数辨识,得到参数辨识结果,其中,参数辨识结果中至少包括:锂电池对应的电池参数与剩余荷电状态之间的关系数据;确定锂电池对应的目标过程噪声协方差矩阵和目标测量噪声协方差矩阵,其中,目标过程噪声协方差矩阵用于指示锂电池对应的过程噪声的统计特性,目标测量噪声协方差矩阵用于指示锂电池对应的测量噪声的统计特性;基于参数辨识结果,目标过程噪声协方差矩阵以及目标测量噪声协方差矩阵,采用卡尔曼滤波算法,得到锂电池的剩余荷电状态。
根据本申请实施例,还提供了一种处理器的实施例。可选的,在本实施例中,上述处理器用于运行程序,其中,上述程序运行时执行上述任意一种锂电池的剩余荷电状态确定方法。
根据本申请实施例,还提供了一种计算机程序产品的实施例,当在数据处理设备上执行时,适于执行初始化有上述任意一种的锂电池的剩余荷电状态确定方法步骤的程序。
可选的,上述计算机程序产品,当在数据处理设备上执行时,适于执行初始化有如下方法步骤的程序:获取锂电池的等效电路模型;对等效电路模型进行参数辨识,得到参数辨识结果,其中,参数辨识结果中至少包括:锂电池对应的电池参数与剩余荷电状态之间的关系数据;确定锂电池对应的目标过程噪声协方差矩阵和目标测量噪声协方差矩阵,其中,目标过程噪声协方差矩阵用于指示锂电池对应的过程噪声的统计特性,目标测量噪声协方差矩阵用于指示锂电池对应的测量噪声的统计特性;基于参数辨识结果,目标过程噪声协方差矩阵以及目标测量噪声协方差矩阵,采用卡尔曼滤波算法,得到锂电池的剩余荷电状态。
本发明实施例提供了一种电子设备,该电子设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序,处理器执行程序时实现以下步骤:获取锂电池的等效电路模型;对等效电路模型进行参数辨识,得到参数辨识结果,其中,参数辨识结果中至少包括:锂电池对应的电池参数与剩余荷电状态之间的关系数据;确定锂电池对应的目标过程噪声协方差矩阵和目标测量噪声协方差矩阵,其中,目标过程噪声协方差矩阵用于指示锂电池对应的过程噪声的统计特性,目标测量噪声协方差矩阵用于指示锂电池对应的测量噪声的统计特性;基于参数辨识结果,目标过程噪声协方差矩阵以及目标测量噪声协方差矩阵,采用卡尔曼滤波算法,得到锂电池的剩余荷电状态。
上述本发明实施例顺序仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如上述模块的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,模块或模块的间接耦合或通信连接,可以是电性或其它的形式。
上述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
上述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取非易失性存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个非易失性存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的非易失性存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种锂电池的剩余荷电状态确定方法,其特征在于,包括:
获取锂电池的等效电路模型;
对所述等效电路模型进行参数辨识,得到参数辨识结果,其中,所述参数辨识结果中至少包括:所述锂电池对应的电池参数与剩余荷电状态之间的关系数据;
确定所述锂电池对应的目标过程噪声协方差矩阵和目标测量噪声协方差矩阵,其中,所述目标过程噪声协方差矩阵用于指示所述锂电池对应的过程噪声的统计特性,所述目标测量噪声协方差矩阵用于指示所述锂电池对应的测量噪声的统计特性;
基于所述参数辨识结果,所述目标过程噪声协方差矩阵以及所述目标测量噪声协方差矩阵,采用卡尔曼滤波算法,得到所述锂电池的剩余荷电状态。
2.根据权利要求1所述的方法,其特征在于,所述确定所述锂电池对应的目标过程噪声协方差矩阵和目标测量噪声协方差矩阵,包括:
获取初始过程噪声协方差矩阵和初始测量噪声协方差矩阵;
确定所述锂电池的实测电压值,以及所述等效电路模型对应的等效电压值;
以所述实测电压值与所述等效电压值之间的绝对差值作为目标函数值,采用萤火虫算法,对所述初始过程噪声协方差矩阵和所述初始测量噪声协方差矩阵进行迭代寻优,得到所述目标过程噪声协方差矩阵和所述目标测量噪声协方差矩阵。
3.根据权利要求2所述的方法,其特征在于,所述以所述实测电压值与所述等效电压值之间的绝对差值作为目标函数值,采用萤火虫算法,对所述初始过程噪声协方差矩阵和所述初始测量噪声协方差矩阵进行迭代寻优,得到所述目标过程噪声协方差矩阵和所述目标测量噪声协方差矩阵,包括:
基于所述初始过程噪声协方差矩阵和所述初始测量噪声协方差矩阵,确定初始化种群,其中,所述初始化种群中包括多个萤火虫;
以所述实测电压值与所述等效电压值之间的绝对差值作为目标函数值,以所述初始过程噪声协方差矩阵和所述初始测量噪声作为初始值,对所述多个萤火虫分别执行以下位置更新操作,直至满足预设第一终止条件:
