CN104777433B - 基于隐马尔可夫模型的锂离子电池剩余容量估计方法 - Google Patents
基于隐马尔可夫模型的锂离子电池剩余容量估计方法 Download PDFInfo
- Publication number
- CN104777433B CN104777433B CN201510225366.3A CN201510225366A CN104777433B CN 104777433 B CN104777433 B CN 104777433B CN 201510225366 A CN201510225366 A CN 201510225366A CN 104777433 B CN104777433 B CN 104777433B
- Authority
- CN
- China
- Prior art keywords
- battery
- residual capacity
- relaxed state
- mrow
- new
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Secondary Cells (AREA)
Abstract
本发明提供一种基于隐马尔可夫模型的锂离子电池剩余容量估计方法,包括步骤:1:通过观测数据建立HMM任意两个状态间的转移概率和开路电压的观察概率;2:对电池新个体作初始化,确定其最大容量;令k=N‑1,QP=0,k为电池的松弛状态标号,N为HMM状态的总个数,QP为电池从一个松弛状态转到另一松弛状态期间流入和流出电池的电量净值;3:电池作充电或放电,对其剩余容量作实时估计;4:判断电池是否已进入一新的松弛状态;若为否,返回步骤3;若为是,转到步骤5;5:确定电池所处的HMM新的松弛状态标号;6:更新剩余容量;7:令QP=0,k=q,q为新的松弛状态标号;然后返回步骤3,作新的充电或放电过程。本发明使锂电池的剩余容量估计达到较高精度。
Description
技术领域
本发明涉及锂离子电池管理***和剩余容量估计技术领域,具体来说,本发明涉及一种基于隐马尔可夫模型的锂离子电池剩余容量估计方法。
背景技术
随着移动电子设备、电动汽车等产品的迅猛发展,锂离子电池(以下简称锂电池)正得到越来越广泛的应用。在锂电池的实际应用中,需要对电池剩余容量进行实时的估计,以确保以锂电池作为电源的设备或产品***进行正常的工作。然而,在目前的锂电池管理***中,对电池剩余容量的估计仍然是一个未能得到很好解决的问题。这是由于锂电池在实际工作过程中荷电状态(State of Charge,简称SOC)易受放电速率、自身温度、自放电、老化等多重因素的影响而发生变化。因此,对锂电池SOC和剩余容量进行实时的和准确的估计是困难的。
目前,锂电池剩余容量估计方法主要有库仑积分法、开路电压与库仑积分结合法、阻抗跟踪法等。库仑积分法的原理是通过对电流的实时测量,对流入或流出的电量进行统计。该方法原理简单,实现方便。但在电流测量存在偏置误差的情况下,基于库仑积分法的剩余容量估计存在一个随时间增长的累积误差。而开路电压与库仑积分结合法一般是指在库仑积分法的基础上,利用开路电压(Open Circuit Voltage,简称OCV)与SOC之间的关系,在电池处于松弛状态(电流为零或接近于零)时对电池SOC和剩余容量进行校正。这种方法是对单纯的电流积分法的改进,性能比电流积分法更好。但在这种方法中,OCV与SOC的关系被通过表格或线性分段模型固定下来,而没有考虑特定SOC下OCV实际上是一个符合某种概率分布的随机变量,从而使得通过OCV求得的SOC可能存在较大误差。阻抗跟踪法也利用了库仑积分和OCV与SOC之间的关系,但其核心思想是实时跟踪电池内部的阻抗变化,并借此对电池输出电压的变化趋势进行预测,最终达到对剩余容量进行估计的目的。这种方法的问题在于对锂电池阻抗进行精确的建模和预测是困难的,而不准确的阻抗模型将导致剩余容量估计的误差较大。
发明内容
本发明所要解决的技术问题是提供一种基于隐马尔可夫模型的新的锂离子电池剩余容量估计方法,能够使剩余容量估计达到较高的精度。
为解决上述技术问题,本发明提供一种基于隐马尔可夫模型的锂离子电池剩余容量估计方法,包括:
步骤1:通过尽可能多的观测数据,建立隐马尔可夫模型的任意两个状态之间的转移概率和开路电压的观察概率;
步骤2:对所述电池的新个体进行初始化,确定所述电池的最大容量;令k=N-1,QP=0,k为所述电池的松弛状态标号,N为隐马尔可夫模型的状态的总个数,QP为所述电池从一个松弛状态转到另一个松弛状态期间流入和流出所述电池的电量的净值;
步骤3:所述电池进行充电或者放电,对其剩余容量进行实时估计;
步骤4:判断所述电池是否已进入一新的松弛状态;如结果为“否”,则返回上述步骤3;如结果为“是”,则转到下述步骤5;
步骤5:确定所述电池所处的隐马尔可夫模型的新的松弛状态标号;
步骤6:更新所述剩余容量;
步骤7:令QP=0,k=q,q为所述电池的新的松弛状态标号;然后返回上述步骤3,进行新的充电或者放电过程。
可选地,在上述步骤2中,通过将所述电池从起始“放空”状态充电至“满充”状态,确定所述电池的最大容量。
