DE102011104320A1 - Adaptive Batterieparameterextraktion und SOC-Abschätzung für eine Lithium-Ionen-Batterie - Google Patents

Adaptive Batterieparameterextraktion und SOC-Abschätzung für eine Lithium-Ionen-Batterie Download PDF

Info

Publication number
DE102011104320A1
DE102011104320A1 DE102011104320A DE102011104320A DE102011104320A1 DE 102011104320 A1 DE102011104320 A1 DE 102011104320A1 DE 102011104320 A DE102011104320 A DE 102011104320A DE 102011104320 A DE102011104320 A DE 102011104320A DE 102011104320 A1 DE102011104320 A1 DE 102011104320A1
Authority
DE
Germany
Prior art keywords
battery
voltage
parameters
current
charge
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
Application number
DE102011104320A
Other languages
English (en)
Other versions
DE102011104320B4 (de
Inventor
Jian Lin
Xidong Tang
Brian J. Koch
Joseph M. Lograsso
Damon Frisch
Rezina S. Nabi
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
GM Global Technology Operations LLC
Original Assignee
GM Global Technology Operations LLC
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by GM Global Technology Operations LLC filed Critical GM Global Technology Operations LLC
Publication of DE102011104320A1 publication Critical patent/DE102011104320A1/de
Application granted granted Critical
Publication of DE102011104320B4 publication Critical patent/DE102011104320B4/de
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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]
    • G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
    • G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current measurements
    • 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
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
    • 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
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/389—Measuring internal impedance, internal conductance or related variables
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/05—Accumulators with non-aqueous electrolyte
    • H01M10/052—Li-accumulators
    • H01M10/0525—Rocking-chair batteries, i.e. batteries with lithium insertion or intercalation in both electrodes; Lithium-ion batteries
    • 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
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/10—Energy storage using batteries
    • 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

System und Verfahren zum Abschätzen interner Parameter einer Lithium-Ionen-Batterie, um eine zuverlässige Batterieladezustandsabschätzung vorzusehen. Das Verfahren verwendet ein Doppel-RC-Paar-Ersatz-Batteriestromkreismodell, um die Batterieparameter abzuschätzen, welche eine Batterieruhespannung, einen Ohm'schen Widerstand, eine Doppelschichtkapazität, einen Ladungstransferwiderstand, einen Diffusionswiderstand und eine Diffusionskapazität umfassen. Das Verfahren verwendet ferner das Ersatzstromkreismodell, um eine Differenzengleichung vorzusehen, aus der die Batterieparameter angepasst werden, und berechnet die Batterieparameter aus der Differenzengleichung.