确定目标萤火虫对应的邻居集合,其中,所述目标萤火虫为所述多个萤火虫中的任意一个萤火虫;
在所述邻居集合不为空的情况下,确定所述邻居集合中包括的萤火虫分别对应的移动概率,其中,所述移动概率用于指示所述目标萤火虫向所述邻居集合中包括的萤火虫移动的概率;
确定所述目标萤火虫的第一移动方向和移动步长;
基于所述邻居集合中包括的萤火虫分别对应的所述移动概率,所述第一移动方向和所述移动步长,对所述目标萤火虫进行位置更新。
4.根据权利要求3所述的方法,其特征在于,所述确定所述邻居集合中包括的萤火虫分别对应的移动概率,包括:
确定所述邻居集合中包括的萤火虫分别在当前位置的荧光素值,以及所述目标萤火虫在所述当前位置的荧光素值;
基于所述邻居集合中包括的萤火虫分别在所述当前位置的荧光素值,以及所述目标萤火虫在所述当前位置的荧光素值,确定所述邻居集合中包括的萤火虫分别对应的所述移动概率。
5.根据权利要求3所述的方法,其特征在于,所述方法还包括:
在所述邻居集合为空的情况下,确定所述目标萤火虫的随机移动次数M,其中,M为大于或等于2的整数;
对所述目标萤火虫进行M次随机移动,确定所述M次随机移动分别对应的适应度值;
确定所述目标萤火虫在目标位置的第一适应度值,其中,所述目标位置为所述目标萤火虫执行所述M次随机移动之前的位置;
在所述M次随机移动分别对应的适应度值中,存在大于所述第一适应度值的第二适应度值的情况下,基于所述第二适应度值对应的随机移动方向,确定所述目标萤火虫的第二移动方向;
基于所述第二移动方向和所述移动步长,对所述目标萤火虫进行位置更新。
6.根据权利要求5所述的方法,其特征在于,所述方法还包括:
在所述M次随机移动分别对应的适应度值中,不存在大于所述第一适应度值的第二适应度值的情况下,将所述M次随机移动中,最后一次移动对应的位置,作为所述目标萤火虫的更新后的位置。
7.根据权利要求1所述的方法,其特征在于,所述基于所述参数辨识结果,所述目标过程噪声协方差矩阵以及所述目标测量噪声协方差矩阵,采用卡尔曼滤波算法,得到所述锂电池的剩余荷电状态,包括:
基于所述参数辨识结果,得到所述等效电路模型对应的输出方程;
基于所述输出方程,以预设状态变量后验值、预设均方估计误差后验值、所述目标过程噪声协方差矩阵以及所述目标测量噪声协方差矩阵为初始值,采用所述卡尔曼滤波算法,得到所述锂电池在预设时段内包括的多个采样时刻分别对应的所述剩余荷电状态。
8.根据权利要求7所述的方法,其特征在于,所述基于所述输出方程,以预设状态变量后验值、预设均方估计误差后验值、所述目标过程噪声协方差矩阵以及所述目标测量噪声协方差矩阵为初始值,采用所述卡尔曼滤波算法,得到所述锂电池在预设时段内包括的多个采样时刻分别对应的所述剩余荷电状态,包括:
基于所述输出方程,以所述预设状态变量后验值、所述预设均方估计误差后验值、所述目标过程噪声协方差矩阵以及所述目标测量噪声协方差矩阵为初始值,采用所述卡尔曼滤波算法,从所述多个采样时刻中的第一个采样时刻开始,将所述多个采样时刻分别作为当前采样时刻,并执行以下操作,直至达到所述多个采样时刻中的最后一个采样时刻:
基于上一采样时刻对应的状态变量后验值、均方估计误差后验值、测量电流值,以及所述目标过程噪声协方差矩阵,得到所述当前采样时刻的状态变量先验值和均方估计误差先验值;
基于所述当前采样时刻的所述均方误差先验值和所述目标测量噪声协方差矩阵,得到所述当前采样时刻的卡尔曼滤波增益;
基于所述锂电池在所述当前采样时刻的电压测量值和所述卡尔曼滤波增益,确定所述当前采样时刻的状态变量后验值和均方估计误差后验值;
根据所述当前采样时刻的状态变量后验值和均方估计误差后验值,确定所述锂电池在所述当前采样时刻的所述剩余荷电状态。
9.一种锂电池的剩余荷电状态确定装置,其特征在于,包括:
第一确定模块,用于获取锂电池的等效电路模型;
参数辨识模块,用于对所述等效电路模型进行参数辨识,得到参数辨识结果,其中,所述参数辨识结果中至少包括:所述锂电池对应的电池参数与剩余荷电状态之间的关系数据;
第二确定模块,用于确定所述锂电池对应的目标过程噪声协方差矩阵和目标测量噪声协方差矩阵,其中,所述目标过程噪声协方差矩阵用于指示所述锂电池对应的过程噪声的统计特性,所述目标测量噪声协方差矩阵用于指示所述锂电池对应的测量噪声的统计特性;
获取模块,用于基于所述参数辨识结果,所述目标过程噪声协方差矩阵以及所述目标测量噪声协方差矩阵,采用卡尔曼滤波算法,得到所述锂电池的剩余荷电状态。
10.一种电子设备,其特征在于,包括一个或多个处理器和存储器,所述存储器用于存储一个或多个程序,其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现权利要求1至8中任意一项所述的锂电池的剩余荷电状态确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311124859.9A CN117031315A (zh) | 2023-08-31 | 2023-08-31 | 锂电池的剩余荷电状态确定方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311124859.9A CN117031315A (zh) | 2023-08-31 | 2023-08-31 | 锂电池的剩余荷电状态确定方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117031315A true CN117031315A (zh) | 2023-11-10 |
