CN105068007A - 锂离子电池模型参数变化的预测方法及*** - Google Patents
锂离子电池模型参数变化的预测方法及*** Download PDFInfo
- Publication number
- CN105068007A CN105068007A CN201510378355.9A CN201510378355A CN105068007A CN 105068007 A CN105068007 A CN 105068007A CN 201510378355 A CN201510378355 A CN 201510378355A CN 105068007 A CN105068007 A CN 105068007A
- Authority
- CN
- China
- Prior art keywords
- fut
- battery model
- battery
- value
- model
- 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
Landscapes
- Secondary Cells (AREA)
Abstract
本发明提供一种锂离子电池模型参数变化的预测方法及***，该方法包括以下步骤：采集锂离子电池的电池数据，并确定未来运行过程的充放电电流预测值，其中，电池数据包括电流测量值、端电压测量值和温度测量值；将电流测量值输入电池模型以计算电池端电压，并将电池端电压与端电压测量值进行比较，从而对电池模型的初始参数进行修正；根据电流预测值对未来运行过程中电池模型的状态量变化进行预测；根据电池模型的状态量变化的预测结果对未来运行过程中电池模型的参数变化进行预测，以得到初始预测结果；根据修正后的电池模型的参数和初始预测结果得到最终的电池模型的参数变化的预测结果。本发明的方法能够提高电池预测相关问题的计算精度。
Description
技术领域
本发明涉及电池管理与电动汽车技术领域，特别涉及一种锂离子电池模型参数变化的预测方法及***。
背景技术
与传统燃油汽车相比，电动汽车的行驶经济性较好，能有效降低行驶中的污染。但电动汽车中动力电池性能的影响因素较多，电池的状态量随充放电进行发生变化，造成电池模型参数的变化和性能的变化。电池管理***中预测相关的问题包括电池剩余放电时间预测、电池剩余放电容量预测、电池剩余放电能量预测、车辆续驶里程预测等等，其中的未来充放电过程较长，对应的状态量可能发生较大的变化。因此对电池预测相关的一类问题来说，需要专门考虑未来充放电过程中的模型参数变化，以提高电池性能的估计精度。
电池模型用于计算某一电流输入下的电池电压输出，是电池电压估计、剩余放电时间预测、剩余放电能量预测等问题的基础。电池初始的模型参数标定值可能存在误差，需要在运行中对模型参数进行自适应辨识，对初始误差进行修正。作为复杂的电化学元件，锂离子电池的模型参数受到很多状态量的影响，如电池荷电状态SOC、电池温度以及耐久性SOH等等。为准确获得未来运行过程中的电池模型参数值，需要对电池未来的状态量变化进行分析。因此，准确的电池性能预测结果需要结合模型误差实时修正以及未来参数变化预测这两个过程。
在电池模型参数计算方面，目前相关技术中公开了一些电池模型参数的辨识方法。这些方法都是基于电池当前的数据采集值，对电池当前时刻的模型参数进行辨识，没有涉及电池未来运行中的状态预测和模型参数预测，计算精度不高。因此，有必要对电池动态充放电情况下的未来参数变化进行预测。
发明内容
本发明的目的旨在至少解决上述的技术缺陷之一。
为此，本发明的目的在于提出一种锂离子电池模型参数变化的预测方法，该方法能够提高电池预测相关问题的计算精度。
本发明的另一个目的在于提出一种锂离子电池模型参数变化的预测***。
为了实现上述目的，本发明的第一方面的实施例公开了一种锂离子电池模型参数变化的预测方法，包括以下步骤：采集锂离子电池的电池数据，并确定未来运行过程的充放电电流预测值，其中，所述电池数据包括电流测量值、端电压测量值和温度测量值；将所述电流测量值输入电池模型以计算电池端电压，并将所述电池端电压与所述端电压测量值进行比较，从而对电池模型的初始参数进行修正；根据所述电流预测值对未来运行过程中所述电池模型的状态量变化进行预测；根据所述电池模型的状态量变化的预测结果对未来运行过程中所述电池模型的参数变化进行预测，以得到初始预测结果；根据修正后的电池模型的参数和所述初始预测结果得到最终的电池模型的参数变化的预测结果。
另外，根据本发明上述实施例的锂离子电池模型参数变化的预测方法还可以具有如下附加的技术特征：
在一些示例中，所述电池模型的状态量包括荷电状态SOC和温度。
在一些示例中，所述未来运行过程中所述电池模型的荷电状态SOC变化的预测值满足如下函数关系，所述函数为：
SOCfut(tfut)＝fSOC(SOC(t),t,tfut,Ifut)，