可选地,在上述步骤3中,按照传统的库仑积分法对所述电池的剩余容量进行实时估计。
可选地,在上述步骤5中,所述电池所处的隐马尔可夫模型的新的松弛状态标号是由下式确定的:
其中,q为新的松弛状态标号,aki(r)为隐马尔可夫模型的任意两个状态之间的转移概率,bi,T(OCV)为开路电压的观察概率。
可选地,在上述步骤5和上述步骤6之间还包括:
步骤5a:对所述电池的所述最大容量进行校正。
与现有技术相比,本发明具有以下优点:
本发明提出的锂电池剩余容量估计方法采用隐马尔可夫模型(HMM)这种新的统计模型对锂电池的特性进行建模,将较多的锂电池先验知识用于其剩余容量估计中。相对现有技术,该方法能够显著地提高锂电池剩余容量估计的准确度。
附图说明
本发明的上述的以及其他的特征、性质和优势将通过下面结合附图和实施例的描述而变得更加明显,其中:
图1为本发明一个实施例的基于隐马尔可夫模型的锂离子电池剩余容量估计方法中的某一松弛状态k与其它松弛状态之间的概率关系图;
图2为本发明一个实施例的基于隐马尔可夫模型的锂离子电池剩余容量估计方法的流程图。
具体实施方式
众所周知,锂电池是一个复杂的电化学***,在不同工况下有多种不同的工作状态。而锂电池的特性参数也往往具有一定的发散性。即使同一型号的锂电池,不同个体在相同工况下的特性参数也会有差异。因此,采用统计模型对锂电池进行建模是合理的。隐马尔可夫模型(Hidden Markov Model,简称HMM)作为一种经典的统计模型,对复杂随机过程具有很强的建模能力,适合用于对锂电池行为和特性进行建模。本发明提出了一种基于HMM的新的锂电池剩余容量估计方法。对于某一特定型号的锂电池,这种方法首先需要根据大量测试数据进行离线建模(计算HMM参数)。当建模完成后锂电池进入正常工作时,即可采用HMM对锂电池剩余容量进行估计。由于通过HMM可以较多地利用锂电池的先验知识,这种方法能够使剩余容量估计达到较高的精度。
下面结合具体实施例和附图对本发明作进一步说明,在以下的描述中阐述了更多的细节以便于充分理解本发明,但是本发明显然能够以多种不同于此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下根据实际应用情况作类似推广、演绎,因此不应以此具体实施例的内容限制本发明的保护范围。
锂电池的HMM建立过程如下。首先选定锂电池各个具有不同SOC数值的松弛状态为HMM的状态。由此,锂电池的工作过程可被视为相应的HMM在各个不同状态之间不断转移的过程。设HMM状态的个数为N,各状态标号分别为0,1,2,…,N-1。可取N等于可能的SOC离散值的个数。举例来说,如果SOC取值的步长(STEP)为1%,即SOC取0、1%、2%、…、100%共101个离散值,那么可取N=101。状态i对应的SOC值为S(i)=i·STEP。
由于锂电池处于松弛状态时电流为零或接近于零,测量此时电池的端电压即得到OCV。测量电池选取OCV为HMM的观察变量。当HMM处于状态i且电池体温度为T时,OCV的观察概率为
bi,T(OCV)=P(OCV|i,T) (1)
对于某个特定型号的锂电池,本发明可在大量测试数据的基础上,建立OCV的观察概率bi,T(OCV)的分布模型。所建模型可分为离散模型和连续模型两种。对于第一种模型(离散模型),可分别将OCV、T作离散化处理,即实测的OCV、T数值需要近似为一些特定的离散值。所得离散模型可表示为一系列随i和T而变的表格。这种模型的优点是建立过程简单,缺点是表格数据可能需要较大的存储空间,并且模型精度可能受限。对于第二种模型(连续模型),一般情况下本发明可取其函数形式为正态分布概率密度函数,即
在上述(2)式中,参数μi,T、σi,T分别为T的函数。设μi,T=gi(T),σi,T=hi(T)。根据观测数据确定gi(T)和hi(T)函数,即可完成OCV的观察概率bi,T(OCV)建模过程。该模型的优点是存储空间需求较小,模型精度较高;缺点是相关计算较复杂。
相较于现有锂电池剩余容量估计方法中OCV与SOC之间的简单关系,本发明将OCV的观察概率bi,T(OCV)建立在统计数据的基础之上,从而能更全面地反映锂电池的特性。
设从电池一个松弛状态转到另一个松弛状态期间流入和流出电池电量的净值为QP,电池最大容量为QMAX。设r=QP/QMAX。显然,HMM任意两个状态i、j之间转移概率aij(r)与r有关。与bi,T(OCV)一样,aij(r)模型也可分为离散模型和连续模型两种。如果aij(r)取离散模型,需要将r离散化。设在r取某特定值条件下,从状态i转移到状态j的次数为nij,从状态i转移到其它各状态的总次数为mi。aij(r)可按下式计算:
如果aij(r)取连续模型,设aij(r)=f(i,j,r)。可选定f(i,j,r)的函数形式,根据QP与QMAX的测试数据对aij(r)进行建模。
