CN117601657A - 一种电池管理方法、装置、存储介质及车辆 - Google Patents
一种电池管理方法、装置、存储介质及车辆 Download PDFInfo
- Publication number
- CN117601657A CN117601657A CN202410078190.2A CN202410078190A CN117601657A CN 117601657 A CN117601657 A CN 117601657A CN 202410078190 A CN202410078190 A CN 202410078190A CN 117601657 A CN117601657 A CN 117601657A
- Authority
- CN
- China
- Prior art keywords
- battery
- current
- voltage
- working condition
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000007726 management method Methods 0.000 title claims abstract description 41
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 30
- 230000004044 response Effects 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 31
- 238000000034 method Methods 0.000 claims description 29
- 230000008859 change Effects 0.000 claims description 22
- 230000003044 adaptive effect Effects 0.000 claims description 14
- 238000001514 detection method Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 8
- HEZMWWAKWCSUCB-PHDIDXHHSA-N (3R,4R)-3,4-dihydroxycyclohexa-1,5-diene-1-carboxylic acid Chemical compound O[C@@H]1C=CC(C(O)=O)=C[C@H]1O HEZMWWAKWCSUCB-PHDIDXHHSA-N 0.000 claims 1
- 239000003990 capacitor Substances 0.000 description 17
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 6
- 238000005070 sampling Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 3
- 238000011217 control strategy Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 208000000044 Amnesia Diseases 0.000 description 1
- 208000031091 Amnestic disease Diseases 0.000 description 1
- 101000802640 Homo sapiens Lactosylceramide 4-alpha-galactosyltransferase Proteins 0.000 description 1
- 102100035838 Lactosylceramide 4-alpha-galactosyltransferase Human genes 0.000 description 1
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000006986 amnesia Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Classifications
-
- 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
- B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
- B60L3/0023—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train
- B60L3/0046—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train relating to electric energy storage systems, e.g. batteries or capacitors
-
- 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
- B60L1/00—Supplying electric power to auxiliary equipment of vehicles
-
- 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]
-
- 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
- B60L2240/00—Control parameters of input or output; Target parameters
- B60L2240/40—Drive Train control parameters
- B60L2240/54—Drive Train control parameters related to batteries
- B60L2240/547—Voltage
-
- 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
- B60L2240/00—Control parameters of input or output; Target parameters
- B60L2240/40—Drive Train control parameters
- B60L2240/54—Drive Train control parameters related to batteries
- B60L2240/549—Current
-
- 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
Abstract
