CN117074966A - 基于衰减记忆卡尔曼滤波器的电池soc估计方法及系统 - Google Patents
基于衰减记忆卡尔曼滤波器的电池soc估计方法及系统 Download PDFInfo
- Publication number
- CN117074966A CN117074966A CN202311351794.1A CN202311351794A CN117074966A CN 117074966 A CN117074966 A CN 117074966A CN 202311351794 A CN202311351794 A CN 202311351794A CN 117074966 A CN117074966 A CN 117074966A
- Authority
- CN
- China
- Prior art keywords
- battery
- soc
- time
- kalman filter
- representation
- 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 89
- 238000013507 mapping Methods 0.000 claims abstract description 23
- 230000014509 gene expression Effects 0.000 claims abstract description 21
- 238000012360 testing method Methods 0.000 claims abstract description 18
- 239000011159 matrix material Substances 0.000 claims description 33
- 230000008569 process Effects 0.000 claims description 27
- 239000013598 vector Substances 0.000 claims description 22
- 230000002238 attenuated effect Effects 0.000 claims description 15
- 230000010287 polarization Effects 0.000 claims description 15
- 238000005259 measurement Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 230000002068 genetic effect Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000035882 stress Effects 0.000 description 6
- 206010068065 Burning mouth syndrome Diseases 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 3
- 238000007599 discharging Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 229910001416 lithium ion Inorganic materials 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007620 mathematical function Methods 0.000 description 1
- 230000003446 memory effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction 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]
- G01R31/367—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)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
本发明属于电池状态估计技术领域，具体涉及一种基于衰减记忆卡尔曼滤波器的电池SOC估计方法及系统。针对标准卡尔曼滤波器法估计电池SOC需要确保电池模型精确已知，否则其精度将难以保证，严重情况下可能出现不能工作等问题。本发明提出的方法包括：建立电池开路电压和SOC之间的映射关系；基于电池开路电压和SOC之间的映射关系，对电池开展动态应力测试工况DST测试试验，以对电路模型中的RC参数进行辨识；基于辨识到的RC参数，并结合根据基尔霍夫定律和欧姆定律，建立电池系统的离散状态空间表达式；基于电池系统离散状态空间表达式，采用衰减记忆卡尔曼滤波器实时估计电池SOC。
Description
技术领域
本发明属于电池状态估计技术领域，具体涉及一种基于衰减记忆卡尔曼滤波器的电池SOC估计方法及系统。
背景技术