Description

  • Hintergrund der Erfindung
  • 1. Gebiet der Erfindung
  • Diese Erfindung betrifft allgemein ein System und ein Verfahren zum Abschätzen von Batterieparametern und im Spezielleren ein System und ein Verfahren zum adaptiven Extrahieren von sechs internen Parametern von einer Lithium-Ionen-Batterie, um eine zuverlässige Batterieladezustands (SOC, von state-of-charge)-Abschätzung der Batterie auf der Basis der Ruhespannung der Batterie vorzusehen.
  • 2. Erläuterung des Standes der Technik
  • Elektrofahrzeuge erfreuen sich zunehmender Beliebtheit. Diese Fahrzeuge umfassen Hybridfahrzeuge wie z. B. Elektrofahrzeuge mit verlängerter Reichweite (EREV, von extended range electric vehicles), die eine Batterie und eine Hauptleistungsquelle wie z. B. eine Brennkraftmaschine, ein Brennstoffzellensystem etc. kombinieren, und reine Elektrofahrzeuge wie z. B. batteriebetriebene Elektrofahrzeuge (BEV, von battery electric vehicles). Alle diese Arten von Elektrofahrzeugen verwenden eine Hochspannungsbatterie, die eine Anzahl von Batteriezellen umfasst. Diese Batterien können verschiedene Batteriearten wie Lithium-Ionen, Nickel-Metallhydrid, und Blei-Säure etc. sein. Eine typische Hochspannungsbatterie für ein Elektrofahrzeug kann 196 Batteriezellen umfassen, die etwa 400 Volt bereitstellen. Die Batterie kann einzelne Batteriemodule umfassen, wobei jedes Batteriemodul eine bestimmte Anzahl von Batteriezellen, z. B. zwölf Zellen, umfassen kann. Die einzelnen Batteriezellen können elektrisch in Reihe geschaltet sein, oder eine Reihe von Batterien kann elektrisch parallel geschaltet sein, wobei eine Anzahl von Zellen in dem Modul in Reihe verbunden sind und jedes Modul mit den anderen Modulen elektrisch parallel geschaltet ist. Unterschiedliche Fahrzeugkonstruktionen umfassen unterschiedliche Batteriekonstruktionen, die verschiedene Kompromisse und Vorteile für eine spezielle Anwendung verwenden.
  • Batterien spielen eine bedeutende Rolle bei der Leistungsversorgung von Elektrofahrzeugen und Hybridfahrzeugen. Die Effektivität des Batteriesteuerungs- und -leistungsmanagements ist wesentlich für die Fahrzeugleistung, die Kraftstoffökonomie, die Batterielebensdauer und den Insassenkomfort. Für das Batteriesteuerungs- und -leistungsmanagement müssen zwei Zustande der Batterie, nämlich der Ladezustand (SOC) und die Batterieleistung, in Echtzeit vorhergesagt oder abgeschätzt und überwacht werden, da sie während des Fahrzeugbetriebes nicht messbar sind. Der Batterieladezustand und die Batterieleistung können mit einem Ersatzschaltkreismodell der Batterie, welches die Batterieruhespannung (OCV, von open circuit voltage) definiert, dem Ohm'schen Batteriewiderstand und einem RC-Paar, welches einen elektrische Widerstand und eine Kapazität umfasst, mithilfe der/des Batterieklemmenspannung und -stromes abgeschätzt werden. Somit müssen beide Batteriezustände von Batterieparametern hergeleitet werden, welche von dem/der Batterieklemmenspannung und -strom abgeschätzt werden. Es wurden auf dem technischen Gebiet einige wenige Batteriezustandsabschätzalgorithmen mithilfe verschiedener Methodiken entwickelt und einige wurden in Fahrzeugen implementiert.
  • Es ist gut bekannt, dass eine Batteriedynamik allgemein nicht linear und stark von den Batteriebetriebsbedingungen abhängig ist. Für eine Onboard-Batterieparameterabschätzung wird ein lineares Modell, das wenige Frequenzmodi aufweist, verwendet, um eine vorherrschende Dynamik einer Batterie für eine spezifische Anwendung wie z. B. eine Leistungsvorhersage oder eine SOC-Abschätzung zu approximieren. Der Grund hierfür liegt in der/des begrenzten Rechnerleistung und Speicher, die für Onboard-Anwendungen zur Verfügung stehen. Tatsächlich kann, selbst wenn ein/e unbegrenzte/r Rechnerleistung und Speicher vorhanden wäre, eine genaue Abschätzung aller Batterieparameter in einem komplexen Modell mit so vielen Frequenzmodi wie möglich nicht garantiert werden, da die Extraktion von Signalen, normalerweise der/des Batterieklemmenspannung und -klemmenstromes, begrenzt ist. Es ist daher weder praktisch noch notwendig, alle Frequenzmodi in einem Modell abzudecken, sofern der durch Modellunsicherheiten verursachte Abschätzungsfehler innerhalb eines annehmbaren Bereiches für eine spezifische Anwendung liegt.
  • Um die Speicher- und Rechnerkosten zu minimieren, wird ein einfaches Batteriemodell bevorzugt. Andererseits müssen unterschiedliche Anwendungen mittels unterschiedlicher Frequenzmodi charakterisiert werden. So ist beispielsweise die Merkmalfrequenz zur Charakterisierung des Hochfrequenzwiderstandes einer Batterie viel höher als die Merkmalfrequenz, welche die Änderung in der Batterieleistung charakterisiert. Ein einfaches Modell mit begrenzten Frequenzmodi führt zwangsläufig Fehler und Unsicherheiten ein, da es nicht alle Merkmalfrequenzen für verschiedene Anwendungen abdecken kann.
  • Die US-Patentanmeldung mit der Serien-Nr. 11/867 497, eingereicht am 4. Oktober 2007, nunmehr als Veröffentlichungs-Nr. US 2009/009 1299 mit dem Titel Dynamically Adaptive Method For Determining The State of Charge of a Battery veröffentlicht, das dem Antragsteller dieser Erfindung erteilt und hierin durch Bezugnahme aufgenommen ist, offenbart ein Verfahren zum Bestimmen eines Batterieladezustandes und einer Batterieleistung mithilfe von vier Batterieparametern, nämlich der Batterie-OCV, des Ohm'schen Widerstandes und des Widerstandes und der Kapazität eines RC-Paares.
  • Lithium-Ionen-Batterien haben sich als vielversprechend für Elektro-Hybridfahrzeuge erwiesen. Um das Antriebsbatteriesystem in einem Elektro-Hybridfahrzeug für eine lange Batterielebensdauer und eine gute Kraftstoffökonomie besser zu steuern, ist die Kenntnis interner Batterieparameter wie z. B. der OCV, des Ohm'schen Widerstandes und des kapazitiven Batteriewiderstandes etc. von großer Bedeutung. Insbesondere die OCV wird verwendet, um den Batterieladezustand (SOC), der ein kritischer Index für die Steuerung der Batterien ist, abzuschätzen.
  • Für einige Lithium-Ionen-Batterien wie z. B. die Lithium-Ionen-Nanophosphat-Batterie haben die bestehenden Parameterabschätzungsalgorithmen infolge einer flachen Abbildungskurve von der OCV zu dem Batterie-SOC Schwierigkeiten, eine genaue und robuste SOC-Abschätzung abzugeben. In diesen Batteriearten bewirkt ein Fachleuten gut bekanntes chemisches Phänomen, das als Diffusion bekannt ist, dass sich die Abschätzung der Ruhespannung der Batterie von ihrer tatsächlichen Ruhespannung unterscheidet, wenn kein Strom von der Batterie bezogen wird. So variiert z. B. für alle 10% SOG-Änderung die OCV um weniger als 20 mV. Wenn daher kein Strom von der Batterie bezogen wird und der Batterie-SOC konstant ist, ist die Differenz zwischen der abgeschätzten Ruhespannung und der tatsächlichen Batterieruhespannung erheblich, was zu einem Fehler in der Abschätzung des Batterie-SOC führt.
  • Es mag daher erforderlich sein, neue Abschätzungsalgorithmen für bestimmte Batterien zu entwickeln, die in der Lage sind, die Ruhespannung durch Subtrahieren aller Spannungskomponenten einschließlich kleiner Komponenten mit einer langsamen Dynamik wie z. B. der Diffusionsspannung, die als klein genug angesehen wird, um für herkömmliche Lithium-Ionen-Batterien vernachlässigbar zu sein, von der Batterieklemmenspannung genauer abzuschätzen. Dies erfordert einen leistungsfähigen Algorithmus, um mehr Batterieparameter, die mehr Spannungskomponenten entsprechen, mit hoher Effizienz und Genauigkeit zu extrahieren. Unter Berücksichtigung des Abschätzungsfehlers und des Messfehlers mit derzeitigen Fahrzeugsensoren muss der Algorithmus auch sehr robust gegenüber Anfangsbedingungen, Umweltschwankungen und Messrauschen sein, um eine zuverlässige SOC-Abschätzung vorzusehen.
  • Zusammenfassung der Erfindung
  • In Übereinstimmung mit den Lehren der vorliegenden Erfindung sind ein System und ein Verfahren zum Abschätzen von internen Parametern einer Lithium-Ionen-Batterie, um eine zuverlässige Ladezustandsabschätzung vorzusehen, offenbart. Das Verfahren verwendet ein Doppel-RC-Paar-Ersatz-Batteriestromkreismodell, um die Batterieparameter einschließlich einer Batterieruhespannung, des Ohm'schen Widerstandes, einer Doppelschichtkapazität, eines Ladungstransferwiderstandes, eines Diffusionswiderstandes und einer Diffusionskapazität abzuschätzen. Das Verfahren verwendet ferner das Ersatzstromkreismodell, um eine Differenzengleichung vorzusehen, aus der die Batterieparameter angepasst werden, und berechnet die Batterieparameter aus der Differenzengleichung.
  • Weitere Merkmale der vorliegenden Erfindung werden aus der nachfolgenden Beschreibung und den beigefügten Ansprüchen in Verbindung mit den beiliegenden Zeichnungen offensichtlich.
  • Kurzbeschreibung der Zeichnungen
  • 1 ist eine vereinfachte Draufsicht eines Hybridfahrzeuges, welches eine Batterie und eine Hauptleistungsquelle umfasst;
  • 2 ist ein schematisches Diagramm eines Doppel-RC-Paar-Ersatzstromkreises;
  • 3 ist ein Flussdiagramm für einen Algorithmus zum Extrahieren von sechs Parametern von einer Batterie; und