Family
ID=88643137
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311124859.9A Pending CN117031315A (zh) | 2023-08-31 | 2023-08-31 | 锂电池的剩余荷电状态确定方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117031315A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117976948A (zh) * | 2024-03-29 | 2024-05-03 | 苏州轩途信息技术有限公司 | 一种小型风冷氢燃料电池运行监测方法与系统 |
-
2023
- 2023-08-31 CN CN202311124859.9A patent/CN117031315A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117976948A (zh) * | 2024-03-29 | 2024-05-03 | 苏州轩途信息技术有限公司 | 一种小型风冷氢燃料电池运行监测方法与系统 |
CN117976948B (zh) * | 2024-03-29 | 2024-06-04 | 苏州轩途信息技术有限公司 | 一种小型风冷氢燃料电池运行监测方法与系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110596593B (zh) | 基于智能自适应扩展卡尔曼滤波的锂离子电池soc估计方法 | |
CN105548896B (zh) | 基于n-2rc模型的动力电池soc在线闭环估计方法 | |
CN110888059B (zh) | 基于改进随机森林联合容积卡尔曼的荷电状态估计算法 | |
CN111060834A (zh) | 一种动力电池健康状态估算方法 | |
US9077182B2 (en) | Method for estimating state of charge for lithium-ion batteries | |
CN111679199B (zh) | 一种锂离子电池soc估计方法及装置 | |
CN110058160B (zh) | 基于平方根扩展卡尔曼滤波的锂电池健康状态预测方法 | |
CN110346725B (zh) | 一种电池健康度评估模型的构建方法、评估方法和装置 | |
CN112016237B (zh) | 锂电池寿命预测的深度学习方法、装置及系统 | |
CN117031315A (zh) | 锂电池的剩余荷电状态确定方法、装置及电子设备 | |
CN112327183B (zh) | 一种锂离子电池soc估算方法和装置 | |
CN109839596B (zh) | 基于ud分解的自适应扩展卡尔曼滤波的soc估算方法 | |
CN115453376B (zh) | 电动汽车动力电池的状态监控方法、系统及电动汽车 | |
CN114091282B (zh) | 基于分数阶模型的锂离子电池状态估计方法及系统 | |
CN111044916A (zh) | 一种动力电池的参数与全区间soc联合估计的方法 | |
CN115754741A (zh) | 储能系统的soc估算方法及装置、设备及存储介质 | |
CN115308608A (zh) | 一种全钒液流电池电压预测方法、装置及介质 | |
CN113190969B (zh) | 一种基于信息评估机制的锂电池模型参数辨识方法 | |
CN112379295B (zh) | 预测动力电池健康状态的方法、系统及存储介质 | |
CN110531281B (zh) | 用于估计动力蓄电池单元的健康状态的方法及系统 | |
CN117110880A (zh) | 一种用于云端-边缘端协同的电池多状态联合估计方法 | |
CN116400223A (zh) | 一种电池电量信息生成方法、设备及可读存储介质 | |
CN115859567A (zh) | 一种锂电池多状态联合估计方法、系统、电子设备及介质 | |
CN115015763A (zh) | Soc估算校准方法、设备及介质 | |
CN114924191A (zh) | 一种电池容量的在线估测方法和装置 |
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 |