锂离子电池由于其在能量密度、功率密度、循环寿命、记忆效应等方面具有的诸多优点，备受电动汽车和储能电站等领域的关注和青睐。为防止起火、爆炸等安全事故的发生，实现电池的最大化利用，延长电池使用寿命，通常需配备电池管理系统(BatteryManagement System, BMS)对电池内部的各种状态指标，比如荷电状态(State of Charge,SOC)、健康状态(State of Health, SOH)、功率状态(State of Power, SOP)等，进行监控。其中，荷电状态描述了电池的剩余电量，是电池最基础和关键的状态之一。然而，其无法借助传感器直接测量得到，只能通过电流、电压和温度等外部可测参数进行间接估计和推断，为当前BMS开发和研究的难点之一。
从控制理论角度来看，SOC估计问题实际上是考虑锂离子电池动态特性和复杂多变运行环境下的状态观测问题。目前，主要的SOC估计方法有安时积分法、开路电压法、模型法、数据驱动法。其中，模型法由于具有估计精度高、自修正、适应性强、能够融合不同方法的优点等特点在BMS中最受欢迎。该方法的具体实现过程为：首先，对电池进行离线OCV（电池开路电压，Open Circuit Voltage）-SOC测试，获取电池在不同健康状态及环境温度条件下的OCV曲线，并使用查找表或数学函数的方式建立OCV和SOC之间的映射关系；其次，考虑模型的复杂性、预测精度和计算成本之间的关系，选择合适的电池模型结构，并使用最小二乘、粒子群优化等方法辨识电池模型中的模型参数；最后，建立电池系统的状态空间表达式，并使用扩展卡尔曼滤波器（Extended Kalman Filter, EKF）、无迹卡尔曼滤波器等方法估计电池SOC。
此方法取得较高估计精度的前提是需要精确已知电池模型，包括电池的系统动力学特性以及过程噪声和测量噪声的统计特性。一旦前提条件不成立，卡尔曼滤波器方法的SOC估计精度将难以保证，严重情况下可能不能工作。然而，由于电池服役时间长、应用工况复杂多变，很难确保建立的电池模型严格满足以上条件。为解决现有技术的不足，本发明提出一种基于衰减记忆卡尔曼滤波器的电池SOC估计方法及系统。
发明内容
为了克服现有技术中的问题，本发明提出了一种基于衰减记忆卡尔曼滤波器的电池SOC估计方法、系统、装置及计算机可读存储介质。
本发明解决上述技术问题的技术方案如下：
第一方面，本发明提供了一种基于衰减记忆卡尔曼滤波器的电池SOC估计方法，包括以下步骤：
建立电池开路电压和SOC之间的映射关系；
基于电池开路电压和SOC之间的映射关系，对电池开展动态应力测试工况DST测试试验，以对电路模型中的RC参数进行辨识；
基于辨识到的RC参数，并结合根据基尔霍夫定律和欧姆定律，建立电池系统的离散状态空间表达式；
基于电池系统离散状态空间表达式，采用衰减记忆卡尔曼滤波器实时估计电池SOC；所述采用衰减记忆卡尔曼滤波器实时估计电池SOC，包括卡尔曼滤波器初始化阶段、卡尔曼滤波器时间更新阶段及卡尔曼滤波器测量更新阶段；
所述卡尔曼滤波器时间更新阶段：
；
；
式中，表示为k时刻状态/>的先验估计值，/>表示为k时刻先验估计误差协方差矩阵的值；/>表示k-1时刻的系统矩阵；/>表示k-1时刻的输入矩阵；/>表示为k-1时刻的输入向量；/>表示为k-1时刻状态/>的后验估计值，/>表示k-1时刻的状态向量；表示为k-1时刻对应的后验误差协方差矩阵的值；/>为k-1时刻过程噪声协方差矩阵的值；参数/>的取值取决于期望的对过去测量值的遗忘程度，其值越大遗忘程度越大，对系统模型的依赖程度也就越小；
其中，参数将按下述公式进行计算：/>；/>为大于1的数；/>为电池已经使用的时间，单位为天或者月；/>为缩放因子，其值需要根据不同电池类型及应用场景灵活确定。
进一步地，电池开路电压和SOC之间的映射关系具体为：
；
式中，表示电池开路电压，/>表示电池的SOC，/>为多项式拟合阶数，/>为多项式拟合系数，i表示变量。
进一步地，使用遗传算法对电池模型中的RC参数进行辨识，所述RC参数包括欧姆内阻、极化电阻/>和极化电容/>。
进一步地，所述电池模型的离散状态空间表达式为：
；
式中，表示/>时刻联RC网络极化电压；/>表示/>时刻电池的SOC；表示采样时间；/>表示k时刻并联RC网络的极化电压；/>表示k时刻电池的SOC；/>表示库伦效率；/>表示电池的最大可利用容量；/>表示k时刻流过电池的电流，放电为正，充电为负；/>表示/>时刻实测的电池端电压值；/>表示/>时刻的电池开路电压；表示/>时刻流过电池的电流；/>表示k时刻的状态向量；/>表示/>时刻的状态向量；/>表示k时刻状态空间表达式的系统矩阵，/>表示k时刻状态空间表达式的输入矩阵；/>是/>时刻的输出向量；/>是输入向量；/>表示/>时刻非线性测量函数；/>表示过程噪声，/>为测量噪声，两者相互独立，且过程噪声协方差矩阵为/>和测量噪声协方差矩阵为/>。
第二方面，本发明还提供了一种基于衰减记忆卡尔曼滤波器的电池SOC估计系统，包括：OCV-SOC映射关系模块、RC参数辨识模块及电池SOC估计模块；
所述OCV-SOC映射关系模块用于建立电池开路电压OCV和荷电状态SOC之间的映射关系；
所述RC参数辨识模块用于基于电池开路电压OCV和荷电状态SOC之间的映射关系，对电池开展动态应力测试工况DST测试试验；对电池模型中的RC参数进行辨识，所述RC参数包括欧姆内阻、极化电阻/>和极化电容/>；
所述电池SOC估计模块用于基于辨识到的电池模型中的RC参数，建立电池模型的离散状态空间表达式；并采用衰减记忆卡尔曼滤波器实时估计电池SOC。