本发明提供了一种电池管理方法、装置、存储介质及车辆,涉及电池管理技术领域,电池管理方法包括:响应于检测到待测电池包进入预充电工况,获取待测电池包在预充电工况下的电池预充电电压和电池预充电电流;基于在线辨识算法,根据电池预充电电压和电池预充电电流确定电池等效电路模型的模型参数;获取待测电池包在预充电工况结束时的电池温度和电池荷电状态,根据电池温度和电池荷电状态确定电池等效电路模型的电池开路电压值;根据模型参数、电池开路电压值和预先确定的故障电流预估待测电池包的最小端电压值;当最小端电压值满足预设条件时,输出预警信息。本发明能够实现准确快速地预测待测电池包的电量状态,并能提前发出预警信息。
Description
技术领域
本发明涉及电池管理技术领域,具体而言,涉及一种电池管理方法、装置、存储介质及车辆。
背景技术
新能源汽车通常使用低压电池(例如低压锂电池)为整车的电子控制单元供电,该低压电池主要用于控制电机启停和实现车辆安全控制等,由于低压电池电量耗尽时会影响整车电子控制单元的供电,因此需要对低压电池进行电量检测,以便及时预警。
另外,新能源汽车通常还配备有DCDC(直流转直流转换器),其用于将动力电池提供的高压电能转换为低压电能来为低压电池充电。当车辆遇到DCDC失效故障(例如DCDC损坏)时,低压电池的电量会发生衰减,导致DCDC失效情况下难以对低压电池进行准确的电量检测。
相关技术中,需要在检测到DCDC故障信号后,再获取电池参数对低压电池进行电量检测,容易出现预警不及时的情况,进而影响车辆行车安全。
发明内容
本发明解决的问题是当出现DCDC失效故障时如何对电池电量进行检测,以提高低电量预警的及时性。
为解决上述问题,本发明提供一种电池管理方法、装置、存储介质及车辆。
第一方面,本发明提供了一种电池管理方法,包括:
响应于检测到待测电池包进入预充电工况,获取所述待测电池包在所述预充电工况下的电池预充电电压和电池预充电电流;
基于在线辨识算法,根据所述电池预充电电压和所述电池预充电电流确定电池等效电路模型的模型参数,并获取所述预充电工况结束的模型参数;
获取所述待测电池包在所述预充电工况结束时的电池温度和电池荷电状态,根据所述电池温度和所述电池荷电状态确定所述电池等效电路模型的电池开路电压值;
根据获取到的所述预充电工况结束时的模型参数、所述电池开路电压值和预先确定的故障电流预估所述待测电池包的最小端电压值;
当预估的所述最小端电压值满足预设条件时,输出预警信息。
可选地,所述获取所述待测电池包在预充电工况下的电池预充电电压和电池预充电电流包括:
获取所述待测电池包的电池实时电流,根据所述电池实时电流确定所述待测电池包在第一计时时间内的电流变化率;
获取第二计时时间内电池电流值,根据所述电流变化率和所述第二计时时间内的所述电池电流值确定所述预充电工况的启动时刻;
从所述启动时刻开始计时,经过第三计时时间后获取所述待测电池包的所述电池预充电电压和所述电池预充电电流。
可选地,所述根据所述电流变化率和第二计时时间内的所述电池电流值确定所述预充电工况的启动时刻包括:
当所述电流变化率大于或等于预设阈值,且所述电池电流值在所述第二计时时间内始终处于预设电流范围内时,确定所述预充电工况启动以及所述启动时刻。
可选地,所述基于在线辨识算法,根据所述电池预充电电压和所述电池预充电电流确定电池等效电路模型的模型参数包括:
初始化基于遗忘因子递归最小二乘法的参数;
根据所述电池预充电电压和所述电池预充电电流生成辨识输入数据向量;
基于所述辨识输入数据向量,采用所述遗忘因子递归最小二乘法确定所述电池等效电路模型的待估系数矩阵的估计值;
将所述待估系数矩阵的估计值输入所述电池等效电路模型的系数方程,确定所述电池等效电路模型的所述模型参数。
可选地,所述基于所述辨识输入数据向量,采用所述遗忘因子递归最小二乘法确定所述电池等效电路模型的待估系数矩阵的估计值包括:
根据所述辨识输入数据向量确定所述电池等效电路模型的模型电压;
根据所述模型电压和所述待测电池包的电池实时电压确定估计误差;
根据所述估计误差确定自适应遗忘因子,根据所述自适应遗忘因子和所述辨识输入数据向量更新算法增益和协方差矩阵;
根据所述算法增益和所述估计误差更新系数矩阵,得到所述待估系数矩阵的估计值。
可选地,所述根据获取到的所述预充电工况结束时的模型参数、所述电池开路电压值和预先确定的故障电流预估所述待测电池包的最小端电压值包括:
所述预充电工况结束后,获取所述预充电工况过程中所述电池等效电路模型的所述模型参数;
根据获取到的所述模型参数、所述电池开路电压值和不同工况下的所述故障电流,预估不同所述工况下下一时刻的电池电压值,其中,所述工况包括行驶工况、泊车工况和自动驾驶工况中的至少一者,所述故障电流根据不同所述工况下DCDC变换器失效后电流与时间的关系确定;
确定各种所述工况下的所述电池电压值的最小值为所述最小端电压值。
可选地,所述当预估的所述最小端电压值满足预设条件时,输出预警信息包括:
将所述最小端电压值与电压预警值进行对比;
当所述最小端电压值大于或等于所述电压预警值时,进入下一轮电池管理;当所述最小端电压值小于所述电压预警值时,输出所述预警信息。
可选地,所述预警信息包括:
当所述工况为行驶工况,且所述最小端电压小于所述电压预警值时,发出预警信息,以提示车辆控制器所述待测电池包将会处于低电压状态,即将进入限功率状态或无法工作状态;
当所述工况为泊车工况,且所述最小电池端电压小于所述电压预警值时,发出预警信息并无法启动车辆;
当所述工况为自动驾驶工况,且所述最小端电压小于或等于所述电压预警值时,发出预警信息并提示靠边停车和/或减速行驶。
第二方面,本发明提供了一种电池管理装置,包括:
获取模块,用于响应于检测到待测电池包进入预充电工况,获取所述待测电池包在所述预充电工况下的电池预充电电压和电池预充电电流;
处理模块,用于基于在线辨识算法,根据所述电池预充电电压和所述电池预充电电流确定电池等效电路模型的模型参数,并获取所述预充电工况结束时的模型参数;
预测模块,用于获取所述待测电池包在所述预充电工况结束时的电池温度和电池荷电状态,根据所述电池温度和所述电池荷电状态确定所述电池等效电路模型的电池开路电压值;根据获取到的所述预充电工况结束时的模型参数、所述电池开路电压值和预先确定的故障电流预估所述待测电池包的最小端电压值;
预警模块,用于当预估的所述最小端电压值满足预设条件时,输出预警信息。
第三方面,本发明提供了一种计算机可读存储介质,所述存储介质上存储有计算机程序,当所述计算机程序被处理器执行时,实现如第一方面所述的电池管理方法。
第四方面,本发明提供了一种车辆,包括存储器和处理器;所述存储器,用于存储计算机程序;所述处理器,用于当执行所述计算机程序时,实现如第一方面所述的电池管理方法。