  • 4 ist ein Flussdiagramm für einen Algorithmus zum Abschätzen eines Batterieladezustandes.
  • Detaillierte Beschreibung der Ausführungsformen der Erfindung
  • Die nachfolgende Erläuterung der Ausführungsformen der Erfindung, die sich auf ein System und ein Verfahren zum Abschätzen der Parameter einer Lithium-Ionen-Batterie bezieht, ist rein beispielhaft und soll die Erfindung oder ihre Anwendungen oder Verwendungen in keiner Weise einschränken. Die Erfindung findet beispielsweise spezielle Anwendung für einen On-board-Algorithmus für Anwendungen in Fahrzeugen. Wie Fachleute jedoch einsehen werden, wird die Batteriezustands-Abschätzungseinrichtung der Erfindung andere Anwendungen als Fahrzeuganwendungen finden.
  • Die vorliegende Erfindung schlägt einen Algorithmus zum adaptiven Abschätzen von Batterieparametern in Echtzeit zur Batterie-SOC-Abschätzung und für weitere mögliche Anwendungen mithilfe von weniger Nachschlagetabellen zur besseren Anpassung an die Umwelt- und Fahrbedingungen, und um eine hohe Rechnereffizienz wie auch niedrige Implementierungskosten zu erzielen, vor. Die Erfindung sieht auch einen adaptiven und robusten Algorithmus für eine genaue und zuverlässige SOC-Abschätzung zum/r Batteriesteuerung- und elektrischen Leistungsmanagement vor. Der nachfolgend erläuterte Algorithmus ist in der Lage, adaptiv sechs interne Parameter für Lithium-Ionen-Batterien zu extrahieren und eine zuverlässige SOC-Abschätzung auf der Basis eines dieser extrahierten internen Batterieparameter, insbesondere der Ruhespannung, bereitzustellen. Die Vorteile des vorgeschlagenen Algorithmus umfassen eine erhöhte Robustheit gegenüber Anfangsbedingungen, eine bessere Anpassung an Schwankungen in Umwelt-, Batteriezustands- und Fahrbedingungen, eine höhere Rechnereffizienz und niedrige Implementierungskosten.
  • Dieser vorgeschlagene Algorithmus verwendet ein neues Batteriemodell in der Form einer Differenzengleichung, welche die internen Batterieparameter direkt mit der/dem Batterieklemmenspannung und -strom in Beziehung setzt. Das Modell ist die Basis eines zu entwickelnden adaptiven Parameterabschätzungsalgorithmus. Es wird ein Doppel-RC-Paar-Ersatzstromkreis verwendet, um die Parameter in dem neuen Batteriemodell mit den internen Batterieparametern in dem Ersatzstromkreis in Beziehung zu setzen. Auf der Basis des neuen Batteriemodells wird ein adaptiver Algorithmus entwickelt, um die internen Batterieparameter aus der/dem gemessenen Batteriespannung und -strom zu extrahieren. Diese extrahierten internen Batterieparameter sind zur SOC-Abschätzung, Leistungsvorhersage, Allgemeinzustands (SOH von state-of-health)-Überwachung etc geeignet. Die von dem adaptiven Algorithmus extrahierte Ruhespannung wird verwendet, um den Batterie-SOC in Echtzeit abzuschätzen.
  • 1 ist eine vereinfachte Draufsicht eines Fahrzeuges 10, welches eine Hochspannungsbatterie 12 und eine Hauptleistungsquelle 14 umfasst, wobei das Fahrzeug 10 ein beliebiges Hybridfahrzeug wie z. B. Hybrid/Brennkraftmaschinenfahrzeuge, ein Brennstoffzellensystem-Fahrzeug etc. darstellen soll. Das Fahrzeug 10 soll auch jedes beliebige reine Elektrofahrzeug darstellen, das eine Batterie als die einzige Leistungsquelle verwendet. Das Fahrzeug 10 umfasst einen Controller 16, der alle Steuerungsmodule und Vorrichtungen darstellen soll, die für den/die einwandfreie/n Betrieb und Steuerung der von der Batterie 12 und der Leistungsquelle 14 bereitgestellten Leistung erforderlich sind, um das Fahrzeug 10 anzutreiben, die Batterie 12 mithilfe der Leistungsversorgung 14 oder Nutzbremsung wieder aufzuladen und den/das Batterie-SOC und -leistungsvermögen zu bestimmen, wie nachfolgend erläutert.
  • 2 ist ein schematisches Diagramm eines Doppel-RC-Paar-Ersatz-Batteriestromkreises 20, der als ein Batteriemodell vorgesehen ist. Der Schaltkreis 20 umfasst ein Potential an einem Knoten 22, welches die Batteriespannung ist und den Batteriestrom umfasst. Eine Quelle 26 stellt die Batterieruhespannung VOC dar und der Widerstand 28 stellt den Ohm'schen Widerstand R des Schaltkreises 20 dar. Ein erstes RC-Paar umfasst einen Kondensator 32, der eine Doppelschicht (dl)-Kapazität Cdl ist, und einen Widerstand 30, der ein Ladungstransfer (ct)-widerstand Rct ist. Ein zweites RC-Paar umfasst einen Widerstand 34, der ein Diffusionswiderstand Rdf ist, und einen Kondensator 36 mit einer Diffusionskapazität Cdf. Andere Batteriemodelle können kompliziertere Ersatzschaltkreise verwenden, die in der nachfolgenden Erläuterung verwendet werden können, um die verschiedenen Werte zu bestimmen.
  • Unter Verwendung eines Standard-Hybridimpulsleistungskennlinien (HPPC von hybrid pulse power characterization)-Tests an einer Lithium-Ionen-Batterie bei unterschiedlichen Temperaturen und SOC-Niveaus, und in Kenntnis dessen, dass ein lineares dynamisches System zweiter Ordnung eng mit dem mithilfe der HPPC-Testdaten charakterisierten dynamischen Batterieverhalten übereinstimmt, kann bestimmt werden, dass ein lineares dynamisches System zweiter Ordnung eine gute Darstellung des dynamischen Batterieverhaltens abgibt. Demzufolge kann das Batteriemodell als eine Differenzengleichung durch: V(k) = θ1V(k – 1) + θ2V(k – 2) + θ3I(k) + θ4I(k – 1) + θ5I(k – 2) + θ6U(k) (1) dargestellt werden, die auch als: V(k) = θTϕ(k) (2) geschrieben werden kann, wobei k den Zeitsprung angibt, U(k) eine Einheitssprungfunktion darstellt, deren Wert für k < 0 null und für k ≥ 0 eins ist, ϕ(k) = [V(k – 1), V(k – 2), I(k), I(k – 1), I(k – 2), U(k)]T ein Vektor gemessener Daten und bekannter Signale ist und θ = [θ1, θ2, θ3, θ4, θ5, θ6]T ein Vektor von Parametern θ1, θ2, θ3, θ4, θ5 und θ6 ist.
  • Die Parameter θ1, θ2, θ3, θ4, θ5 und θ6 in der Differenzengleichung (1) müssen mit internen Batterieparametern wie z. B. der Ruhespannung, dem Ohm'schen Widerstand etc. assoziiert werden, sodass die internen Batterieparameter von den Parametern θ1, θ2, θ3, θ4, θ5 und θ6 hergeleitet werden können, die mit einem Parameterabschätzungsalgorithmus auf der Basis der Differenzengleichung (1) abgeschätzt werden können.
  • Es ist bekannt, dass für einen Doppel-RC-Paar-Ersatzstromkreis, wie in 2 gezeigt, die Batterieklemmenspannung aus vier Teilen besteht, die als: V(k) = Voc + I(k)R + Vdl(k) + Vdf(k) (3) ausgedrückt werden können, wobei V(k) die gemessene Batterieklemmenspannung ist, I(k) der gemessene Batterieklemmenstrom ist, Voc die Ruhespannung ist, R der Ohm'sche Widerstand ist und Vdl(k) und Vdl(k) die Spannungen über die beiden RC-Paare sind und eine Doppelschichtspannung bzw. eine Diffusionsspannung sind.
  • Die Doppelschichtspannung Vdl kann dynamisch beschrieben werden mit:
    Figure 00100001
  • Und in ähnlicher Weise kann die Diffusionsspannung Vdf dynamisch beschrieben werden mit:
    Figure 00100002
    wobei Rct der Ladungstransferwiderstand ist, Cdl der Doppelschichtwiderstand ist, Rdf der Diffusionswiderstand ist und Cdf die Diffusionskapazität ist.
  • Die Differenzengleichung wird mit dem Doppel-RC-Paar-Schaltkreis 20 in Beziehung gesetzt, um die Beziehung zwischen den internen Batterieparametern und den Parametern θ1, θ2, θ3, θ4, θ5 und θ6 in der Differenzengleichung (1) herzustellen. Durch Kombinieren der Gleichungen (3), (4) und (5) kann der Doppel-RC-Paar-Schaltkreis in der Zustandsraumform als:
    Figure 00110001
    dargestellt werden, wobei A, B, C und D Matrizen sind, die aus internen Batterieparametern bestehen, welche gegeben sind mit:
    Figure 00110002
    C = [1 1] (10) D = [d1 d2] = [R Voc] (11) und wobei U(k) die Einheitssprungfunktion ist.
  • Man nimmt die z-Transformation des Zustandsraum-Batteriemodells in den Gleichungen (6) und (7) und in nicht ganz korrekter Schreibweise ergibt dies:
    Figure 00120001
    wobei V(z), I(z), Vdl(z), Vdf(z) und U(z) die Z-Transformationen der Signale V(k), I(k), Vdl(k) Vdf(k) und U(k) sind.
  • Man beachte, dass die Gleichungen (12) und (13) aufgelöst werden, um die Transferfunktion des Batterie-Ersatzsschaltkreises 20 zu erhalten, wobei:
    Figure 00120002
  • Gleichung (11) wird aufgelöst als:
    Figure 00120003
  • Die Substitution von Gleichung (15) in Gleichung (13) und Erweiterung ergibt:
    Figure 00130001
  • Gleichung (18) ist die Transferfunktion der beiden Doppel-RC-Paar-Batterieschaltkreise 20. Die Transferfunktion von Gleichung (18) beschreibt die Eingangs/Ausgangs-Beziehung einer Batterie, deren elektrische Dynamik durch den Doppel-RC-Paar-Schaltkreis 20 charakterisiert werden kann und durch die Gleichungen (3), (4) und (5) gegeben ist.
  • Die Verwendung der inversen Z-Transformation ergibt die folgende Differenzengleichung: V(k) = (a1 + a2)V(k – 1) + (–a1a2)V(k – 2) + RI(k) + [(b1 – b2) – R(a1 + a2)]I(k – 1) + (a1a2R – b1a2 – b2a1)I(k – 2) + [1 – (a1 + a2) + a1a2]VocU(k) (19)