第三方面，本发明还提供了一种基于衰减记忆卡尔曼滤波器的电池SOC估计装置，其包括：处理器、存储器以及程序；所述程序存储在所述存储器中，所述处理器调用存储器存储的程序，以执行第一方面中任一实施例所述的基于衰减记忆卡尔曼滤波器的电池SOC估计方法。
第四方面，本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序被处理器运行时控制所述存储介质所在设备执行第一方面中任一实施例所述的所述基于衰减记忆卡尔曼滤波器的电池SOC估计方法。
与现有技术相比，本发明具有如下技术效果：
标准卡尔曼滤波器法估计电池SOC方案的成功实施需要确保电池模型精确已知，包括电池系统动力学特性以及过程噪声和测量噪声的统计特性；一旦前提条件不成立，卡尔曼滤波器方法的SOC估计精度将难以保证，严重情况下可能不能工作；本发明所提方法与传统方法相比多引入了一个参数，并没有额外增加计算复杂度，且通过此参数的自适应调节能够实现全寿命周期范围内电池SOC的精确估计，实用价值高，在BMS等领域具有广阔的应用前景。
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和优点，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的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1为本发明小倍率下电压响应曲线；
图2为本发明DST工况电流曲线；
图3为本发明DST工况端电压响应曲线；
图4为本发明Thevenin模型；
图5为本发明的流程示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的技术方案的具体实施方式、结构、特征及其功效，详细说明如下。一个或多个实施例中的特定特征、结构或特点可由任何合适形式组合。除非另有定义，本发明所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
在本发明的一个实施例中，参照图5，提供了一种基于衰减记忆卡尔曼滤波器的电池SOC估计方法，包括以下步骤：
步骤100.建立电池开路电压（Open Circuit Voltage, OCV）和SOC之间的映射关系。
在特定环境温度条件和电池健康状态下，将充满电的电池以小倍率电流（如1/40C）进行放电，直至放电截止电压，静置2小时，获取放电过程电池端电压的变化曲线；再以相同倍率（如1/40C）充电，直至充电截止电压，获取充电过程电池端电压的变化曲线。其中，所谓倍率为1C即1个小时充满，多少C就是多少分之1小时充满；比如2C，就是0.5小时充满，1/3C就是3小时充满，以此类推。
环境温度为25℃下实测电池电压响应曲线如图1所示。为减小滞环效应的影响，取上述两条曲线的平均值，作为电池真实电池开路电压OCV，并采用多项式对其拟合，可得：
（1）；
式中，表示电池开路电压OCV，/>表示电池的SOC，/>为多项式拟合阶数，/>为多项式拟合系数，i表示变量。
步骤200.基于电池开路电压和SOC之间的映射关系，对电池开展动态应力测试工况DST（dynamic stress test）测试试验，辨识电池模型中的RC参数，所述RC参数包括欧姆内阻、极化电阻/>和极化电容/>。
选择Thevenin模型作为电池等效电路模型，请参照图4，Thevenin模型可以表示为：
（2）；
上式中，U p表示电池的极化电压，I L表示电流，R o表示电池欧姆内阻，R p表示电池极化内阻，C p表示电池极化电容，U t表示电池的端电压，U oc表示电池的开路电压。
动态应力测试工况DST包含充电、放电、静置等过程，且电流幅值、持续时间等也为动态变化的，可以充分激发电池不同模态，用于参数辨识，其曲线如图2所示。根据电池生产商指定的最大充电和放电倍率要求，对DST工况进行缩放，然后对处于特定环境温度SOC为90%的电池进行测试，直至放电截止电压。环境温度为25℃时电池端电压的响应曲线如图3所示。
使用遗传算法对图4所示的Thevenin模型中的欧姆内阻、极化电阻/>和极化电容/>等参数进行辨识。令/>，则适应度函数可以被定义为：
（3）；
式中，X为由电池欧姆内阻、极化电阻/>和极化电容/>组成的列向量，/>为适应度函数，/>为/>时刻实测的电池端电压值；/>为/>时刻通过Thevenin模型预测的端电压值，/>为DST工况测试数据的长度。
通过对不同老化状态的电池在不同环境温度（0℃、10℃、40℃、60℃等）下执行前述步骤100和步骤200的操作，可以建立全寿命周期宽温度范围内电池的模型。
步骤300.基于辨识到的RC参数，并结合根据基尔霍夫定律和欧姆定律，建立Thevenin模型的离散状态空间表达式。
基于辨识到的RC参数，并结合基尔霍夫定律和欧姆定律，图4所示Thevenin模型的离散状态空间表达式可以写为：
（4）；