本发明的电池管理方法、装置、存储介质及车辆的有益效果是:待测电池包进入预充电工况时,获取待测电池包在预充电工况下的电池预充电电压和电池预充电电流,根据电池预充电电压和电池预充电电流利用在线辨识算法确定电池等效电路模型的模型参数,电池等效电路模型可预先建立。获取预充电工况结束后当前时刻待测电池包的电池温度和电池荷电状态,固定电池等效电路模型的模型参数不变,根据电池温度和电池荷电状态确定电池等效电路模型在当前时刻的电池开路电压值。根据模型参数、电池开路电压值和预先确定的故障电流预测电池等效电路模型在下一时刻的最小端电压值,故障电流可根据出现DCDC变换器失效故障时电流与时间关系确定。判断最小端电压值是否满足预设阈值条件,若是,则输出预警信息。本发明利用预充电工况下的电池预充电电压、电池预充电电流以及当前时刻的电池温度和电池容量就可预测出DCDC变换器故障状态下下一时刻的最小端电压值,实现电池电量检测,有效提高了电池低电量预警的及时性。
附图说明
图1为本发明实施例的一种电池管理方法的流程示意图;
图2为本发明实施例的一种车载电池管理系统的电路结构示意图;
图3为本发明实施例的预充电工况开始时刻和结束时刻的示意图;
图4为本发明实施例的电池等效电路模型的结构示意图;
图5为本发明实施例的确定电池等效电路模型的模型参数的流程示意图;
图6为本发明实施例的预充电工况开始和结束的判断过程示意图;
图7为本发明实施例的车辆处于行驶工况发生DCDC变换器失效时的失效电流曲线示意图;
图8为本发明实施例的车辆处于泊车工况发生DCDC变换器失效时的失效电流曲线示意图;
图9为本发明实施例的车辆处于自动驾驶工况发生DCDC变换器失效时的失效电流曲线示意图;
图10为本发明实施例的功率预测流程示意图;
图11为本发明实施例的不同工况下电池电压的预测值与电池电压的实际测量值之间的误差值随温度变化的曲线图;
图12为本发明实施例的一种电池管理装置的结构示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更为明显易懂,下面结合附图对本发明的具体实施例做详细的说明。虽然附图中显示了本发明的某些实施例,然而应当理解的是,本发明可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本发明。应当理解的是,本发明的附图及实施例仅用于示例性作用,并非用于限制本发明的保护范围。
应当理解,本发明的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本发明的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”;术语“可选地”表示“可选的实施例”。其他术语的相关定义将在下文描述中给出。需要注意,本发明中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本发明中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本发明实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
如图1、图6和图10所示,本发明实施例提供的一种电池管理方法,包括:
S100,响应于检测到待测电池包进入预充电工况,获取所述待测电池包在所述预充电工况下的电池预充电电压和电池预充电电流。
具体地,待测电池包可为车载低压电池,也可为其它利用DCDC变换器转换电压进行充放电的电池。预充电工况表示对所述待测电池包所在的电池管理电路中电容进行预充电的过程。例如,当待测电池包为车载低压电池时,可在检测到车辆启动,初始化完成后,通过DCDC变换器对高压部件内部电容器进行预充电。
如图2所示,高压上电过程中,由于直流母线上存在大电容DC_LINK,如果直接接通高压电池包,电容DC_LINK两端电压不会突变,而电容两端的电流会突变,继电器闭合瞬间相当于电容器DC_LINK短路,会导致高电压部件损坏。因此预充电工况是在车辆启动后DCDC首先将低压电池包电压升压为高压,给各高压部件内部的电容进行充电,限制了高压电电池包接通瞬间对电容器DC_LINK充电电流的作用,以保护高电压部件不会因电容器DC_LINK瞬间短路电流而损坏。
预充电的本质是将直流母线电容电压在继电器闭合之前通过待测电池包(即图2中低压电池包)电流充到目标值,预充电期间直流母线电容所需要的能量:
,
其中,为预充电期间直流母线电容DC_LINK所需要的能量,C为电容DC_LINK的容值,U为电压目标值。
则预充电所需要的时间,
,
其中,为预充电所需的时间,/>为预充电期间直流母线电容DC_LINK所需要的能量,/>为待测电池包(即图中低压电池包)通过DCDC变换器升压之后的电压值,/>为待测电池包在预充电工况下的电流值(即所述电池预充电电流)。
S200,基于在线辨识算法,根据所述电池预充电电压和所述电池预充电电流确定电池等效电路模型的模型参数,并获取所述预充电工况结束时的模型参数。
具体地,电池等效电路模型可采用电池二阶RC模型,如图4所示。可预先建立待测电池包的电池等效电路模型,基于预充电工况下某一时刻的电池预充电电压和电池预充电电流,利用在线辨识算法确定电池等效电路模型的模型参数。
S300,获取所述待测电池包在所述预充电工况结束时的电池温度和电池荷电状态,根据所述电池温度和所述电池荷电状态确定所述电池等效电路模型的电池开路电压值。
具体地,在车辆启动到预充电工况结束期间,不进行电压预测,当且仅当预充电工况结束后进行电压预测。固定电池等效电路模型的模型参数不变,具体而言,电池等效电路模型可在此次车辆启动到下一次车辆启动之间均保持T2时刻的模型参数,获取预充电工况结束后当期时刻(可假设为k时刻)的电池温度和电池容量,以估算当前时刻电池等效电路模型中的电池开路电压值OCV。具体可根据电路原理等确定电池开路电压值,计算过程为现有技术,在此不再赘述。
S400,根据获取到的所述预充电工况结束时的模型参数、所述电池开路电压值和预先确定的故障电流预估所述待测电池包的最小端电压值。
具体地,当DCDC变换器失效时,不同工况下会形成不同的失效电流曲线,失效电流曲线可以使用放电电流随时间的变化曲线表示,因此根据失效电流曲线就可确定对应时刻的放电电流(即故障电流)。具体而言,故障电流可包括行驶工况故障电流、泊车工况故障电流和自动驾驶工况故障电流。基于预设规则,根据模型参数、电池开路电压值和故障电流可以预测下一时刻(k+1时刻)不同工况下发生DCDC变换器失效时的电池电压值,进而确定最小端电压值。
S500,当预估的所述最小端电压值满足预设条件时,输出预警信息。
具体地,预设条件可为最小端电压值小于预设的电压预警值,即当最小端电压值小于电压预警值时,确定待测电池包的电压过低,输出预警信息。
本实施例中,对待测电池包进行预充电,获取待测电池包在预充电工况下的电池预充电电压和电池预充电电流。根据电池预充电电压和电池预充电电流利用在线辨识算法确定电池等效电路模型的模型参数,电池等效电路模型可预先建立。获取预充电工况结束后当前时刻待测电池包的电池温度和电池容量,固定电池等效电路模型的模型参数不变,根据电池温度和电池容量确定电池等效电路模型在当前时刻的电池开路电压值。根据模型参数、电池开路电压值和下一时刻的预估故障电流预测电池等效电路模型在下一时刻的最小端电压值,预估故障电流可根据预设的故障电流随时间的变化曲线确定。判断最小端电压值是否满足预设阈值条件,若是,则输出预警信息。本发明利用预充电工况下的电池预充电电压、电池预充电电流以及当前时刻的电池温度和电池容量就可预测出故障状态下下一时刻的最小端电压值,实现电池电量检测,有效提高了电池低电量预警的及时性。
可选地,所述获取所述待测电池包在所述预充电工况下的电池预充电电压和电池预充电电流包括:
获取所述待测电池包的电池实时电流,根据所述电池实时电流确定所述待测电池包在第一计时时间内的电流变化率;
获取第二计时时间内电池电流值,根据所述电流变化率和所述第二计时时间内的所述电池电流值确定所述预充电工况的启动时刻;
从所述启动时刻开始计时,经过第三计时时间后获取所述待测电池包的所述电池预充电电压和所述电池预充电电流。
具体地,当检测预充电工况持续时间达到设定时间后,即判断预充电工况结束,此时获取预充电工况中在线辨识算法计算出的电池等效电路模型的模型参数(例如图4中R0值等),并在后续工况中保持不变。
BMS软件判断预充电工况开始与结束方法,包括车辆启动后并不会立即进入预充电工况,而需要持续一段时间,不同环境温度以及车辆状态会导致预充电工况开启时间不同,因此本实施例BMS软件根据低压电池包电流条件来判断预充电工况的开始。
本可选的实施例中,根据电流变化率和电池实时电流判断预充电工况的启动时刻,简单便捷,准确度更高。
需要说明的是,上述步骤S100-S500并不严格按照顺序执行,例如,步骤S200中,在线辨识算法可与步骤S100并行,也可优先于步骤S100执行;又例如,步骤S200中,获取所述预充电工况结束时的模型参数,可与步骤S300并行,也可在步骤S300之后。
可选地,所述根据所述电流变化率和第二计时时间内的所述电池电流值确定所述预充电工况的启动时刻包括:
当所述电流变化率大于或等于预设阈值,且所述电池电流值在所述第二计时时间内始终处于预设电流范围内时,确定所述预充电工况启动以及所述启动时刻。
具体地,如图3和图6所示,当车辆启动后,BMS软件实时采集低压电池包(即待测电池包)电压与电流值,计算第一计时时间(可为采样周期)内的低压电池包电流变化率,电流变化率/>达到预设阈值/>时,确定电流值达到预设电流范围的时刻,假设为T0时刻。从T0时刻开始计时,在第二计时时间/>内低压电池包电流/>处于/>且恒流,则确定预充电工况启动(即T1时刻)。在判断预充电工况启动后,从启动时刻T1开始计时,当第三计时时间/>时,获取此时(即T2时刻)在线辨识算法计算出来的电池等效电路模型的模型参数,当第四计时时间/>时,则判断预充电工况结束,并开启功率预测。/>为电流最小值,/>为电流最大值,可根据整车实际工况预先设置。
其中,第二计时时间为预充电工况持续时间,且第二计时时间大于第一计时时间/>。
可选地,所述基于在线辨识算法,根据所述电池预充电电压和所述电池预充电电流确定电池等效电路模型的模型参数包括:
初始化基于遗忘因子递归最小二乘法的参数;
根据所述电池预充电电压和所述电池预充电电流生成辨识输入数据向量;
基于所述辨识输入数据向量,采用所述遗忘因子递归最小二乘法确定所述电池等效电路模型的待估系数矩阵的估计值;
将所述待估系数矩阵的估计值输入所述电池等效电路模型的系数方程,确定所述电池等效电路模型的所述模型参数。
具体地,可预先建立电池等效电路模型,在线辨识计算电池等效电路模型的建立方法主要包括以下步骤:
Step1:建立待测电池包的二阶等效电路模型,如图4所示,Uoc为开路电压,R 0为内阻,R 1、R 2为极化电阻,C 1 、C 2为极化电容,U L为输出电压,RL表示负载,用于解释模型,U 1 为R 1两端的电压,U 2为R 2两端的电压,I(t)为t时刻的输出电流,I C1(t)为t时刻流过电容C 1的电流,I C2(t)为t时刻流过电容C 2的电流。
根据二阶等效电路模型可以得到如下状态方程:
,
,
,
其中,表示电压U 1的状态向量,/>表示电压U 2的状态向量,/>表示输出电流,其它参数的释义如上所述。
通过对该表达式进行离散化后得到等效电路模型的拉普拉斯方程为(传递函数):
,
其中,表示传递函数,s表示拉普拉斯变换中的复频域变量,/>、/>和/>分别为拉普拉斯变换中的输出电压(即电池端电压)、开路电压和输出电流,其它参数的释义如上所述。
Step2:对Step1的等效电路模型传递函数进行双线性变换,得出等效电路模型系统输入与系统输出的差分方程。
根据双线性变换原理:
,
其中,s表示拉普拉斯变换中的复频域变量,z表示Z变换中的复频域变量,T为采样周期。
可得离散传递函数:
,
其中,为k时刻的输出电压,/>为k时刻的开路电压,/>为k时刻的输出电流,/>分别为各次项系数,T为采样周期。
则离散化后的差分方程如下:
,
其中,为k-1时刻的输出电压,/>为k-2时刻的输出电压,为k-1时刻的输出电流,/>为k-2时刻的输出电流。
Step3:建立带遗忘因子递归最小二乘法。
根据离散化后的差分方程可得:
待估系数矩阵:,
数据向量(即辨识输入数据向量):
,
可得到差分方程最小二乘形式:
,
FFRLS算法对参数的估计可以用以下公式来表达:
,
,
,
其中,为/>的预计误差,/>为k时刻/>的估计值,/>为k-1时刻/>的估计值,K(k)为算法增益,P(k-1)为k-1时刻的协方差矩阵,/>为k-1时刻的自适应遗忘因子,E为单位矩阵,其它参数的释义如上所述。
Step4:误差比例控制策略。
添加比例控制,系统误差表达式如下:
,
其中,为比例调节系数,其它参数的释义如上所述。
Step5:自适应遗忘因子控制策略。
遗忘因子λ分配新旧数据的权重,通常取0.98的常数。当λ=1时,FFRLS(forgettingfactor recursive least square algorithm,遗忘因子递归最小二乘法)方法退化为RLS(recursive least square algorithm,最小二乘法)方法。由于遗忘因子是恒定的,当在线识别参数误差非常小时,遗忘因子的引入可能会增加在线识别参数的误差。当在线辨识参数误差很大时,需要优化遗忘因子,以使在线辨识具有更快的收敛速度并减小辨识误差。因此,期望遗忘因子可以随着识别参数误差而自适应地变化,即采用自适应遗忘因子。
自适应遗忘因子最小二乘算法(AFFRLS)最关键的部分是如何使遗忘因子自适应地改变。在稳态下,遗忘因子λ接近或等于1。在动态条件下,遗忘因子λ往往是一个合适的值,这只影响附近时刻的误差,因此在线识别参数可以快速跟踪到实际值,并且λ在稳定状态下逐渐增加到最佳值。为了达到上述目的,提出了一个计算自适应遗忘因子的方程,其表示为:
,
其中,表示k时刻的遗忘因子,P(k)为k时刻的协方差矩阵,其它参数的释义如上所述。
Step6:建立系数方程。
通过FFRLS算法获取后,可通过系数方程推导出系数a、b、c、d、e。
,
其中,T为采样周期,其它参数的释义如上所述。