其中，Ifut为电流预测值，当前时刻t为预测时间段的起始时间，终止时间为放电截止时刻tend，当前时刻t对应的SOC为SOC(t)，tfut为预测时间段上的一个时间点，tfut对应的电流预测值为Ifut(tfut)，tfut时刻对应的荷电状态预测值为SOCfut(tfut)；
所述未来运行过程中所述电池模型的温度变化的预测值满足如下函数关系，所述函数为：
Tfut(tfut)＝fT(T(t),t,tfut,Ifut)，
其中，tfut时刻对应的温度预测值为Tfut(tfut)，t为当前时刻，T(t)为当前时刻t对应的电池温度。
在一些示例中，所述未来运行过程中所述电池模型的欧姆内阻变化的预测值满足如下函数关系，所述函数为：
Rohm,fut,ori(tfut)＝fRohm(SOCfut(tfut),Tfut(tfut))，
其中，SOCfut(tfut)和Tfut(tfut)分别为tfut时刻对应的荷电状态预测值和温度预测值；
所述未来运行过程中所述电池模型的极化内阻变化的预测值满足如下函数关系，所述函数为：
Rpo,fut,ori(tfut)＝fRpo(SOCfut(tfut),Tfut(tfut))；
所述未来运行过程中所述电池模型的极化时间常数变化的预测值满足如下函数关系，所述函数为：
τpo,fut,ori(tfut)＝fτpo(SOCfut(tfut),Tfut(tfut))。
在一些示例中，最终的电池模型的欧姆内阻变化的预测结果通过如下公式得到，所述公式为：
Rohm,fut(tfut)＝Rohm,fut,ori(tfut)+ΔRohm，
其中，ΔRohm为欧姆内阻变化的预测值的修正量；
最终的电池模型的极化内阻变化的预测结果通过如下公式得到，所述公式为：
Rpo,fut(tfut)＝Rpo,fut,ori(tfut)+ΔRpo，
其中，ΔRpo为极化内阻变化的预测值的修正量；
最终的电池模型的极化时间常数变化的预测结果通过如下公式得到，所述公式为：
τpo,fut(tfut)＝τpo,fut,ori(tfut)+Δτpo，
其中，Δτpo为极化时间常数变化的预测值的修正量。
本发明第二方面的实施例公开了一种锂离子电池模型参数变化的预测***，包括：采集模块，用于采集锂离子电池的电池数据，并确定未来运行过程的充放电电流预测值，其中，所述电池数据包括电流测量值、端电压测量值和温度测量值；修正模块，用于将所述电流测量值输入电池模型以计算电池端电压，并将所述电池端电压与所述端电压测量值进行比较，从而对电池模型的初始参数进行修正；状态量预测模块，用于根据所述电流预测值对未来运行过程中所述电池模型的状态量变化进行预测；模型参数初始预测模块，用于根据所述电池模型的状态量变化的预测结果对未来运行过程中所述电池模型的参数变化进行预测，以得到初始预测结果；模型参数最终预测模块，用于根据修正后的电池模型的参数和所述初始预测结果得到最终的电池模型的参数变化的预测结果。
根据本发明的实施例，根据相关测量数据对当前的电池模型参数进行自适应辨识，修正模型参数的初始误差。同时，对电池未来状态变化进行预测，以确定未来运行过程中模型参数的变化。将模型自适应辨识结果与未来模型变化结果相结合，得到电池未来运行过程的模型参数变化曲线。本发明的实施例对电池运行中的参数变化进行了详细分析，有利于提高电池预测相关问题，如剩余放电时间、剩余放电能量和电动汽车续驶里程等问题的计算精度。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中，
图1是根据本发明一个实施例的锂离子电池模型参数变化的预测方法的流程图；
图2是根据本发明另一个实施例的锂离子电池模型参数变化的预测方法的流程示意图；
图3是根据本发明一个实施例的锂离子电池未来运行过程中状态量变化的示意图；
图4是根据本发明一个实施例锂离子电池未来运行过程中状态量变化与模型参数变化的对应关系示意图；
图5是根据本发明一个实施例的电池模型参数自适应辨识结果与参数预测结果相结合的过程示意图；以及
图6是根据本发明一个实施例的锂离子电池模型参数变化的预测***的结构框图。
具体实施方式
下面详细描述本发明的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
以下结合附图描述根据本发明实施例的锂离子电池模型参数变化的预测方法及***。
图1是根据本发明一个实施例的锂离子电池模型参数变化的预测方法的流程图。图2是根据本发明另一个实施例的锂离子电池模型参数变化的预测方法的流程示意图。
如图1和图2所示，该方法包括以下步骤：
步骤S101，采集锂离子电池的电池数据，并确定未来运行过程的充放电电流预测值，其中，电池数据包括电流测量值Ibat,meas、端电压测量值Ubat,meas和温度测量值Tbat,meas。