式中，表示/>时刻联RC网络极化电压；/>表示/>时刻电池的SOC；表示采样时间；/>表示k时刻并联RC网络的极化电压；/>表示k时刻电池的SOC；/>表示库伦效率；/>表示电池的最大可利用容量；/>表示k时刻流过电池的电流，放电为正，充电为负；/>表示/>时刻实测的电池端电压值；/>表示/>时刻的电池开路电压；表示/>时刻流过电池的电流；/>表示k时刻的状态向量；/>表示/>时刻的状态向量；/>表示k时刻状态空间表达式的系统矩阵，/>表示k时刻状态空间表达式的输入矩阵；/>是/>时刻的输出向量；/>是输入向量；/>表示/>时刻非线性测量函数；/>表示过程噪声，/>为测量噪声，两者相互独立，且过程噪声协方差矩阵为/>和测量噪声协方差矩阵为/>。
步骤400.基于电池模型的离散状态空间表达式，采用衰减记忆卡尔曼滤波器实时估计电池SOC。
步骤410.卡尔曼滤波器初始化阶段：
（5）；
式中，T表示求矩阵或向量的转置操作，E表示求期望操作，表示初始状态，/>表示初始状态的期望值，/>表示初始状态的期望值对应的协方差矩阵的值。
步骤420.卡尔曼滤波器时间更新阶段：
（6）；
（7）；
式中，表示为k时刻状态/>的先验估计值，/>表示为k时刻先验估计误差协方差矩阵的值；/>表示k-1时刻的系统矩阵；/>表示k-1时刻的输入矩阵；/>表示为k-1时刻的输入向量；/>表示为k-1时刻状态/>的后验估计值，/>表示k-1时刻的状态向量；/>表示为k-1时刻对应的后验误差协方差矩阵的值；/>为k-1时刻过程噪声协方差矩阵的值；参数/>的取值取决于期望的对过去测量值的遗忘程度，其值越大遗忘程度越大，对系统模型的依赖程度也就越小。
离线建立的全寿命周期宽温度范围内的电池模型具有重要的参考价值。然而，电池的性能受环境温度、老化状态、SOC以及过充电、过放电等电滥用、热滥用、机械滥用等条件影响，影响因素众多，因此新电池模型的代表性更大，老化电池模型的代表性将会较弱，亦即随着电池的逐渐使用，电池模型的匹配度将会逐渐变差，且在后期将会出现逐渐加剧的情况。为此，可以将按下述公式进行计算：
（8）；
式中，为大于1的数；/>为电池已经使用的时间，单位可以为天或者月等；/>为缩放因子，其值需要根据不同电池类型及应用场景等灵活确定。
步骤430.卡尔曼滤波器测量更新阶段：
（9）；
式中，表示k时刻输出矩阵的值；/>表示k时刻非线性测量函数；/>为k时刻的卡尔曼增益；/>表示k时刻的状态向量；/>为经约束处理后状态向量的估计值；/>为k时刻测量噪声协方差矩阵的值，/>为由/>预测的k时刻测量值的预测误差，/>表示为k时刻状态/>的后验估计值，/>表示为后验估计误差协方差矩阵的值，/>为单位矩阵。
需要说明的是，所提衰减记忆卡尔曼滤波器与标准卡尔曼滤波的关键区别在于先验估计误差协方差矩阵的时间更新方程即公式(7)的第一项中多了个，增加了更多的自由度，这为算法应对电池模型在全寿命周期范围内的变化，提供了新的契机，可以自适应调节/>，以应对电池模型精度的变化，提高电池SOC估计的精度。
标准卡尔曼滤波器法估计电池SOC方案的成功实施需要确保电池模型精确已知，包括电池系统动力学特性以及过程噪声和测量噪声的统计特性；一旦前提条件不成立，卡尔曼滤波器方法的SOC估计精度将难以保证，严重情况下可能不能工作。本发明所提方法与传统方法相比仅仅多引入了一个参数，并没有额外增加计算复杂度，且通过此参数的自适应调节能够实现全寿命周期范围内电池SOC的精确估计，实用价值高，在BMS等领域具有广阔的应用前景。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本发明中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本发明实施例还提供了一种用于实现上述所涉及的一种基于衰减记忆卡尔曼滤波器的电池SOC估计方法的一种基于衰减记忆卡尔曼滤波器的电池SOC估计系统。该系统所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个系统实施例中的具体限定可以参见上文中对于一种基于衰减记忆卡尔曼滤波器的电池SOC估计方法的限定，在此不再赘述。
在一个实施例中，提供了一种基于衰减记忆卡尔曼滤波器的电池SOC估计系统，包括：OCV-SOC映射关系模块、RC参数辨识模块及电池SOC估计模块；
所述OCV-SOC映射关系模块用于建立电池开路电压OCV和荷电状态SOC之间的映射关系；
所述RC参数辨识模块用于基于电池开路电压和SOC之间的映射关系，对电池开展动态应力测试工况DST测试试验；对电池模型中的RC参数进行辨识，所述RC参数包括欧姆内阻、极化电阻/>和极化电容/>；
所述电池SOC估计模块用于基于辨识到的电池模型中的RC参数，并结合基尔霍夫定律和欧姆定律，建立电池模型的离散状态空间表达式；并采用衰减记忆卡尔曼滤波器实时估计电池SOC。
在本发明的实施例中，还提供了一种基于衰减记忆卡尔曼滤波器的电池SOC估计装置，其包括：包括处理器、存储器以及程序；程序存储在存储器中，处理器调用存储器存储的程序，以执行上述的基于衰减记忆卡尔曼滤波器的电池SOC估计方法。
在上述基于衰减记忆卡尔曼滤波器的电池SOC估计装置的实现中，存储器和处理器之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可以通过一条或者多条通信总线或信号线实现电性连接，如可以通过总线连接。存储器中存储有实现数据访问控制方法的计算机执行指令，包括至少一个可以软件或固件的形式存储于存储器中的软件功能模块，处理器通过运行存储在存储器内的软件程序以及模块，从而执行各种功能应用以及数据处理。