当aij(r)与bi,T(OCV)建模完成时,即可认为锂电池HMM建模结束,该HMM随后可用于锂电池剩余容量估计。当电池进入正常工作阶段以后,当电池处于充电或放电状态时,剩余容量的估计仍按库仑积分法进行。而当电池从某一松弛状态k开始,通过不断的充电或放电过程到达一个新的松弛状态q时,q可能为0、1、2、…、N-1中任一状态。某一松弛状态k与其它松弛状态之间的概率关系如图1所示。在已知r、OCV、T的前提下,根据最大似然原则,q可取使该OCV取值发生概率最大的状态。因此,q可由下式确定:
确定了一个新的松弛状态的标号q,即可得到电池荷电状态为S(q)。随后可对QMAX进行校正:
在对QMAX进行校正后,可对锂电池的剩余容量RC进行更新:
RC=QMAX·S(q) (6)
图2为本发明一个实施例的基于隐马尔可夫模型的锂离子电池剩余容量估计方法的流程图。需要注意的是,这些以及后续其他的附图均仅作为示例,不应该以此作为对本发明实际要求的保护范围构成限制。上述锂电池剩余容量估计方法的实现流程可包括如下步骤:
S101.对某一型号的电池,通过大量的、尽可能多的测试数据建立HMM的任意两个状态之间的转移概率aij(r)和开路电压OCV的观察概率bi,T(OCV)。
S102.对该型号的电池的新个体进行初始化,确定电池的最大容量QMAX。例如,通过将电池从起始“放空”状态充电至“满充”状态,以确定电池的最大容量QMAX。令k=N-1,QP=0。其中,k为电池的松弛状态标号,N为HMM的状态的总个数,QP为电池从一个松弛状态转到另一个松弛状态期间流入和流出电池的电量的净值。
S103.电池进行充电或者放电,对其剩余容量按照例如传统的库仑积分法进行实时估计。
S104.判断电池是否已进入一新的松弛状态。如结果为“否”,则返回上述步骤S103;如结果为“是”,则转到下述步骤S105。
S105.根据上述(4)式确定电池所处的HMM的新的松弛状态标号q。
S106.对电池的最大容量QMAX进行校正。
S107.更新剩余容量RC。
S108.令QP=0,k=q。然后返回上述步骤S103,进行新的充电或放电过程。
其中,上述步骤S106所进行的校正操作使电池的最大容量QMAX能始终准确地反映电池真实的最大容量,从而消除了电池老化对剩余容量估计的不利影响。
综上所述,本发明提出的锂电池剩余容量估计方法采用了隐马尔可夫模型(HMM)这种新的统计模型对锂电池的特性进行建模,将较多的锂电池先验知识用于其剩余容量估计中。相对现有技术,该方法能够显著地提高锂电池剩余容量估计的准确度。
本发明虽然以较佳实施例公开如上,但其并不是用来限定本发明,任何本领域技术人员在不脱离本发明的精神和范围内,都可以做出可能的变动和修改。因此,凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所作的任何修改、等同变化及修饰,均落入本发明权利要求所界定的保护范围之内。
Claims (5)
1.一种基于隐马尔可夫模型的锂离子电池剩余容量估计方法,包括:
步骤1:通过尽可能多的观测数据,建立隐马尔可夫模型的任意两个状态之间的转移概率和开路电压的观察概率;
步骤2:对所述电池的新个体进行初始化,确定所述电池的最大容量;令k=N-1,QP=0,k为所述电池的松弛状态标号,N为隐马尔可夫模型的状态的总个数,QP为所述电池从一个松弛状态转到另一个松弛状态期间流入和流出所述电池的电量的净值;
步骤3:所述电池进行充电或者放电,对其剩余容量进行实时估计;
步骤4:判断所述电池是否已进入一新的松弛状态;如结果为“否”,则返回上述步骤3;如结果为“是”,则转到下述步骤5;
步骤5:确定所述电池所处的隐马尔可夫模型的新的松弛状态标号;
步骤6:更新所述剩余容量;
步骤7:令QP=0,k=q,q为所述电池的新的松弛状态标号;然后返回上述步骤3,进行新的充电或者放电过程。
2.根据权利要求1所述的锂离子电池剩余容量估计方法,其特征在于,在上述步骤2中,通过将所述电池从起始“放空”状态充电至“满充”状态,确定所述电池的最大容量。
3.根据权利要求2所述的锂离子电池剩余容量估计方法,其特征在于,在上述步骤3中,按照传统的库仑积分法对所述电池的剩余容量进行实时估计。
4.根据权利要求3所述的锂离子电池剩余容量估计方法,其特征在于,在上述步骤5中,所述电池所处的隐马尔可夫模型的新的松弛状态标号是由下式确定的:
<mrow>
<mi>q</mi>
<mo>=</mo>
<mi>arg</mi>
<munder>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
<mi>i</mi>
</munder>
<mo>&lsqb;</mo>
<msub>
<mi>a</mi>
<mrow>
<mi>k</mi>
<mi>i</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>r</mi>
<mo>)</mo>
</mrow>
<mo>&CenterDot;</mo>
<msub>
<mi>b</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>T</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>O</mi>