  • Man rufe sich das Batteriemodell in Erinnerung, das durch die Differenzengleichung (1), welche durch die HPPC-Testdaten bestimmt ist, gegeben ist. Wenn beide Differenzengleichungen (1) und (19) die gleiche elektrische Batteriedynamik beschreiben, sind sie gleichwertig. Daher setzen die folgenden Gleichungen die internen Batterieparameter, die in dem Ersatzschaltkreis definiert sind, und die Parameter aus der Differenzengleichung (1) in Beziehung. θ1 = (a1 + a2) (20) θ2 = (–a1a2) (21) θ3 = R (22) θ4 = [(b1 – b2) – R(a1 + a2)] (23) θ5 = (a1a2R – b1a2 – b2a1) (24) θ6 = [1 – (a1 + a2) = a1a2] (25) oder umgekehrt:
    Figure 00140001
    R = θ3 (27)
  • Aus den Gleichungen (21)–(26) können auch weitere Parameter berechnet werden. Für die Anwendungen der SOC-Abschätzung und der Leistungsvorhersage sind die Batterieparameter in der Form von VOC, R, a1, a2, b1 und b2 hilfreich. Allerdings können mit weiteren Berechnungen auf der Basis von Gleichung (13) die internen Batterieparameter in der Form von VOC, R, Rct, Cdl, Rdf und Cdf beschafft werden, die eine reale physikalische Bedeutung in sich tragen und in einer Vielfalt von Anwendungen zur Batteriediagnose und -prognose verwendet werden können.
  • 3 ist ein Flussdiagramm 50, das ein Verfahren für einen adaptiven Algorithmus auf der Basis der Differenzengleichung (1) zum Abschätzen der Parameter θ1, θ2, θ3, θ4, θ5 und θ6 und anschließenden Berechnen der internen Batterieparameter aus den Parametern θ1, θ2, θ3, θ4, θ5 und θ6 mithilfe von Gleichung (13) zeigt. Der Algorithmus beginnt bei Feld 52 mit einer Initialisierung durch das Lesen eines ersten Datenpaares einschließlich der Batteriespannung V(k) und des Batteriestromes I(k), Festlegen von Anfangswerten für die Parameter θ1, θ2, θ3, θ4, θ5 und θ6 aus dem abgeschätzten Ergebnis des letzten Betriebes aus dem Speicher und Untersuchen der Anfangskorrelationsmatrix P als eine 6×6 positive definite Matrix. Der Algorithmus liest dann die/den gemessene/n Batteriespannung V(k) und -strom I(k) bei Feld 54. Dann berechnet der Algorithmus einen Signalvektor Φ(k) aus der/dem gemessenen Batteriespannung V(k) und -strom I(k), den Batterie- und Stromdaten von vorhergehenden Messungen, nämlich V(k – 1), V(k – 2), I(k – 1), und I(k – 2) und der Einheitssprungfunktion U(k – 1) = 1 mithilfe der Gleichungen (1) und (2) bei Feld 56.
  • Dann berechnet der Algorithmus einen Verstärkungsvektor G als eine Regression nach der Methode der kleinsten Quadrate bei Feld 58, der ein 6 × 1-Vektor ist, welcher vier Verstärkungen für die vier unbekannten Parameter θ1, θ2, θ3, θ4, θ5 und θ6 umfasst, als:
    Figure 00150001
    wobei 0 < λ ≤ 1 ein vorgewählter Vergessensfaktor ist.
  • Dann errechnet der Algorithmus einen Abschätzungsfehler α(k) bei Feld 60 als: α(k) = V(k) – θTϕ(k) (29)
  • Dann passt der Algorithmus die Parameter θ1, θ2, θ3, θ4, θ5 und θ6 bei Feld 62 an, um den Abschätzungsfehler α mithilfe von θ(k) = θ(k – 1) + G(k)α(k) (30) zu minimieren.
  • Dann berechnet der Algorithmus die Batterieparameter für die Ruhespannung VOC, den Ohm'schen Widerstand R, und die Koeffizienten a1, a2, b1 und b2 aus den Parametern θ1, θ2, θ3, θ4, θ5 und θ6 mithilfe von Gleichung (28) bei Feld 64. Dann aktualisiert der Algorithmus die Korrelationsmatrix P für den nächsten Datenpunkt bei Feld 66 mithilfe von: P(k) = 1 / λP(k – 1) – 1 / λG(k)ϕT(k)P(k) (31)
  • Dann bestimmt der Algorithmus bei der Entscheidungsraute 68, ob der Betrieb zu Ende ist, und wenn ja speichert er die Parameter θ1, θ2, θ3, θ4, θ5 und θ6 für den nächsten Betrieb bei Feld 70. Wenn der Betrieb bei der Entscheidungsraute 68 nicht beendet ist, speichert der Algorithmus die/den aktuelle/n Batteriespannung V(k) und -strom I(k) für die nächste Periode und kehrt zu Feld 54 zurück, um neue Batteriespannungs- und -strommessungen zu erhalten.
  • Sobald der Algorithmus mithilfe des Batterieparameter-Extraktionsalgorithmus die Parameter θ1, θ2, θ3, θ4, θ5 und θ6 hat, wird ein SOG-Abschätzungsalgorithmus verwendet, um den Batterie-SOC abzuleiten. In dieser Ausführungsform wird der SOC dadurch abgeschätzt, dass ein spannungsbasierter SOCV, der auf einer thermodynamischen Spannung VO basiert, und ein strombasierter SOCI, der durch Coulomb-Integration bereitgestellt wird, kombiniert werden. Die Beziehung zwischen der thermodynamischen Spannung VO, der Ruhespannung VOC und einer Hysteresespannung Vh ist gegeben mit: VO(k) = VOC(k) – Vh(k) (32)
  • Wobei Vh die Hysteresespannung ist, die vorgegeben ist durch: Vh(k) = Vh(k – 1) + θ7I(k – 1)[Vh max – sign(I(k – 1))Vh(k – 1))] (33)
  • Und wobei θ7 in Parameter zur Bestimmung des Hystereseverhaltens ist und Vhmax der maximale Wert der Hysteresespannung Vh ist.
  • Das Hysteresemodell von Gleichung (33) beschreibt eine Art von Hysterese mit einer schnellen Konvergenz zu einer Hysteresegrenze von jedem beliebigen Punkt innerhalb der Grenze, die in verschiedenen Lithium-Ionen-Batterien zu beobachten ist. Mit solch einem Schalttyp von Hyteresemodell ist die spannungsbasierte SOCv-Abschätzung robust gegenüber der anfänglichen Hysteresespannung in dem Sinn, dass es nicht notwendig ist, genaue Kenntnis über die anfängliche Hysteresespannung Vh zu benötigen, da die durch das Modell geregelte Hysteresespannung Vh schnell zu der Grenze konvergiert, wo immer es beginnt.
  • Ein Punkt der Neuheit des SOC-Abschätzungsalgorithmus besteht darin, dass er eine adaptive Technik heranzieht, um Gewichtungen w für den spannungsbasierten SOCV, wie durch die Spannung VO bestimmt, und den strombasierten SOCI abstimmt, um die kombinierte SOC-Abschätzung zu erzeugen, und verwendet die kombinierte SOC-Abschätzung als den neuen Ausgangspunkt für die nächste Aktualisierung, um so die Abhängigkeit von dem anfänglichen SOC zu reduzieren und die Algorithmusrobustheit zu erhöhen.
  • Der oben erläuterte SOC-Abschätzungsalgorithmus ist in 4 als Flussdiagramm 80 veranschaulicht. Der Algorithmus beginnt mit einer Initialisierung bei Feld 82 und legt den Anfangswert des SOC durch Lesen der SOC-Abschätzung des letzten Betriebes aus dem Speicher fest. Die Initialisierung umfasst ferner, dass die/der Batterieklemmenspannung V(k) und -strom I(k) und die Ruhespannungsabschätzung VOC aus dem oben erläuterten Batterieparameter-Extraktionsverfahren gelesen werden. Der Algorithmus legt auch einen Gewichtungswert w1 fest, der einem vorbestimmten Wert wie z. B. 0,996 entspricht.
  • Dann bestimmt der SOC-Abschätzungsalgorithmus, ob die abgeschätzte Ruhespannung VOC gültig ist, indem er bei der Entscheidungsraute 84 bestimmt, ob genug Zeit seit Beginn des SOC-Abschätzungsverfahrens, z. B. 200 s, verstrichen ist, bei der Entscheidungsraute 96 bestimmt, ob dVOC größer ist als dV, und bei der Entscheidungsraute 88 bestimmt, ob dI in den letzten 10 Sekunden kleiner war als 0,5. Wenn alle diese Bestimmungen von den Entscheidungsrauten 84, 86 und 88 nein lauten, ist die Ruhespannung VOC gültig und der Algorithmus schreitet weiter, um die Hysteresespannung Vh mithilfe von Gleichung (33) und die thermodynamische Spannung VO mithilfe von Gleichung (32) bei Feld 90 zu berechnen. Dann berechnet der Algorithmus den spannungsbasierten SOCV für die aktuelle Periode mithilfe der gültigen Thermodynamikspannung VO und den abgeschätzten strombasierten SOCI für den aktuellen Zeitsprung bei Feld 92 mithilfe von: SOCI(k) = SOC(k – 1) + I(k)δt (34) wobei SOC(k – 1) die kombinierte SOC-Abschätzung des letzten Zeitsprunges ist und I(k)δt der Strombeitrag von der Coulomb-Integration ist.
  • Dann berechnet der Algorithmus die Differenz zwischen SOCI(k) und SOCV(k) und bestimmt bei der Entscheidungsraute 94, ob dSOCV größer ist als xdSOCah, wobei x eine Zahl ist. Wenn der SOC die Anforderungen der Entscheidungsraute 94 erfüllt, legt der Algorithmus bei Feld 96 den Gewichtungswert w2 = w1 + (1 – w1)/1,1 fest, der den Gewichtungsfaktor w auf der Basis der Differenz zwischen dem strombasierten SOCI(k) und dem spannungsbasierten SOCV(k) abstimmt. SOCV(k) = SOCV(k – 1) + (dSOCV – dSOCah)/10 (35)
  • Der Algorithmus kombiniert dann bei Feld 100 den spannungsbasierten SOCV(k) mit dem Gewichtungsfaktor w2 als: SOC(k) = w2SOCc(k) + (1 – w2)SOCV(k) (36)
  • Wenn keine der Bedingungen bei den Entscheidungsrauten 84, 86 und 88 für eine gültige Ruhespannung VOC erfüllt wurden, legt der Algorithmus bei Feld 102 den Gewichtungswert w2 = 0 fest und schreitet weiter, um mithilfe von Gleichung (36) SOC (k) bei Feld 100 zu bestimmen. Ebenso legt der Algorithmus, wenn die Anforderung bei der Entscheidungsraute 94 nicht erfüllt wurde, bei Feld 104 den Gewichtungswert w2 gleich dem Gewichtungswert w1 und schreitet weiter, um mithilfe von Gleichung (36) SOC (k) bei Feld 100 zu bestimmen.
  • Die vorhergehende Erläuterung offenbart und beschreibt lediglich beispielhafte Ausführungsformen der vorliegenden Erfindung. Ein Fachmann wird aus dieser Erläuterung und aus den beiliegenden Zeichnungen und Ansprüchen ohne weiteres erkennen, dass verschiedene Änderungen, Modifikationen und Abwandlungen daran vorgenommen werden können, ohne von dem Geist und dem Schutzumfang der Erfindung, die in den nachfolgenden Ansprüchen definiert sind, abzuweichen.
  • ZITATE ENTHALTEN IN DER BESCHREIBUNG
  • Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
  • Zitierte Patentliteratur
    • US 2009/0091299 [0006]

