CN117269801B - 电池荷电状态的确定方法、确定装置和电子设备 - Google Patents
电池荷电状态的确定方法、确定装置和电子设备 Download PDFInfo
- Publication number
- CN117269801B CN117269801B CN202311562489.7A CN202311562489A CN117269801B CN 117269801 B CN117269801 B CN 117269801B CN 202311562489 A CN202311562489 A CN 202311562489A CN 117269801 B CN117269801 B CN 117269801B
- Authority
- CN
- China
- Prior art keywords
- current
- charge
- state
- equivalent circuit
- battery
- 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 160
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 43
- 230000002068 genetic effect Effects 0.000 claims abstract description 41
- 230000006870 function Effects 0.000 claims description 70
- 230000010287 polarization Effects 0.000 claims description 49
- 230000008859 change Effects 0.000 claims description 47
- 230000014509 gene expression Effects 0.000 claims description 40
- 230000008569 process Effects 0.000 claims description 25
- 238000003860 storage Methods 0.000 claims description 21
- 239000013598 vector Substances 0.000 claims description 21
- 238000013507 mapping Methods 0.000 claims description 10
- 239000003990 capacitor Substances 0.000 claims description 9
- 230000007704 transition Effects 0.000 claims description 7
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 abstract 1
- 229910052744 lithium Inorganic materials 0.000 abstract 1
- 239000011159 matrix material Substances 0.000 description 22
- 238000012937 correction Methods 0.000 description 18
- 238000010586 diagram Methods 0.000 description 16
- 238000004590 computer program Methods 0.000 description 10
- GELKBWJHTRAYNV-UHFFFAOYSA-K lithium iron phosphate Chemical compound [Li+].[Fe+2].[O-]P([O-])([O-])=O GELKBWJHTRAYNV-UHFFFAOYSA-K 0.000 description 10
- 230000010354 integration Effects 0.000 description 8
- 238000005070 sampling Methods 0.000 description 8
- 238000012546 transfer Methods 0.000 description 8
- 230000009466 transformation Effects 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000036962 time dependent Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010295 mobile communication 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
- G01R31/388—Determining ampere-hour charge capacity or SoC involving voltage measurements
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
- B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
- B60L58/12—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to state of charge [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
- G01R31/005—Testing of electric installations on transport means
- G01R31/006—Testing of electric installations on transport means on road vehicles, e.g. automobiles or trucks
- G01R31/007—Testing of electric installations on transport means on road vehicles, e.g. automobiles or trucks using microprocessors or computers
-
- 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]
- G01R31/378—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] specially adapted for the type of battery or accumulator
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Combustion & Propulsion (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Chemical & Material Sciences (AREA)
- Computer Hardware Design (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Secondary Cells (AREA)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
本申请提供了一种电池荷电状态的确定方法、确定装置和电子设备,该方法包括:获取根据运行遗传算法的戴维南等效电路模型的离线辨识得到的第一区间和根据开路电压的预设的取值区间得到的第二区间;根据当前端电压和当前电流,确定电池的当前预测值;在当前预测值位于第一区间时,根据当前端电压、当前电流和第一扩展卡尔曼滤波器确定电池的当前荷电状态;采用运行带遗忘因子递推最小二乘法的戴维南等效电路模型对当前端电压和当前电流进行在线辨识,得到当前开路电压;在当前开路电压位于第二区间时,根据当前端电压、当前电流和第二扩展卡尔曼滤波器确定电池的当前荷电状态。本申请解决了现有技术中混动车用锂电池包的SOC估算精度低的问题。
Description
技术领域
本申请涉及电池技术领域,具体而言,涉及一种电池荷电状态的确定方法、确定装置、计算机可读存储介质和电子设备。
背景技术
磷酸铁锂电池因其优异的性能在电动车领域获得了广泛的使用,但是由于磷酸铁锂电池的SOC(State Of Charge,荷电状态)-OCV(Open Circuit Voltage,开路电压)曲线平台区较长,在整车应用场景下,存在SOC估算误差大、SOC不准的难点。
对于混动车而言,其使用的SOC区间主要集中在平台区,采用常用的安时积分法估算SOC时,在没有满充满放校准以及静态校准的情况下,长时间使用,受累计误差的影响,会造成SOC估算误差越来越大,整车续驶历程缩短,引起较大的客户抱怨。
发明内容
本申请的主要目的在于提供一种电池荷电状态的确定方法、确定装置、计算机可读存储介质和电子设备,以至少解决现有技术中混动车用磷酸铁锂电池包SOC的估算精度低的问题。
为了实现上述目的,根据本申请的一个方面,提供了一种电池荷电状态的确定方法,所述确定方法包括:获取第一区间和第二区间,所述第一区间是根据目标OCV-SOC曲线确定的电池的荷电状态的取值区间,所述目标OCV-SOC曲线是采用第一戴维南等效电路模型对历史数据进行离线辨识得到的,所述第一戴维南等效电路模型为运行遗传算法的戴维南等效电路模型,所述历史数据包括所述电池的历史端电压和历史电流,所述第二区间为所述电池的开路电压的预设的取值区间;根据所述电池的当前端电压和当前电流,确定所述电池的当前预测值,所述当前预测值为预测的当前荷电状态值;在所述当前预测值位于所述第一区间的情况下,根据所述当前端电压、所述当前电流和第一扩展卡尔曼滤波器确定所述电池的当前荷电状态,所述第一扩展卡尔曼滤波器是根据第一模型参数建立的,所述第一模型参数是所述第一戴维南等效电路模型的模型参数,所述模型参数包括欧姆内阻、极化电阻、极化电容以及开路电压;采用第二戴维南等效电路模型对所述当前端电压和所述当前电流进行在线辨识,得到当前开路电压,所述第二戴维南等效电路模型为运行带遗忘因子递推最小二乘法的所述戴维南等效电路模型;在所述当前开路电压位于所述第二区间的情况下,根据所述当前端电压、所述当前电流和第二扩展卡尔曼滤波器确定所述电池的当前荷电状态,所述第二扩展卡尔曼滤波器是根据第二模型参数建立的,所述第二模型参数是所述第二戴维南等效电路模型的所述模型参数。
