WO2019114240A1 - 一种电池荷电状态预测方法和系统 - Google Patents
一种电池荷电状态预测方法和系统 Download PDFInfo
- Publication number
- WO2019114240A1 WO2019114240A1 PCT/CN2018/092489 CN2018092489W WO2019114240A1 WO 2019114240 A1 WO2019114240 A1 WO 2019114240A1 CN 2018092489 W CN2018092489 W CN 2018092489W WO 2019114240 A1 WO2019114240 A1 WO 2019114240A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- battery
- state
- charge
- model
- voltage
- Prior art date
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]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/382—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]
- G01R31/382—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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Genetics & Genomics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Physiology (AREA)
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
一种电池荷电状态预测方法和系统,所述方法包括:获取电池在充放电过程中的电压和电流(10);根据所述电池在充放电过程中的电压和电流,采用遗传算法,对所述电池的二阶RC等效电路模型中的模型参数进行优化,得到优化后的模型参数(11);获取所述电池的荷电状态的三次样条拟合函数,根据所述优化后的模型参数和所述三次样条拟合函数,采用扩展卡尔曼滤波算法,建立所述电池的荷电状态预测模型(12);根据所述荷电状态预测模型,预测所述电池的荷电状态(13)。该电池荷电状态预测方法和系统,可以提高电池荷电状态的预测准确度。
Description
交叉引用
本申请引用于2017年12月13日提交的专利名称为“一种电池荷电状态预测方法和系统”的第2017113291954号中国专利申请,其通过引用被全部并入本申请。
本发明实施例涉及电池管理技术领域,尤其涉及一种电池荷电状态预测方法和系统。
锂离子电池作为储能电源已在通讯、电力系统、交通运输等领域得到了广泛的应用。电池作为能量供给部件,其工作状态的好坏直接关系到整个系统安全性和运行可靠性。为了确保电池组性能良好,延长电池组使用寿命,必须及时、准确地了解电池的运行状态,对电池进行合理有效地管理和控制。
电池荷电状态(State of Charge,简称SOC)的精确估算是电池能量管理系统中的核心技术之一。电池的SOC无法直接测量得到,只能通过测量其他物理量,并采用一定的数学模型和算法来估算得到。
目前常用的电池SOC估计方法有开路电压法、安时积分法等。但是,采用开路电压法,要求电池必须静置足够长时间后达到稳定状态,而且只适用于系统在停机或待机状态下的SOC估计,不能满足在线实时检测要求;采用安时积分法,容易受到电流测量精度的影响,精度不高。
因此,如何提供一种具有较高精度的满足在线实时检测要求的电池荷电状态预测方法,成为亟需解决的问题。
发明内容
针对现有技术中存在的问题,本发明实施例提供一种电池荷电状态预测方法和系统。
第一方面,本发明实施例提供一种电池荷电状态预测方法,所述方法包括:
获取电池在充放电过程中的电压和电流;
根据所述电池在充放电过程中的电压和电流,采用遗传算法,对所述电池的二阶RC等效电路模型中的模型参数进行优化,得到优化后的模型参数;
获取所述电池的荷电状态的三次样条拟合函数,根据所述优化后的模型参数和所述三次样条拟合函数,采用扩展卡尔曼滤波算法,建立所述电池的荷电状态预测模型;
根据所述荷电状态预测模型,预测所述电池的荷电状态。
第二方面,本发明实施例提供一种电池荷电状态预测系统,所述系统包括:
获取模块,用于获取电池在充放电过程中的电压和电流;
参数优化模块,用于根据所述电池在充放电过程中的电压和电流,采用遗传算法,对所述电池的二阶RC等效电路模型中的模型参数进行优化,得到优化后的模型参数;
模型建立模块,用于获取所述电池的荷电状态的三次样条拟合函数,并根据所述优化后的模型参数和所述三次样条拟合函数,采用扩展卡尔曼滤波算法,建立所述电池的荷电状态预测模型;
预测模块,用于根据所述荷电状态预测模型,预测所述电池的荷电状态。
第三方面,本发明实施例提供一种电子设备,所述设备包括存储器和处理器,所述处理器和所述存储器通过总线完成相互间的通信;所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行上述电池荷电状态预测方法。