Claims (10)

  1. Verfahren zum Abschätzen von Batterieparametern einer Batterie, wobei das Verfahren umfasst, dass: eine aktuelle gemessene Batteriespannung und ein gemessener Batteriestrom gelesen wird; ein Signalvektor auf der Basis der/des aktuellen gemessenen Batteriespannung und -stromes und eines/r zuvor gemessenen Batteriespannung und -stromes berechnet wird; ein Verstärkungsvektor mithilfe des Signalvektors und einer Korrelationsmatrix berechnet wird; ein Abschätzungsfehler mithilfe der aktuellen gemessenen Batteriespannung und des Signalvektors berechnet wird; die Batterieparameter mithilfe des Verstärkungsvektors und des Abschätzungsfehlers angepasst werden; und eine Batterieruhespannung und ein Batteriewiderstand mithilfe der angepassten Batterieparameter berechnet werden.
  2. Verfahren nach Anspruch 1, wobei das Verfahren sechs Batterieparameter abschätzt.
  3. Verfahren nach Anspruch 1, wobei das Verfahren die Batterieruhespannung, den Ohm'schen Widerstand, eine Doppelschichtkapazität, einen Ladungstransferwiderstand, einen Diffusionswiderstand und eine Diffusionskapazität abschätzt.
  4. Verfahren nach Anspruch 1, wobei das Verfahren ein Doppel-RC-Paar-Ersatz-Batteriestromkreismodell verwendet, um die Batterieparameter abzuschätzen.
  5. Verfahren nach Anspruch 1, wobei das Berechnen eines Verstärkungsvektors die Verwendung der Gleichung:
    Figure 00220001
    umfasst, wobei G der Verstärkungsvektor ist, P die Korrelationsmatrix ist, Φ der Signalvektor ist und λ ein Vergessensfaktor ist.
  6. Verfahren nach Anspruch 1, wobei das Berechnen eines Abschätzungsfehlers die Verwendung der Gleichung: α(k) = V(k) – θTϕ(k) umfasst, wobei α der Abschätzungsfehler ist, V die gemessene Spannung ist, θ die Batterieparameter sind und Φ der Signalvektor ist.
  7. Verfahren nach Anspruch 1, wobei das Anpassen der Batterieparameter die Verwendung der Gleichung: θ(k) = θ(k – 1) + G(k)α(k) umfasst, wobei θ die Batterieparameter sind, G der Verstärkungsfaktor ist und α der Abschätzungsfehler ist.
  8. Verfahren nach Anspruch 1, ferner umfassend, dass ein Batterieladezustand mithilfe der Batterieruhespannung bestimmt wird.
  9. Verfahren nach Anspruch 8, wobei das Bestimmen des Batterieladezustandes umfasst, dass ein spannungsbasierter Ladezustand und ein strombasierter Ladezustand kombiniert werden.
  10. Verfahren nach Anspruch 9, wobei das Bestimmen des Batterieladezustandes umfasst, dass ein Gewichtungsfaktor auf den spannungsbasierten Ladezustand und den strombasierten Ladezustand angewendet wird.
DE102011104320.2A 2010-06-22 2011-06-16 Adaptive Batterieparameterextraktion und SOC-Abschätzung für eine Lithium-Ionen-Batterie Active DE102011104320B4 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US12/820,648 US9726732B2 (en) 2010-06-22 2010-06-22 Adaptive battery parameter extraction and SOC estimation for lithium-ion battery
US12/820,648 2010-06-22