<mi>C</mi>
<mi>V</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
其中,q为新的松弛状态标号,aki(r)为隐马尔可夫模型的任意两个状态之间的转移概率,bi,T(OCV)为开路电压的观察概率,i为HMM状态,T为电池体温度。
5.根据权利要求4所述的锂离子电池剩余容量估计方法,其特征在于,在上述步骤5和上述步骤6之间还包括:
步骤5a:对所述电池的所述最大容量进行校正。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510225366.3A CN104777433B (zh) | 2015-05-04 | 2015-05-04 | 基于隐马尔可夫模型的锂离子电池剩余容量估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510225366.3A CN104777433B (zh) | 2015-05-04 | 2015-05-04 | 基于隐马尔可夫模型的锂离子电池剩余容量估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104777433A CN104777433A (zh) | 2015-07-15 |
CN104777433B true CN104777433B (zh) | 2018-04-27 |
Family
ID=53619014
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510225366.3A Active CN104777433B (zh) | 2015-05-04 | 2015-05-04 | 基于隐马尔可夫模型的锂离子电池剩余容量估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104777433B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108931729B (zh) * | 2017-05-08 | 2019-05-07 | 北京航空航天大学 | 一种锂离子电池容量循环退化动态识别方法 |
CN112363058B (zh) * | 2020-10-30 | 2022-06-24 | 哈尔滨理工大学 | 一种基于阻抗谱和马尔科夫特性的锂离子电池安全度估算方法及装置 |
CN116699412A (zh) * | 2023-05-17 | 2023-09-05 | 盐城工学院 | 一种储能电池模组的剩余容量估算方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1488954A (zh) * | 2002-10-07 | 2004-04-14 | 陈清泉 | 电动车蓄电池剩余容量的估计方法 |
CN102749589A (zh) * | 2012-07-13 | 2012-10-24 | 哈尔滨工业大学深圳研究生院 | 电动汽车动力电池衰退模式预测方法 |
EP2341669B1 (en) * | 2010-01-04 | 2013-03-27 | Alcatel Lucent | Method and system for improved routing |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11194157A (ja) * | 1998-01-05 | 1999-07-21 | Nikon Corp | 電池種類識別装置 |
JP5440840B2 (ja) * | 2009-06-11 | 2014-03-12 | ソニー株式会社 | 情報処理装置、情報処理方法、及び、プログラム |
-
2015
- 2015-05-04 CN CN201510225366.3A patent/CN104777433B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1488954A (zh) * | 2002-10-07 | 2004-04-14 | 陈清泉 | 电动车蓄电池剩余容量的估计方法 |
EP2341669B1 (en) * | 2010-01-04 | 2013-03-27 | Alcatel Lucent | Method and system for improved routing |
CN102749589A (zh) * | 2012-07-13 | 2012-10-24 | 哈尔滨工业大学深圳研究生院 | 电动汽车动力电池衰退模式预测方法 |
Non-Patent Citations (2)
Title |
---|