第四方面,本发明实施例提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述电池荷电状态预测方法。
本发明实施例提供的电池荷电状态预测方法和系统,通过获取待测电池在充放电过程中的电压和电流,根据待测电池在充放电过程中的电压和 电流,采用遗传算法,对待测电池的二阶RC等效电路模型中的模型参数进行优化,得到优化后的模型参数,获取待测电池的荷电状态的三次样条拟合函数,根据优化后的模型参数和三次样条拟合函数,采用扩展卡尔曼滤波算法,建立电池的荷电状态预测模型,根据荷电状态预测模型,预测电池的荷电状态,可以提高电池荷电状态的预测准确度。
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的电池荷电状态预测方法流程图;
图2为本发明实施例提供的电池荷电状态预测系统的结构示意图;
图3为本发明实施例提供的电子设备的结构示意图;
图4为现有技术中的电池信息在线监测系统的结构示意图。
为使本发明实施例的目的、技术方案和优点更加清楚,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地描述,显然,所描述的实施例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。
图1为本发明实施例提供的电池荷电状态预测方法流程图,如图1所示,所述方法包括:
步骤10、获取电池在充放电过程中的电压和电流;
步骤11、根据所述电池在充放电过程中的电压和电流,采用遗传算法,对所述电池的二阶RC等效电路模型中的模型参数进行优化,得到优化后的模型参数;
步骤12、获取所述电池的荷电状态的三次样条拟合函数,根据所述优化后的模型参数和所述三次样条拟合函数,采用扩展卡尔曼滤波算法,建 立所述电池的荷电状态预测模型;
步骤13、根据所述荷电状态预测模型,预测所述电池的荷电状态。
图4为现有技术中的电池信息在线监测系统的结构示意图。服务器可以获取待测电池在循环充放电过程中的电压和电流,所述电池在循环充放电过程中的电压和电流,可以通过现有的电池信息在线监测系统采集得到。
如图4所示,所述电池信息在线监测系统可以包括:微处理器41、供电电源模块42、电池信息处理模块43、CAN通信模块44、数据存储模块45和电池信息传感器46。其中,所述微处理器41分别与所述供电电源模块42、所述电池信息处理模块43、所述CAN通信模块44和所述数据存储模块45电连接,所述电池信息处理模块43与所述电池信息传感器46电连接,所述电池信息传感器46可以集成电压传感器、电流传感器和温度传感器,所述电池信息传感器46直接与待测电池电连接。在本发明实施例中,所述微处理器41可以采用MC9S12XET256。
所述服务器获取到的待测电池在充放电过程中的电压和电流数据可以包括:每隔固定的时间间隔,对所述电池进行一次充放电测试,得到的电压和电流。比如,可以每隔5个小时,对所述电池进行一次充放电测试。
然后,所述服务器可以根据所述电池在充放电过程中的电压和电流,采用现有的遗传算法,对二阶RC等效电路模型中的模型参数进行辨识,得到优化后的模型参数,其中,对所述模型参数进行辨识的过程,就是对所述模型参数进行优化的过程。
所述服务器还可以获取所述电池的荷电状态的三次样条拟合函数,根据所述优化后的模型参数和所述荷电状态的三次样条拟合函数,建立所述电池的荷电状态预测模型,所述服务器可以根据所述荷电状态预测模型,预测所述电池的荷电状态。
本发明实施例提供的电池荷电状态预测方法,通过获取电池在充放电过程中的电压和电流,根据电池在充放电过程中的电压和电流,采用遗传算法,对电池的二阶RC等效电路模型中的模型参数进行优化,得到优化后的模型参数,获取电池的荷电状态的三次样条拟合函数,根据优化后的模型参数和三次样条拟合函数,采用扩展卡尔曼滤波算法,建立电池的荷 电状态预测模型,根据荷电状态预测模型,预测电池的荷电状态,可以提高电池荷电状态的预测准确度。
可选的,在上述实施例的基础上,所述模型参数包括:
所述电池的欧姆内阻、电化学极化内阻、电化学极化电容、浓差极化内阻和浓差极化电容。
具体地,上述实施例中所述的模型参数可以包括:待测电池的欧姆内阻、电化学极化内阻、电化学极化电容、浓差极化内阻和浓差极化电容。
其中,所述欧姆内阻可以记为R
Ω,所述电化学极化内阻可以记为R
s,所述电化学极化电容可以记为C
s,所述浓差极化内阻可以记为R
l,所述浓差极化电容可以记为C
l。
所述服务器可以基于现有的遗传算法,根据获取到的待测电池在充放电过程中的电压和电流,对二阶RC等效电路模型中的上述模型参数进行辨识,得到优化后的欧姆内阻、电化学极化内阻、电化学极化电容、浓差极化内阻和浓差极化电容。
本发明实施例提供的电池荷电状态预测方法,通过采用遗传算法对二阶RC等效电路模型中的欧姆内阻、电化学极化内阻、电化学极化电容、浓差极化内阻和浓差极化电容,进行优化,使得所述方法更加科学。
可选的,在上述实施例的基础上,所述获取所述电池的荷电状态的三次样条拟合函数,包括:
获取所述电池在充放电过程中的荷电状态和开路电压;
根据所述电池在充放电过程中的荷电状态和开路电压,建立所述电池的荷电状态的三次样条拟合函数。