在本发明的实施例中，还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序被处理器运行时控制所述存储介质所在设备执行上述的方法。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于衰减记忆卡尔曼滤波器的电池SOC估计方法，其特征在于，包括以下步骤：
建立电池开路电压和SOC之间的映射关系；
基于电池开路电压和SOC之间的映射关系，对电池开展动态应力测试工况DST测试试验，以对电路模型中的RC参数进行辨识；
基于辨识到的RC参数，并结合根据基尔霍夫定律和欧姆定律，建立电池系统的离散状态空间表达式；
基于电池系统离散状态空间表达式，采用衰减记忆卡尔曼滤波器实时估计电池SOC；所述采用衰减记忆卡尔曼滤波器实时估计电池SOC，包括卡尔曼滤波器初始化阶段、卡尔曼滤波器时间更新阶段及卡尔曼滤波器测量更新阶段；
所述卡尔曼滤波器时间更新阶段：
；
；
式中，表示为k时刻状态/>的先验估计值，/>表示为k时刻先验估计误差协方差矩阵的值；/>表示k-1时刻的系统矩阵；/>表示k-1时刻的输入矩阵；/>表示为k-1时刻的输入向量；/>表示为k-1时刻状态/>的后验估计值，/>表示k-1时刻的状态向量；/>表示为k-1时刻对应的后验误差协方差矩阵的值；/>为k-1时刻过程噪声协方差矩阵的值；参数/>的取值取决于期望的对过去测量值的遗忘程度，其值越大遗忘程度越大，对系统模型的依赖程度也就越小；
其中，参数将按下述公式进行计算：/>；/>为大于1的数；/>为电池已经使用的时间，单位为天或者月；/>为缩放因子，其值需要根据不同电池类型及应用场景灵活确定。
2.根据权利要求1所述的一种基于衰减记忆卡尔曼滤波器的电池SOC估计方法，其特征在于，电池开路电压和SOC之间的映射关系具体为：
；
式中，表示电池开路电压，/>表示电池的SOC，/>为多项式拟合阶数，/>为多项式拟合系数，i表示变量。
3.根据权利要求2所述的一种基于衰减记忆卡尔曼滤波器的电池SOC估计方法，其特征在于，使用遗传算法对电池模型中的RC参数进行辨识，所述RC参数包括欧姆内阻、极化电阻/>和极化电容/>。
4.根据权利要求3所述的一种基于衰减记忆卡尔曼滤波器的电池SOC估计方法，其特征在于，所述电池模型的离散状态空间表达式为：
；
式中，表示/>时刻联RC网络极化电压；/>表示/>时刻电池的SOC；/>表示采样时间；/>表示k时刻并联RC网络的极化电压；/>表示k时刻电池的SOC；/>表示库伦效率；/>表示电池的最大可利用容量；/>表示k时刻流过电池的电流，放电为正，充电为负；/>表示/>时刻实测的电池端电压值；/>表示/>时刻的电池开路电压；表示/>时刻流过电池的电流；/>表示k时刻的状态向量；/>表示/>时刻的状态向量；/>表示k时刻状态空间表达式的系统矩阵，/>表示k时刻状态空间表达式的输入矩阵；/>是/>时刻的输出向量；/>是输入向量；/>表示/>时刻非线性测量函数；/>表示过程噪声，/>为测量噪声，两者相互独立，且过程噪声协方差矩阵为/>和测量噪声协方差矩阵为/>。
5.一种基于衰减记忆卡尔曼滤波器的电池SOC估计系统，其特征在于，包括：OCV-SOC映射关系模块、RC参数辨识模块及电池SOC估计模块；
所述OCV-SOC映射关系模块用于建立电池开路电压OCV和荷电状态SOC之间的映射关系；
所述RC参数辨识模块用于基于电池开路电压OCV和荷电状态SOC之间的映射关系，对电池开展动态应力测试工况DST测试试验；对电池模型中的RC参数进行辨识；
所述电池SOC估计模块用于基于辨识到的电池模型中的RC参数，并结合根据基尔霍夫定律和欧姆定律，建立电池模型的离散状态空间表达式；并采用衰减记忆卡尔曼滤波器实时估计电池SOC。
6.一种基于衰减记忆卡尔曼滤波器的电池SOC估计装置，其特征在于，其包括：处理器、存储器以及程序；所述程序存储在所述存储器中，所述处理器调用存储器存储的程序，以执行权利要求1-4任意一项所述的方法。
7.一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包括存储的计算机程序，其中，在所述计算机程序被处理器运行时控制所述存储介质所在设备执行权利要求1-4中任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311351794.1A CN117074966A (zh) | 2023-10-19 | 2023-10-19 | 基于衰减记忆卡尔曼滤波器的电池soc估计方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311351794.1A CN117074966A (zh) | 2023-10-19 | 2023-10-19 | 基于衰减记忆卡尔曼滤波器的电池soc估计方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117074966A true CN117074966A (zh) | 2023-11-17 |
Family
ID=88706587