推导出a、b、c、d、e可进一步得到电池等效电路模型全参数Uoc、R 0、R 1、R 2、C 1、C 2的值,
。
本可选的实施例中,如图5所示,确定电池等效电路模型的模型参数时,以采样周期T实时采集电池端电压、流过电池的电流/>获取辨识输入数据向量,对和遗忘因子/>进行初始化,根据FFRLS算法求出/>的值,将/>带入系数方程求解获得电池等效电路模型全参数Uoc、R 0、R 1、R 2、C 1、C 2。
其中,采样周期建议1s;系数矩阵初始值可为任意值,协方差矩阵可取为P(0)=106E,E为单位矩阵,遗忘因子初始值可取为/>=1,比例调节系数可取为Kp=0.5。
可选地,如图5所示,所述基于所述辨识输入数据向量,采用所述遗忘因子递归最小二乘法确定所述电池等效电路模型的待估系数矩阵的估计值包括:
根据所述辨识输入数据向量确定所述电池等效电路模型的模型电压;
根据所述模型电压和所述待测电池包的电池实时电压确定估计误差;
根据所述估计误差确定自适应遗忘因子,根据所述自适应遗忘因子和所述辨识输入数据向量更新算法增益和协方差矩阵;
根据所述算法增益和所述估计误差更新系数矩阵,得到所述待估系数矩阵的估计值。
具体地,如图5所示,采用自适应遗忘因子递归最小二乘法(APFFRLS)进行在线参数辨识,将初始化参数和辨识输入数据向量带入上述电池等效电路模型的各个方程中,确定待估系数矩阵的估计值。
可选地,所述根据获取到的所述预充电工况结束时的模型参数、所述电池开路电压值和预先确定的故障电流预估所述待测电池包的最小端电压值包括:
所述预充电工况结束后,获取所述预充电工况过程中所述电池等效电路模型的所述模型参数;
根据获取到的所述模型参数、所述电池开路电压值和不同工况下所述故障电流,预估不同所述工况下下一时刻的电池电压值,其中,所述工况包括行驶工况、泊车工况和自动驾驶工况中的至少一者,所述故障电流根据不同所述工况下DCDC变换器失效后电流与时间的关系确定;
确定各种所述工况下的所述电池电压值的最小值为所述最小端电压值。
具体地,从T1时刻开始计时,当经过时,即T3时刻确定预充电工况结束,此时获取电池等效电路模型的模型参数。
车辆运行时会发生三种工况,即行驶工况、泊车工况以及自动驾驶工况,当DCDC变换器失效时,会形成3种不同的失效电流曲线,且失效电流持续时间也不一样,当处于行驶工况发生DCDC变换器失效时,失效电流曲线为fusa driving,持续5s,如图7所示。当处于泊车工况发生DCDC变换器失效时,失效电流曲线为fusa parking,持续10s,如图8所示。当处于自动驾驶工况发生失效时,失效电流曲线为fusa Autonomous driving,持续70s,如图9所示。三种工况下的失效电流可以使用放电电流随时间的变化曲线表示,在本方案中,将三种失效电流曲线采用较小的离散化时间间隔,能够加速工况电压计算速度:
,
其中,为本方案工况电流运行时间(cond为driving、parking、Autonomous driving,以表示不同的工况),/>为三种工况持续时间,/>为三种工况中电流时间间隔,/>为本实施例离散化时间间隔。例如,fusa_driving持续时间/>,电流间隔为/>,本实施例采用的离散化时间间隔/>,可以得出本实施例计算出fusa_driving工况电压所需时间为1s。
本可选的实施例,可通过获取当前时刻电池等效电路模型参数OCV(k时刻)、R0(T2时刻)、R1(T2时刻)、R2(T2时刻)、C1(T2时刻)、C2(T2时刻),并使用离散化时间间隔为的电流数据,可以通过公式,计算出下一时刻发生DCDC失效时的电池电压值。
,
其中,Ts为BMS软件运行周期,I k+1为k+1时刻的电流值。
通过上述公式,可以在k时刻分别预测出模拟k+1时刻三种失效工况电流下待测电池包的电池电压值、/>、/>,并选取三种失效工况下的电池电压值的最小值作为最小端电压值/>。
需要说明的是,现有的电池电量检测方法需要在检测到DCDC故障信号后,才能获取电池参数对DCDC失效情况下的电池电量进行检测,且精度容易收到环境温度和电芯一致性的影响,存在系统误预警以及预警不及时的问题。另外,不同的工况(例如行驶工况、泊车工况以及自动驾驶工况等)中对应的故障电流持续时间不一样,导致需要针对不同的工况建立不同的工况模型以满足电池电量检测精度。
本可选的实施例中,预测出的电池电压值可用于表征电池下一时刻的电量情况。仅通过预充电工况下的电池预充电电压、电池预充电电流以及当前时刻的电池温度和电池容量就可预测出故障状态下下一时刻的最小端电压值,实现电池电量检测,即能够在出现DCDC失效故障之前实现电池电压预测,并提前进行预警,有效提高了电池低电量预警的及时性,进而为驾乘人员预留更多的处理时间,避免因预警不及时导致的行车安全问题。并且本实施例的方案不受工作环境突变和电芯不一致的影响,预测精度高,具有较强适应性。并且,本实施例能够通过一个电池等效电路模型实现多种不同工况下的电量预测,在保证电量预测精度的情况下,提高了预测效率。
可选地,所述当预估的所述最小端电压值满足预设条件时,输出预警信息包括:
将所述最小端电压值与电压预警值进行对比;
当所述最小端电压值大于或等于所述电压预警值时,进入下一轮电池管理;当所述最小端电压值小于所述电压预警值时,输出所述预警信息。
具体地,当最小端电压值大于或等于电压预警值时,表示待测电池包未出现电压过低的情况,因此不需要进行预警,直接进入下一轮电池管理周期,继续监测电池电压。当最小端电压值小于电压预警值时,表示待测电池包出现电压过低的情况,因此输出预警信息,以保障电池安全,进而保障车辆安全。
可选地,所述预警信息包括:
当所述工况为行驶工况,且所述最小端电压小于所述电压预警值时,发出预警信息,以提示车辆控制器所述待测电池包将会处于低电压状态,即将进入限功率状态或无法工作状态;
当所述工况为泊车工况,且所述最小电池端电压小于所述电压预警值时,发出预警信息并无法启动车辆;
当所述工况为自动驾驶工况,且所述最小端电压小于或等于所述电压预警值时,发出预警信息并提示靠边停车和/或减速行驶。
本可选的实施例中,在不同温度条件下采用本实施例的方案预测三种工况在k+1时刻的电池电压值(即电池电压预测值),与k+1时刻DCDC变换器时三种工况下电池电压的实际测量值进行对比,确定两者之间的误差值,得到图11所示的曲线。从图中可知,本实施例的电池管理方法得到的预测值与实际测量值非常接近,误差小于200mV,能够准确实现电池安全预警,保障车辆行车安全。
如图12所示,本发明实施例提供的一种电池管理装置,包括:
获取模块,用于响应于检测到待测电池包进入预充电工况,获取所述待测电池包在所述预充电工况下的电池预充电电压和电池预充电电流;
处理模块,用于基于在线辨识算法,根据所述电池预充电电压和所述电池预充电电流确定电池等效电路模型的模型参数,并获取所述预充电工况结束时的模型参数;
