CN117233618B - 一种基于电压集成模型的飞行汽车电池系统状态估计方法 - Google Patents
一种基于电压集成模型的飞行汽车电池系统状态估计方法 Download PDFInfo
- Publication number
- CN117233618B CN117233618B CN202311523171.8A CN202311523171A CN117233618B CN 117233618 B CN117233618 B CN 117233618B CN 202311523171 A CN202311523171 A CN 202311523171A CN 117233618 B CN117233618 B CN 117233618B
- Authority
- CN
- China
- Prior art keywords
- battery system
- voltage
- battery
- model
- state
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000010354 integration Effects 0.000 title claims abstract description 27
- 238000002474 experimental method Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 6
- 239000002245 particle Substances 0.000 claims description 6
- 238000002922 simulated annealing Methods 0.000 claims description 6
- 239000002131 composite material Substances 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000012886 linear function Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 claims description 2
- SAZUGELZHZOXHB-UHFFFAOYSA-N acecarbromal Chemical compound CCC(Br)(CC)C(=O)NC(=O)NC(C)=O SAZUGELZHZOXHB-UHFFFAOYSA-N 0.000 abstract description 4
- 230000010287 polarization Effects 0.000 description 6
- 238000013459 approach Methods 0.000 description 3
- 238000009792 diffusion process Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Secondary Cells (AREA)
Abstract
本发明属于电池状态估计技术领域,公开了一种基于电压集成模型的飞行汽车电池系统状态估计方法。相比于传统电池模型仅考虑自身充放电边界,忽略了电池系统因不一致性而提前达到充放电截止条件的情况。本发明通过考虑电池系统内所有单体电池电压对电池系统充放电边界的实际贡献,建立等效的电池系统电压集成模型,该电压集成模型的电压截止边界与实际的电池系统充放电边界一致,从而解决了现有电池系统状态估计在极高、极低SOC条件下精度差的问题。
Description
技术领域
本发明属于电池状态估计技术领域,尤其涉及一种基于电压集成模型的飞行汽车电池系统状态估计方法。
背景技术
目前,电池管理系统(BMS)的大多数策略都非常依赖于对电池状态的估计,包括充电状态(SOC)、健康状态(SOH)、电量状态(SOP)和能量状态(SOE)。SOC 是电池的基本状态,表示电池可放电的剩余能量,其他参数可由 SOC 确定。国内外对电池状态估计的研究已经进行了多年,包括安时积分法、卡尔曼滤波法或协同估计法、神经网络法等。然而,目前的方法大多集中在单个电池单元上,很少考虑电池组内的不一致性。一些研究试图通过确定代表性电池单元并计算它们来替代电池组来解决这一问题,通常只观察电压最高或最低的电池单元,而舍弃其他电池单元。这种方法在选择监测电池单元方面存在困难,因为代表性电池单元可能会根据欧姆电阻电压损耗发生时变。因此,在动态条件下或在 SOC 的边界(尤其是小于 10% 或大于 90%),这种方法仍然存在不精确的问题。因此,有必要设计新的动力电池系统的状态估计方法,在系统层面上提高电池组状态估计精度。
发明内容
针对现有技术中的不足,本发明提出了一种基于电压集成模型的飞行汽车电池系统状态估计方法。该方法通过考虑电池系统中所有单体电池对电池系统输出的影响,建立了符合电池系统实际输出特性的电压集成模型,采用改进的球面单纯形容积卡尔曼滤波算法进行电池系统的SOC、SOH和SOE联合估计。
本发明的技术方案如下:
一种基于电压集成模型的飞行汽车电池系统状态估计方法,包括以下步骤:
步骤S1:对电池系统进行充放电实验,获取实验数据;
步骤S2:建立电池系统的等效电路模型,采用粒子群优化-模拟退火融合算法对等效电路模型进行参数辨识;
步骤S3:确定电池系统的电压分布模型,形成电池系统中各单体电池电压对应的分布权重;
步骤S4:基于各单体电池电压和对应的分布权重,建立电池系统的电压集成模型;
步骤S5、使用电压集成模型作为观测量,建立球面单纯形容积卡尔曼滤波算法,对电池系统状态进行估计。
进一步的,所述步骤S1中的充放电实验为单体脉冲放电实验或混合脉冲放电实验。
进一步的,所述步骤S5中的电池系统状态包括SOC、SOH和SOE。
进一步的,所述步骤S2中的等效电路模型为Rint模型,Thevenin模型,二阶等效电路模型,PNGV模型或分数阶等效电路模型。
进一步的,所述步骤S2中的等效电路模型为由电化学模型降阶得到的等效电路模型。
进一步的,所述步骤S2中粒子群优化-模拟退火融合算法以等效电路模型输出电压与实验测量输出电压之差最小为目标,得到优化的等效电路模型参数。
进一步的,所述步骤S3中的电压分布模型为由线性函数、Sigmoid函数、指数函数、高斯函数中的任意两种得到的复合函数,所述电压分布模型的输入为单体电池电压和单体电池编号,输出为单体电池的电压分布权重。
进一步的,所述电压分布模型为下式中的任一项:
式中,为编号为/>的单体电池的电压分布权重;/>为电池系统中单体电池的总数;为编号为/>的单体电池电压;/>是所有单体电池的平均电压,/>,/>,/>,/>均为预设参数;/>是编号为1的单体电池电压,/>是编号为/>的单体电池电压,/>是单体电池最高电压,/>是单体电池最低电压。
进一步的,所述步骤S4中的电压集成模型中,根据电压分布模型计算每个单体电池电压对应的分布权重,对所有单体电池电压对应的分布权重进行归一化,求取权重和,最终输出为基于归一化权重和的单体电池模拟电压。
进一步的,所述步骤S5中电池系统状态的计算方法如下:
其中,为/>时刻电池系统的/>,/>为/>时刻电池系统的/>,/>为/>时刻电池系统的电流,/>为时间间隔,/>为电池系统容量,/>为/>时刻电池系统的/>,为/>时刻电池系统的/>,/>为电池系统端电压,/>为/>时刻电池系统的/>,/>为电池系统可用能量,/>为总放电时长或总充电时长,/>为单体电池模拟电压,为电池系统的欧姆内阻。
相比于现有技术,本发明的有益效果在于:
相比于传统电池模型仅考虑自身充放电边界,忽略了电池系统因不一致性而提前达到充放电截止条件的情况。本发明提出的基于电压集成模型的飞行汽车电池系统状态估计方法,通过考虑电池系统内所有单体电池电压对电池系统充放电边界的实际贡献,建立等效的电池系统电压集成模型,该电压集成模型的电压截止边界与实际的电池系统充放电边界一致,从而解决了现有电池系统状态估计在极高、极低SOC条件下精度差的问题。
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,下面将对实施例中所需要使用的附图作简单地介绍,通过参考附图可以更加清楚的理解本发明的特征和优点,附图是示意性的而不应理解为对本发明进行任何限制,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,可以根据这些附图获得其他的附图。
图1是本发明一种电压集成模型的飞行汽车电池系统状态估计方法的流程图。
图2是本发明实施例1中电池系统的等效电路模型。
图3是本发明实施例1中电池系统的电压分布权重图。
图4是本发明实施例1中SOC估计验证结果。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本发明的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
本发明提出了一种电压集成模型的飞行汽车电池系统状态估计方法,通过建立电池系统的电压集成模型,采用改进的球面单纯形容积卡尔曼滤波算法进行电池系统SOC、SOH和SOE联合估计,如图1所示,主要步骤如下:
(1)通过开展线下的电池单体脉冲放电或混合脉冲放电实验获取实验数据;
(2)采用粒子群优化-模拟退火融合算法对电池系统的等效电路模型进行参数辨识;
(3)选取或设计电池系统的电压分布模型,设计思路为,对于电池系统处于高电位状态时,处于较高电压状态的单体电池权重较大,对于电池系统处于低电位状态时,处于较低电压状态的单体电池权重较大;
(4)基于每一时刻采集的电池系统内各单体电池电压,建立电压集成模型;
(5)使用电压集成模型作为观测量,建立球面单纯形容积卡尔曼滤波算法对电池系统的SOC、SOH和SOE进行估计。
实施例1
本实施例中采用某116AH电池系统进行实验测试,电池系统内包含98个串联的单体电池,电池组最高电压为344V,最低电压为259V,总容量为116AH,总能量为30.3kWh。
步骤一、对该电池系统进行脉冲放电实验,实验方法为:将电池系统以恒流恒压充电至截止电压后静置1小时,而后以6分钟放电-静置1小时对电池进行循环放电直至截止电压。数据的采样间隔为1s,采集内容包括各单体电池电压,电压分度值为0.001V,电流分度值为0.1A。
在本实施例中,建立电池系统的二阶等效电路模型,如图2所示,通过电池的脉冲放电数据获取其在放电结束片段后的弛豫曲线,采用粒子群优化-模拟退火融合算法进行参数辨识,结果如表1所示。
该二阶等效电路模型中的核心公式如下:
其中,为欧姆内阻产生的电压降;/>为时域输入电流;/>为欧姆内阻;/>为浓差极化电压;/>为浓差极化电阻;/>为浓差极化电容;/>为扩散极化电压;/>为扩散极化电阻;/>为扩散极化电容;/>为开路电压;/>为端电压。
表1
步骤二、设计电池系统电压分布模型,形成各单体电池电压对应权重分布。
选取Sigmoid函数+ Sigmoid函数型复合函数计算各单体电池电压对应权重分布,复合函数公式如下:
单体电池电压使用边界为2.8~4.2V,电池系统内单体电池总数n为98,。据此计算得到电池系统的电压分布权重图,如图3所示。
步骤三、建立电池系统的电压集成模型。
电池系统的模拟电压计算方法为:先按照电压从低至高对采集的单体电池电压进行排序,而后通过插值方法依次计算每一个单体电池电压对应的分布权重,而后对所有的分布权重进行归一化处理,按照单体电池电压和对应分布权重进行累加求和的方式计算模拟电压,表达式如下:
。
步骤四、使用电压集成模型作为观测量,建立球面单纯形容积卡尔曼滤波算法对电池系统的SOC进行估计,并对估计结果进行验证。由图4可知,本发明的电池状态估计方法具有良好的准确性。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中,除非另有明确的规定和限定,第一特征在第二特征之“上”或之“下”可以包括第一和第二特征直接接触,也可以包括第一和第二特征不是直接接触而是通过它们之间的另外的特征接触。而且,第一特征在第二特征“之上”、 “上方”和“上面”包括第一特征在第二特征正上方和斜上方,或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”包括第一特征在第二特征正下方和斜下方,或仅仅表示第一特征水平高度小于第二特征。
在本发明中,术语“第一”、“第二”、“第三”、“第四”仅用于描述目的,不能理解为指示或暗示相对重要性。术语“多个”指两个或两个以上,除非另有明确的限定。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于电压集成模型的飞行汽车电池系统状态估计方法,其特征在于,包括以下步骤:
步骤S1:对电池系统进行充放电实验,获取实验数据;
步骤S2:建立电池系统的等效电路模型,采用粒子群优化-模拟退火融合算法对等效电路模型进行参数辨识;
步骤S3:确定电池系统的电压分布模型,形成电池系统中各单体电池电压对应的分布权重;
步骤S4:基于各单体电池电压和对应的分布权重,建立电池系统的电压集成模型;
步骤S5、使用电压集成模型作为观测量,建立球面单纯形容积卡尔曼滤波算法,对电池系统状态进行估计。
2.根据权利要求1所述的飞行汽车电池系统状态估计方法,其特征在于,所述步骤S1中的充放电实验为单体脉冲放电实验或混合脉冲放电实验。
3.根据权利要求1所述的飞行汽车电池系统状态估计方法,其特征在于,所述步骤S2中的等效电路模型为Rint模型,Thevenin模型,二阶等效电路模型,PNGV模型或分数阶等效电路模型。
4.根据权利要求1所述的飞行汽车电池系统状态估计方法,其特征在于,所述步骤S5中的电池系统状态包括SOC、SOH和SOE。
5.根据权利要求1所述的飞行汽车电池系统状态估计方法,其特征在于,所述步骤S2中粒子群优化-模拟退火融合算法以等效电路模型输出电压与实验测量输出电压之差最小为目标,得到优化的等效电路模型参数。
6.根据权利要求1所述的飞行汽车电池系统状态估计方法,其特征在于,所述步骤S3中的电压分布模型为由线性函数、Sigmoid函数、指数函数、高斯函数中的任意两种得到的复合函数,所述电压分布模型的输入为单体电池电压和单体电池编号,输出为单体电池的电压分布权重。
7.根据权利要求6所述的飞行汽车电池系统状态估计方法,其特征在于,所述电压分布模型为下式中的任一项:
式中,为编号为/>的单体电池的电压分布权重;/>为电池系统中单体电池的总数;/>为编号为/>的单体电池电压;/>是所有单体电池的平均电压,/>,/>,/>,/>均为预设参数;/>是编号为1的单体电池电压,/>是编号为/>的单体电池电压,/>是单体电池最高电压,/>是单体电池最低电压。
8.根据权利要求1所述的飞行汽车电池系统状态估计方法,其特征在于,所述步骤S4中的电压集成模型中,根据电压分布模型计算每个单体电池电压对应的分布权重,对所有单体电池电压对应的分布权重进行归一化,求取权重和,最终输出为基于归一化权重和的模拟电压。
9.根据权利要求1所述的飞行汽车电池系统状态估计方法,其特征在于,所述步骤S5中电池系统状态的计算方法如下:
其中,为/>时刻电池系统的/>,/>为/>时刻电池系统的/>,/>为/>时刻电池系统的电流,/>为时间间隔,/>为电池系统容量,/>为/>时刻电池系统的/>,/>为/>时刻电池系统的/>,/>为电池系统端电压,/>为/>时刻电池系统的/>,为电池系统可用能量,/>为总放电时长或总充电时长,/>为单体电池模拟电压,/>为电池系统的欧姆内阻。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311523171.8A CN117233618B (zh) | 2023-11-16 | 2023-11-16 | 一种基于电压集成模型的飞行汽车电池系统状态估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311523171.8A CN117233618B (zh) | 2023-11-16 | 2023-11-16 | 一种基于电压集成模型的飞行汽车电池系统状态估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117233618A CN117233618A (zh) | 2023-12-15 |
CN117233618B true CN117233618B (zh) | 2024-01-19 |
Family
ID=89097050
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311523171.8A Active CN117233618B (zh) | 2023-11-16 | 2023-11-16 | 一种基于电压集成模型的飞行汽车电池系统状态估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117233618B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111999657A (zh) * | 2020-10-29 | 2020-11-27 | 北京航空航天大学 | 一种电动汽车的锂离子电池剩余寿命的行驶里程评估方法 |
CN112881921A (zh) * | 2021-01-08 | 2021-06-01 | 恒大新能源汽车投资控股集团有限公司 | 电池等效电路模型参数辨识方法、装置、设备及存储介质 |
CN112989690A (zh) * | 2021-02-07 | 2021-06-18 | 南京航空航天大学 | 一种混合动力汽车锂电池多时间尺度荷电状态估计方法 |
CN113777500A (zh) * | 2021-09-29 | 2021-12-10 | 东方电气集团科学技术研究院有限公司 | 一种采用模拟退火法进行电池参数辨识及精度优化的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021189146A1 (en) * | 2020-03-25 | 2021-09-30 | Cadex Electronics Inc. | Apparatus and methods for testing electrochemical systems |
-
2023
- 2023-11-16 CN CN202311523171.8A patent/CN117233618B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111999657A (zh) * | 2020-10-29 | 2020-11-27 | 北京航空航天大学 | 一种电动汽车的锂离子电池剩余寿命的行驶里程评估方法 |
CN112881921A (zh) * | 2021-01-08 | 2021-06-01 | 恒大新能源汽车投资控股集团有限公司 | 电池等效电路模型参数辨识方法、装置、设备及存储介质 |
CN112989690A (zh) * | 2021-02-07 | 2021-06-18 | 南京航空航天大学 | 一种混合动力汽车锂电池多时间尺度荷电状态估计方法 |
CN113777500A (zh) * | 2021-09-29 | 2021-12-10 | 东方电气集团科学技术研究院有限公司 | 一种采用模拟退火法进行电池参数辨识及精度优化的方法 |
Non-Patent Citations (1)
Title |
---|
用于电动汽车电池SOC预测的BP神经网络模型;乔维德;凌兴宏;;石家庄学院学报(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117233618A (zh) | 2023-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107991623B (zh) | 一种考虑温度和老化程度的电池安时积分soc估计方法 | |
CN107533105B (zh) | 锂离子电池荷电状态估算方法和装置 | |
CN106716158B (zh) | 电池荷电状态估算方法和装置 | |
CN104502859B (zh) | 电池荷电量及电池健康状态的检测、诊断方法 | |
CN110031770B (zh) | 一种快速得到电池包中所有单体电池容量的方法 | |
CN107677965B (zh) | 一种锂电池能量状态估算方法 | |
CN108508365B (zh) | 一种锂离子电池自放电筛选方法 | |
CN110673039B (zh) | 一种基于大数据的磷酸铁锂电池soc充电在线校正方法 | |
CN110196393A (zh) | 一种锂电池荷电状态、能量状态和功率状态的联合在线估计方法 | |
CN111965559B (zh) | 一种锂离子电池soh在线估计方法 | |
CN105866700B (zh) | 一种锂离子电池快速筛选的方法 | |
CN109358293B (zh) | 基于ipf的锂离子电池soc估计方法 | |
CN104391252A (zh) | 一种汽车铅酸蓄电池健康状态检测方法 | |
CN111352032A (zh) | 一种锂电池动态峰值功率预测方法 | |
CN109061521B (zh) | 蓄电池组荷电状态计算方法及系统 | |
CN111366864B (zh) | 一种基于固定压升区间的电池soh在线估计方法 | |
CN108169687A (zh) | 一种基于云平台的蓄电池soc估算方法 | |
CN105572601A (zh) | 锂电池性能衰退原因的判断方法 | |
CN105356533A (zh) | 一种电池组的主动均衡方法和装置 | |
CN111064253A (zh) | 一种基于平均离散Fréchet距离的电池健康度快速评估方法 | |
CN108511823A (zh) | 一种锂离子电池自放电soc态筛选方法 | |
CN113807039A (zh) | 一种串联型电池系统的功率状态预测方法 | |
CN107102268A (zh) | 一种电池管理系统的电池充电倍率估算方法 | |
CN111216595B (zh) | 基于锂电池等效电路模型的重度混合动力汽车soc校准方法 | |
CN113829957A (zh) | 一种用于新能源电池充电的电池均衡评估方法 |
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 |