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311351794.1A Pending CN117074966A (zh) | 2023-10-19 | 2023-10-19 | 基于衰减记忆卡尔曼滤波器的电池soc估计方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117074966A (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150377974A1 (en) * | 2014-06-30 | 2015-12-31 | Foundation of Soongsil University-lndustry Cooperation | Battery state estimation method and system using dual extended kalman filter, and recording medium for performing the method |
| CN106849801A (zh) * | 2016-12-20 | 2017-06-13 | 江苏大学 | 一种无轴承异步电机转速估计方法 |
| CN110395141A (zh) * | 2019-06-27 | 2019-11-01 | 武汉理工大学 | 基于自适应卡尔曼滤波法的动力锂电池soc估算方法 |
| CN110441694A (zh) * | 2019-07-23 | 2019-11-12 | 哈尔滨工业大学（威海） | 基于多重渐消因子卡尔曼滤波锂电池荷电状态估计方法 |
| CN111505506A (zh) * | 2020-05-15 | 2020-08-07 | 吉林大学 | 一种多尺度卡尔曼滤波与无迹卡尔曼滤波融合的电池soc估算方法 |
| CN112285570A (zh) * | 2020-10-29 | 2021-01-29 | 哈尔滨工业大学（威海） | 一种基于衰减记忆滤波器的电动汽车故障诊断方法 |
| CN115494398A (zh) * | 2022-09-22 | 2022-12-20 | 山东师范大学 | 一种基于融合滤波策略的电池soc估计方法及系统 |
| CN115598540A (zh) * | 2022-10-25 | 2023-01-13 | 盐城工学院（Cn） | 一种考虑宽温度的锂电池参数辨识及状态联合估计方法 |
-
2023
- 2023-10-19 CN CN202311351794.1A patent/CN117074966A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150377974A1 (en) * | 2014-06-30 | 2015-12-31 | Foundation of Soongsil University-lndustry Cooperation | Battery state estimation method and system using dual extended kalman filter, and recording medium for performing the method |
| CN106849801A (zh) * | 2016-12-20 | 2017-06-13 | 江苏大学 | 一种无轴承异步电机转速估计方法 |
| CN110395141A (zh) * | 2019-06-27 | 2019-11-01 | 武汉理工大学 | 基于自适应卡尔曼滤波法的动力锂电池soc估算方法 |
| CN110441694A (zh) * | 2019-07-23 | 2019-11-12 | 哈尔滨工业大学（威海） | 基于多重渐消因子卡尔曼滤波锂电池荷电状态估计方法 |
| CN111505506A (zh) * | 2020-05-15 | 2020-08-07 | 吉林大学 | 一种多尺度卡尔曼滤波与无迹卡尔曼滤波融合的电池soc估算方法 |
| CN112285570A (zh) * | 2020-10-29 | 2021-01-29 | 哈尔滨工业大学（威海） | 一种基于衰减记忆滤波器的电动汽车故障诊断方法 |
| CN115494398A (zh) * | 2022-09-22 | 2022-12-20 | 山东师范大学 | 一种基于融合滤波策略的电池soc估计方法及系统 |
| CN115598540A (zh) * | 2022-10-25 | 2023-01-13 | 盐城工学院（Cn） | 一种考虑宽温度的锂电池参数辨识及状态联合估计方法 |
Non-Patent Citations (1)
| Title |
|---|
| 张周灿，等: "基于改进自适应无迹卡尔曼滤波的锂电池SOC估计", 《汽车技术》, no. 3 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zheng et al. | Investigating the error sources of the online state of charge estimation methods for lithium-ion batteries in electric vehicles | |