预测模块,用于获取所述待测电池包在所述预充电工况结束时的电池温度和电池荷电状态,根据所述电池温度和所述电池荷电状态确定所述电池等效电路模型的电池开路电压值;根据获取到的所述预充电工况结束时的模型参数、所述电池开路电压值和预先确定的故障电流预估所述待测电池包的最小端电压值;
预警模块,用于当预估的所述最小端电压值满足预设条件时,输出预警信息。
本实施例的电池管理装置用于实现如上所述的电池管理方法,其相较于现有技术的优势与上述电池管理方法相较于现有技术的优势相同,在此不再赘述。
可选地,所述获取模块具体用于:获取所述待测电池包的电池实时电流,根据所述电池实时电流确定所述待测电池包在第一计时时间内的电流变化率;获取第二计时时间内电池电流值,根据所述电流变化率和所述第二计时时间内的所述电池电流值确定所述预充电工况的启动时刻;从所述启动时刻开始计时,经过第三计时时间后获取所述待测电池包的所述电池预充电电压和所述电池预充电电流。
可选地,所述获取模块具体还用于:当所述电流变化率大于或等于预设阈值,且所述电池电流值在所述第二计时时间内始终处于预设电流范围内时,确定所述预充电工况启动以及所述启动时刻。
可选地,所述处理模块具体用于:初始化基于遗忘因子递归最小二乘法的参数;根据所述电池预充电电压和所述电池预充电电流生成辨识输入数据向量;基于所述辨识输入数据向量,采用所述遗忘因子递归最小二乘法确定所述电池等效电路模型的待估系数矩阵的估计值;将所述待估系数矩阵的估计值输入所述电池等效电路模型的系数方程,确定所述电池等效电路模型的所述模型参数。
可选地,所述处理模块具体还用于:根据所述辨识输入数据向量确定所述电池等效电路模型的模型电压;根据所述模型电压和所述待测电池包的电池实时电压确定估计误差;根据所述估计误差确定自适应遗忘因子,根据所述自适应遗忘因子和所述辨识输入数据向量更新算法增益和协方差矩阵;根据所述算法增益和所述估计误差更新系数矩阵,得到所述待估系数矩阵的估计值。
可选地,所述预测模块具体用于:所述预充电工况结束后,获取所述预充电工况过程中所述电池等效电路模型的所述模型参数;根据获取到的所述模型参数、所述电池开路电压值和不同工况下的所述故障电流,预估不同所述工况下下一时刻的电池电压值,其中,所述工况包括行驶工况、泊车工况和自动驾驶工况中的至少一者,所述故障电流根据不同所述工况下DCDC变换器失效后电流与时间的关系确定;确定各种所述工况下的所述电池电压值的最小值为所述最小端电压值。
可选地,所述预警模块具体用于:将所述最小端电压值与电压预警值进行对比;当所述最小端电压值大于或等于所述电压预警值时,进入下一轮电池管理;当所述最小端电压值小于所述电压预警值时,输出所述预警信息。
本发明实施例提供的一种计算机可读存储介质,所述存储介质上存储有计算机程序,当所述计算机程序被处理器执行时,实现如上所述的电池管理方法。
本发明实施例提供的一种车辆包括存储器和处理器;所述存储器,用于存储计算机程序;所述处理器,用于当执行所述计算机程序时,实现如上所述的电池管理方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。在本申请中,所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
虽然本发明披露如上,但本发明的保护范围并非仅限于此。本领域技术人员在不脱离本发明的精神和范围的前提下,可进行各种变更与修改,这些变更与修改均将落入本发明的保护范围。
Claims (10)
1.一种电池管理方法,其特征在于,包括:
响应于检测到待测电池包进入预充电工况,获取所述待测电池包在所述预充电工况下的电池预充电电压和电池预充电电流;
基于在线辨识算法,根据所述电池预充电电压和所述电池预充电电流确定电池等效电路模型的模型参数,并获取所述预充电工况结束时的模型参数;
获取所述待测电池包在所述预充电工况结束时的电池温度和电池荷电状态,根据所述电池温度和所述电池荷电状态确定所述电池等效电路模型的电池开路电压值;
根据获取到的所述预充电工况结束时的模型参数、所述电池开路电压值和预先确定的故障电流预估所述待测电池包的最小端电压值;
当预估的所述最小端电压值满足预设条件时,输出预警信息。
2.根据权利要求1所述的电池管理方法,其特征在于,所述获取所述待测电池包在所述预充电工况下的电池预充电电压和电池预充电电流包括:
获取所述待测电池包的电池实时电流,根据所述电池实时电流确定所述待测电池包在第一计时时间内的电流变化率;
获取第二计时时间内电池电流值,根据所述电流变化率和所述第二计时时间内的所述电池电流值确定所述预充电工况的启动时刻;
从所述启动时刻开始计时,经过第三计时时间后获取所述待测电池包的所述电池预充电电压和所述电池预充电电流。
3.根据权利要求2所述的电池管理方法,其特征在于,所述根据所述电流变化率和第二计时时间内的所述电池电流值确定所述预充电工况的启动时刻包括:
当所述电流变化率大于或等于预设阈值,且所述电池电流值在所述第二计时时间内始终处于预设电流范围内时,确定所述预充电工况启动以及所述启动时刻。
4.根据权利要求1所述的电池管理方法,其特征在于,所述基于在线辨识算法,根据所述电池预充电电压和所述电池预充电电流确定电池等效电路模型的模型参数包括:
初始化基于遗忘因子递归最小二乘法的参数;
根据所述电池预充电电压和所述电池预充电电流生成辨识输入数据向量;
基于所述辨识输入数据向量,采用所述遗忘因子递归最小二乘法确定所述电池等效电路模型的待估系数矩阵的估计值;
将所述待估系数矩阵的估计值输入所述电池等效电路模型的系数方程,确定所述电池等效电路模型的所述模型参数。
5.根据权利要求4所述的电池管理方法,其特征在于,所述基于所述辨识输入数据向量,采用所述遗忘因子递归最小二乘法确定所述电池等效电路模型的待估系数矩阵的估计值包括:
根据所述辨识输入数据向量确定所述电池等效电路模型的模型电压;
根据所述模型电压和所述待测电池包的电池实时电压确定估计误差;
根据所述估计误差确定自适应遗忘因子,根据所述自适应遗忘因子和所述辨识输入数据向量更新算法增益和协方差矩阵;
根据所述算法增益和所述估计误差更新系数矩阵,得到所述待估系数矩阵的估计值。
6.根据权利要求1至5任一项所述的电池管理方法,其特征在于,所述根据获取到的所述预充电工况结束时的模型参数、所述电池开路电压值和预先确定的故障电流预估所述待测电池包的最小端电压值包括:
所述预充电工况结束后,获取所述预充电工况过程中所述电池等效电路模型的所述模型参数;
根据获取到的所述模型参数、所述电池开路电压值和不同工况下的所述故障电流,预估不同所述工况下下一时刻的电池电压值,其中,所述工况包括行驶工况、泊车工况和自动驾驶工况中的至少一者,所述故障电流根据不同所述工况下DCDC变换器失效后电流与时间的关系确定;
确定各种所述工况下的所述电池电压值的最小值为最小端电压值。
7.根据权利要求1至5任一项所述的电池管理方法,其特征在于,所述当预估的所述最小端电压值满足预设条件时,输出预警信息包括:
将所述最小端电压值与电压预警值进行对比;
当所述最小端电压值大于或等于所述电压预警值时,进入下一轮电池管理;当所述最小端电压值小于所述电压预警值时,输出所述预警信息。