可选地,获取第一区间,包括:建立第一初始关系式,所述第一初始关系式表征所述第一模型参数中的所述开路电压与对应的荷电状态之间的关系,所述第一初始关系式包括多个第一未知系数;根据多个所述历史数据,采用所述第一戴维南等效电路模型对所述第一初始关系式进行拟合,计算多个所述第一未知系数的系数值,得到多个第一系数值,包括多个所述第一系数值的所述第一初始关系式为第一目标关系式,所述目标OCV-SOC曲线为所述第一目标关系式对应的曲线;确定所述目标OCV-SOC曲线的单调映射区间为所述第一区间。
可选地,在获取第一区间和第二区间之前,所述确定方法还包括:建立戴维南一阶等效电路模型,所述戴维南一阶等效电路模型的空间状态方程为:,其中,Uoc为所述开路电压,R0为所述欧姆内阻,Rp为所述极化电阻,Cp为所述极化电容,Up为极化电压,Ut为端电压数据,iL为电流数据;根据所述戴维南一阶等效电路模型和所述遗传算法,确定所述第一戴维南等效电路模型;根据所述戴维南一阶等效电路模型和所述带遗忘因子递推最小二乘法,确定所述第二戴维南等效电路模型。
可选地,根据所述当前端电压、所述当前电流和第一扩展卡尔曼滤波器确定所述电池的当前荷电状态,包括:建立关系式组,所述关系式组表征所述第一模型参数与对应的荷电状态之间的关系,所述关系式组包括多个第二未知系数;根据多个所述历史数据,采用所述第一戴维南等效电路模型对所述关系式组进行拟合,计算多个所述第二未知系数的系数值,得到多个第二系数值,包括多个所述第二系数值的所述关系式组构成目标关系式组;将所述当前预测值代入所述目标关系式组,得到所述第一模型参数的当前参数值;根据当前参数值,建立所述第一扩展卡尔曼滤波器;将所述当前端电压和所述当前电流输入所述第一扩展卡尔曼滤波器,得到所述当前荷电状态。
可选地,建立关系式组,所述关系式组表征所述第一模型参数与对应的荷电状态之间的关系,包括:建立第一关系式,所述第一关系式表征所述第一模型参数中的所述开路电压与对应的荷电状态之间的关系;建立第二关系式,所述第二关系式表征所述第一模型参数中的所述欧姆内阻与对应的荷电状态之间的关系;建立第三关系式,所述第三关系式表征所述第一模型参数中的所述极化电阻与对应的荷电状态之间的关系;建立第四关系式,所述第四关系式表征所述第一模型参数中的所述极化电容与对应的荷电状态之间的关系。
可选地,根据当前参数值,建立所述第一扩展卡尔曼滤波器,包括:根据当前参数值,确定所述第一扩展卡尔曼滤波器的状态变化函数和观测变化函数;根据所述状态变化函数和所述观测变化函数,确定状态方程和观测方程为:,得到所述第一扩展卡尔曼滤波器,其中,/>为所述状态变化函数,/>为所述观测变化函数,/>为k-1时刻的零均值的过程噪声,/>为k时刻的零均值的观测噪声,/>为k时刻的电池管理系统的状态向量,/>为k-1时刻的所述状态向量,/>为/>的估计值,/>为/>的估计值,/>为k时刻的控制量,/>为k-1时刻的所述控制量,/>为k时刻的观测值,/>为k-1时刻的状态转移参数,/>为k时刻的观测参数,/>,/>。
可选地,根据所述当前端电压、所述当前电流和第二扩展卡尔曼滤波器确定所述电池的当前荷电状态,包括:采用所述第二戴维南等效电路模型对所述当前端电压和所述当前电流进行在线辨识,得到所述第二模型参数;根据所述第二模型参数,建立所述第二扩展卡尔曼滤波器;将所述当前端电压和所述当前电流输入所述第二扩展卡尔曼滤波器,得到所述当前荷电状态。
根据本申请的另一方面,提供了一种电池的荷电状态的确定装置,所述装置包括:获取单元,用于获取第一区间和第二区间,所述第一区间是根据目标OCV-SOC曲线确定的电池的荷电状态的取值区间,所述目标OCV-SOC曲线是采用第一戴维南等效电路模型对历史数据进行离线辨识得到的,所述第一戴维南等效电路模型为运行遗传算法的戴维南等效电路模型,所述历史数据包括所述电池的历史端电压和历史电流,所述第二区间为所述电池的开路电压的预设的取值区间;第一确定单元,用于根据所述电池的当前端电压和当前电流,确定所述电池的当前预测值,所述当前预测值为预测的当前荷电状态值;第二确定单元,用于在所述当前预测值位于所述第一区间的情况下,根据所述当前端电压、所述当前电流和第一扩展卡尔曼滤波器确定所述电池的当前荷电状态,所述第一扩展卡尔曼滤波器是根据第一模型参数建立的,所述第一模型参数是所述第一戴维南等效电路模型的模型参数,所述模型参数包括欧姆内阻、极化电阻、极化电容以及开路电压;辨识单元,用于采用第二戴维南等效电路模型对所述当前端电压和所述当前电流进行在线辨识,得到当前开路电压,所述第二戴维南等效电路模型为运行带遗忘因子递推最小二乘法的所述戴维南等效电路模型;第三确定单元,用于在所述当前开路电压位于所述第二区间的情况下,根据所述当前端电压、所述当前电流和第二扩展卡尔曼滤波器确定所述电池的当前荷电状态,所述第二扩展卡尔曼滤波器是根据第二模型参数建立的,所述第二模型参数是所述第二戴维南等效电路模型的所述模型参数。
根据本申请的再一方面,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程序,其中,在所述程序运行时控制所述计算机可读存储介质所在设备执行任意一种所述确定方法。
根据本申请的又一方面,提供了一种电子设备,包括:一个或多个处理器,存储器,以及一个或多个程序,其中,所述一个或多个程序被存储在所述存储器中,并且被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行任意一种所述确定方法。
应用本申请的技术方案,首先获取第一区间和第二区间,第一区间是根据运行遗传算法的第一戴维南等效电路模型对历史数据进行离线辨识得到的,再根据电池的当前端电压和当前电流确定电池的当前预测值,在当前预测值位于第一区间时,开启第一扩展卡尔曼滤波器确定电池的当前荷电状态,采用运行带遗忘因子递推最小二乘法的第二戴维南等效电路模型对当前端电压和当前电流进行在线辨识,得到当前开路电压,在当前开路电压位于第二区间时,开启第二扩展卡尔曼滤波器确定电池的当前荷电状态。相比于现有技术中采用安时积分法导致混动车用磷酸铁锂电池包SOC的估算精度低的问题,本申请一方面根据运行遗传算法的第一戴维南等效电路模型对历史数据进行离线辨识得到第一区间,在当前预测值位于第一区间时开启第一扩展卡尔曼滤波器确定电池的当前荷电状态,可以通过遗传算法来扩宽电池的在线修正窗口,提升荷电状态的估算精度,另一方面采用运行带遗忘因子递推最小二乘法的第二戴维南等效电路模型对当前端电压和当前电流进行在线辨识得到当前开路电压,在当前开路电压位于第二区间时,开启第二扩展卡尔曼滤波器确定电池的当前荷电状态,可以通过带遗忘因子递推最小二乘法来降低历史信息对估算精度的影响,进一步提升荷电状态的估算精度。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1示出了根据本申请的实施例中提供的一种执行电池荷电状态的确定方法的移动终端的硬件结构框图;
图2示出了根据本申请的实施例提供的一种电池荷电状态的确定方法的流程示意图;
图3示出了根据本申请的实施例提供的一种戴维南一阶等效电路模型的示意图;
图4示出了根据本申请的实施例提供的一种经典的OCV-SOC曲线示意图;
图5示出了根据本申请的实施例提供的一种混动工况信息示意图;
图6示出了根据本申请的实施例提供的一种不同的初始偏差的SOC修正示意图;
图7示出了根据本申请的实施例提供的一种不同的初始偏差的SOC修正精度示意图;
图8示出了根据本申请的实施例提供的一种具体的电池荷电状态的确定方法的流程示意图;
图9示出了根据本申请的实施例提供的一种电池荷电状态的确定装置的结构框图。
其中,上述附图包括以下附图标记:
102、处理器;104、存储器;106、传输设备;108、输入输出设备;11、电源;12、欧姆内阻;13、极化电阻;14、极化电容。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请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申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,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,都应当属于本申请保护的范围。
需要说明的是,本申请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,以便这里描述的本申请的实施例。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。
正如背景技术中所介绍的,现有技术中混动车用磷酸铁锂电池包SOC的估算精度低,为解决如上的问题,本申请的实施例提供了一种电池荷电状态的确定方法、确定装置、计算机可读存储介质和电子设备。
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。
本申请实施例中所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例,图1是本发明实施例的一种电池荷电状态的确定方法的移动终端的硬件结构框图。如图1所示,移动终端可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104,其中,上述移动终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述移动终端的结构造成限定。例如,移动终端还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。
存储器104可用于存储计算机程序,例如,应用软件的软件程序以及模块,如本发明实施例中的电池荷电状态的确定方法对应的计算机程序,处理器102通过运行存储在存储器104内的计算机程序,从而执行各种功能应用以及数据处理,即实现上述的方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至移动终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。传输设备106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端的通信供应商提供的无线网络。在一个实例中,传输设备106包括一个网络适配器(Network Interface Controller,简称为NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输设备106可以为射频(Radio Frequency,简称为RF)模块,其用于通过无线方式与互联网进行通讯。
在本实施例中提供了一种运行于移动终端、计算机终端或者类似的运算装置的电池荷电状态的确定方法,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2是根据本申请实施例的电池荷电状态的确定方法的流程图。如图2所示,该方法包括以下步骤:
步骤S201,获取第一区间和第二区间,上述第一区间是根据目标OCV-SOC曲线确定的电池的荷电状态的取值区间,上述目标OCV-SOC曲线是采用第一戴维南等效电路模型对历史数据进行离线辨识得到的,上述第一戴维南等效电路模型为运行遗传算法的戴维南等效电路模型,上述历史数据包括上述电池的历史端电压和历史电流,上述第二区间为上述电池的开路电压的预设的取值区间;
具体地,离线辨识是指对采集的历史数据进行辨识,在线辨识是指对采集的实时端电压和电流进行辨识。当然,上述历史数据还可以包括电池的历史温度。对历史数据的要求是经过满充修正后的尽可能遍历全SOC区间的历史数据,以便反馈出更准确的第一戴维南等效电路模型,获取更准确的模型参数。
实际的应用过程中,本领域技术人员可以根据经验值设置上述第二区间,也可以通过多次实验得到,本申请对此不作具体限制。
步骤S202,根据上述电池的当前端电压和当前电流,确定上述电池的当前预测值,上述当前预测值为预测的当前荷电状态值;
实际的应用过程中,本领域技术人员可以根据实际需要灵活选择合适的方法来确定上述当前预测值,例如可以通过安时积分法或先验估计法来确定上述当前预测值,本申请对比不作具体限制。
步骤S203,在上述当前预测值位于上述第一区间的情况下,根据上述当前端电压、上述当前电流和第一扩展卡尔曼滤波器确定上述电池的当前荷电状态,上述第一扩展卡尔曼滤波器是根据第一模型参数建立的,上述第一模型参数是上述第一戴维南等效电路模型的模型参数,上述模型参数包括欧姆内阻、极化电阻、极化电容以及开路电压;
步骤S204,采用第二戴维南等效电路模型对上述当前端电压和上述当前电流进行在线辨识,得到当前开路电压,上述第二戴维南等效电路模型为运行带遗忘因子递推最小二乘法的上述戴维南等效电路模型;
步骤S205,在上述当前开路电压位于上述第二区间的情况下,根据上述当前端电压、上述当前电流和第二扩展卡尔曼滤波器确定上述电池的当前荷电状态,上述第二扩展卡尔曼滤波器是根据第二模型参数建立的,上述第二模型参数是上述第二戴维南等效电路模型的上述模型参数。
通过上述实施例,首先获取第一区间和第二区间,第一区间是根据运行遗传算法的第一戴维南等效电路模型对历史数据进行离线辨识得到的,再根据电池的当前端电压和当前电流确定电池的当前预测值,在当前预测值位于第一区间时,开启第一扩展卡尔曼滤波器确定电池的当前荷电状态,采用运行带遗忘因子递推最小二乘法的第二戴维南等效电路模型对当前端电压和当前电流进行在线辨识,得到当前开路电压,在当前开路电压位于第二区间时,开启第二扩展卡尔曼滤波器确定电池的当前荷电状态。相比于现有技术中采用安时积分法导致混动车用磷酸铁锂电池包SOC的估算精度低的问题,本申请一方面根据运行遗传算法的第一戴维南等效电路模型对历史数据进行离线辨识得到第一区间,在当前预测值位于第一区间时开启第一扩展卡尔曼滤波器确定电池的当前荷电状态,可以通过遗传算法来扩宽电池的在线修正窗口,提升荷电状态的估算精度,另一方面采用运行带遗忘因子递推最小二乘法的第二戴维南等效电路模型对当前端电压和当前电流进行在线辨识得到当前开路电压,在当前开路电压位于第二区间时,开启第二扩展卡尔曼滤波器确定电池的当前荷电状态,可以通过带遗忘因子递推最小二乘法来降低历史信息对估算精度的影响,进一步提升荷电状态的估算精度。
其他实施例中,确定上述电池的当前荷电状态之后,上述确定方法还包括:将上述当前荷电状态通过仪表或上位机显示。本实施例中,通过将当前荷电状态通过仪表或上位机显示,可以使用户更加直观明显地知晓电池的当前荷电状态。
一种可选方案中,获取第一区间,包括:建立第一初始关系式,上述第一初始关系式表征上述第一模型参数中的上述开路电压与对应的荷电状态之间的关系,上述第一初始关系式包括多个第一未知系数;根据多个上述历史数据,采用上述第一戴维南等效电路模型对上述第一初始关系式进行拟合,计算多个上述第一未知系数的系数值,得到多个第一系数值,包括多个上述第一系数值的上述第一初始关系式为第一目标关系式,上述目标OCV-SOC曲线为上述第一目标关系式对应的曲线;确定上述目标OCV-SOC曲线的单调映射区间为上述第一区间。本实施例中,通过建立第一初始关系式,再根据多个历史数据,采用第一戴维南等效电路模型对第一初始关系式进行拟合,第一戴维南等效电路模型为运行遗传算法的戴维南等效电路模型,通过遗传算法获取多个第一系数值,更精准地得到第一目标关系式,从而更精准地获取目标OCV-SOC曲线,使得获取的第一区间精度更高,使得最后估算出来的荷电状态的精度进一步地提升。
具体地,上述第一初始关系式包括以下其中之一:
1);
2);
3);
4);
5)。
其中,~/>为上述第一初始关系式的上述第一未知系数,/>为非负整数,z为上述电池的荷电状态,Uoc为上述电池的开路电压。
当然,上述第一初始关系式不仅仅局限于以上的五个拟合函数,以最佳拟合效果为目标,本领域技术人员可以根据实际需要灵活选择合适的第一初始关系式,本申请对此不作具体限制。
本申请实施例中,选择序号为1)的多项式拟合函数为第一初始关系式。
重构OCV-SOC曲线的目的是拓宽电池的修正区间,获得更好的SOC估计性能,手段是改变OCV曲线的斜率,应该遵循三个原则:首先,OCV能够用于SOC估计的重要原因之一是OCV-SOC具有单调映射关系,因此重构后的OCV斜率必须大于零,满足单调性原则;其次,重构后的OCV斜率大,电压误差小,保证SOC估计误差小,满足小误差原则;最后,重构后的OCV具有足够宽的修正区间,满足宽区间原则。最终,使得重构后的OCV曲线在(45%,75%)SOC区间内满足斜率在(0.16,0.36)之间。
本申请实施例中,上述第一区间为(45%,75%)。
在采用遗传算法进行离线辨识时,选择设置惩戒函数进行遗传优化。在适应度函数中,添加惩戒因子即可,比如在这里,当SOC在(45%, 75%)区间内斜率不满足k∈(0.16,0.36)条件时,给适应度函数一个较大的惩戒量。这种方式设置比较简单,但惩戒量影响最终寻优过程,而且限制方式相对间接,也可选择非线性不等式约束,此处不局限于一种。
其他实施例中,在获取第一区间和第二区间之前,上述确定方法还包括:建立戴维南一阶等效电路模型,上述戴维南一阶等效电路模型的空间状态方程为:,其中,Uoc为上述开路电压,R0为上述欧姆内阻,Rp为上述极化电阻,Cp为上述极化电容,Up为极化电压,Ut为端电压数据,iL为电流数据;根据上述戴维南一阶等效电路模型和上述遗传算法,确定上述第一戴维南等效电路模型;根据上述戴维南一阶等效电路模型和上述带遗忘因子递推最小二乘法,确定上述第二戴维南等效电路模型。本实施例中,通过戴维南一阶等效电路模型和遗传算法确定第一戴维南等效电路模型,通过戴维南一阶等效电路模型和带遗忘因子递推最小二乘法来确定第二戴维南等效电路模型,使用戴维南一阶等效电路模型就可以很简便地进行辨识,使确定电池的当前荷电状态的过程更简便,保证高精度的同时,还保证了高效率。
具体地,图3为戴维南一阶等效电路模型的示意图。如图3所示,上述戴维南一阶等效电路模型包括:电源11;欧姆内阻12,上述欧姆内阻12的第一端与上述电源11的正极电连接;极化电阻13,上述极化电阻13的第一端与上述欧姆内阻12的第二端电连接;极化电容14,上述极化电容14的第一端与上述欧姆内阻12的第二端电连接,上述极化电容14的第二端与上述极化电阻13的第二端电连接。
当然,除了建立上述戴维南一阶等效电路模型外,也可以建立戴维南二阶等效电路模型,还可以建立戴维南三阶等效电路模型,本领域技术人员可以根据实际需要灵活建立合适的第一戴维南等效电路模型和第二戴维南等效电路模型,本申请对此不作具体限制。
根据本申请的一些示例性实施例,根据上述当前端电压、上述当前电流和第一扩展卡尔曼滤波器确定上述电池的当前荷电状态,包括:建立关系式组,上述关系式组表征上述第一模型参数与对应的荷电状态之间的关系,上述关系式组包括多个第二未知系数;根据多个上述历史数据,采用上述第一戴维南等效电路模型对上述关系式组进行拟合,计算多个上述第二未知系数的系数值,得到多个第二系数值,包括多个上述第二系数值的上述关系式组构成目标关系式组;将上述当前预测值代入上述目标关系式组,得到上述第一模型参数的当前参数值;根据当前参数值,建立上述第一扩展卡尔曼滤波器;将上述当前端电压和上述当前电流输入上述第一扩展卡尔曼滤波器,得到上述当前荷电状态。本实施例中,首先建立关系式组,再根据多个历史数据,采用第一戴维南等效电路模型对关系式组进行拟合,得到目标关系式组,即利用了遗传算法来进行拟合,保证了目标关系式组的准确性,然后将当前预测值代入目标关系式组,得到第一模型参数的当前参数值,使得根据目标关系式组得到的当前参数值较为准确,根据当前参数值,建立第一扩展卡尔曼滤波器,将当前端电压和当前电流输入第一扩展卡尔曼滤波器,最终得到电池的当前荷电状态,通过建立与当前参数值有关的第一扩展卡尔曼滤波器,进一步地保证了当前荷电状态的准确性。
根据本申请的另一些示例性实施例,建立关系式组,上述关系式组表征上述第一模型参数与对应的荷电状态之间的关系,包括:建立第一关系式,上述第一关系式表征上述第一模型参数中的上述开路电压与对应的荷电状态之间的关系;建立第二关系式,上述第二关系式表征上述第一模型参数中的上述欧姆内阻与对应的荷电状态之间的关系;建立第三关系式,上述第三关系式表征上述第一模型参数中的上述极化电阻与对应的荷电状态之间的关系;建立第四关系式,上述第四关系式表征上述第一模型参数中的上述极化电容与对应的荷电状态之间的关系。通过建立第一关系式、第二关系式、第三关系式和第四关系式可以分别计算开路电压、欧姆内阻、极化电阻以及极化电容,以便于后续根据这些参数利用第一扩展卡尔曼滤波器进一步准确地确定电池的荷电状态。
具体地,上述第一关系式为;上述第二关系式为/>;上述第三关系式为/>;上述第四关系式为;其中,多项式阶数一般不大于5。
本申请的又一些可选方案中,根据当前参数值,建立上述第一扩展卡尔曼滤波器,包括:根据当前参数值,确定上述第一扩展卡尔曼滤波器的状态变化函数和观测变化函数;根据上述状态变化函数和上述观测变化函数,确定状态方程和观测方程为:,得到上述第一扩展卡尔曼滤波器,其中,/>为上述状态变化函数,/>为上述观测变化函数,/>为k-1时刻的零均值的过程噪声,/>为k时刻的零均值的观测噪声,/>为k时刻的电池管理系统的状态向量,/>为k-1时刻的上述状态向量,/>为/>的估计值,/>为/>的估计值,/>为k时刻的控制量,/>为k-1时刻的上述控制量,/>为k时刻的观测值,/>为k-1时刻的状态转移参数,/>为k时刻的观测参数,/>,/>。通过根据当前参数值,确定状态变化函数和观测变化函数,再根据状态变化函数和观测变化函数确定第一扩展卡尔曼滤波器,以便为后续进一步地确定电池的当前荷电状态作准备。
其他实施例中,根据上述状态变化函数和上述观测变化函数,确定状态方程和观测方程为:,得到上述第一扩展卡尔曼滤波器,包括:根据上述状态变化函数和上述观测变化函数,建立初始状态方程和初始观测方程:/>;在每一个时刻,对/>和/>用一阶泰勒展开线性化,即:/>;获取状态转移参数/>和观测参数/>;将上述第一系统参数公式代入到上述初始状态方程中,得到线性化后的目标状态方程,以及将上述第二系统参数公式代入到上述初始观测方程中,得到线性化后的目标观测方程,上述目标状态方程和上述目标观测方程分别为:/>,得到上述第一扩展卡尔曼滤波器。
具体地,将上述当前端电压和上述当前电流输入上述第一扩展卡尔曼滤波器,得到上述当前荷电状态,具体的计算流程为:初始化:设置初始值:,/>,/>,/>;/>为初始状态向量值,/>为误差协方差矩阵的初始值、/>为过程噪声协方差矩阵,/>为观测噪声协方差矩阵,需要说明的是,第一扩展卡尔曼滤波器中/>和/>通常为常数;先验估计:对于k=1,2,…,完成下面的先验估计操作,将状态向量和误差协方差矩阵估计从前一时刻(k-1)+推算到当前时刻/>,时间更新方程表示如下:状态向量预估:/>,误差协方差矩阵:/>;后验估计:此步骤用k时刻的测量值/>校正状态向量和误差协方差矩阵估计,估计结果分别用/>和/>表示,测量更新方程表示如下:新息矩阵更新:,卡尔曼增益矩阵:/>,状态向量修正:/>,误差协方差矩阵更新:/>;至此,完成了k时刻的状态估计,将算法从时间(k)推移至时间(k+1),准备(k+1)时刻的状态估计,且令/>,/>。
具体地,将状态方程和观测方程代入第一扩展卡尔曼滤波器,即能获取第一扩展卡尔曼滤波器中各定义式:,u=iL,y=Ut,
,/>,/>,。其中,/>为容量衰退系数,/>为电池的最大可用容量,/>为电池管理系统的采样时间间隔。
本申请的再一些可选方案中,根据上述当前端电压、上述当前电流和第二扩展卡尔曼滤波器确定上述电池的当前荷电状态,包括:采用上述第二戴维南等效电路模型对上述当前端电压和上述当前电流进行在线辨识,得到上述第二模型参数;根据上述第二模型参数,建立上述第二扩展卡尔曼滤波器;将上述当前端电压和上述当前电流输入上述第二扩展卡尔曼滤波器,得到上述当前荷电状态。通过第二戴维南等效电路模型对当前端电压和当前电流进行在线辨识,得到第二模型参数,根据第二模型参数,建立第二扩展卡尔曼滤波器,以此来确定当前荷电状态,进一步地提高了电池的荷电状态的估算精度。
具体地,将上述戴维南一阶等效电路模型经过拉普拉斯变换为离散函数,对上述戴维南一阶等效电路模型的空间状态方程微分求解如下:(认为极化电压初始值=0)。对上式作拉普拉斯变换,得:/>,整理后得到:/>,将方程组合并同类项,得到:/>,设/>,则系统的传递函数为:/>,由于采样数据是离散的,因此必须要对传递函数进行离散化处理,采用z变换将上式基于s坐标的方程映射到z坐标,坐标变换采用下式中的双线性变换法,式中/>是电池管理系统的采样时间间隔。
具体地,,可得离散化后的传递函数为:/>,其中,,上式中含有极化电阻/>、极化电容/>、欧姆内阻/>,分别用表示将它们解析出来,得:/>,其中,/>为时间常数,显然,当求出/>后,/>即可求出。
具体地,将系统的传递函数展开得到:,根据实数位移定理,对上式做z变换逆变换,得:/>,令,则上式可变形为:/>,考虑到电池管理系统的采样频率高,采样时间间隔短,认为在一个时间间隔内/>基本不变,即满足/>,因为,所以上式可变为:/>。定义系统的观测数据矩阵/>和模型参数矩阵/>,如下式:/>,则可以将改写为/>,基于该公式利用电池管理系统的在线采集数据进行在线辨识。
对于像电池这种持续缓慢变化的启发式系统,传统的递推最小二乘法难以获取稳定可靠的估计结果,故采用了带有遗忘因子递推最小二乘法。计算过程如下:增加平稳的零均值白噪声,可得到:/>,对上式进行以下递推:,其中,μ为遗忘因子,表示历史信息与当前信息的权重,μ取得越小,意味着旧数据对参数估计的影响降低,新数据影响加大,算法能很好地跟踪时变参数;μ=1时表示历史信息与当前信息权重相同,上式退化为传统的递推最小二乘法,为了在线辨识结果的稳定性,通常取0.95~1之间,其他变量意义不变。
本申请实施例中,上述第二区间是通过0.025C的小电流恒流充放电试验获取的经典OCV-SOC曲线得到的,如图4所示的OCV-SOC曲线,将其进行区间划分,②和③为两个大平台区,连接两个平台区之间的Ⅲ,即为所找寻的第二区间,该区间可以明显看出OCV与SOC存在单调映射关系,满足单调性原则,可以有效识别偏差实现磷酸铁锂电池SOC的高精度估计。以上第二区间之外,采用安时积分即先验估计结果进行SOC估算,进入第二区间后,输出后验估计结果中修正后的SOC,可以充分保证有偏差时的有效修正和避免第二区间之外的误修正,有效提升SOC的在线估算精度。
图5分别示出了端电压与时间的关系曲线、电流与时间的关系曲线以及电池的当前预测值与实践的关系曲线。图6分别示出了当电池的初始SOC为50%时,在SOC的初始偏差分别为0%、5%、10%以及15%时,电池的估算SOC随时间的变化曲线。图7分别示出了在SOC的初始偏差分别为5%、10%以及15%时的电池的估算SOC与初始偏差为0%的电池的估算SOC的差值随时间变化的曲线。
为了使得本领域技术人员能够更加清楚地了解本申请的技术方案,以下将结合具体的实施例对本申请的电池荷电状态的确定方法的实现过程进行详细说明。
本实施例涉及一种具体的电池荷电状态的确定方法,如图8所示,包括如下步骤:
步骤S1:采集电池的历史数据,以及采集电池的当前端电压、当前电流和当前温度;
步骤S2:搭建运行遗传算法的第一戴维南等效电路模型和运行带遗忘因子递推最小二乘法的第二戴维南等效电路模型;
步骤S3:通过第一戴维南等效电路模型对历史端电压、历史电流和历史温度进行离线辨识,通过第二戴维南等效电路模型对当前端电压、当前电流和当前温度进行在线辨识;
步骤S4:获取第一模型参数和重构后的目标OCV-SOC曲线,以及获取第二模型参数和实时的OCV值;
步骤S5:扩展卡尔曼滤波器中的状态向量、误差协方差矩阵和噪声初始值设定;
步骤S6:建立系统控制方程;
步骤S7:分别将第一模型参数和重构后的目标OCV-SOC曲线输入扩展卡尔曼滤波器,以及将第二模型参数和实时的OCV值输入扩展卡尔曼滤波器,进行控制方程状态向量的先验估算;
步骤S8:控制方程观测方程的计算;
步骤S9:新息矩阵计算;
步骤S10:控制方程状态向量的后验估算;
步骤S11:输出SOC估算值,并将SOC估算值通过仪表或上位机显示反馈为用户知晓。
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。
本申请实施例还提供了一种电池荷电状态的确定装置,需要说明的是,本申请实施例的电池荷电状态的确定装置可以用于执行本申请实施例所提供的用于电池荷电状态的确定方法。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”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。
以下对本申请实施例提供的电池荷电状态的确定装置进行介绍。
图9是根据本申请实施例的电池荷电状态的确定装置的示意图。如图9所示,该装置包括:
获取单元10,用于获取第一区间和第二区间,上述第一区间是根据目标OCV-SOC曲线确定的电池的荷电状态的取值区间,上述目标OCV-SOC曲线是采用第一戴维南等效电路模型对历史数据进行离线辨识得到的,上述第一戴维南等效电路模型为运行遗传算法的戴维南等效电路模型,上述历史数据包括上述电池的历史端电压和历史电流,上述第二区间为上述电池的开路电压的预设的取值区间;
具体地,离线辨识是指对采集的历史数据进行辨识,在线辨识是指对采集的实时端电压和电流进行辨识。当然,上述历史数据还可以包括电池的历史温度。对历史数据的要求是经过满充修正后的尽可能遍历全SOC区间的历史数据,以便反馈出更准确的第一戴维南等效电路模型,获取更准确的模型参数。
实际的应用过程中,本领域技术人员可以根据经验值设置上述第二区间,也可以通过多次实验得到,本申请对此不作具体限制。
第一确定单元20,用于根据上述电池的当前端电压和当前电流,确定上述电池的当前预测值,上述当前预测值为预测的当前荷电状态值;
第二确定单元30,用于在上述当前预测值位于上述第一区间的情况下,根据上述当前端电压、上述当前电流和第一扩展卡尔曼滤波器确定上述电池的当前荷电状态,上述第一扩展卡尔曼滤波器是根据第一模型参数建立的,上述第一模型参数是上述第一戴维南等效电路模型的模型参数,上述模型参数包括欧姆内阻、极化电阻、极化电容以及开路电压;
辨识单元40,用于采用第二戴维南等效电路模型对上述当前端电压和上述当前电流进行在线辨识,得到当前开路电压,上述第二戴维南等效电路模型为运行带遗忘因子递推最小二乘法的上述戴维南等效电路模型;
第三确定单元50,用于在上述当前开路电压位于上述第二区间的情况下,根据上述当前端电压、上述当前电流和第二扩展卡尔曼滤波器确定上述电池的当前荷电状态,上述第二扩展卡尔曼滤波器是根据第二模型参数建立的,上述第二模型参数是上述第二戴维南等效电路模型的上述模型参数。
通过上述实施例,通过获取单元获取第一区间和第二区间,第一区间是根据运行遗传算法的第一戴维南等效电路模型对历史数据进行离线辨识得到的,通过第一确定单元根据电池的当前端电压和当前电流确定电池的当前预测值,通过第二确定单元在当前预测值位于第一区间时,开启第一扩展卡尔曼滤波器确定电池的当前荷电状态,通过辨识单元采用运行带遗忘因子递推最小二乘法的第二戴维南等效电路模型对当前端电压和当前电流进行在线辨识,得到当前开路电压,通过第三确定单元在当前开路电压位于第二区间时,开启第二扩展卡尔曼滤波器确定电池的当前荷电状态。相比于现有技术中采用安时积分法导致混动车用磷酸铁锂电池包SOC的估算精度低的问题,本申请一方面根据运行遗传算法的第一戴维南等效电路模型对历史数据进行离线辨识得到第一区间,在当前预测值位于第一区间时开启第一扩展卡尔曼滤波器确定电池的当前荷电状态,可以通过遗传算法来扩宽电池的在线修正窗口,提升荷电状态的估算精度,另一方面采用运行带遗忘因子递推最小二乘法的第二戴维南等效电路模型对当前端电压和当前电流进行在线辨识得到当前开路电压,在当前开路电压位于第二区间时,开启第二扩展卡尔曼滤波器确定电池的当前荷电状态,可以通过带遗忘因子递推最小二乘法来降低历史信息对估算精度的影响,进一步提升荷电状态的估算精度。
其他实施例中,上述确定装置还包括:显示单元,用于确定上述电池的当前荷电状态之后,将上述当前荷电状态通过仪表或上位机显示。本实施例中,通过将当前荷电状态通过仪表或上位机显示,可以使用户更加直观明显地知晓电池的当前荷电状态。
一种可选方案中,上述获取单元包括:第一建立子单元,用于建立第一初始关系式,上述第一初始关系式表征上述第一模型参数中的上述开路电压与对应的荷电状态之间的关系,上述第一初始关系式包括多个第一未知系数;第一计算子单元,用于根据多个上述历史数据,采用上述第一戴维南等效电路模型对上述第一初始关系式进行拟合,计算多个上述第一未知系数的系数值,得到多个第一系数值,包括多个上述第一系数值的上述第一初始关系式为第一目标关系式,上述目标OCV-SOC曲线为上述第一目标关系式对应的曲线;第一确定子单元,用于确定上述目标OCV-SOC曲线的单调映射区间为上述第一区间。本实施例中,通过建立第一初始关系式,根据多个历史数据,采用第一戴维南等效电路模型对第一初始关系式进行拟合,第一戴维南等效电路模型为运行遗传算法的戴维南等效电路模型,通过遗传算法获取多个第一系数值,更精准地得到第一目标关系式,从而更精准地获取目标OCV-SOC曲线,使得获取的第一区间精度更高,使得估算出来的荷电状态的精度进一步地提升。
具体地,上述第一初始关系式包括以下其中之一:
1);
2);
3);
4);/>
5)。
其中,~/>为上述第一初始关系式的上述第一未知系数,/>为非负整数,z为上述电池的荷电状态,Uoc为上述电池的开路电压。
当然,上述第一初始关系式不仅仅局限于以上的五个拟合函数,以最佳拟合效果为目标,本领域技术人员可以根据实际需要灵活选择合适的第一初始关系式,本申请对此不作具体限制。
本申请实施例中,选择序号为1)的多项式拟合函数为第一初始关系式。
重构OCV-SOC曲线的目的是拓宽电池的修正区间,获得更好的SOC估计性能,手段是改变OCV曲线的斜率,应该遵循三个原则:首先,OCV能够用于SOC估计的重要原因之一是OCV-SOC具有单调映射关系,因此重构后的OCV斜率必须大于零,满足单调性原则;其次,重构后的OCV斜率大,电压误差小,保证SOC估计误差小,满足小误差原则;最后,重构后的OCV具有足够宽的修正区间,满足宽区间原则。最终,使得重构后的OCV曲线在(45%,75%)SOC区间内满足斜率在(0.16,0.36)之间。
本申请实施例中,上述第一区间为(45%,75%)。
在采用遗传算法进行离线辨识时,选择设置惩戒函数进行遗传优化。在适应度函数中,添加惩戒因子即可,比如在这里,当SOC在(45%, 75%)区间内斜率不满足k∈(0.16,0.36)条件时,给适应度函数一个较大的惩戒量。这种方式设置比较简单,但惩戒量影响最终寻优过程,而且限制方式相对间接,也可选择非线性不等式约束,此处不局限于一种。
其他实施例中,上述确定装置还包括:建立单元,用于在获取第一区间和第二区间之前,建立戴维南一阶等效电路模型,上述戴维南一阶等效电路模型的空间状态方程为:,其中,Uoc为上述开路电压,R0为上述欧姆内阻,Rp为上述极化电阻,Cp为上述极化电容,Up为极化电压,Ut为端电压数据,iL为电流数据;第四确定单元,用于根据上述戴维南一阶等效电路模型和上述遗传算法,确定上述第一戴维南等效电路模型;第五确定单元,用于根据上述戴维南一阶等效电路模型和上述带遗忘因子递推最小二乘法,确定上述第二戴维南等效电路模型。本实施例中,通过戴维南一阶等效电路模型和遗传算法确定第一戴维南等效电路模型,通过戴维南一阶等效电路模型和带遗忘因子递推最小二乘法来确定第二戴维南等效电路模型,使用戴维南一阶等效电路模型就可以很简便地进行辨识,使确定电池的当前荷电状态的过程更简便,保证高精度的同时,还保证了高效率。
具体地,图3为戴维南一阶等效电路模型的示意图。如图3所示,上述戴维南一阶等效电路模型包括:电源11;欧姆内阻12,上述欧姆内阻12的第一端与上述电源11的正极电连接;极化电阻13,上述极化电阻13的第一端与上述欧姆内阻12的第二端电连接;极化电容14,上述极化电容14的第一端与上述欧姆内阻12的第二端电连接,上述极化电容14的第二端与上述极化电阻13的第二端电连接。
当然,除了建立上述戴维南一阶等效电路模型外,也可以建立戴维南二阶等效电路模型,还可以建立戴维南三阶等效电路模型,本领域技术人员可以根据实际需要灵活建立合适的第一戴维南等效电路模型和第二戴维南等效电路模型,本申请对此不作具体限制。
根据本申请的一些示例性实施例,上述第二确定单元包括:第二建立子单元,用于建立关系式组,上述关系式组表征上述第一模型参数与对应的荷电状态之间的关系,上述关系式组包括多个第二未知系数;第二计算子单元,用于根据多个上述历史数据,采用上述第一戴维南等效电路模型对上述关系式组进行拟合,计算多个上述第二未知系数的系数值,得到多个第二系数值,包括多个上述第二系数值的上述关系式组构成目标关系式组;第三计算子单元,用于将上述当前预测值代入上述目标关系式组,得到上述第一模型参数的当前参数值;第三建立模块,用于根据当前参数值,建立上述第一扩展卡尔曼滤波器;第二确定子单元,用于将上述当前端电压和上述当前电流输入上述第一扩展卡尔曼滤波器,得到上述当前荷电状态。本实施例中,建立关系式组,根据多个历史数据,采用第一戴维南等效电路模型对关系式组进行拟合,得到目标关系式组,即利用了遗传算法来进行拟合,保证了目标关系式组的准确性,将当前预测值代入目标关系式组,得到第一模型参数的当前参数值,使得根据目标关系式组得到的当前参数值较为准确,根据当前参数值,建立第一扩展卡尔曼滤波器,将当前端电压和当前电流输入第一扩展卡尔曼滤波器,得到电池的当前荷电状态,通过建立与当前参数值有关的第一扩展卡尔曼滤波器,进一步地保证了当前荷电状态的准确性。
根据本申请的另一些示例性实施例,上述第二建立子单元包括:第一建立模块,用于建立第一关系式,上述第一关系式表征上述第一模型参数中的上述开路电压与对应的荷电状态之间的关系;第二建立模块,用于建立第二关系式,上述第二关系式表征上述第一模型参数中的上述欧姆内阻与对应的荷电状态之间的关系;第三建立模块,用于建立第三关系式,上述第三关系式表征上述第一模型参数中的上述极化电阻与对应的荷电状态之间的关系;第四建立模块,用于建立第四关系式,上述第四关系式表征上述第一模型参数中的上述极化电容与对应的荷电状态之间的关系。通过建立第一关系式、第二关系式、第三关系式和第四关系式可以分别计算开路电压、欧姆内阻、极化电阻以及极化电容,以便于后续根据这些参数利用第一扩展卡尔曼滤波器进一步准确地确定电池的荷电状态。
具体地,上述第一关系式为;上述第二关系式为/>;上述第三关系式为/>;上述第四关系式为;其中,多项式阶数一般不大于5。
本申请的又一些可选方案中,上述第三建立子单元包括:第一确定模块,用于根据当前参数值,确定上述第一扩展卡尔曼滤波器的状态变化函数和观测变化函数;第二确定模块,用于根据上述状态变化函数和上述观测变化函数,确定状态方程和观测方程为:,得到上述第一扩展卡尔曼滤波器,其中,/>为上述状态变化函数,/>为上述观测变化函数,/>为k-1时刻的零均值的过程噪声,/>为k时刻的零均值的观测噪声,/>为k时刻的电池管理系统的状态向量,/>为k-1时刻的上述状态向量,/>为/>的估计值,/>为/>的估计值,/>为k时刻的控制量,/>为k-1时刻的上述控制量,/>为k时刻的观测值,/>为k-1时刻的状态转移参数,/>为k时刻的观测参数,/>,/>。通过根据当前参数值,确定状态变化函数和观测变化函数,根据状态变化函数和观测变化函数确定第一扩展卡尔曼滤波器,以便为后续进一步地确定电池的当前荷电状态作准备。
其他实施例中,上述第二确定模块包括:建立子模块,用于根据上述状态变化函数和上述观测变化函数,建立初始状态方程和初始观测方程:;展开子模块,用于在每一个时刻,对/>和用一阶泰勒展开线性化,即:/>;获取子模块,用于获取状态转移参数/>和观测参数/>;确定子模块,用于将上述第一系统参数公式代入到上述初始状态方程中,得到线性化后的目标状态方程,以及将上述第二系统参数公式代入到上述初始观测方程中,得到线性化后的目标观测方程,上述目标状态方程和上述目标观测方程分别为:,得到上述第一扩展卡尔曼滤波器。
具体地,将上述当前端电压和上述当前电流输入上述第一扩展卡尔曼滤波器,得到上述当前荷电状态,具体的计算流程为:初始化:设置初始值: ,/>,/>,/>;/>为初始状态向量值,/>为误差协方差矩阵的初始值、/>为过程噪声协方差矩阵,/>为观测噪声协方差矩阵,需要说明的是,第一扩展卡尔曼滤波器中/>和/>通常为常数;先验估计:对于k=1,2,…,完成下面的先验估计操作,将状态向量和误差协方差矩阵估计从前一时刻(k-1)+推算到当前时刻/>,时间更新方程表示如下:状态向量预估:/>,误差协方差矩阵:/>;后验估计:用k时刻的测量值/>校正状态向量和误差协方差矩阵估计,估计结果分别用/>和/>表示,测量更新方程表示如下:新息矩阵更新:,卡尔曼增益矩阵:/>,状态向量修正:/>,误差协方差矩阵更新:/>;至此,完成了k时刻的状态估计,将算法从时间(k)推移至时间(k+1),准备(k+1)时刻的状态估计,且令/>,/>。
具体地,将状态方程和观测方程代入第一扩展卡尔曼滤波器,即能获取第一扩展卡尔曼滤波器中各定义式:,u=iL,y=Ut,/>
,/>,/>,。其中,/>为容量衰退系数,/>为电池的最大可用容量,/>为电池管理系统的采样时间间隔。
本申请的再一些可选方案中,上述第三确定单元,包括:辨识子单元,用于采用上述第二戴维南等效电路模型对上述当前端电压和上述当前电流进行在线辨识,得到上述第二模型参数;第四建立子单元,用于根据上述第二模型参数,建立上述第二扩展卡尔曼滤波器;第三确定子单元,用于将上述当前端电压和上述当前电流输入上述第二扩展卡尔曼滤波器,得到上述当前荷电状态。通过第二戴维南等效电路模型对当前端电压和当前电流进行在线辨识,得到第二模型参数,根据第二模型参数,建立第二扩展卡尔曼滤波器,以此来确定当前荷电状态,进一步地提高了电池的荷电状态的估算精度。
具体地,将上述戴维南一阶等效电路模型经过拉普拉斯变换为离散函数,对上述戴维南一阶等效电路模型的空间状态方程微分求解如下:(认为极化电压初始值=0)。对上式作拉普拉斯变换,得:/>,整理后得到:,将方程组合并同类项,得到:/>,设/>,则系统的传递函数为:/>,由于采样数据是离散的,因此必须要对传递函数进行离散化处理,采用z变换将上式基于s坐标的方程映射到z坐标,坐标变换采用下式中的双线性变换法,式中/>是电池管理系统的采样时间间隔。
具体地,,可得离散化后的传递函数为:/>,其中,,上式中含有极化电阻/>、极化电容/>、欧姆内阻/>,分别用/>表示将它们解析出来,得:/>,其中,/>为时间常数,显然,当求出/>后,/>即可求出。
具体地,将系统的传递函数展开得到:,根据实数位移定理,对上式做z变换逆变换,得:/>,令,则上式可变形为:/>,考虑到电池管理系统的采样频率高,采样时间间隔短,认为在一个时间间隔内/>基本不变,即满足/>,因为,所以上式可变为:/>。定义系统的观测数据矩阵/>和模型参数矩阵/>,如下式:/>,则可以将改写为/>,基于该公式利用电池管理系统的在线采集数据进行在线辨识。
对于像电池这种持续缓慢变化的启发式系统,传统的递推最小二乘法难以获取稳定可靠的估计结果,故采用了带有遗忘因子递推最小二乘法。计算过程如下:增加平稳的零均值白噪声,可得到:/>,对上式进行以下递推:,其中,μ为遗忘因子,表示历史信息与当前信息的权重,μ取得越小,意味着旧数据对参数估计的影响降低,新数据影响加大,算法能很好地跟踪时变参数;μ=1时表示历史信息与当前信息权重相同,上式退化为传统的递推最小二乘法,为了在线辨识结果的稳定性,通常取0.95~1之间,其他变量意义不变。
本申请实施例中,上述第二区间是通过0.025C的小电流恒流充放电试验获取的经典OCV-SOC曲线得到的,如图4所示的OCV-SOC曲线,将其进行区间划分,②和③为两个大平台区,连接两个平台区之间的Ⅲ,即为所找寻的第二区间,该区间可以明显看出OCV与SOC存在单调映射关系,满足单调性原则,可以有效识别偏差实现磷酸铁锂电池SOC的高精度估计。以上第二区间之外,采用安时积分即先验估计结果进行SOC估算,进入第二区间后,输出后验估计结果中修正后的SOC,可以充分保证有偏差时的有效修正和避免第二区间之外的误修正,有效提升SOC的在线估算精度。
图5分别示出了端电压与时间的关系曲线、电流与时间的关系曲线以及电池的当前预测值与实践的关系曲线。图6分别示出了当电池的初始SOC为50%时,在SOC的初始偏差分别为0%、5%、10%以及15%时,电池的估算SOC随时间的变化曲线。图7分别示出了在SOC的初始偏差分别为5%、10%以及15%时的电池的估算SOC与初始偏差为0%的电池的估算SOC的差值随时间变化的曲线。
上述电池荷电状态的确定装置包括处理器和存储器,上述获取单元、上述第一确定单元、上述第二确定单元、上述辨识单元和上述第三确定单元等均作为程序单元存储在存储器中,由处理器执行存储在存储器中的上述程序单元来实现相应的功能。上述模块均位于同一处理器中;或者,上述各个模块以任意组合的形式分别位于不同的处理器中。
本发明实施例提供了一种计算机可读存储介质,上述计算机可读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计算机可读存储介质所在设备执行上述电池的荷电状态的确定方法。
具体地,电池的荷电状态的确定方法包括:
步骤S201,获取第一区间和第二区间,上述第一区间是根据目标OCV-SOC曲线确定的电池的荷电状态的取值区间,上述目标OCV-SOC曲线是采用第一戴维南等效电路模型对历史数据进行离线辨识得到的,上述第一戴维南等效电路模型为运行遗传算法的戴维南等效电路模型,上述历史数据包括上述电池的历史端电压和历史电流,上述第二区间为上述电池的开路电压的预设的取值区间;
具体地,离线辨识是指对采集的历史数据进行辨识,在线辨识是指对采集的实时端电压和电流进行辨识。当然,上述历史数据还可以包括电池的历史温度。对历史数据的要求是经过满充修正后的尽可能遍历全SOC区间的历史数据,以便反馈出更准确的第一戴维南等效电路模型,获取更准确的模型参数。
实际的应用过程中,本领域技术人员可以根据经验值设置上述第二区间,也可以通过多次实验得到,本申请对此不作具体限制。
步骤S202,根据上述电池的当前端电压和当前电流,确定上述电池的当前预测值,上述当前预测值为预测的当前荷电状态值;
实际的应用过程中,本领域技术人员可以根据实际需要灵活选择合适的方法来确定上述当前预测值,例如可以通过安时积分法或先验估计法来确定上述当前预测值,本申请对比不作具体限制。
步骤S203,在上述当前预测值位于上述第一区间的情况下,根据上述当前端电压、上述当前电流和第一扩展卡尔曼滤波器确定上述电池的当前荷电状态,上述第一扩展卡尔曼滤波器是根据第一模型参数建立的,上述第一模型参数是上述第一戴维南等效电路模型的模型参数,上述模型参数包括欧姆内阻、极化电阻、极化电容以及开路电压;
步骤S204,采用第二戴维南等效电路模型对上述当前端电压和上述当前电流进行在线辨识,得到当前开路电压,上述第二戴维南等效电路模型为运行带遗忘因子递推最小二乘法的上述戴维南等效电路模型;
步骤S205,在上述当前开路电压位于上述第二区间的情况下,根据上述当前端电压、上述当前电流和第二扩展卡尔曼滤波器确定上述电池的当前荷电状态,上述第二扩展卡尔曼滤波器是根据第二模型参数建立的,上述第二模型参数是上述第二戴维南等效电路模型的上述模型参数。
可选地,获取第一区间,包括:建立第一初始关系式,上述第一初始关系式表征上述第一模型参数中的上述开路电压与对应的荷电状态之间的关系,上述第一初始关系式包括多个第一未知系数;根据多个上述历史数据,采用上述第一戴维南等效电路模型对上述第一初始关系式进行拟合,计算多个上述第一未知系数的系数值,得到多个第一系数值,包括多个上述第一系数值的上述第一初始关系式为第一目标关系式,上述目标OCV-SOC曲线为上述第一目标关系式对应的曲线;确定上述目标OCV-SOC曲线的单调映射区间为上述第一区间。
可选地,在获取第一区间和第二区间之前,上述确定方法还包括:建立戴维南一阶等效电路模型,上述戴维南一阶等效电路模型的空间状态方程为:,其中,Uoc为上述开路电压,R0为上述欧姆内阻,Rp为上述极化电阻,Cp为上述极化电容,Up为极化电压,Ut为端电压数据,iL为电流数据;根据上述戴维南一阶等效电路模型和上述遗传算法,确定上述第一戴维南等效电路模型;根据上述戴维南一阶等效电路模型和上述带遗忘因子递推最小二乘法,确定上述第二戴维南等效电路模型。
可选地,根据上述当前端电压、上述当前电流和第一扩展卡尔曼滤波器确定上述电池的当前荷电状态,包括:建立关系式组,上述关系式组表征上述第一模型参数与对应的荷电状态之间的关系,上述关系式组包括多个第二未知系数;根据多个上述历史数据,采用上述第一戴维南等效电路模型对上述关系式组进行拟合,计算多个上述第二未知系数的系数值,得到多个第二系数值,包括多个上述第二系数值的上述关系式组构成目标关系式组;将上述当前预测值代入上述目标关系式组,得到上述第一模型参数的当前参数值;根据当前参数值,建立上述第一扩展卡尔曼滤波器;将上述当前端电压和上述当前电流输入上述第一扩展卡尔曼滤波器,得到上述当前荷电状态。
可选地,建立关系式组,上述关系式组表征上述第一模型参数与对应的荷电状态之间的关系,包括:建立第一关系式,上述第一关系式表征上述第一模型参数中的上述开路电压与对应的荷电状态之间的关系;建立第二关系式,上述第二关系式表征上述第一模型参数中的上述欧姆内阻与对应的荷电状态之间的关系;建立第三关系式,上述第三关系式表征上述第一模型参数中的上述极化电阻与对应的荷电状态之间的关系;建立第四关系式,上述第四关系式表征上述第一模型参数中的上述极化电容与对应的荷电状态之间的关系。
可选地,根据当前参数值,建立上述第一扩展卡尔曼滤波器,包括:根据当前参数值,确定上述第一扩展卡尔曼滤波器的状态变化函数和观测变化函数;根据上述状态变化函数和上述观测变化函数,确定状态方程和观测方程为:,得到上述第一扩展卡尔曼滤波器,其中,/>为上述状态变化函数,/>为上述观测变化函数,/>为k-1时刻的零均值的过程噪声,/>为k时刻的零均值的观测噪声,/>为k时刻的电池管理系统的状态向量,/>为k-1时刻的上述状态向量,/>为/>的估计值,/>为/>的估计值,/>为k时刻的控制量,/>为k-1时刻的上述控制量,/>为k时刻的观测值,/>为k-1时刻的状态转移参数,/>为k时刻的观测参数,/>,/>。
可选地,根据上述当前端电压、上述当前电流和第二扩展卡尔曼滤波器确定上述电池的当前荷电状态,包括:采用上述第二戴维南等效电路模型对上述当前端电压和上述当前电流进行在线辨识,得到上述第二模型参数;根据上述第二模型参数,建立上述第二扩展卡尔曼滤波器;将上述当前端电压和上述当前电流输入上述第二扩展卡尔曼滤波器,得到上述当前荷电状态。
本发明实施例提供了一种电子设备,包括:一个或多个处理器,存储器,以及一个或多个程序,其中,上述一个或多个程序被存储在上述存储器中,并且被配置为由上述一个或多个处理器执行,上述一个或多个程序包括用于执行任意一种上述确定方法。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器 (CPU)、输入/输出接口、网络接口和内存。
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)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存 (PRAM)、静态随机存取存储器 (SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器 (RAM)、只读存储器 (ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘 (DVD) 或其他光学存储、磁盒式磁带,磁带磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体 (transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
从以上的描述中,可以看出,本申请上述的实施例实现了如下技术效果:
1)、本申请的电池荷电状态的确定方法中,首先获取第一区间和第二区间,第一区间是根据运行遗传算法的第一戴维南等效电路模型对历史数据进行离线辨识得到的,再根据电池的当前端电压和当前电流确定电池的当前预测值,在当前预测值位于第一区间时,开启第一扩展卡尔曼滤波器确定电池的当前荷电状态,采用运行带遗忘因子递推最小二乘法的第二戴维南等效电路模型对当前端电压和当前电流进行在线辨识,得到当前开路电压,在当前开路电压位于第二区间时,开启第二扩展卡尔曼滤波器确定电池的当前荷电状态。相比于现有技术中采用安时积分法导致混动车用磷酸铁锂电池包SOC的估算精度低的问题,本申请一方面根据运行遗传算法的第一戴维南等效电路模型对历史数据进行离线辨识得到第一区间,在当前预测值位于第一区间时开启第一扩展卡尔曼滤波器确定电池的当前荷电状态,可以通过遗传算法来扩宽电池的在线修正窗口,提升荷电状态的估算精度,另一方面采用运行带遗忘因子递推最小二乘法的第二戴维南等效电路模型对当前端电压和当前电流进行在线辨识得到当前开路电压,在当前开路电压位于第二区间时,开启第二扩展卡尔曼滤波器确定电池的当前荷电状态,可以通过带遗忘因子递推最小二乘法来降低历史信息对估算精度的影响,进一步提升荷电状态的估算精度。
2)、本申请的电池荷电状态的确定装置中,通过获取单元获取第一区间和第二区间,第一区间是根据运行遗传算法的第一戴维南等效电路模型对历史数据进行离线辨识得到的,通过第一确定单元根据电池的当前端电压和当前电流确定电池的当前预测值,通过第二确定单元在当前预测值位于第一区间时,开启第一扩展卡尔曼滤波器确定电池的当前荷电状态,通过辨识单元采用运行带遗忘因子递推最小二乘法的第二戴维南等效电路模型对当前端电压和当前电流进行在线辨识,得到当前开路电压,通过第三确定单元在当前开路电压位于第二区间时,开启第二扩展卡尔曼滤波器确定电池的当前荷电状态。相比于现有技术中采用安时积分法导致混动车用磷酸铁锂电池包SOC的估算精度低的问题,本申请一方面根据运行遗传算法的第一戴维南等效电路模型对历史数据进行离线辨识得到第一区间,在当前预测值位于第一区间时开启第一扩展卡尔曼滤波器确定电池的当前荷电状态,可以通过遗传算法来扩宽电池的在线修正窗口,提升荷电状态的估算精度,另一方面采用运行带遗忘因子递推最小二乘法的第二戴维南等效电路模型对当前端电压和当前电流进行在线辨识得到当前开路电压,在当前开路电压位于第二区间时,开启第二扩展卡尔曼滤波器确定电池的当前荷电状态,可以通过带遗忘因子递推最小二乘法来降低历史信息对估算精度的影响,进一步提升荷电状态的估算精度。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (9)