具体地,服务器可以获取待测电池在充放电过程中的荷电状态和开路电压,其中,所述荷电状态和所述开路电压可以包括:所述电池在静置状态时的荷电状态和开路电压、对所述电池施加负载进行充放电过程中的荷电状态和开路电压,以及所述电池除去负载重新恢复到静置状态时的荷电状态和开路电压。
然后,所述服务器可以根据获取到的所述电池的荷电状态和开路电压,建立所述电池的荷电状态的三次样条拟合函数。
本发明实施例提供的电池荷电状态预测方法,通过获取待测电池在充 放电过程中的荷电状态和开路电压,然后,根据电池在充放电过程中的荷电状态和开路电压,建立电池的荷电状态的三次样条拟合函数,使得所述方法更加科学。
可选的,在上述实施例的基础上,所述根据所述优化后的模型参数和所述三次样条拟合函数,采用扩展卡尔曼滤波算法,建立所述电池的荷电状态预测模型,包括:
根据所述优化后的模型参数,建立所述电池的状态方程;
根据所述电池的平衡电动势、欧姆压降、RC电路电压,建立所述电池的量测方程;
根据所述量测方程、所述状态方程和所述三次样条拟合函数,采用扩展卡尔曼滤波算法,建立所述电池的荷电状态预测模型。
具体地,服务器采用遗传算法,对二阶RC等效电路模型中的模型参数进行辨识,得到优化后的模型参数之后,可以根据所述优化后的模型参数,建立待测电池的状态方程,所述状态方程可以表示为:
则所述状态方程可以记为:x
k=Ax
k-1+Bi
k-1+w
k-1。
其中,所述x
k表示待测电池在第k个时刻的荷电状态向量,所述x
k-1表示待测电池在第k-1个时刻的荷电状态向量,所述i
k-1表示待测电池在第k-1个时刻对应的荷电状态向量的电流,所述w
k-1表示待测电池在第k-1个时刻的过程激励噪声,它与电流的测量噪声有关,可以忽略不计,所述C
cap表示待测电池的容量,所述
表示待测电池在第k个时刻的欧姆压降,所述
表示待测电池在第k个时刻施加负载之前的RC电路电压,所述
表示待测电池在第k个时刻施加负载后的RC电路电压,所述SOC
k表示待测电池在第k个时刻的荷电状态。
所述服务器可以根据待测电池的平衡电动势、欧姆压降和RC电路电压,建立所述电池的量测方程,其中,所述量测方程可以记为:
然后,所述服务器可以根据待测电池的量测方程、状态方程和荷电状态的三次样条拟合函数,采用现有的扩展卡尔曼滤波算法,建立所述电池的荷电状态预测模型,并根据所述预测模型预测待测电池在某一个时刻的荷电状态。
本发明实施例提供的电池荷电状态预测方法,通过根据优化后的模型参数,建立待测电池的状态方程,根据待测电池的平衡电动势、欧姆压降、RC电路电压,建立待测电池的量测方程,根据量测方程、状态方程和待测电池的荷电状态的三次样条拟合函数,采用扩展卡尔曼滤波算法,建立待测电池的荷电状态预测模型,使得所述方法更加科学。
图2为本发明实施例提供的电池荷电状态预测系统的结构示意图,如图2所示,所述系统包括:获取模块20、参数优化模块21、模型建立模块22和预测模块23,其中:
获取模块20用于获取电池在充放电过程中的电压和电流;参数优化模块21用于根据所述电池在充放电过程中的电压和电流,采用遗传算法,对所述电池的二阶RC等效电路模型中的模型参数进行优化,得到优化后的模型参数;模型建立模块22用于获取所述电池的荷电状态的三次样条 拟合函数,并根据所述优化后的模型参数和所述三次样条拟合函数,采用扩展卡尔曼滤波算法,建立所述电池的荷电状态预测模型;预测模块23用于根据所述荷电状态预测模型,预测所述电池的荷电状态。
本发明实施例提供的电池荷电状态预测系统可以包括:获取模块20、参数优化模块21、模型建立模块22和预测模块23。
其中,所述获取模块20可以获取待测电池在循环充放电过程中的电压和电流,待测电池在循环充放电过程中的电压和电流,可以通过现有的电池信息在线监测系统采集得到。
如图4所示,所述电池信息在线监测系统可以包括:微处理器41、供电电源模块42、电池信息处理模块43、CAN通信模块44、数据存储模块45和电池信息传感器46。其中,所述微处理器41分别与所述供电电源模块42、所述电池信息处理模块43、所述CAN通信模块44和所述数据存储模块45电连接,所述电池信息处理模块43与所述电池信息传感器46电连接,所述电池信息传感器46可以集成电压传感器、电流传感器和温度传感器,所述电池信息传感器46直接与待测电池电连接。在本发明实施例中,所述微处理器41可以采用MC9S12XET256。
所述获取模块20获取到的待测电池在充放电过程中的电压和电流数据可以包括:每隔固定的时间间隔,对所述电池进行一次充放电测试,得到的电压和电流。比如,可以每隔5个小时,对所述电池进行一次充放电测试。
所述参数优化模块21可以根据所述电池在充放电过程中的电压和电流,采用现有的遗传算法,对待测电池的二阶RC等效电路模型中的模型参数进行辨识,可以得到优化后的模型参数。
所述模型建立模块22可以获取所述电池的荷电状态的三次样条拟合函数,然后,根据所述优化后的模型参数和所述荷电状态的三次样条拟合函数,建立所述电池的荷电状态预测模型,所述预测模块23可以根据所述荷电状态预测模型,预测所述电池的荷电状态。
本发明实施例提供的电池荷电状态预测系统,其功能具体参照上述方法实施例,此处不再赘述。
本发明实施例提供的电池荷电状态预测系统,通过获取待测电池在充 放电过程中的电压和电流,根据待测电池在充放电过程中的电压和电流,采用遗传算法,对电池的二阶RC等效电路模型中的模型参数进行优化,得到优化后的模型参数,获取电池的荷电状态的三次样条拟合函数,根据优化后的模型参数和三次样条拟合函数,采用扩展卡尔曼滤波算法,建立电池的荷电状态预测模型,根据荷电状态预测模型,预测电池的荷电状态,可以提高电池荷电状态的预测准确度。
可选的,在上述实施例的基础上,所述参数优化模块具体用于:
采用遗传算法,对所述电池的欧姆内阻、电化学极化内阻、电化学极化电容、浓差极化内阻和浓差极化电容,进行优化。
具体地,上述实施例中所述的参数优化模块可以基于现有的遗传算法,根据第一获取模块获取到的待测电池在充放电过程中的电压和电流,对二阶RC等效电路模型中的模型参数进行辨识,得到优化后的模型参数。其中,所述模型参数可以包括:待测电池的欧姆内阻、电化学极化内阻、电化学极化电容、浓差极化内阻和浓差极化电容。
本发明实施例提供的电池荷电状态预测系统,通过采用遗传算法,对二阶RC等效电路模型中的欧姆内阻、电化学极化内阻、电化学极化电容、浓差极化内阻和浓差极化电容,进行优化,使得所述系统更加科学。
可选的,在上述实施例的基础上,所述模型建立模块包括:获取子模块和函数拟合子模块,其中:
获取子模块用于获取所述电池在充放电过程中的荷电状态和开路电压;函数拟合子模块用于根据所述电池在充放电过程中的荷电状态和开路电压,建立所述电池的荷电状态的三次样条拟合函数。
具体地,上述实施例中所述的模型建立模块可以包括:获取子模块和函数拟合子模块。
其中,所述获取子模块可以获取待测电池在充放电过程中的荷电状态和开路电压,其中,所述荷电状态和所述开路电压可以包括:所述电池在静置状态时的荷电状态和开路电压、对所述电池施加负载进行充放电过程中的荷电状态和开路电压,以及所述电池除去负载重新恢复到静置状态时的荷电状态和开路电压。
然后,所述函数拟合子模块可以根据获取到的所述电池的荷电状态和 开路电压,建立所述电池的荷电状态的三次样条拟合函数。
本发明实施例提供的电池荷电状态预测系统,通过获取待测电池在充放电过程中的荷电状态和开路电压,然后,根据电池在充放电过程中的荷电状态和开路电压,建立电池的荷电状态的三次样条拟合函数,使得所述系统更加科学。
可选的,在上述实施例的基础上,所述模型建立模块包括:状态方程子模块、量测方程子模块和模型建立子模块,其中:
状态方程子模块用于根据所述优化后的模型参数,建立所述电池的状态方程;量测方程子模块用于根据所述电池的平衡电动势、欧姆压降、RC电路电压,建立所述电池的量测方程;模型建立子模块用于根据所述量测方程、所述状态方程和所述三次样条拟合函数,采用扩展卡尔曼滤波算法,建立所述电池的荷电状态预测模型。
具体地,上述实施例中所述的模型建立模块可以包括:状态方程子模块、量测方程子模块和模型建立子模块。
其中,所述状态方程子模块可以根据参数优化模块得到的优化后的模型参数,建立待测电池的状态方程,所述状态方程可以表示为:
则所述状态方程可以记为:x
k=Ax
k-1+Bi
k-1+w
k-1。
其中,所述x
k表示待测电池在第k个时刻的荷电状态向量,所述x
k-1表示待测电池在第k-1个时刻的荷电状态向量,所述i
k-1表示待测电池在第k-1个时刻对应的荷电状态向量的电流,所述w
k-1表示待测电池在第k-1个时刻的过程激励噪声,它与电流的测量噪声有关,可以忽略不计,所述C
cap表示待测电池的容量,所述
表示待测电池在第k个时刻的欧姆压降,所述
表示待测电池在第k个时刻施加负载之前时的RC电路电压,所述
表示待测电池在第k个时刻施加负载后的RC电路电压,所述SOC
k表示待测电池在第k个时刻的荷电状态。
所述量测方程子模块可以根据待测电池的平衡电动势、欧姆压降、RC电路电压,建立所述电池的量测方程,其中,所述量测方程可以记为:
然后,所述模型建立子模块可以根据待测电池的量测方程、状态方程和荷电状态的三次样条拟合函数,采用现有的扩展卡尔曼滤波算法,建立所述电池的荷电状态预测模型,并根据所述预测模型预测待测电池在某一个时刻的荷电状态。
本发明实施例提供的电池荷电状态预测系统,通过根据优化后的模型参数,建立待测电池的状态方程,根据待测电池的平衡电动势、欧姆压降、RC电路电压,建立待测电池的量测方程,根据量测方程、状态方程和待测电池的荷电状态的三次样条拟合函数,采用扩展卡尔曼滤波算法,建立待测电池的荷电状态预测模型,使得所述系统更加科学。
图3为本发明实施例提供的电子设备的结构示意图,如图3所示,所述设备包括:处理器(processor)31、存储器(memory)32和总线33,其中:
所述处理器31和所述存储器32通过所述总线33完成相互间的通信; 所述处理器31用于调用所述存储器32中的程序指令,以执行上述各方法实施例所提供的方法,例如包括:获取电池在充放电过程中的电压和电流;根据所述电池在充放电过程中的电压和电流,采用遗传算法,对所述电池的二阶RC等效电路模型中的模型参数进行优化,得到优化后的模型参数;获取所述电池的荷电状态的三次样条拟合函数,根据所述优化后的模型参数和所述三次样条拟合函数,采用扩展卡尔曼滤波算法,建立所述电池的荷电状态预测模型;根据所述荷电状态预测模型,预测所述电池的荷电状态。