| CN109946623B (zh) | 一种锂电池的soc在线估测方法 | |
| Chen et al. | A new state-of-health estimation method for lithium-ion batteries through the intrinsic relationship between ohmic internal resistance and capacity | |
| Xiong et al. | A novel practical state of charge estimation method: an adaptive improved ampere‐hour method based on composite correction factor | |
| CN109586373B (zh) | 一种电池充电方法和装置 | |
| Sun et al. | Improved parameter identification and state-of-charge estimation for lithium-ion battery with fixed memory recursive least squares and sigma-point Kalman filter | |
| JP4511600B2 (ja) | 電気化学セルの現在状態及び現在パラメーターを推定する装置、方法及びシステム、並びに記録媒体 | |
| TWI272737B (en) | Method and system for joint battery state and parameter estimation | |
| Locorotondo et al. | Online identification of thevenin equivalent circuit model parameters and estimation state of charge of lithium-ion batteries | |
| JP2011521402A (ja) | 電気化学電池のスマート管理システム | |
| Liu et al. | A novel open circuit voltage based state of charge estimation for lithium-ion battery by multi-innovation Kalman filter | |
| Li et al. | A new parameter estimation algorithm for an electrical analogue battery model | |
| CN111190109B (zh) | 一种无电流传感器的锂电池荷电状态估计方法 | |
| Snoussi et al. | Unknown input observer design for lithium-ion batteries SOC estimation based on a differential-algebraic model | |
| JP2023541417A (ja) | バッテリの充電状態を推定する方法 | |
| CN108829911A (zh) | 一种开路电压与soc函数关系优化方法 | |
| Meng et al. | Comparative study of lithium‐ion battery open‐circuit‐voltage online estimation methods | |
| CN112946481A (zh) | 基于联合h∞滤波的滑模观测器锂离子电池soc估计方法及电池管理系统 | |
| JP5259190B2 (ja) | ジョイントバッテリー状態とパラメーター推定システム及び方法 | |
| Ramezani-al et al. | A novel combined online method for SOC estimation of a Li-Ion battery with practical and industrial considerations | |
| Hu et al. | A parameter identification and state of charge estimation method of lithium-ion battery considering temperature bias | |
| CN116699415A (zh) | 一种动态可重构电池系统电量估计方法、系统及电子设备 | |
| CN117074966A (zh) | 基于衰减记忆卡尔曼滤波器的电池soc估计方法及系统 | |
| CN117129868A (zh) | 基于双卡尔曼滤波的动态可重构电池系统的电量估计方法 | |
| Tong et al. | Comprehensive battery equivalent circuit based model for battery management application |
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 |