Publications (2)

Publication Number Publication Date
DE102011104320A1 true DE102011104320A1 (de) 2011-12-22
DE102011104320B4 DE102011104320B4 (de) 2021-10-14

Family

ID=45091424

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102011104320.2A Active DE102011104320B4 (de) 2010-06-22 2011-06-16 Adaptive Batterieparameterextraktion und SOC-Abschätzung für eine Lithium-Ionen-Batterie

Country Status (3)

Country Link
US (1) US9726732B2 (de)
CN (1) CN102368091B (de)
DE (1) DE102011104320B4 (de)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103707777A (zh) * 2013-11-20 2014-04-09 奇瑞汽车股份有限公司 增程式电动车续航里程显示系统
CN104007390A (zh) * 2013-02-24 2014-08-27 快捷半导体(苏州)有限公司 电池电荷状态跟踪、等效电路选择及基准测试方法及系统
EP2824753A1 (de) 2013-07-11 2015-01-14 Jungheinrich Aktiengesellschaft Verfahren zum Laden einer Batterie
DE102015013286A1 (de) 2015-10-13 2016-05-25 Daimler Ag Verfahren zum Laden und Entladen eines elektrochemischen Energiespeichers und Lade- und Entladevorrichtung
CN106908732A (zh) * 2017-02-09 2017-06-30 北京长城华冠汽车科技股份有限公司 一种锂离子电池等效电路模型参数辨识方法和装置
CN110456283A (zh) * 2019-09-09 2019-11-15 东软睿驰汽车技术（沈阳）有限公司 获取电芯内阻参数的方法及装置
US10664562B2 (en) 2013-02-24 2020-05-26 Fairchild Semiconductor Corporation and University of Connecticut Battery state of charge tracking, equivalent circuit selection and benchmarking
DE102013208046B4 (de) 2012-05-08 2021-10-07 GM Global Technology Operations LLC (n. d. Gesetzen des Staates Delaware) Schätzvorrichtung für einen Batterieladezustand, die einen robusten H∞-Beobachter verwendet
DE102013208048B4 (de) 2012-05-08 2021-10-28 GM Global Technology Operations LLC (n. d. Gesetzen des Staates Delaware) Batterieladezustandsbeobachter
CN115092012A (zh) * 2022-07-20 2022-09-23 四川轻化工大学 考虑复合电源系统多工作模式的等效荷电状态估计方法

Families Citing this family (67)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102010029115A1 (de) * 2010-05-19 2011-11-24 Bayerische Motoren Werke Aktiengesellschaft Verfahren und Vorrichtung zum Betreiben eines Kraftfahrzeugs
JP5498347B2 (ja) * 2010-10-20 2014-05-21 株式会社メガチップス Ｐｌｃ／電源ハイブリッド装置および通信機能付き装置
US9052368B2 (en) * 2010-12-15 2015-06-09 Maxim Integrated Products, Inc. Negative peak voltage detection for enhanced FuelGauge empty voltage prediction
US8880253B2 (en) 2011-06-28 2014-11-04 Ford Global Technologies, Llc Nonlinear adaptive observation approach to battery state of charge estimation
FR2990516B1 (fr) * 2012-05-11 2015-10-16 Renault Sas Estimation de l'etat de charge d'une batterie
US20130311115A1 (en) * 2012-05-16 2013-11-21 Robert Bosch Gmbh Battery System and Method with Parameter Estimator
JP5924617B2 (ja) * 2012-06-05 2016-05-25 学校法人同志社 等価回路合成方法並びに装置、および回路診断方法
CN103544330B (zh) * 2012-07-13 2016-08-24 北汽福田汽车股份有限公司 锂离子电池的等效电路模型构建方法
KR101966062B1 (ko) 2012-11-23 2019-04-05 삼성전자주식회사 배터리 잔량 측정 장치 및 측정 방법
ITRM20120643A1 (it) 2012-12-18 2014-06-19 Calbatt S R L Metodo per la caratterizzazione di accumulatori.
JP6239241B2 (ja) * 2013-02-04 2017-11-29 株式会社東芝 電池性能推定方法および電池性能推定装置
CN103197251B (zh) * 2013-02-27 2016-02-03 山东省科学院自动化研究所 一种动力锂电池二阶rc等效模型的辨识方法
FR3006450B1 (fr) * 2013-06-04 2015-05-22 Renault Sa Procede pour estimer l'etat de sante d'une cellule electrochimique de stockage d'energie electrique
DE102013106083B4 (de) 2013-06-12 2022-02-10 Infineon Technologies Ag Verfahren und Vorrichtung zum Bestimmen eines Parameters eines Modells einer technischen Einrichtung
US9368841B2 (en) * 2013-08-30 2016-06-14 Ford Global Technologies, Llc Battery power capability estimation at vehicle start
JP6128225B2 (ja) * 2013-09-06 2017-05-24 日産自動車株式会社 二次電池の制御装置及び制御方法
TWI468713B (zh) * 2013-11-29 2015-01-11 Univ Nat Cheng Kung 超電容之電容能力估算方法
JP6037369B2 (ja) * 2014-02-25 2016-12-07 三菱電機株式会社 二次電池のｓｏｃ推定装置
US9132745B1 (en) * 2014-03-17 2015-09-15 Ford Global Technologies, Llc Frequency based battery model parameter estimation
CN104977537B (zh) * 2014-04-14 2019-03-26 微宏动力系统（湖州）有限公司 电池soc的确定方法及使用该方法的电池管理系统
US9419314B2 (en) * 2014-05-12 2016-08-16 GM Global Technology Operations LLC Systems and methods for determining battery system power capability
US9440552B2 (en) 2014-06-09 2016-09-13 Ford Global Technologies, Llc Estimation and compensation of battery measurement
US20160001672A1 (en) * 2014-07-01 2016-01-07 Ford Global Technologies, Llc Equivalent circuit based battery current limit estimations
US10481210B2 (en) 2014-07-14 2019-11-19 Ford Global Technologies, Llc Methods to determine battery cell voltage relaxation time based on cell usage history and temperature
US9381823B2 (en) * 2014-07-17 2016-07-05 Ford Global Technologies, Llc Real-time battery estimation
US9321368B2 (en) * 2014-08-19 2016-04-26 Fca Us Llc Multi-step model predictive iterative techniques for battery system peak power estimation
US9696782B2 (en) 2015-02-09 2017-07-04 Microsoft Technology Licensing, Llc Battery parameter-based power management for suppressing power spikes
US10158148B2 (en) 2015-02-18 2018-12-18 Microsoft Technology Licensing, Llc Dynamically changing internal state of a battery
US9748765B2 (en) 2015-02-26 2017-08-29 Microsoft Technology Licensing, Llc Load allocation for multi-battery devices
US10137797B2 (en) * 2015-09-28 2018-11-27 Ford Global Technologies, Llc Battery state of charge estimation based on current pulse duration
US9939862B2 (en) 2015-11-13 2018-04-10 Microsoft Technology Licensing, Llc Latency-based energy storage device selection
US10061366B2 (en) 2015-11-17 2018-08-28 Microsoft Technology Licensing, Llc Schedule-based energy storage device selection
US9793570B2 (en) 2015-12-04 2017-10-17 Microsoft Technology Licensing, Llc Shared electrode battery
JP2017120198A (ja) * 2015-12-28 2017-07-06 カルソニックカンセイ株式会社 二次電池の充電率算出装置
US10436845B2 (en) * 2016-03-01 2019-10-08 Faraday & Future Inc. Electric vehicle battery monitoring system
JP2017168422A (ja) * 2016-03-15 2017-09-21 東洋ゴム工業株式会社 密閉型二次電池の残容量予測方法及び残容量予測システム
CN106096298B (zh) * 2016-06-20 2019-02-15 重庆大学 基于观测器的变换器参数在线辨识方法
US10317473B2 (en) 2016-07-27 2019-06-11 GM Global Technology Operations LLC Electrochemical device power estimator and methods of making and using the same
US10620275B2 (en) * 2016-08-25 2020-04-14 GM Global Technology Operations LLC State estimation of an energy system
CN106443459A (zh) * 2016-09-06 2017-02-22 中国第汽车股份有限公司 一种车用锂离子动力电池荷电状态估算方法
US11462929B2 (en) * 2016-10-04 2022-10-04 University Of Washington Systems and methods for direct estimation of battery parameters using only charge/discharge curves
JP6755162B2 (ja) * 2016-11-11 2020-09-16 マレリ株式会社 推定装置
CN106291393B (zh) * 2016-11-18 2019-02-15 成都雅骏新能源汽车科技股份有限公司 一种用于在线识别电池模型参数的方法
CN106709134B (zh) * 2016-11-21 2020-01-10 河南理工大学 一种煤矿高压电网短路电流并行计算方法
CN106707181A (zh) * 2016-12-05 2017-05-24 澳特卡新能源科技（上海）有限公司 一种锂离子的电池参数与荷电状态估计方法
CN106597308B (zh) * 2016-12-16 2018-12-25 西南交通大学 一种动力电池剩余电量估计方法
US20180246173A1 (en) * 2017-02-28 2018-08-30 Honeywell International Inc. Online determination of model parameters of lead acid batteries and computation of soc and soh
EP3379278A1 (de) * 2017-03-20 2018-09-26 ABB Schweiz AG Batterieenergiespeicher
CN107139762A (zh) * 2017-06-05 2017-09-08 吉林大学 一种电动汽车优化充电控制方法及其系统
US10312699B2 (en) 2017-07-31 2019-06-04 Robert Bosch Gmbh Method and system for estimating battery open cell voltage, state of charge, and state of health during operation of the battery
US10418622B2 (en) 2017-10-26 2019-09-17 GM Global Technology Operations LLC Battery state estimation control logic and architectures for electric storage systems
JP6577990B2 (ja) * 2017-11-14 2019-09-18 本田技研工業株式会社 内部状態推定装置
JP7069930B2 (ja) * 2018-03-26 2022-05-18 住友電気工業株式会社 統計処理システム及びパラメータ推定装置
CN109164391B (zh) * 2018-07-12 2021-03-23 杭州神驹科技有限公司 一种动力电池荷电状态在线估算方法及系统
CN109061520B (zh) * 2018-10-25 2021-04-23 杭州神驹科技有限公司 一种动力电池健康与功率状态在线估算方法及系统
US10884062B2 (en) 2018-10-30 2021-01-05 GM Global Technology Operations LLC Detection and mitigation of rapid capacity loss for aging batteries
US11302996B2 (en) 2019-08-19 2022-04-12 GM Global Technology Operations LLC Battery modules with integrated interconnect board assemblies having cell tab comb features
US11207982B2 (en) 2019-12-11 2021-12-28 GM Global Technology Operations LLC Electronic power module assemblies and control logic with direct-cooling heat pipe systems
US11375642B2 (en) 2019-12-23 2022-06-28 GM Global Technology Operations LLC Electronic power module assemblies and control logic with direct-cooling vapor chamber systems
CN111208433A (zh) * 2020-01-16 2020-05-29 北方工业大学 电池二阶rc等效电路模型参数辨识的方法及装置
CN111208432A (zh) * 2020-01-16 2020-05-29 北方工业大学 用于电池的二阶rc等效电路模型参数实时辨识方法及装置
US11801574B2 (en) 2020-03-06 2023-10-31 GM Global Technology Operations LLC Welding systems and methods with knurled weld interfaces for metallic workpieces
US11387525B2 (en) 2020-03-09 2022-07-12 GM Global Technology Operations LLC Two-stage plunger press systems and methods for forming battery cell tabs
US11600842B2 (en) 2020-03-16 2023-03-07 GM Global Technology Operations LLC Multistage plunger press systems and methods with interlocking fingers for forming battery cell tabs
US11804639B2 (en) 2020-07-23 2023-10-31 GM Global Technology Operations LLC Multistage plunger systems and methods for forming battery cell tabs
US11799149B2 (en) 2020-08-26 2023-10-24 GM Global Technology Operations LLC Energy storage assembly
US11581618B2 (en) 2020-11-18 2023-02-14 GM Global Technology Operations LLC Thermomechanical fuses for heat propagation mitigation of electrochemical devices

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090091299A1 (en) 2007-10-04 2009-04-09 Gm Global Technology Operations, Inc. Dynamically adaptive method for determining the state of charge of a battery

Family Cites Families (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5631540A (en) * 1994-11-23 1997-05-20 Lucent Technologies Inc. Method and apparatus for predicting the remaining capacity and reserve time of a battery on discharge
JP2002017045A (ja) * 2000-06-29 2002-01-18 Toshiba Battery Co Ltd 二次電池装置
US6359419B1 (en) * 2000-12-27 2002-03-19 General Motors Corporation Quasi-adaptive method for determining a battery's state of charge
DE10203810A1 (de) 2001-06-29 2003-01-16 Bosch Gmbh Robert Verfahren zur Ermittlung des Ladezustands und/oder der Leistungsfähigkeit eines Ladungsspeichers
US7324902B2 (en) * 2003-02-18 2008-01-29 General Motors Corporation Method and apparatus for generalized recursive least-squares process for battery state of charge and state of health
US8103485B2 (en) 2004-11-11 2012-01-24 Lg Chem, Ltd. State and parameter estimation for an electrochemical cell
DE102005004998B4 (de) * 2005-02-03 2008-08-28 Vb Autobatterie Gmbh & Co. Kgaa Einrichtung und Verfahren zur Ermittlung der Temperatur in einer elektrischen Batterie
US8446127B2 (en) * 2005-08-03 2013-05-21 California Institute Of Technology Methods for thermodynamic evaluation of battery state of health
US7723957B2 (en) 2005-11-30 2010-05-25 Lg Chem, Ltd. System, method, and article of manufacture for determining an estimated battery parameter vector
US7400115B2 (en) * 2006-02-09 2008-07-15 Lg Chem, Ltd. System, method, and article of manufacture for determining an estimated combined battery state-parameter vector
US7598712B2 (en) * 2006-06-07 2009-10-06 Gm Global Technology Operations, Inc. Method and apparatus for real-time life estimation of an electric energy storage device
KR100750197B1 (ko) * 2006-06-08 2007-08-17 삼성전자주식회사 휴대 단말기에서 전원 공급 제어 장치 및 방법
US7646166B2 (en) * 2006-12-06 2010-01-12 Gm Global Technology Operations, Inc. Method and apparatus for modeling diffusion in an electrochemical system
JP4997994B2 (ja) * 2007-01-31 2012-08-15 富士通株式会社 電池の残量予測装置
JP4706648B2 (ja) * 2007-03-06 2011-06-22 トヨタ自動車株式会社 電動車両、充電状態推定方法および充電状態推定方法をコンピュータに実行させるためのプログラムを記録したコンピュータ読取可能な記録媒体
US8378521B2 (en) * 2007-05-09 2013-02-19 Ecole Polytechnique Federale de Lausanna (EPFL) Energy storage systems
CN201229395Y (zh) * 2008-06-25 2009-04-29 河北工业大学 锂离子电池组剩余电能计算方法的装置
US8108160B2 (en) * 2008-09-25 2012-01-31 GM Global Technology Operations LLC Method and system for determining a state of charge of a battery
CN102246385B (zh) * 2008-10-10 2015-07-29 艾默吉电力系统股份有限公司 用于确定电池的荷电状态的方法和设备

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090091299A1 (en) 2007-10-04 2009-04-09 Gm Global Technology Operations, Inc. Dynamically adaptive method for determining the state of charge of a battery

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102013208048B4 (de) 2012-05-08 2021-10-28 GM Global Technology Operations LLC (n. d. Gesetzen des Staates Delaware) Batterieladezustandsbeobachter
DE102013208046B4 (de) 2012-05-08 2021-10-07 GM Global Technology Operations LLC (n. d. Gesetzen des Staates Delaware) Schätzvorrichtung für einen Batterieladezustand, die einen robusten H∞-Beobachter verwendet
US10664562B2 (en) 2013-02-24 2020-05-26 Fairchild Semiconductor Corporation and University of Connecticut Battery state of charge tracking, equivalent circuit selection and benchmarking
CN104007390A (zh) * 2013-02-24 2014-08-27 快捷半导体(苏州)有限公司 电池电荷状态跟踪、等效电路选择及基准测试方法及系统
DE102013011593A1 (de) 2013-07-11 2015-01-15 Jungheinrich Ag Verfahren zum Laden einer Batterie
EP2824753A1 (de) 2013-07-11 2015-01-14 Jungheinrich Aktiengesellschaft Verfahren zum Laden einer Batterie
CN103707777B (zh) * 2013-11-20 2015-09-23 奇瑞新能源汽车技术有限公司 增程式电动车续航里程显示系统
CN103707777A (zh) * 2013-11-20 2014-04-09 奇瑞汽车股份有限公司 增程式电动车续航里程显示系统
DE102015013286A1 (de) 2015-10-13 2016-05-25 Daimler Ag Verfahren zum Laden und Entladen eines elektrochemischen Energiespeichers und Lade- und Entladevorrichtung
CN106908732A (zh) * 2017-02-09 2017-06-30 北京长城华冠汽车科技股份有限公司 一种锂离子电池等效电路模型参数辨识方法和装置
CN110456283A (zh) * 2019-09-09 2019-11-15 东软睿驰汽车技术（沈阳）有限公司 获取电芯内阻参数的方法及装置
CN110456283B (zh) * 2019-09-09 2022-07-12 东软睿驰汽车技术（沈阳）有限公司 获取电芯内阻参数的方法及装置
CN115092012A (zh) * 2022-07-20 2022-09-23 四川轻化工大学 考虑复合电源系统多工作模式的等效荷电状态估计方法
CN115092012B (zh) * 2022-07-20 2024-04-12 四川轻化工大学 考虑复合电源系统多工作模式的等效荷电状态估计方法

Also Published As

Publication number Publication date
DE102011104320B4 (de) 2021-10-14
US9726732B2 (en) 2017-08-08
US20110309838A1 (en) 2011-12-22
CN102368091B (zh) 2015-06-03
CN102368091A (zh) 2012-03-07

Similar Documents

Publication Publication Date Title
DE102011104320B4 (de) Adaptive Batterieparameterextraktion und SOC-Abschätzung für eine Lithium-Ionen-Batterie
DE102011012813B4 (de) Batteriezustandsschätzeinrichtung unter Verwendung mehrerer Abtastraten
DE102015203789B4 (de) Batteriemodell mit Robustheit gegenüber cloud-spezifischen Kommunikationsproblemen
DE102013208048B4 (de) Batterieladezustandsbeobachter
DE102013208046B4 (de) Schätzvorrichtung für einen Batterieladezustand, die einen robusten H∞-Beobachter verwendet
DE102012207815B4 (de) Systeme und verfahren zum bestimmen von zellenkapazitätswerten in einer batterie mit vielen zellen
DE102006018208B4 (de) Verfahren und Vorrichtung zum Detektieren eines geladenen Zustandes einer sekundären Batterie basierend auf einer Berechnung eines neuronalen Netzwerks
DE102013216200B4 (de) Online-Batteriekapazitätsschätzung
DE102009042533B4 (de) Verfahren zur Bestimmung eines Ladezustands einer Batterie
DE102014103803A1 (de) Batteriezustandsschätzer, der ein elektrochemisches Festkörperkonzentrationsmodell mit einem empirischen Ersatzschaltungsmodell kombiniert
DE102015202555A1 (de) Erzeugen einer schätzanforderung für ein aktives batteriesystem
DE102017212970A1 (de) Vorrichtung zum Schätzen eines Batterieverschlechterungszustandes, System mit derselben und Verfahren dafür
DE112017002072T5 (de) Batteriesteuervorrichtung
DE102008050022A1 (de) Dynamisch adaptives Verfahren zum Ermitteln des Ladezustands einer Batterie
DE102011116516A1 (de) Verfahren zur Bestimmung eines Zustands einer wiederaufladbaren Batterievorrichtung in Echtzeit
DE102011054339A1 (de) Adaptive Iangsam veränderliche Stromerkennung
DE102015203803A1 (de) Auslagerung der Parameteridentifikation durch die Verwendung von Cloud Computing-Ressourcen
DE102009049589A1 (de) Verfahren zur Bestimmung und/oder Vorhersage der maximalen Leistungsfähigkeit einer Batterie
DE102013103923A1 (de) Modellierungsänderungen in der Ladezustandsleerlaufspannungskurve unter Verwendung von Regressionsparametern in einem physikalischen Reduced-Order-Model
DE102015011745B3 (de) Ladezustandsbestimmung bei einer Kraftfahrzeug-Batterie
DE102019111976A1 (de) Kapazitätsbestimmung bei Batterien
DE112019002770T5 (de) Parameterschätzvorrichtung, Parameterschätzverfahren, und Computerprogramm
DE102011116970B4 (de) Optimierung von Parametern elektrischer Komponenten in Modellen von Energiespeichersystemen
DE102021117977A1 (de) Elektrifizierte fahrzeugsteuerung unter verwendung eines batterieladezustands und einer leistungsfähigkeitsstrategie
DE102016119253A1 (de) Batteriezustands-schätzungssysteme und verfahren unter verwendung eines nichtlinearen widerstandselements

Legal Events

Date Code Title Description
R012 Request for examination validly filed
R016 Response to examination communication
R018 Grant decision by examination section/examining division
R020 Patent grant now final