8.一种电池管理装置,其特征在于,包括:
获取模块,用于响应于检测到待测电池包进入预充电工况,获取所述待测电池包在所述预充电工况下的电池预充电电压和电池预充电电流;
处理模块,用于基于在线辨识算法,根据所述电池预充电电压和所述电池预充电电流确定电池等效电路模型的模型参数,并获取所述预充电工况结束时的模型参数;
预测模块,用于获取所述待测电池包在所述预充电工况结束时的电池温度和电池荷电状态,根据所述电池温度和所述电池荷电状态确定所述电池等效电路模型的电池开路电压值;根据获取到的所述预充电工况结束时的模型参数、所述电池开路电压值和预先确定的故障电流预估所述待测电池包的最小端电压值;
预警模块,用于当预估的所述最小端电压值满足预设条件时,输出预警信息。
9.一种计算机可读存储介质,其特征在于,所述存储介质上存储有计算机程序,当所述计算机程序被处理器执行时,实现如权利要求1至7任一项所述的电池管理方法。
10.一种车辆,其特征在于,包括存储器和处理器;
所述存储器,用于存储计算机程序;
所述处理器,用于当执行所述计算机程序时,实现如权利要求1至7任一项所述的电池管理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410078190.2A CN117601657A (zh) | 2024-01-19 | 2024-01-19 | 一种电池管理方法、装置、存储介质及车辆 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410078190.2A CN117601657A (zh) | 2024-01-19 | 2024-01-19 | 一种电池管理方法、装置、存储介质及车辆 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117601657A true CN117601657A (zh) | 2024-02-27 |
Family
ID=89958206
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410078190.2A Pending CN117601657A (zh) | 2024-01-19 | 2024-01-19 | 一种电池管理方法、装置、存储介质及车辆 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117601657A (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016114584A (ja) * | 2014-12-18 | 2016-06-23 | 株式会社デンソー | バッテリの劣化状態判定装置及び劣化状態判定方法 |
CN108512436A (zh) * | 2017-02-24 | 2018-09-07 | 株洲中车时代电气股份有限公司 | 一种具有自动隔离功能的变流装置及故障隔离控制方法 |
DE102019201606A1 (de) * | 2019-02-07 | 2020-08-13 | Audi Ag | Verfahren zum elektrischen Vorladen eines Zwischenkreiskondensators im Hochvoltsystem eines zumindest teilweise elektrisch angetriebenen Kraftfahrzeugs sowie ein derartiges Hochvoltsystem |
CN112009246A (zh) * | 2020-08-13 | 2020-12-01 | 宜宾凯翼汽车有限公司 | 一种汽车辅助电源管理系统及控制方法 |
CN112269133A (zh) * | 2020-10-22 | 2021-01-26 | 合肥工业大学 | 一种基于预充电路模型参数识别的soc估计方法 |
CN113352896A (zh) * | 2021-08-09 | 2021-09-07 | 宁波均胜新能源研究院有限公司 | 车载电池管理方法及装置、存储介质及电动汽车 |
JP2021132476A (ja) * | 2020-02-20 | 2021-09-09 | 株式会社デンソー | 充電制御装置 |
CN114487889A (zh) * | 2021-12-31 | 2022-05-13 | 国网江苏电力设计咨询有限公司 | 一种基于预充电流脉冲的电池内短路故障识别方法 |
US20230152380A1 (en) * | 2020-03-31 | 2023-05-18 | Byd Company Limited | Method and apparatus for determining state of charge and battery management system |
CN116400223A (zh) * | 2023-03-07 | 2023-07-07 | 北京新能源汽车股份有限公司 | 一种电池电量信息生成方法、设备及可读存储介质 |
CN116945962A (zh) * | 2022-04-27 | 2023-10-27 | 普瑞有限公司 | 用于处理高压电池中故障电流的方法和装置 |
-
2024
- 2024-01-19 CN CN202410078190.2A patent/CN117601657A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016114584A (ja) * | 2014-12-18 | 2016-06-23 | 株式会社デンソー | バッテリの劣化状態判定装置及び劣化状態判定方法 |
CN108512436A (zh) * | 2017-02-24 | 2018-09-07 | 株洲中车时代电气股份有限公司 | 一种具有自动隔离功能的变流装置及故障隔离控制方法 |
DE102019201606A1 (de) * | 2019-02-07 | 2020-08-13 | Audi Ag | Verfahren zum elektrischen Vorladen eines Zwischenkreiskondensators im Hochvoltsystem eines zumindest teilweise elektrisch angetriebenen Kraftfahrzeugs sowie ein derartiges Hochvoltsystem |
JP2021132476A (ja) * | 2020-02-20 | 2021-09-09 | 株式会社デンソー | 充電制御装置 |