System Identification and Estimation Framework for Pivotal Automotive Battery Management System Characteristics;Bharath Pattipati等;《IEEE TRANSACTIONS ON SYSTEMS, MAN, AND CYBERNETICS—PART C: APPLICATIONS AND REVIEWS》;20111130;第41卷(第6期);869-884 * |
基于二阶隐马尔可夫模型的文本信息抽取;周顺先等;《电子学报》;20071130;第35卷(第11期);2226-2231 * |
Also Published As
Publication number | Publication date |
---|---|
CN104777433A (zh) | 2015-07-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | A method for state-of-charge estimation of Li-ion batteries based on multi-model switching strategy | |
CN110161425B (zh) | 一种基于锂电池退化阶段划分的剩余使用寿命的预测方法 | |
CN103399276B (zh) | 一种锂离子电池容量估计及剩余循环寿命预测方法 | |
CN106772064B (zh) | 一种锂离子电池健康状态预测方法及装置 | |
CN104617623B (zh) | 一种电动汽车动力电池组均衡控制方法 | |
EP3308182B1 (en) | Efficient battery tester | |
CN106872899B (zh) | 一种基于降维观测器的动力电池soc估计方法 | |
CN112350395A (zh) | 用于控制电力***的接口的设备和方法 | |
WO2014103705A1 (ja) | 蓄電デバイスの寿命予測装置及び蓄電デバイスの寿命予測方法 | |
CN103278777B (zh) | 一种基于动态贝叶斯网络的锂电池健康状况估计方法 | |
KR102090476B1 (ko) | 클라우드 및 빅데이터를 활용한 bms 최적화 시스템 | |
CN105988086A (zh) | 电池余量预测装置及电池组 | |
CN107340476B (zh) | 电池的电气状态监测***和电气状态监测方法 | |
US10838012B2 (en) | Method of diagnosing an electrical energy storage apparatus, an electronic device for use in an electrical energy storage apparatus and an electrical energy storage apparatus | |
JP2014025738A (ja) | 残容量推定装置 | |
CN114035098A (zh) | 一种融合未来工况信息和历史状态信息的锂电池健康状态预测方法 | |
CN104777433B (zh) | 基于隐马尔可夫模型的锂离子电池剩余容量估计方法 | |
CN105634051A (zh) | 电池余量预测装置以及电池组 | |
CN104931893B (zh) | 适于参数不一致性明显的大规模电池组建模方法 | |
Xie et al. | A novel battery state of charge estimation based on the joint unscented kalman filter and support vector machine algorithms | |
Liu et al. | An active balancing method based on SOC and capacitance for lithium-ion batteries in electric vehicles | |
Chen et al. | A multi-time-scale framework for state of energy and maximum available energy of lithium-ion battery under a wide operating temperature range | |
Siani et al. | State of health estimation of lithium-ion batteries based on the CC-CV charging curve and neural network | |
Wu et al. | State-of-charge and state-of-health estimating method for lithium-ion batteries | |
CN111965548B (zh) | 一种基于状态估计法的电池***传感器故障诊断方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |