CN117590259A - 基于迁移模型锂电池组全寿命宽温度soc高效估计方法 - Google Patents
基于迁移模型锂电池组全寿命宽温度soc高效估计方法 Download PDFInfo
- Publication number
- CN117590259A CN117590259A CN202311560537.9A CN202311560537A CN117590259A CN 117590259 A CN117590259 A CN 117590259A CN 202311560537 A CN202311560537 A CN 202311560537A CN 117590259 A CN117590259 A CN 117590259A
- Authority
- CN
- China
- Prior art keywords
- soc
- battery pack
- battery
- model
- particle
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 69
- 230000005012 migration Effects 0.000 title claims abstract description 53
- 238000013508 migration Methods 0.000 title claims abstract description 53
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 28
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 28
- 239000002245 particle Substances 0.000 claims abstract description 110
- 230000032683 aging Effects 0.000 claims abstract description 20
- 238000005457 optimization Methods 0.000 claims abstract description 5
- 230000010287 polarization Effects 0.000 claims description 42
- 238000013507 mapping Methods 0.000 claims description 17
- 239000003990 capacitor Substances 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000007599 discharging Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 6
- 230000010354 integration Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 238000012952 Resampling Methods 0.000 claims description 3
- 230000009471 action Effects 0.000 claims description 3
- 238000013459 approach Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 230000004069 differentiation Effects 0.000 claims description 3
- 238000000265 homogenisation Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000011084 recovery Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 abstract description 4
- 229910001416 lithium ion Inorganic materials 0.000 abstract description 4
- 230000015556 catabolic process Effects 0.000 abstract 1
- 238000006731 degradation reaction Methods 0.000 abstract 1
- 238000012360 testing method Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/385—Arrangements for measuring battery or accumulator variables
- G01R31/387—Determining ampere-hour charge capacity or SoC
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明涉及锂离子电池技术领域，且公开了基于迁移模型锂电池组全寿命宽温度SOC高效估计方法，构建电池组及数据采集、基础模型构建、获取基础模型参数与SOC之间的拟合关系、构建迁移模型并校正单元电池SOC，最后获取锂电池组SOC值。该基于迁移模型锂电池组全寿命宽温度SOC高效估计方法引入迁移模型充分考虑温度和老化对模型精度的影响，利用基于粒子权重选择优化的粒子滤波算法来应对传统粒子滤波算法粒子退化的问题，实现迁移因子的精确获取，通过权重因子拟合电池组的SOC，充分考虑了电池组中单元电池间的不一致性和使用安全性，且仅需两个单元电池SOC即可实现电池组SOC估算，计算量显著减少，实现了电池组全寿命宽温度SOC估计的精确性、高效性和安全性。
Description
技术领域
本发明涉及锂离子电池技术领域，具体为基于迁移模型锂电池组全寿命宽温度SOC高效估计方法。
背景技术
锂离子电池作为一种优秀的能源存储器，目前已经成为新能源汽车的主要动力来源。为了满足车辆长续航的使用要求，通常将一系列单体锂离子电池串并联组成电池组，并且配备一套高效的电池管理系统(Battery Mangement System,BMS)来保障其安全和可靠运行。SOC用来表征电池当前剩余电量，是锂电池工作过程中最重要的内部状态参数之一。准确估计电池SOC，对其使用安全及寿命延长具有重要意义。
然而，由于电池组组成结构较为复杂，电池组SOC估计的计算成本较高，实用性较差，且面临着建模不精确、电池老化以及电池单元之间不一致性等挑战。此外，复杂的工作环境温度变化也会进一步增加其精确估算难度，因此实现全服役过程宽温度范围电池组精确且高效的SOC估算变得至关重要
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了基于迁移模型锂电池组全寿命宽温度SOC高效估计方法，具备计算量较小、实用性强且具有较高的安全性等优点，解决了上述技术问题。
(二)技术方案
为实现上述目的，本发明提供如下技术方案：一种基于迁移模型锂电池组全寿命宽温度SOC高效估计方法，包括以下步骤：
S1、构建电池组及数据采集；
S2、基础模型构建：搭建二阶RC等效电路模型；
S3、获取基础模型参数与SOC之间的拟合关系：利用递推最小二乘法(Recursiveleast Square,RLS)，并引入遗忘因子对基础模型内部参数进行辨识，通过多项式拟合法获取基础模型参数与SOC之间的关系曲线；
S4、构建迁移模型并校正单元电池SOC，基于基础模型参数与SOC之间的拟合关系搭建迁移框架，在不同温度和老化情况下，通过将单元电池(单元电池的拓扑结构为6个单体电池并联)不精确的SOC值进行迁移，得到温度和老化影响下的真实SOC值；
S5、获取锂电池组SOC值，引入两个代表单元电池，并通过两个代表单元电池的权重因子以及代表单元电池SOC值，来对锂电池组的SOC进行计算。
作为本发明的优选技术方案，步骤S1中构建电池组的拓扑结构为6并14串并采集电池组总电压、电流和电池组中各串单元电池电压。
作为本发明的优选技术方案，所述二阶RC等效电路模型的电路方程如下：
其中，UOC为电池开路电压，Ut为电池t时刻的端电压，R0为电池欧姆内阻，R1和C1分别为电化学极化电阻和电化学极化电容，R2和C2分别为浓度差极化电阻和浓度差极化电容，U1和U2分别为R1C1和R2C2两端电压，τ1和τ2分别为电化学极化时间常数和浓度差极化时间常数，I表示电路中电流大小，和分别表示对时间分微分。
作为本发明的优选技术方案，所述步骤S3中获取基础模型参数与SOC之间的拟合关系的方法的步骤如下：
S3.1、对步骤S1中的单元电池电流和电压数据进行提取，采用6阶多项式拟合方法对开路电压OCV(Open Circuit Voltage,OCV)和SOC进行关系曲线拟合。
S3.2、利用带遗忘因子的RLS算法获取基础模型内部参数，其中的参数包括欧姆电阻R0、电化学极化电阻R1、电化学极化电容C1、浓度差极化电阻R2和浓度差极化电容C2；
S3.3、通过步骤S3.2中利用带遗忘因子的RLS算法得到的基础模型参数，采用6阶多项式拟合方法对模型参数和SOC进行关系曲线拟合。
作为本发明的优选技术方案，所述步骤S3.1中的具体拟合公式如下：
其中，UOC为电池开路电压，为第i阶模型对应UOC的拟合系数，SOCk为k时刻通过安时积分法所得到的参考SOC值。
作为本发明的优选技术方案，所述步骤S3.3中的曲线拟合的计算公式如下：
其中，R0，k、R1，k、C1，k、R2，k和C2，k为基础模型参数与SOC之间的拟合关系，表示第i阶模型对应电池模型参数的拟合系数，为电池模型参数R0与SOC之间的映射关系，为电池模型参数R1与SOC之间的映射关系，为电池模型参数C1与SOC之间的映射关系，为电池模型参数R2与SOC之间的映射关系，为电池模型参数C2与SOC之间的映射关系，表示对内部6阶模型进行求和，SOCk为k时刻通过安时积分法所得到的参考SOC值，且SOCk的表达式如下：
其中，SOC0指的是初始时刻的SOC值，Cn为电池的实际可用容量，η为库伦效应，Ij表示j时刻的电流值，Δt为采样时间，表示对内部计算值从j＝1至j＝k时刻进行求和。
作为本发明的优选技术方案，所述步骤S4中的迁移模型构建公式如下：
其中，X＝[x1,x2,x3,...,x14]表示14个未确定的迁移因子，T，β表示模型受到温度和老化的影响因子，*m表示对应参数表示基于迁移模型校正后的参数，表示分别对应每一个电池模型参数欧姆电阻R0、电化学极化电阻R1、电化学极化电容C1、浓度差极化电阻R2和浓度差极化电容C2与SOC之间的映射关系，表示对每一个电池模型参数进行矫正操作的函数，表示电池在k时刻下的修正电压，表示修正后的SOC值，表示对电池端电压的误差矫正函数，表示温度和老化影响下的不精确SOC值，其对应表达式如下：
其中为初始时刻的不精确SOC，C0表示电池的额定容量，η为库伦效应，Ij表示j时刻的电流值，Δt为采样时间，表示对内部计算值从j＝1至j＝k时刻进行求和。
作为本发明的优选技术方案，所述步骤S4的通过引入基于粒子权重选择优化的粒子滤波算法来校正单元电池SOC，具体步骤如下：
S4.1、以迁移因子X＝[x1,x2,x3,...,x14]矩阵作为系统的状态变量，电池端电压作为系统的观测量，负载电流I以及不精确的荷电状态作为系统的输入，基于粒子权重选择优化的粒子滤波算法建立系统状态方程和观测方程如下：
其中，x1,k、x2,k...x14,k和Ut,k分别为系统状态方程及输出方程，x*,k表示为k时刻的第*个迁移因子，x*,k-1表示为k-1时刻的第*个迁移因子，和为对应的系统噪声及其方差，Rand为随机在N中生成一个数，N表示粒子个数，表示k时刻第i个粒子系统输出值；
S4.2、通过先验概率确定初始粒子，其中xk为第k个时刻的粒子；
S4.3、预测下一步粒子状态，通过k-1时刻的状态xk-1来对k时刻的粒子进行预测；
S4.4、对粒子权重进行更新，具体表达式如下：
其中，表示k时刻第i个粒子系统输出值，为更新后的粒子权重，为当前的粒子权重，表示方差，σ15表示标准差，e为自然对数，π为圆周率；
S4.5、择优选择：选择N个粒子中权重最大的Ns个粒子；
S4.6、粒子权重归一化，具体计算公式如下：
其中，为更新后的Ns个粒子权重，为归一化后的粒子权重，为步骤S4.4中更新后的粒子权重，l表示粒子数量，表示对内部Ns个数据的求和；
S4.7、滤波估计，计算选中Ns个粒子的后验概率密度p(xk|U1，k)公式如下：
其中，U1，k表示k时刻U1的实际电压，为k时刻Ns个粒子的状态，xk表示k时刻常规粒子，表示对内部Ns个数据的求和；
S4.8、权值恢复与均一化：
其中，为全部粒子的归一化权重；
S4.9、当粒子效率Efft小于85％时，进行重采样，Efft具体公式如下：
其中，N粒子个数，表示对N个数据进行求和，重采样过程如下：
S4.9.1、随机生成Ns个任意数um，m＝{1，2，...，Ns}，且um∈(0，1)；
S4.9.2、若满足条件，则重采样粒子集的第m个粒子等于原始粒子集的第j个粒子；
S4.9.3、产生的新粒子的权重设为
S4.10、对模型端电压计算；
S4.11、SOC估计：
其中，为温度变化和电池老化影响下的真正SOC值，为k时刻第1个粒子的状态，为k时刻第2个粒子的状态，为全部粒子的归一化权重，表示对内部Ns个数据进行求和。
作为本发明的优选技术方案，所述步骤S5的具体流程如下：
S5.1、引入VVM模型概念定义电池组SOC，找到电池组中最高电压Vmax及最低电压Vmin单元电池作为代表电池；
S5.2、通过步骤S4计算其对应的SOC值，SOCmax和SOCmin；
S5.3、引入了两个k时刻的权重因子ω1(k)和ω2(k)，利用代表电池的SOC值对电池组输出SOC值进行动态调整并最终输出电池组SOC值，电池组SOC估计表达式如下：
SOCpack(k)＝SOCmax(k)*ω1(k)+SOCmin(k)*ω2(k)
其中，SOCpack(k)为k时刻电池组的SOC值，SOCmax(k)和SOCmin(k)为k时刻代表电池SOC值。
作为本发明的优选技术方案，所述步骤S5.3的权重因子的具体设置情况如下：
A1、在电池充电过程中，电池SOC平滑达到满充状态即等SOCmax，电池组输出SOC尽力追踪最高SOC，避免电池组中单元电池出现过充现象，将相应的权重因子ω2(k)设置为0，具体表达式如下：
SOCpack(k-1)≤1-(SOCmax(k)-SOCmin(k))
其中，SOCpack(k-1)表示为j-1时刻电池组的SOC值；
A2、在电池放电过程中，电池应根据实际电压条件，逐渐迅速达到放空状态，接近最低SOC值。同时当电池电量较低时，电池组输出SOC应跟踪最低SOC，防止了可能的电池组的过放电。因此，将权重因子ω1(k)设置为0，而ω2(k)的值将由最高和最低SOC共同来决定，并在整个过程中被视为一个常数，具体表达式如下：
SOCpack(k-1)≤SOCmax(k)-SOCmin(k)
其中，SOCpack(k-1)表示为k-1时刻电池组的SOC值；
A3、当电池组的实际SOC介于完全充电和完全放电状态之间时，权重因子的设置应确保电池组可以在最高和最低SOC之间平稳过渡。权重因子ω1(k)为SOCmax(k)与SOCmin(k)的平均值，权重因子ω2(k)＝1-ω1(k)，输出电池组SOC在单元电池最高与最低SOC之间平滑转换，具体表达式如下：
SOCmax(k)-SOCmin(k)≤SOCpack(k-1)≤1-(SOCmax(k)-SOCmin(k))
其中，SOCpack(k-1)表示为k-1时刻电池组的SOC值。
与现有技术相比，本发明提供了基于迁移模型锂电池组全寿命宽温度SOC高效估计方法，具备以下有益效果：
1、本发明通过基于迁移框架，将两个代表单元电池的SOC的温度和老化对模型精度的影响程度定为不确定量，实现锂电池组全寿命宽温度范围内的SOC精确估计。
2、本发明通过基于VVM模型概念，引入两个随着单元电池SOC动态变化而做出相应调整的权重因子，通过最高和最低电压对应的单元电池SOC以及权重因子来表征电池组输出SOC。当电池组处在充电状态时，只要有一个单元电池达到上截止电压，则电池组输出SOC显示满充，当电池组处在放电状态时，只要有一个单元电池达到下截止电压，则电池组输出SOC显示满放。在SOC值较高阶段，电池组SOC估计值不断地追踪单元电池最高SOC值；在SOC值较低阶段，电池组SOC估计值不断地追踪单元电池最小SOC值，并且当该单元电池放电结束时，电池组将同时放电结束。该方法充分考虑了电池组中单元电池之间电压及SOC不一致性的影响，且保证了电池组使用的安全性。
3、本发明建立了基于迁移模型并结合VVM模型概念的电池组SOC高效估计系统，只需选择电池组中的两个代表单元电池的数据对迁移模型在线迁移两次即可完成整个电池组的SOC估计，实现了电池组SOC估计的高效实用性。
附图说明
图1为本发明流程示意图；
图2为本发明二阶RC等效电路模型示意图；
图3为本发明电池组SOC高效估计流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，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，都属于本发明保护的范围。
请参阅图1-3，一种基于迁移模型锂电池组全寿命宽温度SOC高效估计方法，包括以下步骤：
S1、构建电池组及数据采集，选择单体电池并构建待测的电池组，电池组的拓扑结构为6并14串并采集电池组总电压、电流和电池组中各串单元电池电压；
S2、基础模型构建：搭建二阶RC等效电路模型，二阶RC等效电路模型的电路方程如下：
其中，UOC为电池开路电压，Ut为电池t时刻的端电压，R0为电池欧姆内阻，R1和C1分别为电化学极化电阻和电化学极化电容，R2和C2分别为浓度差极化电阻和浓度差极化电容，U1和U2分别为R1C1和R2C2两端电压，τ1和τ2分别为电化学极化时间常数和浓度差极化时间常数，I表示电路中电流大小，和分别表示对时间分微分；
S3、获取基础模型参数与SOC之间的拟合关系：利用HPPC工况测试数据获取电池组特征参数，进而建立开路电压OCV和SOC之间的关系，采用RLS算法，并引入遗忘因子对基础模型内部参数进行辨识，通过多项式拟合法获取基础模型参数与SOC之间的关系曲线；
S3.1、对步骤S1中的单元电池电流和电压数据进行提取，采用6阶多项式拟合方法对开路电压OCV和SOC进行关系曲线拟合
其中，UOC为电池开路电压，为第i阶模型对应UOC的拟合系数，SOCk为k时刻通过安时积分法所得到的参考SOC值；
S3.2、利用带遗忘因子的RLS算法获取基础模型内部参数，其中的参数包括欧姆电阻R0、电化学极化电阻R1、电化学极化电容C1、浓度差极化电阻R2和浓度差极化电容C2；
S3.3、通过步骤S3.2中利用带遗忘因子的RLS算法得到的基础模型参数，采用6阶多项式拟合方法对模型参数和SOC进行关系曲线拟合；
其中，R0，k、R1，k、C1，k、R2，k和C2，k为基础模型参数与SOC之间的拟合关系，表示第i阶模型对应电池模型参数的拟合系数，为电池模型参数R0与SOC之间的映射关系，为电池模型参数R1与SOC之间的映射关系，为电池模型参数C1与SOC之间的映射关系，为电池模型参数R2与SOC之间的映射关系，为电池模型参数C2与SOC之间的映射关系，表示对内部6阶模型进行求和，SOCk为k时刻通过安时积分法所得到的参考SOC值，且SOCk的表达式如下：
其中，SOC0指的是初始时刻的SOC值，Cn为电池的实际可用容量，η为库伦效应，Ij表示j时刻的电流值，Δt为采样时间，表示对内部计算值从j＝1至j＝k时刻进行求和；
S4、构建迁移模型并校正单元电池SOC：在不同温度和老化状态下，模型参数未知时，将温度和老化对模型精度影响程度定义为不确定量，通过斜率与偏差校正基础模型参数进而得到真实的模型参数，通过对基础模型进行线性变换，完成对迁移模型的建立，并引入基于粒子权重选择优化的粒子滤波算法来确定迁移因子，通过在线确定迁移因子，实现模型真实参数信息的在线确定，进一步将单元电池不精确的SOC值进行迁移，并得到温度和老化影响下的真实SOC值迁移模型构建公式如下：
其中，X＝[x1，x2，x3，...，x14]表示14个未确定的迁移因子，T，β表示模型受到温度和老化的影响因子，*m表示对应参数表示基于迁移模型校正后的参数，表示分别对应每一个电池模型参数欧姆电阻R0、电化学极化电阻R1、电化学极化电容C1、浓度差极化电阻R2和浓度差极化电容C2与SOC之间的映射关系，表示对每一个电池模型参数进行矫正操作的函数，表示电池在k时刻下的修正电压，表示修正后的SOC值，表示对电池端电压的误差矫正函数，表示温度和老化影响下的不精确SOC值，其对应表达式如下：
其中为初始时刻的不精确SOC，C0表示电池的额定容量，η为库伦效应，Ij表示j时刻的电流值，Δt为采样时间，表示对内部计算值从j＝1至j＝k时刻进行求和；通过引入基于粒子权重选择优化的粒子滤波算法来校正单元电池SOC，具体步骤如下：
S4.1、以迁移因子X＝[x1，x2，x3，...，x14]矩阵作为系统的状态变量，电池端电压作为系统的观测量，负载电流I以及不精确的荷电状态作为系统的输入，基于粒子权重选择优化的粒子滤波算法建立系统状态方程和观测方程如下：
其中，x1，k、x2，k...x14，k和Ut，k分别为系统状态方程及输出方程，x*，k表示为k时刻的第*个迁移因子，x*，k-1表示为k-1时刻的第*个迁移因子，和为对应的系统噪声及其方差，Rand为随机在N中生成一个数，N表示粒子个数，表示k时刻第i个粒子系统输出值；
S4.2、通过先验概率确定初始粒子，其中xk为第k个时刻的粒子；
S4.3、预测下一步粒子状态，通过k-1时刻的状态xk-1来对k时刻的粒子进行预测；
式中，为k-1时刻的系统噪声
S4.4、对粒子权重进行更新，具体表达式如下：
其中，表示k时刻第i个粒子系统输出值，为更新后的粒子权重，为当前的粒子权重，表示方差，σ15表示标准差，e为自然对数，π为圆周率；
S4.5、择优选择：选择N个粒子中权重最大的Ns个粒子；
S4.6、粒子权重归一化，具体计算公式如下：
其中，为更新后的Ns个粒子权重，为归一化后的粒子权重，为步骤S4.4中更新后的粒子权重，l表示粒子数量，表示对内部Ns个数据的求和；
S4.7、滤波估计，计算选中Ns个粒子的后验概率密度p(xk|U1,k)公式如下：
其中，U1，k表示k时刻U1的实际电压，为k时刻Ns个粒子的状态，xk表示k时刻常规粒子，表示对内部Ns个数据的求和，δ为狄利克雷函数；
S4.8、权值恢复与均一化：
其中，为全部粒子的归一化权重；
S4.9、当粒子效率Efft小于85％时，进行重采样，Efft具体公式如下：
其中，N粒子个数，表示对N个数据进行求和，重采样过程如下：
S4.9.1、随机生成Ns个任意数um，m＝{1，2，...，Ns}，且um∈(0，1)；
S4.9.2、若满足条件，则重采样粒子集的第m个粒子等于原始粒子集的第j个粒子；
S4.9.3、产生的新粒子的权重设为
S4.10、对模型端电压计算
S4.11、SOC估计：
其中，为温度变化和电池老化影响下的真正SOC值，为k时刻第1个粒子的状态，为k时刻第2个粒子的状态，为全部粒子的归一化权重，表示对内部Ns个数据进行求和；
S5、获取锂电池组SOC值：引入VVM模型概念定义电池组SOC，将两个代表单元电池的电流和电压作为模型输入，利用迁移模型估算两个代表单元电池的SOC，并进一步得到权重因子，通过权重因子和两个代表电池的SOC获取锂电池组SOC，具体流程如下：
S5.1、引入VVM模型概念定义电池组SOC，找到电池组中最高电压Vmax及最低电压Vmin单元电池作为代表电池；
S5.2、通过步骤S4计算其对应的SOC值，SOCmax和SOCmin；
S5.3、引入了两个k时刻的权重因子ω1(k)和ω2(k)，利用代表电池的SOC值对电池组输出SOC值进行动态调整并最终输出电池组SOC值，电池组SOC估计表达式如下：
SOCpack(k)＝SOCmax(k)*ω1(k)+SOCmin(k)*ω2(k)
其中，SOCpack(k)为k时刻电池组的SOC值，SOCmax(k)和SOCmin(k)为k时刻代表电池SOC值，权重因子ω1(k)和ω2(k)的数值范围在0-1之间，并且应随着电池工况的变化进行合理的变化，且当SOCmax与SOCmin的差值大于0.5时，电池组SOC估计系统将发出警告并停止。权重因子ω1(k)和ω2(k)设置情况如下：
情况Ⅰ、在电池充电过程中，电池SOC平滑达到满充状态即等SOCmax，电池组输出SOC尽力追踪最高SOC，避免电池组中单元电池出现过充现象，将相应的权重因子ω2(k)设置为0，具体表达式如下：
SOCpack(k-1)≤1-(SOCmax(k)-SOCmin(k))
其中，SOCpack(k-1)表示为k-1时刻电池组的SOC值；
情况Ⅱ、在电池放电过程中，电池应根据实际电压条件，逐渐迅速达到放空状态，接近最低SOC值。同时当电池电量较低时，电池组输出SOC应跟踪最低SOC，防止了可能的电池组的过放电。因此，将权重因子ω1(k)设置为0，而ω2(k)的值将由最高和最低SOC共同来决定，并在整个过程中被视为一个常数，具体表达式如下：
SOCpack(k-1)≤SOCmax(k)-SOCmin(k)
其中，SOCpack(k-1)表示为k-1时刻电池组的SOC值；
情况Ⅲ、当电池组的实际SOC介于完全充电和完全放电状态之间时，权重因子的设置应确保电池组可以在最高和最低SOC之间平稳过渡。权重因子ω1(k)为SOCmax(k)与SOCmin(k)的平均值，权重因子ω2(k)＝1-ω1(k)，输出电池组SOC在单元电池最高与最低SOC之间平滑转换，具体表达式如下：
SOCmax(k)-SOCmin(k)≤SOCpack(k-1)≤1-(SOCmax(k)-SOCmin(k))
其中，SOCpack(k-1)表示为k-1时刻电池组的SOC值。
为验证基于迁移模型的锂电池组全寿命宽温度SOC高效估计方法的有效性，使用均方根误差(RMSE)、平均绝对误差(AAE)和最大绝对误差(MAE)来评估所提方法的性能，并引入基于大电池模型(Big Cell Model,BCM)的电池组SOC估计结果作为对比来验证VVM模型的优越性，其中，RMSE、AAE和MAE的计算公式如下：
式中，h表示测试数据的长度，k表示测试数据的序号，SOCk表示测试集的参考值，表示经过迁移模型得到的估算值。
变温环境下US06工况实验数据验证电池组SOC估计结果如下表所示：
SOH＝100％，恒温环境下UDDS-FUDS混合工况实验数据验证电池组SOC估计结果如下表所示：
T＝40℃，不同老化状态下UDDS-FUDS混合工况实验数据验证电池组SOC估计结果如下表所示：
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种基于迁移模型锂电池组全寿命宽温度SOC高效估计方法，其特征在于：包括以下步骤：
S1、构建电池组及数据采集；
S2、基础模型构建：搭建二阶RC等效电路模型；
S3、获取基础模型参数与SOC之间的拟合关系：利用递推最小二乘法，并引入遗忘因子对基础模型内部参数进行辨识，通过多项式拟合法获取基础模型参数与SOC之间的关系曲线；
S4、构建迁移模型并校正单元电池SOC，基于基础模型参数与SOC之间的拟合关系搭建迁移框架，在不同温度和老化情况下，通过将单元电池不精确的SOC值进行迁移，得到温度和老化影响下的真实SOC值；