US20230152380A1 (en) * | 2020-03-31 | 2023-05-18 | Byd Company Limited | Method and apparatus for determining state of charge and battery management system |
CN112009246A (zh) * | 2020-08-13 | 2020-12-01 | 宜宾凯翼汽车有限公司 | 一种汽车辅助电源管理系统及控制方法 |
CN112269133A (zh) * | 2020-10-22 | 2021-01-26 | 合肥工业大学 | 一种基于预充电路模型参数识别的soc估计方法 |
CN113352896A (zh) * | 2021-08-09 | 2021-09-07 | 宁波均胜新能源研究院有限公司 | 车载电池管理方法及装置、存储介质及电动汽车 |
CN114487889A (zh) * | 2021-12-31 | 2022-05-13 | 国网江苏电力设计咨询有限公司 | 一种基于预充电流脉冲的电池内短路故障识别方法 |
CN116945962A (zh) * | 2022-04-27 | 2023-10-27 | 普瑞有限公司 | 用于处理高压电池中故障电流的方法和装置 |
CN116400223A (zh) * | 2023-03-07 | 2023-07-07 | 北京新能源汽车股份有限公司 | 一种电池电量信息生成方法、设备及可读存储介质 |
Non-Patent Citations (2)
Title |
---|
邓宫泰;马磊;贾俊波;韩明;: "基于模型估计的LiFePO_4电池EKF滤波算法SOC估计研究", 电源技术, no. 10, 20 October 2016 (2016-10-20), pages 47 - 51 * |
马兹林;羌嘉曦;冒晓建;杨林;: "电动汽车蓄电池参数监控系统研究", 机电工程技术, no. 04, 15 April 2008 (2008-04-15), pages 28 - 30 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Adaptive gain sliding mode observer for state of charge estimation based on combined battery equivalent circuit model | |
JP6234946B2 (ja) | 電池状態推定装置 | |
Hussein | Capacity fade estimation in electric vehicle li-ion batteries using artificial neural networks | |
Watrin et al. | Multiphysical lithium-based battery model for use in state-of-charge determination | |
US9927492B2 (en) | Cell monitoring apparatus, battery monitoring apparatus, integrated circuit and method of monitoring a rechargeable cell | |
CN104773086B (zh) | 使用滚动时域回归分析来估计电池阻抗参数的方法和系统 | |
US10338146B2 (en) | Method for determining a control observer for the SoC | |
Kessels et al. | On-line battery identification for electric driving range prediction | |
US20130185007A1 (en) | Method and configuration for estimating the efficiency of at least one battery unit of a rechargeable battery | |
US10649035B2 (en) | Method for estimating the current and the state of charge of a battery pack or cell, without direct detection of current under operating conditions | |
JP2010500539A (ja) | 容量に依存したパラメータに基づくバッテリ容量検出方法 | |
KR20080068659A (ko) | 전기 에너지 저장장치의 출력 용량 예측 방법 | |
CN111381180B (zh) | 一种电池容量的确定方法和装置 | |
Taborelli et al. | State of charge estimation using extended Kalman filters for battery management system | |
KR100901252B1 (ko) | 슬라이딩 모드 관측기를 이용한 2차 전지 soc 예측방법 및 장치 | |
CN113777510A (zh) | 一种锂电池荷电状态估计方法及装置 | |
US20160109527A1 (en) | Method and apparatus for determining a change in resistance of an energy storage device and vehicle | |
Taborelli et al. | Advanced battery management system design for SOC/SOH estimation for e-bikes applications | |
US20160291094A1 (en) | Method for estimating the ageing of a cell of a storage battery | |
CN114114038A (zh) | 一种全寿命全温度下锂电池soc及可用容量联合估计方法 | |
Rahimifard et al. | Dual estimation strategy for new and aged electric vehicles batteries | |
CN113759258B (zh) | 一种动力电池soc估计方法、装置及纯电动汽车 | |
CN111391667A (zh) | 用于耐噪声rc响应预测的方法和系统 | |
CN117601657A (zh) | 一种电池管理方法、装置、存储介质及车辆 | |
CN113125965B (zh) | 电池析锂检测方法、装置、设备及存储介质 |
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 |