本发明实施例公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如包括:获取电池在充放电过程中的电压和电流;根据所述电池在充放电过程中的电压和电流,采用遗传算法,对所述电池的二阶RC等效电路模型中的模型参数进行优化,得到优化后的模型参数;获取所述电池的荷电状态的三次样条拟合函数,根据所述优化后的模型参数和所述三次样条拟合函数,采用扩展卡尔曼滤波算法,建立所述电池的荷电状态预测模型;根据所述荷电状态预测模型,预测所述电池的荷电状态。
本发明实施例提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述各方法实施例所提供的方法,例如包括:获取电池在充放电过程中的电压和电流;根据所述电池在充放电过程中的电压和电流,采用遗传算法,对所述电池的二阶RC等效电路模型中的模型参数进行优化,得到优化后的模型参数;获取所述电池的荷电状态的三次样条拟合函数,根据所述优化后的模型参数和所述三次样条拟合函数,采用扩展卡尔曼滤波算法,建立所述电池的荷电状态预测模型;根据所述荷电状态预测模型,预测所述电池的荷电状态。
以上所描述的电子设备等实施例仅仅是示意性的,其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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上各实施例仅用以说明本发明的实施例的技术方案,而非对其限制;尽管参照前述各实施例对本发明的实施例进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明的实施例各实施例技术方案的范围。
Claims (10)
- 一种电池荷电状态预测方法,其特征在于,包括:获取电池在充放电过程中的电压和电流;根据所述电池在充放电过程中的电压和电流,采用遗传算法,对所述电池的二阶RC等效电路模型中的模型参数进行优化,得到优化后的模型参数;获取所述电池的荷电状态的三次样条拟合函数,根据所述优化后的模型参数和所述三次样条拟合函数,采用扩展卡尔曼滤波算法,建立所述电池的荷电状态预测模型;根据所述荷电状态预测模型,预测所述电池的荷电状态。
- 根据权利要求1所述的方法,其特征在于,所述模型参数包括:所述电池的欧姆内阻、电化学极化内阻、电化学极化电容、浓差极化内阻和浓差极化电容。
- 根据权利要求1所述的方法,其特征在于,所述获取所述电池的荷电状态的三次样条拟合函数,包括:获取所述电池在充放电过程中的荷电状态和开路电压;根据所述电池在充放电过程中的荷电状态和开路电压,建立所述电池的荷电状态的三次样条拟合函数。
- 根据权利要求1所述的方法,其特征在于,所述根据所述优化后的模型参数和所述三次样条拟合函数,采用扩展卡尔曼滤波算法,建立所述电池的荷电状态预测模型,包括:根据所述优化后的模型参数,建立所述电池的状态方程;根据所述电池的平衡电动势、欧姆压降、RC电路电压,建立所述电池的量测方程;根据所述量测方程、所述状态方程和所述三次样条拟合函数,采用扩展卡尔曼滤波算法,建立所述电池的荷电状态预测模型。
- 一种电池荷电状态预测系统,其特征在于,包括:获取模块,用于获取电池在充放电过程中的电压和电流;参数优化模块,用于根据所述电池在充放电过程中的电压和电流,采用遗传算法,对所述电池的二阶RC等效电路模型中的模型参数进行优化, 得到优化后的模型参数;模型建立模块,用于获取所述电池的荷电状态的三次样条拟合函数,并根据所述优化后的模型参数和所述三次样条拟合函数,采用扩展卡尔曼滤波算法,建立所述电池的荷电状态预测模型;预测模块,用于根据所述荷电状态预测模型,预测所述电池的荷电状态。
- 根据权利要求5所述的系统,其特征在于,所述参数优化模块具体用于:采用遗传算法,对所述电池的欧姆内阻、电化学极化内阻、电化学极化电容、浓差极化内阻和浓差极化电容,进行优化。
- 根据权利要求5所述的系统,其特征在于,所述模型建立模块包括:获取子模块,用于获取所述电池在充放电过程中的荷电状态和开路电压;函数拟合子模块,用于根据所述电池在充放电过程中的荷电状态和开路电压,建立所述电池的荷电状态的三次样条拟合函数。
- 根据权利要求5所述的系统,其特征在于,所述模型建立模块包括:状态方程子模块,用于根据所述优化后的模型参数,建立所述电池的状态方程;量测方程子模块,用于根据所述电池的平衡电动势、欧姆压降、RC电路电压,建立所述电池的量测方程;模型建立子模块,用于根据所述量测方程、所述状态方程和所述三次样条拟合函数,采用扩展卡尔曼滤波算法,建立所述电池的荷电状态预测模型。
- 一种电子设备,其特征在于,包括存储器和处理器,所述处理器和所述存储器通过总线完成相互间的通信;所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如权利要求1至4任一所述的方法。
- 一种计算机可读存储介质,其上存储有计算机程序,其特征在于, 该计算机程序被处理器执行时实现如权利要求1至4任一所述的方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711329195.4A CN109917298A (zh) | 2017-12-13 | 2017-12-13 | 一种电池荷电状态预测方法和系统 |
CN201711329195.4 | 2017-12-13 |
Publications (1)
Publication Number | Publication Date |
---|---|
WO2019114240A1 true WO2019114240A1 (zh) | 2019-06-20 |
Family
ID=66696053
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/CN2018/092489 WO2019114240A1 (zh) | 2017-12-13 | 2018-06-22 | 一种电池荷电状态预测方法和系统 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20190178945A1 (zh) |
JP (1) | JP2019105621A (zh) |
KR (1) | KR20190070837A (zh) |
CN (1) | CN109917298A (zh) |
WO (1) | WO2019114240A1 (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110794319A (zh) * | 2019-11-12 | 2020-02-14 | 河南工学院 | 预测锂电池阻抗模型的参数的方法、装置及可读存储介质 |
CN111177992B (zh) * | 2019-12-16 | 2024-03-29 | 中车工业研究院有限公司 | 基于电化学理论和等效电路模型的电池模型及其构建方法 |
CN111551869A (zh) * | 2020-05-15 | 2020-08-18 | 江苏科尚智能科技有限公司 | 锂电池低频参数测量方法、装置、计算机设备和存储介质 |
CN111639425B (zh) * | 2020-05-26 | 2023-06-23 | 东风汽车有限公司 | 蓄电池启动性能预测方法、存储介质及电子设备 |
CN112103580B (zh) * | 2020-09-21 | 2022-04-01 | 武汉大学 | 一种基于等效内阻的锂电池充电方法 |
CN113011082B (zh) * | 2021-02-07 | 2022-07-12 | 山东大学 | 一种改进蚁群算法优化粒子滤波的锂电池soc预测方法 |
CN113036846B (zh) * | 2021-03-08 | 2023-03-17 | 山东大学 | 基于阻抗检测的锂离子电池智能优化快速充电方法及系统 |
CN113075560B (zh) * | 2021-04-19 | 2022-11-18 | 南京邮电大学 | 一种动力锂离子电池健康状态在线预估方法 |
CN113381700B (zh) * | 2021-06-29 | 2024-01-30 | 哈尔滨工业大学 | 一种高频无源rc积分放大器的rc参数设计方法 |
CN113447821B (zh) * | 2021-06-30 | 2023-07-14 | 国网北京市电力公司 | 评估电池荷电状态的方法 |
CN114252771B (zh) * | 2021-12-13 | 2024-05-07 | 北京经纬恒润科技股份有限公司 | 一种电池参数在线辨识方法及系统 |
KR20230123840A (ko) * | 2022-02-17 | 2023-08-24 | 주식회사 엘지에너지솔루션 | 배터리 관리 장치 및 서버 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100274510A1 (en) * | 2004-12-21 | 2010-10-28 | Morrison John L | Method of Detecting System Function by Measuring Frequency Response |
CN102016617A (zh) * | 2008-05-07 | 2011-04-13 | 原子能和代替能源委员会 | 估计电池的充电状态的方法 |
CN103293485A (zh) * | 2013-06-10 | 2013-09-11 | 北京工业大学 | 基于模型的蓄电池荷电状态估计方法 |
CN104237791A (zh) * | 2013-06-20 | 2014-12-24 | 电子科技大学 | 一种锂电池荷电状态估算方法及电池管理系统和电池系统 |
CN105301509A (zh) * | 2015-11-12 | 2016-02-03 | 清华大学 | 锂离子电池荷电状态、健康状态与功率状态的联合估计方法 |
CN206161820U (zh) * | 2016-11-04 | 2017-05-10 | 首都师范大学 | 一种基于扩展卡尔曼粒子滤波的系统 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8868363B2 (en) * | 2009-06-11 | 2014-10-21 | Battelle Energy Alliance, Llc | Method of estimating pulse response using an impedance spectrum |
KR100804698B1 (ko) * | 2006-06-26 | 2008-02-18 | 삼성에스디아이 주식회사 | 배터리 soc 추정 방법 및 이를 이용하는 배터리 관리시스템 및 구동 방법 |
JP4689755B1 (ja) * | 2010-03-23 | 2011-05-25 | 古河電気工業株式会社 | 電池内部状態推定装置および電池内部状態推定方法 |
JP5393619B2 (ja) * | 2010-08-26 | 2014-01-22 | カルソニックカンセイ株式会社 | バッテリの充電率推定装置 |
FR2975501B1 (fr) * | 2011-05-20 | 2013-05-31 | Renault Sas | Procede d'estimation de l'etat de charge d'une batterie electrique |
US20150349385A1 (en) * | 2014-04-01 | 2015-12-03 | Medtronic, Inc. | Method and System for Predicting Useful Life of a Rechargeable Battery |
KR101767635B1 (ko) * | 2014-10-24 | 2017-08-14 | 주식회사 엘지화학 | 이차 전지의 충전 상태 추정 장치 및 그 방법 |
JP6555773B2 (ja) * | 2014-11-18 | 2019-08-07 | 学校法人立命館 | 蓄電残量推定装置、蓄電池の蓄電残量を推定する方法、及びコンピュータプログラム |
ES2738552T3 (es) * | 2014-11-28 | 2020-01-23 | Bosch Gmbh Robert | Sistema de gestión de batería basado en red inalámbrica |
CN104502858B (zh) * | 2014-12-31 | 2017-07-14 | 桂林电子科技大学 | 基于后向差分离散模型的动力电池soc估计方法与系统 |
-
2017
- 2017-12-13 CN CN201711329195.4A patent/CN109917298A/zh active Pending
-
2018
- 2018-06-22 WO PCT/CN2018/092489 patent/WO2019114240A1/zh active Application Filing
- 2018-08-20 JP JP2018153888A patent/JP2019105621A/ja active Pending
- 2018-08-23 US US16/110,066 patent/US20190178945A1/en not_active Abandoned
- 2018-08-23 KR KR1020180098428A patent/KR20190070837A/ko not_active Application Discontinuation
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100274510A1 (en) * | 2004-12-21 | 2010-10-28 | Morrison John L | Method of Detecting System Function by Measuring Frequency Response |
CN102016617A (zh) * | 2008-05-07 | 2011-04-13 | 原子能和代替能源委员会 | 估计电池的充电状态的方法 |
CN103293485A (zh) * | 2013-06-10 | 2013-09-11 | 北京工业大学 | 基于模型的蓄电池荷电状态估计方法 |
CN104237791A (zh) * | 2013-06-20 | 2014-12-24 | 电子科技大学 | 一种锂电池荷电状态估算方法及电池管理系统和电池系统 |
CN105301509A (zh) * | 2015-11-12 | 2016-02-03 | 清华大学 | 锂离子电池荷电状态、健康状态与功率状态的联合估计方法 |
CN206161820U (zh) * | 2016-11-04 | 2017-05-10 | 首都师范大学 | 一种基于扩展卡尔曼粒子滤波的系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109917298A (zh) | 2019-06-21 |
KR20190070837A (ko) | 2019-06-21 |
JP2019105621A (ja) | 2019-06-27 |
US20190178945A1 (en) | 2019-06-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2019114240A1 (zh) | 一种电池荷电状态预测方法和系统 | |
KR102219397B1 (ko) | 원격 파라미터 추정을 구비한 2차 전지 관리 시스템 | |
KR102335296B1 (ko) | 무선 네트워크 기반 배터리 관리 시스템 | |
US20170115355A1 (en) | Maximum capacity estimator for battery state of health and state of charge determinations | |
CN104931889A (zh) | 用于确定电池系统性能退化的系统及方法 | |
Li et al. | A new parameter estimation algorithm for an electrical analogue battery model | |
Xiong et al. | Research on an online identification algorithm for a thevenin battery model by an experimental approach | |
US10048320B2 (en) | Systems and methods for estimating battery system power capability | |
US11846675B2 (en) | Battery temperature estimation method and apparatus, electronic device, and storage medium | |
JP2015215169A (ja) | パラメータ算出装置、パラメータ算出方法及びプログラム | |
WO2018112818A1 (zh) | 一种电池循环寿命的快速预测方法及其快速预测装置 | |
US20240125860A1 (en) | Battery Management Device, and Electric Power System | |
EP4333242A1 (en) | Battery state estimation device and power system | |
CN109061482B (zh) | 电池健康度预测方法及装置 | |
KR20140093552A (ko) | 배터리 용량 상태 추정 장치 및 이의 방법 | |
Thomas et al. | Battery monitoring system using machine learning | |
Omar et al. | Optimization of an advanced battery model parameter minimization tool and development of a novel electrical model for lithium‐ion batteries | |
CN115214424A (zh) | 电池热管理系统的温度确定方法、装置及电子设备 | |
Selvabharathi et al. | Experimental analysis on battery based health monitoring system for electric vehicle | |
CN115421044A (zh) | 锂离子电池状态确定方法、装置、电子设备及存储介质 | |
Ramezani-al et al. | A novel combined online method for SOC estimation of a Li-Ion battery with practical and industrial considerations | |
US11460512B2 (en) | Battery module testing | |
CN110303941B (zh) | 一种电池均衡方法、系统、设备以及介质 | |
CN116973764A (zh) | 一种锂电池一致性评估方法、装置、电子设备及存储介质 | |
Ceven et al. | Implementation of hardware-in-the-loop based platform for real-time battery state of charge estimation on li-ion batteries of electric vehicles using multilayer perceptron |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 18889289 Country of ref document: EP Kind code of ref document: A1 |
|
NENP | Non-entry into the national phase |
Ref country code: DE |
|
122 | Ep: pct application non-entry in european phase |
Ref document number: 18889289 Country of ref document: EP Kind code of ref document: A1 |