1.一种电池荷电状态的确定方法,其特征在于,所述确定方法包括:
获取第一区间和第二区间,所述第一区间是根据目标OCV-SOC曲线确定的电池的荷电状态的取值区间,所述目标OCV-SOC曲线是采用第一戴维南等效电路模型对历史数据进行离线辨识得到的,所述第一戴维南等效电路模型为运行遗传算法的戴维南等效电路模型,所述历史数据包括所述电池的历史端电压和历史电流,所述第二区间为所述电池的开路电压的预设的取值区间,所述第二区间为连接两个平台区之间的区间;
根据所述电池的当前端电压和当前电流,确定所述电池的当前预测值,所述当前预测值为预测的当前荷电状态值;
在所述当前预测值位于所述第一区间的情况下,根据所述当前端电压、所述当前电流和第一扩展卡尔曼滤波器确定所述电池的当前荷电状态,所述第一扩展卡尔曼滤波器是根据第一模型参数建立的,所述第一模型参数是所述第一戴维南等效电路模型的模型参数,所述模型参数包括欧姆内阻、极化电阻、极化电容以及开路电压;
采用第二戴维南等效电路模型对所述当前端电压和所述当前电流进行在线辨识,得到当前开路电压,所述第二戴维南等效电路模型为运行带遗忘因子递推最小二乘法的所述戴维南等效电路模型;
在所述当前开路电压位于所述第二区间的情况下,根据所述当前端电压、所述当前电流和第二扩展卡尔曼滤波器确定所述电池的当前荷电状态,所述第二扩展卡尔曼滤波器是根据第二模型参数建立的,所述第二模型参数是所述第二戴维南等效电路模型的所述模型参数,
获取第一区间,包括:
建立第一初始关系式,所述第一初始关系式表征所述第一模型参数中的所述开路电压与对应的荷电状态之间的关系,所述第一初始关系式包括多个第一未知系数;
根据多个所述历史数据,采用所述第一戴维南等效电路模型对所述第一初始关系式进行拟合,计算多个所述第一未知系数的系数值,得到多个第一系数值,包括多个所述第一系数值的所述第一初始关系式为第一目标关系式,所述目标OCV-SOC曲线为所述第一目标关系式对应的曲线;
确定所述目标OCV-SOC曲线的单调映射区间为所述第一区间。
2.根据权利要求1所述的确定方法,其特征在于,在获取第一区间和第二区间之前,所述确定方法还包括:
建立戴维南一阶等效电路模型,所述戴维南一阶等效电路模型的空间状态方程为:
,
其中,Uoc为所述开路电压,R0为所述欧姆内阻,Rp为所述极化电阻,Cp为所述极化电容,Up为极化电压,Ut为端电压数据,iL为电流数据;
根据所述戴维南一阶等效电路模型和所述遗传算法,确定所述第一戴维南等效电路模型;
根据所述戴维南一阶等效电路模型和所述带遗忘因子递推最小二乘法,确定所述第二戴维南等效电路模型。
3.根据权利要求1所述的确定方法,其特征在于,根据所述当前端电压、所述当前电流和第一扩展卡尔曼滤波器确定所述电池的当前荷电状态,包括:
建立关系式组,所述关系式组表征所述第一模型参数与对应的荷电状态之间的关系,所述关系式组包括多个第二未知系数;
根据多个所述历史数据,采用所述第一戴维南等效电路模型对所述关系式组进行拟合,计算多个所述第二未知系数的系数值,得到多个第二系数值,包括多个所述第二系数值的所述关系式组构成目标关系式组;
将所述当前预测值代入所述目标关系式组,得到所述第一模型参数的当前参数值;
根据当前参数值,建立所述第一扩展卡尔曼滤波器;
将所述当前端电压和所述当前电流输入所述第一扩展卡尔曼滤波器,得到所述当前荷电状态。
4.根据权利要求3所述的确定方法,其特征在于,建立关系式组,所述关系式组表征所述第一模型参数与对应的荷电状态之间的关系,包括:
建立第一关系式,所述第一关系式表征所述第一模型参数中的所述开路电压与对应的荷电状态之间的关系;
建立第二关系式,所述第二关系式表征所述第一模型参数中的所述欧姆内阻与对应的荷电状态之间的关系;
建立第三关系式,所述第三关系式表征所述第一模型参数中的所述极化电阻与对应的荷电状态之间的关系;
建立第四关系式,所述第四关系式表征所述第一模型参数中的所述极化电容与对应的荷电状态之间的关系。
5.根据权利要求3所述的确定方法,其特征在于,根据当前参数值,建立所述第一扩展卡尔曼滤波器,包括:
根据当前参数值,确定所述第一扩展卡尔曼滤波器的状态变化函数和观测变化函数;
根据所述状态变化函数和所述观测变化函数,确定状态方程和观测方程为:
,
得到所述第一扩展卡尔曼滤波器,其中,为所述状态变化函数,/>为所述观测变化函数,/>为k-1时刻的零均值的过程噪声,/>为k时刻的零均值的观测噪声,/>为k时刻的电池管理系统的状态向量,/>为k-1时刻的所述状态向量,/>为/>的估计值,/>为/>的估计值,/>为k时刻的控制量,/>为k-1时刻的所述控制量,/>为k时刻的观测值,/>为k-1时刻的状态转移参数,/>为k时刻的观测参数,,/>。
6.根据权利要求1所述的确定方法,其特征在于,根据所述当前端电压、所述当前电流和第二扩展卡尔曼滤波器确定所述电池的当前荷电状态,包括:
采用所述第二戴维南等效电路模型对所述当前端电压和所述当前电流进行在线辨识,得到所述第二模型参数;
根据所述第二模型参数,建立所述第二扩展卡尔曼滤波器;
将所述当前端电压和所述当前电流输入所述第二扩展卡尔曼滤波器,得到所述当前荷电状态。
7.一种电池的荷电状态的确定装置,其特征在于,所述装置包括:
获取单元,用于获取第一区间和第二区间,所述第一区间是根据目标OCV-SOC曲线确定的电池的荷电状态的取值区间,所述目标OCV-SOC曲线是采用第一戴维南等效电路模型对历史数据进行离线辨识得到的,所述第一戴维南等效电路模型为运行遗传算法的戴维南等效电路模型,所述历史数据包括所述电池的历史端电压和历史电流,所述第二区间为所述电池的开路电压的预设的取值区间,所述第二区间为连接两个平台区之间的区间;
第一确定单元,用于根据所述电池的当前端电压和当前电流,确定所述电池的当前预测值,所述当前预测值为预测的当前荷电状态值;
第二确定单元,用于在所述当前预测值位于所述第一区间的情况下,根据所述当前端电压、所述当前电流和第一扩展卡尔曼滤波器确定所述电池的当前荷电状态,所述第一扩展卡尔曼滤波器是根据第一模型参数建立的,所述第一模型参数是所述第一戴维南等效电路模型的模型参数,所述模型参数包括欧姆内阻、极化电阻、极化电容以及开路电压;
辨识单元,用于采用第二戴维南等效电路模型对所述当前端电压和所述当前电流进行在线辨识,得到当前开路电压,所述第二戴维南等效电路模型为运行带遗忘因子递推最小二乘法的所述戴维南等效电路模型;
第三确定单元,用于在所述当前开路电压位于所述第二区间的情况下,根据所述当前端电压、所述当前电流和第二扩展卡尔曼滤波器确定所述电池的当前荷电状态,所述第二扩展卡尔曼滤波器是根据第二模型参数建立的,所述第二模型参数是所述第二戴维南等效电路模型的所述模型参数,
所述获取单元包括:
第一建立子单元,用于建立第一初始关系式,所述第一初始关系式表征所述第一模型参数中的所述开路电压与对应的荷电状态之间的关系,所述第一初始关系式包括多个第一未知系数;
第一计算子单元,用于根据多个所述历史数据,采用所述第一戴维南等效电路模型对所述第一初始关系式进行拟合,计算多个所述第一未知系数的系数值,得到多个第一系数值,包括多个所述第一系数值的所述第一初始关系式为第一目标关系式,所述目标OCV-SOC曲线为所述第一目标关系式对应的曲线;
第一确定子单元,用于确定所述目标OCV-SOC曲线的单调映射区间为所述第一区间。
8.一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程序,其中,在所述程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至6中任意一项所述确定方法。
9.一种电子设备,其特征在于,包括:一个或多个处理器,存储器,以及一个或多个程序,其中,所述一个或多个程序被存储在所述存储器中,并且被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行权利要求1至6中任意一项所述确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311562489.7A CN117269801B (zh) | 2023-11-22 | 2023-11-22 | 电池荷电状态的确定方法、确定装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311562489.7A CN117269801B (zh) | 2023-11-22 | 2023-11-22 | 电池荷电状态的确定方法、确定装置和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117269801A CN117269801A (zh) | 2023-12-22 |
CN117269801B true CN117269801B (zh) | 2024-03-01 |
Family
ID=89219980
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311562489.7A Active CN117269801B (zh) | 2023-11-22 | 2023-11-22 | 电池荷电状态的确定方法、确定装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117269801B (zh) |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106443478A (zh) * | 2016-10-26 | 2017-02-22 | 河南师范大学 | 基于闭环混合算法的磷酸铁锂电池剩余电量的估算方法 |
CN107167738A (zh) * | 2017-04-21 | 2017-09-15 | 华南理工大学 | 一种基于ocv‑soc曲线特征的动力电池soc估算的修正方法及装置 |
CN109073707A (zh) * | 2016-02-19 | 2018-12-21 | 江森自控科技公司 | 用于可再充电电池容量的实时估计的系统和方法 |
CN111044916A (zh) * | 2020-01-02 | 2020-04-21 | 北京理工大学 | 一种动力电池的参数与全区间soc联合估计的方法 |
CN111284480A (zh) * | 2020-03-10 | 2020-06-16 | 浙江吉利新能源商用车集团有限公司 | 车用动力电池的soc修正方法及修正设备 |
CN111781503A (zh) * | 2020-06-15 | 2020-10-16 | 国网江苏省电力有限公司无锡供电分公司 | 一种锂离子储能电池soc在线估算方法 |
CN111985154A (zh) * | 2020-08-04 | 2020-11-24 | 力高(山东)新能源技术有限公司 | 一种自适应模糊卡尔曼估计soc算法 |
CN112858929A (zh) * | 2021-03-16 | 2021-05-28 | 上海理工大学 | 一种基于模糊逻辑与扩展卡尔曼滤波的电池soc估计方法 |
CN113203955A (zh) * | 2021-04-29 | 2021-08-03 | 南京林业大学 | 一种基于动态优选遗忘因子递推最小二乘在线辨识的磷酸铁锂电池soc估算方法 |
CN115455842A (zh) * | 2022-10-10 | 2022-12-09 | 四川轻化工大学 | 基于变温模型加权融合估计超级电容荷电状态的方法 |
CN115792626A (zh) * | 2022-11-14 | 2023-03-14 | 潍柴动力股份有限公司 | 一种估算电池荷电状态的方法及装置 |
CN115932586A (zh) * | 2022-11-16 | 2023-04-07 | 阳光电源(南京)有限公司 | 一种电池荷电状态在线估算方法、装置、设备及介质 |
CN115932691A (zh) * | 2022-11-25 | 2023-04-07 | 浙江凌骁能源科技有限公司 | 电池soc值的修正方法、装置、计算机设备和存储介质 |
CN115932591A (zh) * | 2022-08-30 | 2023-04-07 | 上海玫克生储能科技有限公司 | 基于pid-ekf的锂电池soc估算方法、系统、介质及电子设备 |
CN115923589A (zh) * | 2022-11-30 | 2023-04-07 | 章鱼博士智能技术(上海)有限公司 | 一种电池荷电状态修正方法及装置 |
CN116879777A (zh) * | 2023-07-18 | 2023-10-13 | 北京经纬恒润科技股份有限公司 | 电池荷电状态矫正方法和装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5924314B2 (ja) * | 2013-08-06 | 2016-05-25 | 株式会社デンソー | 組電池 |
CN112327174B (zh) * | 2021-01-05 | 2021-06-08 | 江苏时代新能源科技有限公司 | 电池的soc修正方法及装置、电池管理系统 |
-
2023
- 2023-11-22 CN CN202311562489.7A patent/CN117269801B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109073707A (zh) * | 2016-02-19 | 2018-12-21 | 江森自控科技公司 | 用于可再充电电池容量的实时估计的系统和方法 |
CN106443478A (zh) * | 2016-10-26 | 2017-02-22 | 河南师范大学 | 基于闭环混合算法的磷酸铁锂电池剩余电量的估算方法 |
CN107167738A (zh) * | 2017-04-21 | 2017-09-15 | 华南理工大学 | 一种基于ocv‑soc曲线特征的动力电池soc估算的修正方法及装置 |
CN111044916A (zh) * | 2020-01-02 | 2020-04-21 | 北京理工大学 | 一种动力电池的参数与全区间soc联合估计的方法 |
CN111284480A (zh) * | 2020-03-10 | 2020-06-16 | 浙江吉利新能源商用车集团有限公司 | 车用动力电池的soc修正方法及修正设备 |
CN111781503A (zh) * | 2020-06-15 | 2020-10-16 | 国网江苏省电力有限公司无锡供电分公司 | 一种锂离子储能电池soc在线估算方法 |
CN111985154A (zh) * | 2020-08-04 | 2020-11-24 | 力高(山东)新能源技术有限公司 | 一种自适应模糊卡尔曼估计soc算法 |
CN112858929A (zh) * | 2021-03-16 | 2021-05-28 | 上海理工大学 | 一种基于模糊逻辑与扩展卡尔曼滤波的电池soc估计方法 |
CN113203955A (zh) * | 2021-04-29 | 2021-08-03 | 南京林业大学 | 一种基于动态优选遗忘因子递推最小二乘在线辨识的磷酸铁锂电池soc估算方法 |
CN115932591A (zh) * | 2022-08-30 | 2023-04-07 | 上海玫克生储能科技有限公司 | 基于pid-ekf的锂电池soc估算方法、系统、介质及电子设备 |
CN115455842A (zh) * | 2022-10-10 | 2022-12-09 | 四川轻化工大学 | 基于变温模型加权融合估计超级电容荷电状态的方法 |
CN115792626A (zh) * | 2022-11-14 | 2023-03-14 | 潍柴动力股份有限公司 | 一种估算电池荷电状态的方法及装置 |
CN115932586A (zh) * | 2022-11-16 | 2023-04-07 | 阳光电源(南京)有限公司 | 一种电池荷电状态在线估算方法、装置、设备及介质 |
CN115932691A (zh) * | 2022-11-25 | 2023-04-07 | 浙江凌骁能源科技有限公司 | 电池soc值的修正方法、装置、计算机设备和存储介质 |
CN115923589A (zh) * | 2022-11-30 | 2023-04-07 | 章鱼博士智能技术(上海)有限公司 | 一种电池荷电状态修正方法及装置 |
CN116879777A (zh) * | 2023-07-18 | 2023-10-13 | 北京经纬恒润科技股份有限公司 | 电池荷电状态矫正方法和装置 |
Non-Patent Citations (5)
Title |
---|
BP神经网络在线优化卡尔曼滤波算法在钒电池SOC估算中的应用;曹弘飞;朱新坚;;电力建设(第04期);全文 * |
基于采样点卡尔曼滤波的动力电池SOC估计;高明煜;何志伟;徐杰;;电工技术学报(第11期);全文 * |
曹弘飞 ; 朱新坚 ; .BP神经网络在线优化卡尔曼滤波算法在钒电池SOC估算中的应用.电力建设.2018,(第04期),全文. * |
李凌锋 ; 陶晋宜 ; 张富强 ; .基于滚动时域估计EKF算法的电池SOC预测.电源技术.2020,(第07期),全文. * |
高明煜 ; 何志伟 ; 徐杰 ; .基于采样点卡尔曼滤波的动力电池SOC估计.电工技术学报.2011,(第11期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN117269801A (zh) | 2023-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113466723B (zh) | 确定电池荷电状态的方法及装置,电池管理系统 | |
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 | |
CN110927591B (zh) | 一种电池容量估计方法、计算机可读介质及车辆 | |
Hu et al. | Robustness analysis of State-of-Charge estimation methods for two types of Li-ion batteries | |
Kim et al. | Online SOC and SOH estimation for multicell lithium-ion batteries based on an adaptive hybrid battery model and sliding-mode observer | |
JP6240369B2 (ja) | バッテリーの充電状態を決定するためのシステムおよび方法 | |
CN104617623B (zh) | 一种电动汽车动力电池组均衡控制方法 | |
KR101160545B1 (ko) | 이차전지 건강상태 진단장치 | |
CN109188293B (zh) | 基于新息协方差带渐消因子的ekf锂离子电池soc估算方法 | |
CN107045108A (zh) | 一种充电过程中校准锂电池组soc的方法 | |
CN108732503A (zh) | 一种电池健康状态与电池容量检测方法及装置 | |
CN110967638B (zh) | 电池的剩余可用能量估算方法、装置、系统和存储介质 | |
CN106291393B (zh) | 一种用于在线识别电池模型参数的方法 | |
CN105223487B (zh) | 一种锂离子电池的多状态解耦估计方法 | |
CN103472403A (zh) | 一种基于pngv等效电路模型的动力电池soc复合估计方法 | |
Susanna et al. | Comparison of simple battery model and thevenin battery model for SOC estimation based on OCV method | |
CN112379270B (zh) | 一种电动汽车动力电池荷电状态滚动时域估计方法 | |
CN111048857A (zh) | 电池组的ocv-soc曲线更新方法、电池管理系统及车辆 | |
CN105699910A (zh) | 一种锂电池剩余电量在线估计方法 | |
CN113466725B (zh) | 确定电池荷电状态的方法及装置,存储介质及电子设备 | |
Nejad et al. | Sensitivity of lumped parameter battery models to constituent parallel-RC element parameterisation error | |
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 | |
CN111985154A (zh) | 一种自适应模糊卡尔曼估计soc算法 | |
CN115421044A (zh) | 锂离子电池状态确定方法、装置、电子设备及存储介质 | |
CN112946480B (zh) | 一种提高soc估计实时性的锂电池电路模型简化方法 |
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 |