S5、获取锂电池组SOC值，引入两个代表单元电池，并通过两个代表单元电池的权重因子以及代表单元电池SOC值，来对锂电池组的SOC进行计算。
2.根据权利要求1所述的基于迁移模型锂电池组全寿命宽温度SOC高效估计方法，其特征在于：所述步骤S1中构建电池组的拓扑结构为6并14串并采集电池组总电压、电流和电池组中各串单元电池电压。
3.根据权利要求1所述的基于迁移模型锂电池组全寿命宽温度SOC高效估计方法，其特征在于：所述二阶RC等效电路模型的电路方程如下：
其中，UOC为电池开路电压，Ut为电池t时刻的端电压，R0为电池欧姆内阻，R1和C1分别为电化学极化电阻和电化学极化电容，R2和C2分别为浓度差极化电阻和浓度差极化电容，U1和U2分别为R1C1和R2C2两端电压，τ1和τ2分别为电化学极化时间常数和浓度差极化时间常数，I表示电路中电流大小，和分别表示对时间分微分。
4.根据权利要求3所述的基于迁移模型锂电池组全寿命宽温度SOC高效估计方法，其特征在于：所述步骤S3中获取基础模型参数与SOC之间的拟合关系的方法的步骤如下：
S3.1、对步骤S1中的单元电池电流和电压数据进行提取，采用6阶多项式拟合方法对开路电压OCV和SOC进行关系曲线拟合；
S3.2、利用带遗忘因子的RLS算法获取基础模型内部参数，其中的参数包括欧姆电阻R0、电化学极化电阻R1、电化学极化电容C1、浓度差极化电阻R2和浓度差极化电容C2；
S3.3、通过步骤S3.2中利用带遗忘因子的RLS算法得到的基础模型参数，采用6阶多项式拟合方法对模型参数和SOC进行关系曲线拟合。
5.根据权利要求4所述的基于迁移模型锂电池组全寿命宽温度SOC高效估计方法，其特征在于：所述步骤S3.1中的具体拟合公式如下：
其中，UOC为电池开路电压，为第i阶模型对应UOC的拟合系数，SOCk为k时刻通过安时积分法所得到的参考SOC值，为六阶模型求和。
6.根据权利要求5所述的基于迁移模型锂电池组全寿命宽温度SOC高效估计方法，其特征在于：所述步骤S3.3中的曲线拟合的计算公式如下：
其中，R0,k、R1,k、C1,k、R2,k和C2,k为基础模型参数与SOC之间的拟合关系，表示第i阶模型对应电池模型参数的拟合系数，为电池模型参数R0与SOC之间的映射关系，为电池模型参数R1与SOC之间的映射关系，为电池模型参数C1与SOC之间的映射关系，为电池模型参数R2与SOC之间的映射关系，为电池模型参数C2与SOC之间的映射关系，表示对内部6阶模型进行求和，SOCk为k时刻通过安时积分法所得到的参考SOC值，且SOCk的表达式如下：
其中，SOC0指的是初始时刻的SOC值，Cn为电池的实际可用容量，η为库伦效应，Ij表示j时刻的电流值，Δt为采样时间，表示对内部计算值从j＝1至j＝k时刻进行求和。
7.根据权利要求6所述的基于迁移模型锂电池组全寿命宽温度SOC高效估计方法，其特征在于：所述步骤S4中的迁移模型构建公式如下：
其中，X＝[x1,x2,x3,...,x14]表示14个未确定的迁移因子，T,β表示模型受到温度和老化的影响因子，*m表示对应参数表示基于迁移模型校正后的参数，表示分别对应每一个电池模型参数欧姆电阻R0、电化学极化电阻R1、电化学极化电容C1、浓度差极化电阻R2和浓度差极化电容C2与SOC之间的映射关系，表示对每一个电池模型参数进行矫正操作的函数，表示电池在k时刻下的修正电压，表示修正后的SOC值，表示对电池端电压的误差矫正函数，表示温度和老化影响下的不精确SOC值，其对应表达式如下：
其中为初始时刻的不精确SOC，C0表示电池的额定容量，η为库伦效应，Ij表示j时刻的电流值，Δt为采样时间，表示对内部计算值从j＝1至j＝k时刻进行求和。
8.根据权利要求7所述的基于迁移模型锂电池组全寿命宽温度SOC高效估计方法，其特征在于：所述步骤S4的通过引入基于粒子权重选择优化的粒子滤波算法来校正单元电池SOC，具体步骤如下：
S4.1、以迁移因子X＝[x1,x2,x3,...,x14]矩阵作为系统的状态变量，电池端电压作为系统的观测量，负载电流I以及不精确的荷电状态作为系统的输入，基于粒子权重选择优化的粒子滤波算法建立系统状态方程和观测方程如下：
其中，x1,k、x2,k...x14,k和Ut,k分别为系统状态方程及输出方程，x*,k表示为k时刻的第*个迁移因子，x*,k-1表示为k-1时刻的第*个迁移因子，和为对应的系统噪声及其方差，Rand为随机在N中生成一个数，N表示粒子个数，表示k时刻第i个粒子系统输出值；
S4.2、通过先验概率确定初始粒子，其中xk为第k个时刻的粒子；
S4.3、预测下一步粒子状态，通过k-1时刻的状态xk-1来对k时刻的粒子进行预测；
S4.4、对粒子权重进行更新，具体表达式如下：
其中，表示k时刻第i个粒子系统输出值，为更新后的粒子权重，为当前的粒子权重，表示方差，σ15表示标准差，e为自然对数，π为圆周率；
S4.5、择优选择：选择N个粒子中权重最大的Ns个粒子；
S4.6、粒子权重归一化，具体计算公式如下：
其中，为更新后的Ns个粒子权重，为归一化后的粒子权重，为步骤S4.4中更新后的粒子权重，l表示粒子数量，表示对内部Ns个数据的求和；
S4.7、滤波估计，计算选中Ns个粒子的后验概率密度公式如下：
其中，U1,k表示k时刻U1的实际电压，为k时刻Ns个粒子的状态，xk表示k时刻常规粒子，表示对内部Ns个数据的求和，δ为狄利克雷函数；
S4.8、权值恢复与均一化：
其中，为全部粒子的归一化权重；
S4.9、当粒子效率Efft小于85％时，进行重采样，Efft具体公式如下：
其中，N粒子个数，表示对N个数据进行求和，重采样过程如下：
S4.9.1、随机生成Ns个任意数um，m＝{1,2,...,Ns}，且um∈(0,1)；
S4.9.2、若满足条件，则重采样粒子集的第m个粒子等于原始粒子集的第j个粒子；
S4.9.3、产生的新粒子的权重设为
S4.10、对模型端电压计算；
S4.11、SOC估计：
其中，为温度变化和电池老化影响下的真正SOC值，为k时刻第1个粒子的状态，为k时刻第2个粒子的状态，为全部粒子的归一化权重，表示对内部Ns个数据进行求和。
9.根据权利要求1所述的基于迁移模型锂电池组全寿命宽温度SOC高效估计方法，其特征在于：所述步骤S5的具体流程如下：
S5.1、引入VVM模型概念定义电池组SOC，找到电池组中最高电压Vmax及最低电压Vmin单元电池作为代表电池；
S5.2、通过步骤S4计算其对应的SOC值，SOCmax和SOCmin；
S5.3、引入了两个k时刻的权重因子ω1(k)和ω2(k)，利用代表电池的SOC值对电池组输出SOC值进行动态调整并最终输出电池组SOC值，电池组SOC估计表达式如下：
SOCpack(k)＝SOCmax(k)*ω1(k)+SOCmin(k)*ω2(k)
其中，SOCpack(k)为k时刻电池组的SOC值，SOCmax(k)和SOCmin(k)为k时刻代表电池SOC值。
10.根据权利要求9所述的基于迁移模型锂电池组全寿命宽温度SOC高效估计方法，其特征在于：所述步骤S5.3的权重因子的具体设置情况如下：
A1、在电池充电过程中，电池SOC平滑达到满充状态即等SOCmax，电池组输出SOC尽力追踪最高SOC，避免电池组中单元电池出现过充现象，将相应的权重因子ω2(k)设置为0，具体表达式如下：
SOCpack(k-1)≤1-(SOCmax(k)-SOCmin(k))
其中，SOCpack(k-1)表示为k-1时刻电池组的SOC值；
A2、在电池放电过程中，电池应根据实际电压条件，逐渐迅速达到放空状态，接近最低SOC值；同时当电池电量较低时，电池组输出SOC应跟踪最低SOC，防止了可能的电池组的过放电；因此，将权重因子ω1(k)设置为0，而ω2(k)的值将由最高和最低SOC共同来决定，并在整个过程中被视为一个常数，具体表达式如下：
SOCpack(k-1)≤SOCmax(k)-SOCmin(k)
其中，SOCpeak(k-1)表示为k-1时刻电池组的SOC值；
A3、当电池组的实际SOC介于完全充电和完全放电状态之间时，权重因子的设置应确保电池组可以在最高和最低SOC之间平稳过渡；权重因子ω1(k)为SOCmax(k)与SOCmin(k)的平均值，权重因子ω2(k)＝1-ω1(k)，输出电池组SOC在单元电池最高与最低SOC之间平滑转换，具体表达式如下：
SOCmax(k)-SOCmin(k)≤SOCpack(k-1)≤1-(SOCmax(k)-SOCmin(k))
其中，SOCpack(k-1)表示为k-1时刻电池组的SOC值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311560537.9A CN117590259B (zh) | 2023-11-22 | 2023-11-22 | 基于迁移模型锂电池组全寿命宽温度soc高效估计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311560537.9A CN117590259B (zh) | 2023-11-22 | 2023-11-22 | 基于迁移模型锂电池组全寿命宽温度soc高效估计方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117590259A true CN117590259A (zh) | 2024-02-23 |
| CN117590259B CN117590259B (zh) | 2024-04-16 |
Family
ID=89914538
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311560537.9A Active CN117590259B (zh) | 2023-11-22 | 2023-11-22 | 基于迁移模型锂电池组全寿命宽温度soc高效估计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117590259B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111679199A (zh) * | 2020-05-21 | 2020-09-18 | 昆明理工大学 | 一种锂离子电池soc估计方法及装置 |
| CN112444749A (zh) * | 2020-11-06 | 2021-03-05 | 南京航空航天大学 | 一种基于温度修正模型的锂电池荷电状态联合估计方法 |
| CN113484771A (zh) * | 2021-07-01 | 2021-10-08 | 昆明理工大学 | 一种锂离子电池宽温度全寿命soc及容量估计的方法 |
| CN114114038A (zh) * | 2021-11-22 | 2022-03-01 | 昆明理工大学 | 一种全寿命全温度下锂电池soc及可用容量联合估计方法 |
| CN114779105A (zh) * | 2022-04-15 | 2022-07-22 | 吉林大学 | 一种锂电池组的不一致性估计方法 |
-
2023
- 2023-11-22 CN CN202311560537.9A patent/CN117590259B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111679199A (zh) * | 2020-05-21 | 2020-09-18 | 昆明理工大学 | 一种锂离子电池soc估计方法及装置 |
| CN112444749A (zh) * | 2020-11-06 | 2021-03-05 | 南京航空航天大学 | 一种基于温度修正模型的锂电池荷电状态联合估计方法 |
| CN113484771A (zh) * | 2021-07-01 | 2021-10-08 | 昆明理工大学 | 一种锂离子电池宽温度全寿命soc及容量估计的方法 |
| CN114114038A (zh) * | 2021-11-22 | 2022-03-01 | 昆明理工大学 | 一种全寿命全温度下锂电池soc及可用容量联合估计方法 |
| CN114779105A (zh) * | 2022-04-15 | 2022-07-22 | 吉林大学 | 一种锂电池组的不一致性估计方法 |
Non-Patent Citations (2)
| Title |
|---|
| 申江卫，等: "基于迁移模型的锂离子电池宽温度全寿命 SOC 与可用容量联合估计", 《电工技术学报》, vol. 38, no. 11, 30 June 2023 (2023-06-30), pages 3052 - 3063 * |
| 陈峥，等: "基于迁移模型的老化锂离子电池SOC估计", 《储能科学与技术》, vol. 10, no. 1, 31 January 2021 (2021-01-31), pages 326 - 334 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117590259B (zh) | 2024-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112946499B (zh) | 基于机器学习的锂电池健康状态及荷电状态联合估算方法 | |
| Lai et al. | Co-estimation of state of charge and state of power for lithium-ion batteries based on fractional variable-order model | |
| CN110488194B (zh) | 一种基于电化学阻抗模型的锂电池soc估算方法及其系统 | |
| CN111060824B (zh) | 一种基于模型与算法分步融合的荷电状态估计方法 | |
| CN106814329A (zh) | 一种基于双卡尔曼滤波算法的电池soc在线估计方法 | |
| CN111337832A (zh) | 一种动力电池多维度融合soc和soh在线联合估算的方法 | |
| CN110795851A (zh) | 一种考虑环境温度影响的锂离子电池建模方法 | |
| CN112379270B (zh) | 一种电动汽车动力电池荷电状态滚动时域估计方法 | |
| CN112462282B (zh) | 基于机理模型的用于确定电池组实时荷电状态的方法 | |
| CN105699910A (zh) | 一种锂电池剩余电量在线估计方法 | |
| CN111044906A (zh) | 一种基于极大似然准则的锂离子电池能量状态估算方法 | |
| CN114371408B (zh) | 电池荷电状态的估算方法、充电曲线的提取方法及装置 | |
| CN112269133B (zh) | 一种基于预充电路模型参数识别的soc估计方法 | |
| CN111428433A (zh) | 基于混合滤波的锂离子电池状态计算方法 | |
| CN113484771A (zh) | 一种锂离子电池宽温度全寿命soc及容量估计的方法 | |
| CN110632520A (zh) | 一种动力电池soc的估算装置及其估算方法 | |
| CN114755582A (zh) | 一种环境温度不同时锂离子电池健康状态预估方法 | |
| CN112986848A (zh) | 一种估算动力电池soh的方法 | |
| CN116125278A (zh) | 一种基于lstm-ekf算法的锂电池soc估计方法和系统 | |
| 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 | |
| CN117330964A (zh) | 一种基于适应度值的锂电池荷电状态三区间融合估计方法 | |
| CN113935222B (zh) | 基于有序加权平均算子的动力电池多模型融合估计方法 | |
| CN115327415A (zh) | 基于限定记忆递推最小二乘算法的锂电池soc估算方法 | |
| CN114720881A (zh) | 一种基于改进初值带遗忘因子递推最小二乘法的锂电池参数辨识方法 | |
| CN117371230A (zh) | 一种计及极化效应的锂离子电池参数辨识方法 |
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 |