步骤S102，将电流测量值输入电池模型以计算电池端电压，并将电池端电压与端电压测量值进行比较，从而对电池模型的初始参数进行修正。
具体地说，电池未来运行中的状态量变化和电池模型的参数变化受到充放电工况的影响，因此采用未来充放电电流Ifut作为未来参数预测模型的输入。另外，在计算之前需要确定电池模型参数的初始值。电池模型参数有不同的结构，以一阶RC电池模型为例，电池模型的初始参数包括欧姆内阻初值Rohm,init、极化内阻初值Rpo,init和极化时间常数初值τpo,init。
针对电池模型初始值存在误差的情况，对电池当前的模型参数进行自适应辨识。通过电池电流测量值Ibat,meas和电池模型参数得到模型计算的电池端电压值Ubat,model，与当前端电压测量值进行比较，对模型参数进行自适应修正。自适应辨识得到的电池模型参数记为欧姆内阻辨识值Rohm,ident、极化内阻辨识值Rpo,ident和极化时间常数辨识值τpo,ident。
步骤S103，根据电流预测值对未来运行过程中电池模型的状态量变化进行预测。其中，在本发明的一个实施例中，电池模型的状态量例如包括荷电状态SOC和电池温度，另外，还包括衰减情况SOH。其中电池的衰减情况SOH变化较慢，可以忽略在一次充放电中对模型参数的影响。
具体地说，未来运行过程中电池模型的状态量变化过程例如图3所示，基于未来充放电电流预测值Ifut，对未来运行中的荷电状态变化SOCfut和温度变化Tfut进行预测，得到SOCfut和Tfut的变化趋势。预测时间段的起始时间为当前时刻t，终止时间为放电截止时刻tend，当前时刻t对应的SOC记为SOC(t)。预测时间段上某时间点记为tfut，此时间点对应的电流预测值为Ifut(tfut)。tfut时刻对应的荷电状态预测值SOCfut(tfut)可以由电流信息和当前时刻t对应的SOC(t)进行计算，也即未来运行过程中电池模型的荷电状态SOC变化的预测值满足如下函数关系：
SOCfut(tfut)＝fSOC(SOC(t),t,tfut,Ifut)，
进一步地，电池温度在未来放电过程中会发生变化，预测时间段上的tfut时刻对应的温度预测值记为Tfut(tfut)。Tfut(tfut)可以由电流信息、当前时刻t对应的电池温度为T(t)和电池温度预测模型进行计算，也即未来运行过程中电池模型的温度变化的预测值满足如下函数关系：
Tfut(tfut)＝fT(T(t),t,tfut,Ifut)。
步骤S104，根据电池模型的状态量变化的预测结果对未来运行过程中电池模型的参数变化进行预测，以得到初始预测结果。
具体地说，在得到电池状态量的未来变化预测值之后，可以对电池模型的参数的未来变化进行预测。以电池模型中欧姆内阻的预测值Rohm,fut为例，电池模型的参数与未来的状态量变化有关，可由SOC-温度-欧姆内阻的关系通过查二维表得到。在预测时刻tfut的欧姆内阻值Rohm,fut(tfut)取决于tfut时刻的状态量预测值，包括荷电状态预测值SOCfut(tfut)和温度预测值Tfut(tfut)。tfut时刻的欧姆内阻由SOC-温度-欧姆内阻的关系通过查二维表得到，在一些示例中，未来运行过程中电池模型的欧姆内阻变化的预测值Rohm,fut,ori(tfut)满足如下函数关系：
Rohm,fut,ori(tfut)＝fRohm(SOCfut(tfut),Tfut(tfut))，
此处的电池模型的欧姆内阻变化的预测值Rohm,fut,ori(tfut)并没有经过自适应修正，修正后的欧姆内阻预测值记为Rohm,fut(tfut)，将在下文中结合自适应辨识结果进行计算。类似的，电池模型的其它参数的初步预测值也可由SOC-温度-模型参数的二维查表得到，在一些示例中，未来运行过程中电池模型的极化内阻变化的预测值满足如下函数关系：
Rpo,fut,ori(tfut)＝fRpo(SOCfut(tfut),Tfut(tfut))，
未来运行过程中电池模型的极化时间常数变化的预测值满足如下函数关系：
τpo,fut,ori(tfut)＝fτpo(SOCfut(tfut),Tfut(tfut))。
同样，以当前时刻t的SOC值SOC(t)和温度值T(t)进行查表，也可得到t时刻的欧姆内阻查表值Rohm,ori(t)、欧姆内阻查表值Rpo,ori(t)和极化时间常数查表值τpo,ori(t)，此处不再赘述。
作为具体的示例，未来运行过程中电池模型的状态量变化与电池模型的参数变化的对应关系如图4所示。此处电池模型的参数以R进行代表，参数R受到荷电状态SOC和电池温度T的影响，状态量与电池模型的参数的关系可以表示为SOC-温度-参数R的二维查表形式，对应图中的曲面，相应关系通过标定实验得到。未来运行过程中，电池模型的参数随状态量的变化而发生变化。当前时刻t的SOC值和温度值分别为SOC(t)和T(t)，对应的参数为Rori(t)。未来运行的tfut时刻的SOC值和温度值分别为SOCfut(tfut)和Tfut(tfut)，对应的参数初步预测值为Rori(tfut)。因此，未来运行过程中的参数变化过程可以表示为曲面上的黑色曲线段。需要注意的是，此处的模型参数初步预测值Rori(tfut)只考虑了状态量和参数的对应关系，还需结合参数自适应辨识结果，才能在电池预测问题中进行应用。
步骤S105，根据修正后的电池模型的参数和初始预测结果得到最终的电池模型的参数变化的预测结果。
具体地说，将电池模型参数自适应辨识结果和上述步骤S104中得到的电池模型的参数的初步预测结果相结合，得到最终的电池模型的参数的预测值。具体地，以欧姆内阻变化预测为例，比较当前时刻t的参数自适应辨识值Rohm,ident和查表值Rohm,ori(t)，得到参数修正量ΔRohm＝Rohm,ident-Rohm,ori(t)。根据参数修正量ΔRohm对未来tfut时刻的欧姆内阻变化的初步预测值Rohm,fut,ori(tfut)进行修正，得到修正后的tfut时刻的欧姆内阻预测值Rohm,fut(tfut)，也即最终的电池模型的欧姆内阻变化的预测结果，Rohm,fut(tfut)满足如下公式：
Rohm,fut(tfut)＝Rohm,fut,ori(tfut)+ΔRohm。
类似的，电池模型的其它参数的初步预测值也可通过参数自适应辨识值进行修正。具体地，tfut时刻最终的电池模型的极化内阻变化的预测结果通过如下公式得到：
Rpo,fut(tfut)＝Rpo,fut,ori(tfut)+ΔRpo，
其中ΔRpo＝Rpo,ident-Rpo,ori(t)。
tfut时刻最终的电池模型的极化时间常数变化的预测结果通过如下公式得到：
τpo,fut(tfut)＝τpo,fut,ori(tfut)+Δτpo，
其中Δτpo＝τpo,ident-τpo,ori(t)。
作为具体的示例，电池模型的参数自适应辨识结果与参数预测结果相结合的过程例如图5所示。通过状态量和参数的查表关系得到的参数变化初步预测值如图中的虚线所示，参数从当前t时刻的Rori(t)逐渐变化到放电截止tend时刻的Rori(tend)。而由自适应辨识方式得到的t时刻的模型参数值为Rident(t)，其和参数标定值Rori(t)的差距ΔR为参数的误差。以ΔR为修正量对模型参数未来变化过程进行修正，得到修正后的未来参数变化过程，对应图中的实线，其中tend时刻的模型参数修正为Rfut(tend)，未来过程中某一时刻tfut的模型参数修正为Rfut(tfut)。这一预测结果结合了自适应辨识和未来参数预测，能较好的反映电池未来的参数变化过程，有效保证了电池未来性能预测的精度。
结合图2所示，本发明实施例的锂离子电池模型参数变化的预测方法的主要工作流程可概述为三个步骤。步骤1是获取电池当前的电流、端电压、温度相关的信息、车辆未来行驶过程的电流输入预测值，以作为电池模型的参数预测过程的输入。步骤2分为两部分，分别进行电池模型参数自适应辨识和模型参数变化预测。模型参数自适应辨识中，通过当前数据采集值对电池模型参数进行辨识，修正参数的初始误差。模型参数变化预测中，首先确定模型参数相关的电池状态量的变化，包括未来运行过程中荷电状态SOC的变化和电池温度T的变化。然后根据电池状态量预测结果，结合状态量与模型参数的对应关系，查表得到未来参数变化的初步预测值。步骤3将步骤2中自适应辨识的结果与预测查表的初步预测值相结合，得到未来运行过程中电池模型参数变化的预测结果，用于电池未来相关性能的预测。该方法适用于电动汽车未来行驶过程中锂离子电池模型参数变化的预测，进而应用于电池管理***中预测相关的问题，包括电池剩余放电时间预测、电池剩余放电容量预测、电池剩余放电能量预测、车辆续驶里程预测等等。
综上，根据本发明的实施例锂离子电池模型参数变化的预测方法，根据相关测量数据对当前的电池模型参数进行自适应辨识，修正模型参数的初始误差。同时，对电池未来状态变化进行预测，以确定未来运行过程中模型参数的变化。将模型自适应辨识结果与未来模型变化结果相结合，得到电池未来运行过程的模型参数变化曲线。本发明的实施例对电池运行中的参数变化进行了详细分析，有利于提高电池预测相关问题，如剩余放电时间、剩余放电能量和电动汽车续驶里程等问题的计算精度。
本发明的进一步实施例还提供了一种锂离子电池模型参数变化的预测***。
图6是根据本发明一个实施例的锂离子电池模型参数变化的预测***的结构框图。如图6所示，该锂离子电池模型参数变化的预测***100包括：采集模块110、修正模块120、状态量预测模块130、模型参数初始预测模块140和模型参数最终预测模块150。
具体地，采集模块110用于采集锂离子电池的电池数据，并确定未来运行过程的充放电电流预测值，其中，电池数据包括电流测量值、端电压测量值和温度测量值。
修正模块120用于将电流测量值输入电池模型以计算电池端电压，并将电池端电压与端电压测量值进行比较，从而对电池模型的初始参数进行修正。
状态量预测模块130用于根据电流预测值对未来运行过程中电池模型的状态量变化进行预测。
模型参数初始预测模块140用于根据电池模型的状态量变化的预测结果对未来运行过程中电池模型的参数变化进行预测，以得到初始预测结果。
模型参数最终预测模块150用于根据修正后的电池模型的参数和初始预测结果得到最终的电池模型的参数变化的预测结果。
需要说明的是，本发明实施例的锂离子电池模型参数变化的预测***的具体实现方式与本发明实施例的锂离子电池模型参数变化的预测方法的具体实现方式类似，具体请参见方法部分的描述，为了减少冗余，此处不做赘述。
综上，根据本发明的实施例的锂离子电池模型参数变化的预测***，根据相关测量数据对当前的电池模型参数进行自适应辨识，修正模型参数的初始误差。同时，对电池未来状态变化进行预测，以确定未来运行过程中模型参数的变化。将模型自适应辨识结果与未来模型变化结果相结合，得到电池未来运行过程的模型参数变化曲线。本发明的实施例对电池运行中的参数变化进行了详细分析，有利于提高电池预测相关问题，如剩余放电时间、剩余放电能量和电动汽车续驶里程等问题的计算精度。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (7)
1.一种锂离子电池模型参数变化的预测方法，其特征在于，包括以下步骤：
采集锂离子电池的电池数据，并确定未来运行过程的充放电电流预测值，其中，所述电池数据包括电流测量值、端电压测量值和温度测量值；
将所述电流测量值输入电池模型以计算电池端电压，并将所述电池端电压与所述端电压测量值进行比较，从而对电池模型的初始参数进行修正；
根据所述电流预测值对未来运行过程中所述电池模型的状态量变化进行预测；
根据所述电池模型的状态量变化的预测结果对未来运行过程中所述电池模型的参数变化进行预测，以得到初始预测结果；
根据修正后的电池模型的参数和所述初始预测结果得到最终的电池模型的参数变化的预测结果。
2.根据权利要求1所述的锂离子电池模型参数变化的预测方法，其特征在于，所述电池模型的状态量包括荷电状态SOC和温度。
3.根据权利要求2所述的锂离子电池模型参数变化的预测方法，其特征在于，
所述未来运行过程中所述电池模型的荷电状态SOC变化的预测值满足如下函数关系，所述函数为：
SOCfut(tfut)=fSOC(SOC(t),t,tfut,Ifut)，
其中，Ifut为电流预测值，当前时刻t为预测时间段的起始时间，终止时间为放电截止时刻tend，当前时刻t对应的SOC为SOC(t)，tfut为预测时间段上的一个时间点，tfut对应的电流预测值为Ifut(tfut)，tfut时刻对应的荷电状态预测值为SOCfut(tfut)；
所述未来运行过程中所述电池模型的温度变化的预测值满足如下函数关系，所述函数为：
Tfut(tfut)=fT(T(t),t,tfut,Ifut)，
其中，tfut时刻对应的温度预测值为Tfut(tfut)，t为当前时刻，T(t)为当前时刻t对应的电池温度。
4.根据权利要求1所述的锂离子电池模型参数变化的预测方法，其特征在于，如果所述电池模型为一阶RC电池模型，则所述电池模型的参数包括：欧姆内阻、极化内阻和极化时间常数。
5.根据权利要求4所述的锂离子电池模型参数变化的预测方法，其特征在于，
所述未来运行过程中所述电池模型的欧姆内阻变化的预测值满足如下函数关系，所述函数为：
Rohm,fut,ori(tfut)=fRohm(SOCfut(tfut),Tfut(tfut))，
其中，SOCfut(tfut)和Tfut(tfut)分别为tfut时刻对应的荷电状态预测值和温度预测值；
所述未来运行过程中所述电池模型的极化内阻变化的预测值满足如下函数关系，所述函数为：
Rpo,fut,ori(tfut)=fRpo(SOCfut(tfut),Tfut(tfut))；
所述未来运行过程中所述电池模型的极化时间常数变化的预测值满足如下函数关系，所述函数为：
τpo,fut,ori(tfut)=fτpo(SOCfut(tfut),Tfut(tfut))。
6.根据权利要求5所述的锂离子电池模型参数变化的预测方法，其特征在于，
最终的电池模型的欧姆内阻变化的预测结果通过如下公式得到，所述公式为：
Rohm,fut(tfut)=Rohm,fut,ori(tfut)+ΔRohm，
其中，ΔRohm为欧姆内阻变化的预测值的修正量；
最终的电池模型的极化内阻变化的预测结果通过如下公式得到，所述公式为：
Rpo,fut(tfut)=Rpo,fut,ori(tfut)+ΔRpo，
其中，ΔRpo为极化内阻变化的预测值的修正量；
最终的电池模型的极化时间常数变化的预测结果通过如下公式得到，所述公式为：
τpo,fut(tfut)=τpo,fut,ori(tfut)+Δτpo，
其中，Δτpo为极化时间常数变化的预测值的修正量。
7.一种锂离子电池模型参数变化的预测***，其特征在于，包括：
采集模块，用于采集锂离子电池的电池数据，并确定未来运行过程的充放电电流预测值，其中，所述电池数据包括电流测量值、端电压测量值和温度测量值；
修正模块，用于将所述电流测量值输入电池模型以计算电池端电压，并将所述电池端电压与所述端电压测量值进行比较，从而对电池模型的初始参数进行修正；
状态量预测模块，用于根据所述电流预测值对未来运行过程中所述电池模型的状态量变化进行预测；
模型参数初始预测模块，用于根据所述电池模型的状态量变化的预测结果对未来运行过程中所述电池模型的参数变化进行预测，以得到初始预测结果；
模型参数最终预测模块，用于根据修正后的电池模型的参数和所述初始预测结果得到最终的电池模型的参数变化的预测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510378355.9A CN105068007A (zh) | 2015-07-01 | 2015-07-01 | 锂离子电池模型参数变化的预测方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510378355.9A CN105068007A (zh) | 2015-07-01 | 2015-07-01 | 锂离子电池模型参数变化的预测方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN105068007A true CN105068007A (zh) | 2015-11-18 |
Family
ID=54497422
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510378355.9A Pending CN105068007A (zh) | 2015-07-01 | 2015-07-01 | 锂离子电池模型参数变化的预测方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105068007A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105652210A (zh) * | 2016-01-04 | 2016-06-08 | 惠州市蓝微新源技术有限公司 | 一种依电池状态量变化过程进行soc修正的方法及*** |
| CN109085511A (zh) * | 2018-09-13 | 2018-12-25 | 宁波中鹏锂能源科技有限公司 | 一种锂电池电池包管理*** |
| CN109299552A (zh) * | 2018-09-29 | 2019-02-01 | 清华大学 | 一种电池能量状态的评估方法及其评估*** |
| CN109941111A (zh) * | 2019-04-28 | 2019-06-28 | 广州小鹏汽车科技有限公司 | 剩余续驶里程的预估方法和电动汽车 |
| 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 |
| CN110542866A (zh) * | 2019-10-12 | 2019-12-06 | 上海新微技术研发中心有限公司 | 一种预估电池剩余电量参数的方法 |
| CN110988723A (zh) * | 2019-12-17 | 2020-04-10 | 国网上海市电力公司 | 一种基于lstm的电池内阻预测及故障预警方法 |
| CN113589183A (zh) * | 2021-08-09 | 2021-11-02 | 湖北亿纬动力有限公司 | 一种基于大数据的自放电检测方法、装置和*** |
| CN116087808A (zh) * | 2023-02-03 | 2023-05-09 | 上海玫克生储能科技有限公司 | 一种电化学模型参数辨识过程的电流修正方法及*** |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102487209A (zh) * | 2010-12-02 | 2012-06-06 | 财团法人工业技术研究院 | 电池充电状态估计方法与电池控制单元 |
| CN102721933A (zh) * | 2012-06-29 | 2012-10-10 | 国家电网公司 | 一种锂离子电池的soc估算方法和*** |
| CN103033762A (zh) * | 2012-12-18 | 2013-04-10 | 上海樟村电子有限公司 | 基于差值微分的动力磷酸铁锂电池荷电量动态预测方法 |
| CN103257323A (zh) * | 2013-06-03 | 2013-08-21 | 清华大学 | 一种锂离子电池剩余可用能量的估计方法 |
| CN103620432B (zh) * | 2012-03-16 | 2016-05-18 | 株式会社Lg化学 | 用于估计电池状态的设备和方法 |
-
2015
- 2015-07-01 CN CN201510378355.9A patent/CN105068007A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102487209A (zh) * | 2010-12-02 | 2012-06-06 | 财团法人工业技术研究院 | 电池充电状态估计方法与电池控制单元 |
| CN103620432B (zh) * | 2012-03-16 | 2016-05-18 | 株式会社Lg化学 | 用于估计电池状态的设备和方法 |
| CN102721933A (zh) * | 2012-06-29 | 2012-10-10 | 国家电网公司 | 一种锂离子电池的soc估算方法和*** |
| CN103033762A (zh) * | 2012-12-18 | 2013-04-10 | 上海樟村电子有限公司 | 基于差值微分的动力磷酸铁锂电池荷电量动态预测方法 |
| CN103257323A (zh) * | 2013-06-03 | 2013-08-21 | 清华大学 | 一种锂离子电池剩余可用能量的估计方法 |
Non-Patent Citations (1)
| Title |
|---|
| GUANGMING LIU ETC.: "A highly accurate predictive-adaptive method for lithium-ion battery remaining discharge energy prediction in electric vehicle applications", 《APPLIED ENERGY》 * |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105652210B (zh) * | 2016-01-04 | 2019-07-26 | 惠州市蓝微新源技术有限公司 | 一种依电池状态量变化过程进行soc修正的方法及*** |
| CN105652210A (zh) * | 2016-01-04 | 2016-06-08 | 惠州市蓝微新源技术有限公司 | 一种依电池状态量变化过程进行soc修正的方法及*** |
| CN109085511B (zh) * | 2018-09-13 | 2021-05-18 | 宁波中鹏锂能源科技有限公司 | 一种锂电池电池包管理*** |
| CN109085511A (zh) * | 2018-09-13 | 2018-12-25 | 宁波中鹏锂能源科技有限公司 | 一种锂电池电池包管理*** |
| CN109299552A (zh) * | 2018-09-29 | 2019-02-01 | 清华大学 | 一种电池能量状态的评估方法及其评估*** |
| CN109941111A (zh) * | 2019-04-28 | 2019-06-28 | 广州小鹏汽车科技有限公司 | 剩余续驶里程的预估方法和电动汽车 |
| 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 |
| CN110542866A (zh) * | 2019-10-12 | 2019-12-06 | 上海新微技术研发中心有限公司 | 一种预估电池剩余电量参数的方法 |
| CN110988723A (zh) * | 2019-12-17 | 2020-04-10 | 国网上海市电力公司 | 一种基于lstm的电池内阻预测及故障预警方法 |
| CN113589183A (zh) * | 2021-08-09 | 2021-11-02 | 湖北亿纬动力有限公司 | 一种基于大数据的自放电检测方法、装置和*** |
| CN116087808A (zh) * | 2023-02-03 | 2023-05-09 | 上海玫克生储能科技有限公司 | 一种电化学模型参数辨识过程的电流修正方法及*** |
| CN116087808B (zh) * | 2023-02-03 | 2023-09-29 | 上海玫克生储能科技有限公司 | 一种电化学模型参数辨识过程的电流修正方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105068007A (zh) | 锂离子电池模型参数变化的预测方法及*** | |
| Jiang et al. | A state-of-charge estimation method of the power lithium-ion battery in complex conditions based on adaptive square root extended Kalman filter | |
| Lai et al. | Co-estimation of state of charge and state of power for lithium-ion batteries based on fractional variable-order model | |
| Hu et al. | An enhanced multi-state estimation hierarchy for advanced lithium-ion battery management | |
| Liu et al. | A highly accurate predictive-adaptive method for lithium-ion battery remaining discharge energy prediction in electric vehicle applications | |
| Pan et al. | State of charge estimation of lithium-ion batteries using a grey extended Kalman filter and a novel open-circuit voltage model | |
| Sarmah et al. | A review of state of health estimation of energy storage systems: Challenges and possible solutions for futuristic applications of li-ion battery packs in electric vehicles | |
| Chen et al. | A novel data-driven method for mining battery open-circuit voltage characterization | |
| JP7141012B2 (ja) | 二次電池システム | |
| Chen et al. | Remaining useful life prediction of lithium-ion battery using a novel particle filter framework with grey neural network | |
| CN105938181B (zh) | 蓄电元件管理装置、管理方法和模块、记录介质及移动体 | |
| CN105005002A (zh) | 基于未来电压计算的电池剩余放电能量的预测方法及*** | |
| WO2014167602A1 (ja) | 電池システム | |
| CN111913109B (zh) | 一种电池峰值功率的预测方法及装置 | |
| CN103823191B (zh) | 一种计算锂离子电池组可用剩余容量的方法 | |
| CN102540096A (zh) | 一种用于磷酸铁锂动力电池剩余容量估算自修正的方法 | |
| CN107861074B (zh) | 一种锂电池soc估算方法 | |
| CN115702533B (zh) | 用于预测多电池电能存储***的功率状态的方法 | |
| US20140184233A1 (en) | Method for checking deterioration of battery | |
| CN113589174A (zh) | 一种锂离子动力电池***电芯一致性预测方法及装置 | |
| CN110045291B (zh) | 一种锂电池容量估计方法 | |
| Zhang et al. | An application‐oriented multistate estimation framework of lithium‐ion battery used in electric vehicles | |
| CN114329760A (zh) | 一种基于数字孪生的车载锂离子电池建模及故障诊断方法 | |
| Saldana et al. | Empirical calendar ageing model for electric vehicles and energy storage systems batteries | |
| CN112379270A (zh) | 一种电动汽车动力电池荷电状态滚动时域估计方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20151118 |
|
| RJ01 | Rejection of invention patent application after publication |