CN107340476B - 电池的电气状态监测***和电气状态监测方法 - Google Patents
电池的电气状态监测***和电气状态监测方法 Download PDFInfo
- Publication number
- CN107340476B CN107340476B CN201610285418.0A CN201610285418A CN107340476B CN 107340476 B CN107340476 B CN 107340476B CN 201610285418 A CN201610285418 A CN 201610285418A CN 107340476 B CN107340476 B CN 107340476B
- Authority
- CN
- China
- Prior art keywords
- battery
- electrical
- electrical characteristic
- value
- 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.)
- Active
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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
- G01R31/387—Determining ampere-hour charge capacity or 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明提供了一种仅利用电池的日常应用数据来监测电池较精确的电气状态的电池的电气状态监测***和方法,所述电气状态监测***包括提供当前或未来的电池充放电控制指令的充放电控制指令部;电气特性取得部,基于电池的等效电路建立电气状态模型,根据电气状态模型计算规定时间段内的电池充放电时的参数值与实际的充放电时的参数值的差值之和并将其作为误差,根据误差对电气状态模型进行优化,使得误差小于规定的阈值,根据优化后的电气状态模型取得电池的电气特性参数;和SOC取得部,响应电池充放电控制指令利用取得的电气特性参数,根据优化后的电气状态模型来对电池的充放电进行模拟,对模拟出的充放电电流进行统计而取得电池的SOC值。
Description
技术领域
本发明涉及一种电池的电气状态监测***和电气状态监测方法,特别是涉及仅利用电池的日常应用数据来监测得到电池较精确的电气状态的电气状态监测***和电气状态监测方法。
背景技术
电池在数字化社会中的用途越来越广泛。尤其在对排放、噪音水平、尺寸等要求较苛刻的领域,电池往往是不可替代的。
电池的电气状态包括内部的电气特性、充电状态(SOC,State of Charge)等,其中内部的电气特性包括电池的内阻、内部电容、内部电感等,充电状态代表电池的剩余电能。
作为设备或***的能量源,电池的供电能力直接决定了设备的功率和续航水平,为了有效的利用电能,在电池的日常使用过程中,必须对电池的SOC进行监测,得到电池的剩余电量,方便对充电进行计划和管理。在电池的充电计划受到较大限制的应用场合,电池的剩余电量直接关系到设备的工作计划是否能够顺利执行,比如在大规模的电池储能***应用于电网调峰或者新能源发电的并网接入的情况下,电池的剩余电量直接关系到其调峰能力和新能源发电的接入能力。
由于随着电池的充放电以及时间的推移电池内部会发生劣化,电池的健康状态(SOH,State Of Health)在电池的日常应用中也是必须被监测的。这一点随着越来越多的电池安全事故的产生,已经成为共识。而电池的电气状态是估计电池健康状态的前提。电池的电气状态包括电池的内部的电气特性(即内阻、内部电容、内部电感等的状态)和充电状态SOC。
而如果电池的电气状态未知或电气状态的计算误差较大,例如SOC有较大误差,则影响电池正常的充电计划,引起对电池的过充电或过放电,降低电池的寿命。
由于单个电池单元的容量有限,在实际应用中,往往将多个电池单元连接在一起使用,在此情形中如果电气状态未知或电气状态的计算误差较大,那么将影响多个电池之间的充放电均衡,使部分电池被过充电或过放电,加速劣化速度,降低电池组的整体的稳定性和安全性。
作为获得电池的电气状态的现有技术,例如有专利文献US2015/0226807A1(专利文献1)和专利文献CN201680795A(专利文献2)所公开的技术。
在专利文献1中,提出了一种估计电池内部电阻和SOC的方法,主要方法是利用电池充放电的历史数据,建立一个电池SOC、电池内阻以及电池充放电负荷的函数关系。通过在线检测的方法来检测出电池内阻和电池充放电负荷,并将这些数据输入到上述建立的函数关系中来计算电池的SOC。
在专利文献2中,提出了一种估计电池电气状态的方法,该方法首先将一个一阶的电路结构作为电池的等效电气状态模型,并根据历史的充放电电流和端电压,以及卡尔曼滤波器算法来估计该等效电气状态模型中电阻和电容的值。
发明内容
但是,专利文献1所公开的技术无法获得准确的电池的电气状态(SOC)。一个较精确的SOC~内阻~充放电负荷的函数关系需要非常完备的实验数据,来涵盖实际应用场景中电池的充放电模式,而在实验室中很难模拟所有的实际应用场景。而且因为电池的电气状态和劣化过程是耦合在一起的,在实际的应用场景中,电池的劣化速度往往很慢,这时为了得到完备的实验数据,电池的实验时间也必须足够长,这往往难以实现。同时电池的内部电气状态有非常强的非线性,仅仅用一个内阻不能反应出其实际的电气状态。
专利文献2所公开的技术中使用的卡尔曼滤波器只能对检测到的数据滤除噪音,得到相对精确的数据,不能计算未知量,而在实际应用场景中只有电池的充放电电流、端电压和电池温度能被检测到,而代表电池电气状态的等效电路中的电阻值和电容值无法通过外部方法直接检测出,因此卡尔曼滤波不能直接计算电池的等效电路参数值。
为了克服现有技术的上述缺陷,提出了本发明。本发明的目的是提出一种电池的电气状态监测***和电气状态监测方法,其能够仅利用电池的日常应用数据来监测得到电池较精确的电气状态,其中电气状态包括电池的内部电气特性和电池的SOC。
本发明的第一方面是一种电池的电气状态监测***,监测与其连接的电池***中的电池的电气特性参数和SOC值,其包括:提供当前或未来对所述电池的充放电进行指示的电池充放电控制指令的充放电控制指令部;电气特性取得部,其基于所述电池的等效电路建立所述电池的电气状态模型,根据建立的所述电气状态模型计算规定时间段内的所述电池充放电时的参数值与实际测量到的充放电时的参数值的差值之和并将该和的值作为计算电气特性的误差,根据所述误差对所述电气状态模型进行优化,使得所述误差小于规定的阈值,根据优化后的电气状态模型取得所述电池的电气特性参数;和SOC取得部,其响应所述充放电控制指令部提供的电池充放电控制指令利用由所述电气特性取得部取得的所述电气特性参数,根据优化后的所述电气状态模型来对所述电池的充放电进行模拟,对模拟出的充放电电流进行统计而取得所述电池的SOC值。
本发明的第二方面的电气状态监测***,所述电池的等效电路是至少一个由电阻与电容并联而成的RC结构和电阻串联连接的RC电路,在所述电气状态模型所对应的函数关系中,以电池的充放电电流为自变量并以电池充放电时的端电压为函数值,或者以电池充放电时的端电压为自变量并以电池的充放电电流为函数值,所述电池的各个电气特性参数由所述函数关系中包含的多个电阻参数和电容参数来表达。
本发明的第三方面的电气状态监测***,在第一或第二方面的电气状态监测***中,若存在所述电池充放电控制指令,则所述充放电控制指令部将该电池充放电控制指令提供给所述SOC取得部供其直接使用,若不存在所述电池充放电控制指令,则所述充放电控制指令部将时间、日期和电池充放电控制指令的历史值组成特征向量,并基于多个代表不同历史时刻的电池充放电指令的特征向量,通过统计或机器学习的方法预测要提供给所述SOC取得部的电池充放电控制指令。
本发明的第四方面的电气状态监测***,在第二方面的电气状态监测***中,在所述电气特性取得部计算所述电气特性的误差时,首先基于所述函数关系,用所述电池的电气特性参数的历史值和充放电电流、电压与功率中的至少一者的历史值计算当前时间段内的电气暂态参数,接着基于所述函数关系,用计算出的所述电气暂态参数、所述电池的当前时间段的电气特性参数和当前时间段的充放电电流、电压与功率中的至少一者计算当前时间段内的端电压或电流,对计算出的端电压或电流与电池在该端电压所对应的时刻测量到的充放电端电压或电流进行比较而得到差值,累积规定时间段内不同时刻的差值而得到该规定时间段内的电气特性的误差。
本发明的第五方面的电气状态监测***,在第一至第四方面的电气状态监测***中,在对所述电气状态模型进行优化时,对所述规定时间段内的所述电气特性的误差的计算过程进行多次迭代,如果存在电池的电气特性参数的经验值,则所述电气特性取得部将该经验值设置为首次迭代计算时的电气特性参数值,如果不存在电池的电气特性参数的经验值,则将默认值设置为首次迭代计算时的电气特性参数值,在每一次迭代计算得到的误差的基础上,根据统计或机器学习的方法选择新的电阻值和电容值来作为电池电气特性参数值,使得所述规定时间段内的电气特性的误差减小。
本发明的第六方面是一种电池的电气状态监测方法,用于监测电池***中的电池的电气特性参数和SOC值,其包括:准备当前或未来的电池充放电控制指令的步骤;基于所述电池的等效电路建立所述电池的电气状态模型的步骤;根据建立的所述电气状态模型计算规定时间段内的所述电池充放电时的端电压或电流与实际测量到的充放电时的端电压或电流的差值之和并将该和的值作为计算电气特性的误差的步骤;根据所述误差对所述电气状态模型进行优化,使得所述误差小于规定的阈值的步骤;根据优化后的电气状态模型取得所述电池的电气特性参数的步骤;响应准备的电池充放电控制指令利用取得的所述电气特性参数,根据优化后的所述电气状态模型来对所述电池的充放电进行模拟的步骤;和对模拟出的充放电电流进行统计而取得所述电池的SOC值。
本发明的第七方面的电气状态监测方法,在第六方面的电气状态监测方法中,所述电池的等效电路是至少一个由电阻与电容并联而成的RC结构和电阻串联连接的RC电路,在所述电气状态模型所对应的函数关系中,以电池的充放电电流为自变量并以电池充放电时的端电压为函数值,或者以电池充放电时的端电压为自变量并以电池的充放电电流为函数值,所述电池的电气特性参数由所述函数关系中包含的多个电阻参数和电容参数来表达。
本发明的第八方面的电气状态监测方法,在第六或第七方面的电气状态监测方法中,若存在所述电池充放电控制指令,则将该电池充放电控制指令直接用于计算所述电池的SOC值,若不存在所述电池充放电控制指令,则将时间、日期和电池充放电控制指令的历史值组成特征向量,并基于多个代表不同历史时刻的电池充放电指令的特征向量,通过统计或机器学习的方法预测要用于计算所述电池的SOC值的电池充放电控制指令。
本发明的第九方面的电气状态监测方法,在第七方面的电气状态监测方法中,在计算所述电气特性的误差时,首先基于所述函数关系,用所述电池的电气特性参数的历史值和充放电电流、电压与功率中的至少一者的历史值计算当前时间段内的电气暂态参数,接着基于所述函数关系,用计算出的所述电气暂态参数、所述电池的当前时间段的电气特性参数和当前时间段的充放电电流、电压与功率中的至少一者计算当前时间段内的端电压或电流,对计算出的端电压或电流与电池在该端电压所对应的时刻测量到的充放电端电压或电流进行比较而得到差值,累积规定时间段内不同时刻的差值而得到该规定时间段内的电气特性的误差。
本发明的第十方面的电气状态监测方法,在第六至第九方面的电气状态监测方法中,在对所述电气状态模型进行优化时,对所述规定时间段内的所述电气特性的误差的计算过程进行多次迭代,如果存在电池的电气特性参数的经验值,则所述电气特性取得部将该经验值设置为首次迭代计算时的电气特性参数值,如果不存在电池的电气特性参数的经验值,则将默认值设置为首次迭代计算时的电气特性参数值,在每一次迭代计算得到的误差的基础上,根据统计或机器学习的方法选择新的电阻值和电容值来作为电池电气特性参数值,使得所述规定时间段内的电气特性的误差减小。
根据本发明的电池的电气状态监测***和电气状态监测方法,仅利用电池的日常应用数据即能够监测电池较精确的电气状态(电池的内阻、内部电容、内部电感等电气特性和SOC)。
附图说明
图1是表示本发明的电池的电气状态监测***的***组成的示意图。
图2是表示本发明的电池的电气状态监测***的功能模块的示意图。
图3表示本发明的电池的电气状态监测***的具体工作流程。
图4是表示反映电池的内部电气状态的一阶等效电路之示例的图。
图5是表示反映电池的内部电气状态的二阶等效电路之示例的图。
图6是表示反映电池的内部电气状态的三阶等效电路之示例的图。
具体实施方式
本发明的用于监测一个或多个电池的电气状态的电气状态监测***,包括充放电控制指令部、电气特性计算部、SOC取得部以及经验参数数据库。其中充放电控制指令部负责计算获得电池的充放电控制指令。电气特性计算部计算电池的电气特性,电池的电气特性包括电池的内阻、内部电容,内部电感等。充放电控制指令部计算获得的充放电控制指令和电气特性取得部计算出的电池的电气特性以及其他部分参数(来自于后文说明的功能模块的计算结果或者存储在数据库中的数据)被输入到SOC取得部中,SOC取得部取得电池的SOC。
上述电气特性计算部包括多个根据电池的日常应用数据来计算电池的内部电气特性的后述的功能模块,各功能模块主要进行以下工作:首先采集一个或多个电池在日常应用过程中的电压、电流、电池温度等数据,然后将这些数据输入到能够反映电池的内部电气特性的函数关系中,并计算当前内部电气特性的误差。根据该误差以及一种迭代方法来计算电池新的内部电气特性。
由于建立了电气模型并通过迭代的方法对其参数进行了优化,所以能够仅利用日常采集到的电池的应用数据就可以来得到电池较精确的电气特性。
上述SOC取得部取得SOC的主要方法是以当前或将来的电池充放电指令作为输入,然后在已经由电气特性取得部计算得到的电气特性的基础上对电池的充放电进行模拟计算,将模拟出的充放电电流进行统计,得到SOC值。其中,电池充放电指令可以是电池的充放电电流、电压和功率中的至少一者。
在取得了电池较精确的电气特性的基础上,对电池的充放电进行模拟而得到充放电电流,从而能够得到较精确的SOC值。
对于上述经验参数数据库,如果当前已经存在电池的某些参数的经验值,则将这些经验值存储到经验参数数据库中,如果没有经验值,则将默认值或者其他同型号电池的经验参数值作为经验值存储在经验参数数据库中。经验参数数据将被输出到电气特性计算部中作为首次充放电模拟的参数。利用经验参数数据库,能够以轻低的成本获得较准确的电池的应用数据。
上述充放电控制指令部计算获得电池的充放电控制指令时,如果电池在当前的或未来的充放电控制指令已经存在,则将该值作为将来的控制指令,如果当前的或未来的充放电控制指令不存在,则根据充放电控制指令的历史值、当前值以及日期等信息,通过统计或机器学习的方法来预测当前的未来的充放电控制指令。用来预测当前的或未来的充放电控制指令例如能够利用最小二乘法、支持向量机、人工神经网络等现有的方法,当然也能够利用其它合适的各种方法。
利用历史值和当前值等记录、测得的参数,能够在没有可用的充放电控制指令的情况下预测当前的或未来的充放电控制指令,从而能够基于预测出的充放电控制指令对电池进行接近实际充放电的仿真,取得较准确的电气特性和SOC值。
在上述电气特性取得部计算电池的电气特性过程中需要建模,即需要建立能够反映电池的内部电气特性的函数关系,通过函数关系计算函数值并计算电气特性误差,并对误差的计算过程进行迭代来建立最优的电气状态模型。为此,在本发明中采用电阻与RC结构串联而成的等效电路来建立模型,将该等效电路的各参数作为反映电池的电气特性的各参数。该等效电路是一个一阶或一阶以上的电路结构,首先一个电阻和一个电容并联在一起组成一个RC结构,然后一个或多个RC结构和一个电阻串联组成等效电路(参照图4至图6)。RC结构的数量可以为1个、2个、3个或更多个。基于上述等效电路的函数关系的自变量可以是电池的电流,相应的函数是电池充放电时的端电压,但是也可以自变量是电池充放电时的端电压,相应的函数是电池充放电时的电流。该函数关系包含多个电阻参数和电容参数来反映电池复杂的电气特性。等效电路的阶数越高,则能够计算出的电池充放电时的端电压(函数值)的精确度越高,因此,等效电路的阶数可以根据需要选择。在需要较高精确度的电气特性参数的情况下,采用阶数高的等效电路,在对精确度要求不高的情况下,采用一阶等效电路即可。由于阶数越高函数的计算越复杂,所以优选选择满足精确度要求的最低阶数的等效电路来节省函数计算的时间成本和硬件成本。即使采用一阶等效电路,由于本发明的特有的技术特征,也能够获得明显高于现有技术的精确度的电气特性参数。此外,不同阶数的等效电路也用于模拟不同的电气特性。通过增加或减少RC结构的数量能够适当地模拟不同的电气特性。
关于上述等效电路所反映的电池的内部电气特性的函数关系,以RC结构数量为2即二阶等效电路为例进行说明。
该二阶等效电路所示的函数关系的公式如(公式1)或(公式2)所示:
在上述公式1和公式2中,函数值U为电池充放电时的端电压。t0为充放电模拟开始的时间,该时间可以是在电池日常应用过程中的任意时刻。t为从t0开始的充放电时间长度,该时间长度是可选的。公式中的E为电池的电动势,其具体的计算方法后述。公式2中的F1、F2是表示电池的电气暂态参数,是能够通过电池的历史状态数据计算来获得其值的参数。公式中的R、C、i都是图5所示的二阶等效电路的各电阻、电容和电流的值,以下角标区分各阶的R、C、i。如果等效电路不是二阶而是其它阶数,则上述函数关系公式为相应阶数的公式,各R、C、i标以相应的下角标。
基于上述等效电路的函数关系也可以由一个递推的函数关系间接地计算出,递推公式代表该等效电路或者电池在某个时刻的各个电气特性之间的关系,如(公式3)或者(公式4)所示:
或者也能够将公式3或者公式4利用标准的离散化方法变换成与其等价的离散形式的递推公式。
在上述公式3和公式4中,与上述公式1和公式2同样,函数值U为电池充放电时的端电压,E为电池的电动势,R、C、I都是图5所示的二阶等效电路的各电阻、电容和电流的值,以下角标区分各阶的R、C、I。如果等效电路不是二阶而是其它阶数,则上述函数关系公式变成相应阶数的公式,各R、C、I标以相应的下角标。
在公式3和公式4中,dl1/dt表示该电流I1在时刻t的变化率,根据该变化率可以推算出I1在下一个时刻的状态。I2的计算类似。
上面的公式1至公式4中的电池的电动势E,其值可以由两种方式计算得到:第一种方式,电动势等于电池在充放电电流为零时的端电压。第二种方式,首先对电池进行劣化或健康状态(SOH)建模,主要方式为:基于所有电池的历史充放电数据序列,选择多个不同的时间区间,在每一个时间区间内,计算出一系列反应该时间区间内不同控制或操作模式、充放电电流以及环境信息的值并将之组成为一个向量,将所有这些对应不同时间区间的向量组成一个集合,并对该集合中的向量进行降低维度处理来计算出一个新的集合,把计算出的新集合作为训练集,基于特定的统计或机器学习方法,训练出一个计算SOH的模型,该模型的输出是电池在特定的环境下经过了特定的充放电过程后电池的电动势或者内部电气参数值。
在上述等效电路的例子中,函数是充放电时的端电压,但是如果函数也可以不是端电压而是充放电电流,当然此时的函数关系不同于上述例子,要对公式进行相应的变换。但只要是电池内部电气特性的等效电路且能够通过参数表达电池内部电气特性的函数关系即可。
上述电气特性取得部在计算电池的电气特性时需要计算一段时间内的电气特性误差。计算电气特性误差的方法是,利用前一段时间内历史充放电电流、电压、功率和最优的电气特性参数值等来计算当前一段时间内的电气暂态参数,利用当前一段时间内充放电电流、电压、功率、电气暂态参数和当前的电气特性参数值等,通过电气特性取得部建模而得到的函数关系式来计算函数值(电池充放电时的端电压U,或者电流I0)。将计算出的函数值和电池在该函数值所对应时刻的充放电端电压历史数据进行比较,将两者之间的差值作为该时刻的电气特性误差。将一段时间内不同时刻的电气特性误差累加在一起,得到一段时间内的电气特性误差。所得到的电气特性误差用于建立当前一段时间内的最优的电气状态模型。
为了利用所得到的电气特性误差建立当前一段时间内的最优的电气状态模型,本发明采用的计算电池新的电气特性的迭代方法,主要是对如上所述的同一段时间内的电气特性误差的计算过程进行多次迭代。在每一次迭代计算得到的误差值的基础上,根据统计或机器学习的方法来选择新的电池电气特性参数值,电池电气特性参数值包括多个电阻值和电容值,选择依据是使该段时间内电池电气特性的误差减小,迭代进行到误差小于某一阈值时停止。可选的统计或机器学习的方法包括但不限于:遗传算法(GA),粒子群优化(PSO),进化算法(ES),爬坡算法(Hill Climbing),随机搜索(Random Search)等。其中优化参数是反映电池内部特性的电气参数,目标函数是一段时间内电气特性的误差,即,为了得到优化的反映电池内部特性的电气参数,对计算误差的这一过程进行多次迭代,直到最后一次迭代后计算出来的误差值小于规定的阈值(即误差足够小),将此时的电气参数作为优化的反映电池内部特性的电气参数,此时的电气状态模型作为当前一段时间内的最优的电气状态模型。
下面将参考通过相应的附图阐述的非限制性的实施例和细节对所述实施例及其各种特征和优点进行完整说明,为避免对所述实施例造成不必要的模糊,将略去对公知组成部件和公知处理技术的说明。
实施例
本发明的电池的电气状态监测***组成如图1所示。
其中101是一个或多个电池组成的电池***,主要包含电池组和充电设备。图1中示出的是多个电池组成电池组且具有多个电池组,但实际可以是多个电池组成的一个电池组,也可以是只有一个电池。此处的电池是能够充放电的铅酸电池、锂离子电池等各种用途各种类型的可充放电电池。
102是电池***的充放电控制指令部,该充放电控制指令部102用于计算并提供电池的充放电控制指令。如果被监测电池的当前的或未来的充放电控制指令已经存在,则将该充放电控制指令作为当前的或将来的控制指令提供给后述的SOC取得部,如果当前的或未来的充放电控制指令不存在,那么根据充放电控制指令的历史值、当前值以及日期等信息,组成代表某个时间点时充放电指令的向量,多个代表不同时间点的向量组成一个集合,基于该集合通过统计或机器学习的方法,来预测当前的或未来的充放电控制指令。用来预测当前的或未来的充放电控制指令例如能够利用最小二乘法、支持向量机、人工神经网络等现有的方法,当然也能够利用其它合适的各种方法。在本发明中,电池的充放电控制指令可以是电池的充放电电流、电压和功率中的至少一者。
利用本发明的充放电控制指令部102,能够在没有可用的充放电控制指令的情况下预测当前的或未来的充放电控制指令,从而能够基于预测出的充放电控制指令对电池要进行的充放电进行接近实际充放电的仿真,取得较准确的电气特性和SOC值。
103是电池的电气特性取得部,该电气特性取得部103取得电池的内部电气特性。电池的内部电气特性的取得主要是根据电池的日常应用数据来取得电池的内部电气特性的过程:首先采集一个或多个电池在日常应用过程中的电压、电流、电池温度等数据,然后将这些数据输入到能够反映电池的内部电气特性的函数关系中,并计算当前内部电气特性的误差。根据该误差以及一种迭代方法来计算电池新的内部电气特性。其中函数关系是上述的基于等效电路的电气模型所对应的函数关系。关于电气特性取得部103取得电气特性的各步工作的详情在后文说明。
104是电池的SOC取得部,其主要以充放电控制指令部102提供的当前或将来的电池充放电指令作为输入,然后在已经由电气特性取得部103计算得到的电气特性的基础上对电池的充放电进行模拟计算,将模拟的充放电电流进行统计而得到SOC值。
105是经验参数数据库,如果当前获得了电池的某些参数的经验值,则这些经验值存储到经验参数数据库中,如果没有经验值,则将默认值或者其他同型号电池的经验参数值作为经验值存储在经验参数数据库105中。经验参数数据将被输出到电气特性计算部103中作为首次充放电模拟的参数。
另外,除图1中示出的组成部分之外,本发明的电池的电气状态监测***还可以包括其它的组成部分而没有表示在图1中,例如有电池的历史数据库或数据源(图2中的201)、电池的SOH计算部(图2中的205)等。
用于监测获得较准确的电池的电气状态的本发明的功能模块如图2所示。
其中201是提供电池的历史数据的数据源单元,该数据源单元201中包括在日常应用过程中采集到的电池的数据,例如电池的充放电端电压、电流、温度等。这些电池数据都是能够通过现有的技术直接采集到的数据,采集到的数据以数据序列的形式存储在数据源单元201中,在需要使用时由数据源单元201以一定的时间的数据序列的形式输出至要使用的单元(例如后述的电气特性误差统计单元203和SOH计算单元205)中。
202是经验参数数据源单元,对应图1中的经验参数数据库105,用于存储并提供经验参数数据。其中经验参数数据可以是当前获得了电池的某些参数的经验值,也可以将默认值或者其他同型号电池的经验参数值作为经验值。。
203是电气特性误差统计单元,该电气特性误差统计单元203对一段时间内的电气特性误差进行统计。主要方法是利用前一段时间内历史充放电电流、电压、功率和最优的电气特性参数值等来计算当前一段时间内的电气暂态参数,利用当前一段时间内充放电电流、电压、功率、电气暂态参数和当前的电气特性参数值等,通过建立的电气模型而得到的函数关系式来计算函数值(电池充放电时的端电压U或者电流I0)。将计算出的函数值和电池在该函数值所对应时刻的充放电端电压历史数据进行比较,将两者之间的差值作为该时刻的电气特性误差。将一段时间内不同时刻的电气特性误差累加在一起,得到一段时间内的电气特性误差。其中,当前一段时间内的电气暂态参数是指计算过程中计算出的暂时使用的参数。由于当前的电气参数无法直接测量或计算获得,所以需要通过历史充放电数据和电池的SOH模型,来对一段历史时间内的电池充放电进行仿真计算,计算出一个较为接近当前的电气参数的电气暂态参数,利用该电气暂态参数来计算函数值(电池充放电时的端电压U或者电流I0),得到一个较为接近真实值的函数值。在电气特性误差为规定的阈值以下而得到优化的电气参数和模型的情况下,能够通过优化的电气参数和模型选择新的电气参数值。电气特性误差统计单元203所使用的来自数据源单元201的数据是短时间的数据序列。
204是电气参数选择单元,该电气参数选择单元204接收电气特性误差统计单元203输出的误差信息、数据源单元201(即图1中的经验参数数据库105)提供的经验参数值以及上一次计算出的电气参数值,依据统计或机器学习的方法来计算出一组新的电气参数值。选择依据是使误差降低。可选的统计或机器学习方法包括但不限于:遗传算法(GA),粒子群优化(PSO),进化算法(ES),爬坡算法(Hill Climbing),随机搜索(Random Search)等。其中优化参数是反应电池内部特性的电气参数,目标函数是一段时间内电气特性的误差。由电气参数选择单元204计算出的新的电气参数值即计算获得的当前的电池的内部电气特性。
在电气特性误差统计单元203和电气参数选择单元204的计算过程中,电气特性误差统计单元203向电气参数选择单元204输出电气特性误差,电气参数选择单元204向电气特性误差统计单元203输出计算出的新的电气参数。通过电气特性误差计算过程的迭代能够建立最优的电气状态模型。
其中,上述电气特性误差统计单元203和电气参数选择单元204可看作图1中的电气特性取得部103的功能模块。经过电气特性误差统计单元203和电气参数选择单元204的工作能够获得较为准确的电池的内部电气特性(内阻、内部电容、内部电感等)。
因此,在建立了基于多阶RC电路(也可以是一阶)的电池电气状态模型的基础之上,通过迭代的方法使计算出的误差减少来对电气状态模型进行优化,所以能够获得接近实际情况的电气状态模型,所以基于该电气状态模型计算出的电气特性参数、SOC值较为准确。
205是电池的SOH(State of Health,健康状态)计算单元,其计算电池的SOH的主要计算方法是:基于所有电池的历史充放电数据序列,选择多个不同的时间区间,在每一个时间区间内,计算出一系列反应该时间区间内不同控制或操作模式、充放电电流以及环境信息的值并将之组成为一个向量,将所有这些对应不同时间区间的向量组成一个集合,并对该集合中的向量进行降低维度处理来计算出一个新的集合,把计算出的新集合作为训练集,基于特定的统计或机器学习方法,训练出一个计算SOH的模型,该模型的输出是电池在特定的环境下经过了特定的充放电过程后电池的电动势或者内部电气参数值。可选的方法包括但不限于最小二乘法,支持向量机,人工神经网络等。
206是电池的充放电控制指令源单元,对应图1中的充放电控制指令部102,其提供电池当前的或未来的充放电控制指令用于取得电池的SOC。电池当前的或未来的充放电控制指令可以是当前存在的充放电控制指令,也可以是根据充放电控制指令的历史值、当前值以及日期等信息预测的当前的或未来的充放电控制指令。
207是电池的充放电模拟单元,该充放电模拟单元207以充放电控制指令源单元206中输出的电池未来的充放电控制指令作为输入,然后在已经由电气参数选择单元204计算得到的内部电气特性以及图4至图6所示的等效电路的基础上对电池的充放电进行模拟计算。即,利用201至205的单元已经建立了最优的电气状态模型,并且该电气状态模型的各参数值也是优化的参数值,充放电模拟单元207根据该最优的电气状态模型能够容易地且准确地对电池未来的充放电进行模拟计算。
208是电池的SOC统计单元,该SOC统计单元208对电池的充放电模拟单元207计算得到的电流数据进行统计,得到当前和将来的SOC值。其利用的主要的计算方法是将来的SOC值等于当前的SOC减去充放电仿真模拟计算出的电流值的积分,该将来的SOC值对应于该电池在特定的充放电模式或者特定的电气负载下,在未来某个时刻的SOC值。
图3表示监测获取电池的电气状态的方法的具体工作流程。
在步骤301中,获得并存储经验参数数据,将其输出到电气参数选择单元204(也即电气建模***104)中用来计算电池的电气特征,例如电池内阻、内部电容、内部电感等。步骤301中获得经验参数数据的方法如对经验参数数据库105的说明所示,在此省略说明。
步骤302、303、304和305是计算电池的电气特性的步骤。由于一次计算难以获得误差小的电气特性,所以通过对计算电气特性误差的步骤进行迭代来计算电池的电气特性,使得误差小于规定的阈值而能够获得较为准确的电气特性。即,对步骤302、303、304和305这一连的工作过程进行迭代,建立最优的电气参数模型并获得优化的电气特性。
在步骤302中选择新的电气参数,新的电气参数选择的准则是降低模型误差,新的电气参数的计算方法可以是遗传算法(GA),粒子群优化(PSO),进化算法(ES),爬坡算法(Hill Climbing),随机搜索(Random Search)等,其中优化参数是反应电池内部特性的电气参数(如图4或图5或图6所示),目标函数是一段时间内电气特性的误差。步骤302所进行的工作是图1所示的电气特性取得部103进行的工作,也是图2所示的功能模块电气参数选择单元204进行的工作。
在步骤303中进行充放电仿真。要进行充放电仿真,首先基于特定的电气结构(如图4或图5或图6所示)来建立一个电气状态模型。接着将实际的充放电数据、新的电气参数以及OCV(Open Circuit Voltage,开路电压)数据输入到该电气状态模型中进行充放电仿真,并统计仿真结果。其中建立电气状态模型是图1所示的电气特性取得部103进行的工作,也是图2所示的电气特性误差统计单元203和电气参数选择单元204进行的工作。步骤303中进行的充放电仿真是在要进行优化的电气状态模型的基础上的仿真,而不是后续说明的最优的电气状态模型的基础上的仿真。
在步骤304中进行模型误差的统计。误差根据仿真结果与实际充放电数据的差来计算。
在步骤305中进行模型误差的校验。对该模型误差与一个预定义的规定阈值(该阈值可以在任何时刻重新设置)进行比较,如果误差大于该阈值,那么继续进行新一轮步骤302、303、304、305的迭代,如果误差小于该阈值,那么停止迭代,并将最新的电气参数作为电气状态模型中各个参数的值来组成一个最优的电气状态模型。
通过上述步骤302至305,能够建立最优的电气状态模型并确定优化的电气特性参数。当然,仅进行一次步骤302至305的过程难以建立电气状态模型并确定电气特性参数,所以需要对步骤302至305的过程进行迭代,使得模型和电气特性参数不断逼近真实的电池状态。
在步骤306中,在一段时间内从外部对一个或多个电池检测到的充放电数据,包括电池充放电电压,电流,温度等。
在步骤307中对电池的劣化状态(SOH)进行建模,主要过程是:基于所有电池的历史充放电数据序列,选择多个不同的时间区间,在每一个时间段内,计算出一系列反应不同控制或操作模式、充放电电流的统计值以及环境信息的值并将之组成为一个向量,将所有这些对应不同时间区间的向量组成一个集合,并对该集合中的向量进行降低维度处理来计算出一个新的集合,把计算出的新集合作为训练集,基于特定的统计或机器学习方法,训练出一个计算SOH状态的模型,该模型的输出是某个特定SOH状态下电池的OCV或者内部电气参数值。可选的方法包括但不限于最小二乘法,支持向量机,人工神经网络等。
在步骤308中,基于步骤307中得到的SOH模型,计算特定时间段内电池的OCV值。计算出的OCV值用于步骤303中进行的充放电仿真。
上述步骤306、307和308是为了更准确地计算电池的电气特性而进行的,并非实现本发明的必要步骤。在省略步骤306、307和308的情况下,也能够保证本发明的电气状态监测***的准确性。
在步骤309中提供用于计算电池的SOC的、电池在未来的充放电控制指令,在存在未来的充放电控制指令时直接使用该未来的充放电控制指令,如果该指令缺失,则根据充放电控制指令的历史值、当前值以及日期等信息预测未来的充放电控制指令。
在步骤310中进行用于计算电池SOC的充放电仿真,将未来的充放电控制指令输入到步骤305中获得的最优电气状态模型中进行仿真。
在步骤311中进行仿真结果的统计,以仿真出的电池充放电电流的积分来计算电池SOC。
在步骤312中输出最终的电气参数SOC值,从而掌握电池的较为准确的电气参数和SOC值。
尽管以上已经结合本发明的优选实施例示出了本发明,但是本领域的技术人员将会理解,在不脱离本发明的精神和范围的情况下,可以对本发明进行各种修改、替换和改变。
Claims (12)
1.一种电池的电气状态监测***,监测与其连接的电池***中的电池的电气特性参数和SOC值,所述电气状态监测***的特征在于,包括:
提供当前或未来对所述电池的充放电进行指示的电池充放电控制指令的充放电控制指令部;
电气特性取得部,其基于所述电池的等效电路建立所述电池的电气状态模型,根据建立的所述电气状态模型计算规定时间段内的所述电池充放电时的参数值与实际测量到的充放电时的参数值的差值之和并将该和的值作为计算电气特性的误差,根据所述误差对所述电气状态模型进行优化,使得所述误差小于规定的阈值,根据优化后的电气状态模型取得所述电池的电气特性参数;和
SOC取得部,其响应所述充放电控制指令部提供的电池充放电控制指令利用由所述电气特性取得部取得的所述电气特性参数,根据优化后的所述电气状态模型来对所述电池的充放电进行模拟,对模拟出的充放电电流进行统计而取得所述电池的SOC值。
2.如权利要求1所述的电气状态监测***,其特征在于:
所述电池的等效电路是至少一个由电阻与电容并联而成的RC结构和电阻串联连接的RC电路,
在所述电气状态模型所对应的函数关系中,以电池的充放电电流为自变量并以电池充放电时的端电压为函数值;或者以电池充放电时的端电压为自变量并以电池的充放电电流为函数值,
所述电池的各个电气特性参数由所述函数关系中包含的多个电阻参数和电容参数来表达。
3.如权利要求1或2所述的电气状态监测***,其特征在于:
若存在所述电池充放电控制指令,则所述充放电控制指令部将该电池充放电控制指令提供给所述SOC取得部供其直接使用,
若不存在所述电池充放电控制指令,则所述充放电控制指令部将时间、日期和电池充放电控制指令的历史值组成特征向量,并基于多个代表不同历史时刻的电池充放电指令的特征向量,通过统计或机器学习的方法预测要提供给所述SOC取得部的电池充放电控制指令。
4.如权利要求2所述的电气状态监测***,其特征在于:
在所述电气特性取得部计算所述电气特性的误差时,首先基于所述函数关系,用所述电池的电气特性参数的历史值和充放电电流、电压与功率中的至少一者的历史值计算当前时间段内的电气暂态参数,接着基于所述函数关系,用计算出的所述电气暂态参数、所述电池的当前时间段的电气特性参数和当前时间段的充放电电流、电压与功率中的至少一者计算当前时间段内的端电压或者电流,对计算出的端电压或者电流与电池在该端电压所对应的时刻测量到的充放电端电压或者电流进行比较而得到差值,累积规定时间段内不同时刻的差值而得到该规定时间段内的电气特性的误差。
5.如权利要求1、2、4中任一项所述的电气状态监测***,其特征在于:
在对所述电气状态模型进行优化时,对所述规定时间段内的所述电气特性的误差的计算过程进行多次迭代,
如果存在电池的电气特性参数的经验值,则所述电气特性取得部将该经验值设置为首次迭代计算时的电气特性参数值,
如果不存在电池的电气特性参数的经验值,则将默认值设置为首次迭代计算时的电气特性参数值,
在每一次迭代计算得到的误差的基础上,根据统计或机器学习的方法选择新的电阻值和电容值来作为电池电气特性参数值,使得所述规定时间段内的电气特性的误差减小。
6.如权利要求3所述的电气状态监测***,其特征在于:
在对所述电气状态模型进行优化时,对所述规定时间段内的所述电气特性的误差的计算过程进行多次迭代,
如果存在电池的电气特性参数的经验值,则所述电气特性取得部将该经验值设置为首次迭代计算时的电气特性参数值,
如果不存在电池的电气特性参数的经验值,则将默认值设置为首次迭代计算时的电气特性参数值,
在每一次迭代计算得到的误差的基础上,根据统计或机器学习的方法选择新的电阻值和电容值来作为电池电气特性参数值,使得所述规定时间段内的电气特性的误差减小。
7.一种电池的电气状态监测方法,用于监测电池***中的电池的电气特性参数和SOC值,所述电气状态监测方法的特征在于,包括:
准备当前或未来的电池充放电控制指令的步骤;
基于所述电池的等效电路建立所述电池的电气状态模型的步骤;
根据建立的所述电气状态模型计算规定时间段内的所述电池充放电时的端电压与实际测量到的充放电时的端电压的差值之和并将该和的值作为计算电气特性的误差的步骤;
根据所述误差对所述电气状态模型进行优化,使得所述误差小于规定的阈值的步骤;
根据优化后的电气状态模型取得所述电池的电气特性参数的步骤;
响应准备的电池充放电控制指令利用取得的所述电气特性参数,根据优化后的所述电气状态模型来对所述电池的充放电进行模拟的步骤;和
对模拟出的充放电电流进行统计而取得所述电池的SOC值。
8.如权利要求7所述的电气状态监测方法,其特征在于:
所述电池的等效电路是至少一个由电阻与电容并联而成的RC结构和电阻串联连接的RC电路,
在所述电气状态模型所对应的函数关系中,以电池的充放电电流为自变量并以电池充放电时的端电压为函数值;或者以电池充放电时的端电压为自变量并以电池的充放电电流为函数值,
所述电池的电气特性参数由所述函数关系中包含的多个电阻参数和电容参数来表达。
9.如权利要求7或8所述的电气状态监测方法,其特征在于:
若存在所述电池充放电控制指令,则将该电池充放电控制指令直接用于计算所述电池的SOC值,
若不存在所述电池充放电控制指令,则将时间、日期和电池充放电控制指令的历史值组成特征向量,并基于多个代表不同历史时刻的电池充放电指令的特征向量,通过统计或机器学习的方法预测要用于计算所述电池的SOC值的电池充放电控制指令。
10.如权利要求8所述的电气状态监测方法,其特征在于:
在计算所述电气特性的误差时,首先基于所述函数关系,用所述电池的电气特性参数的历史值和充放电电流、电压与功率中的至少一者的历史值计算当前时间段内的电气暂态参数,接着基于所述函数关系,用计算出的所述电气暂态参数、所述电池的当前时间段的电气特性参数和当前时间段的充放电电流、电压与功率中的至少一者计算当前时间段内的端电压或电流,对计算出的端电压或电流与电池在该端电压所对应的时刻测量到的充放电端电压或电流进行比较而得到差值,累积规定时间段内不同时刻的差值而得到该规定时间段内的电气特性的误差。
11.如权利要求7、8、10中任一项所述的电气状态监测方法,其特征在于:
在对所述电气状态模型进行优化时,对所述规定时间段内的所述电气特性的误差的计算过程进行多次迭代,
如果存在电池的电气特性参数的经验值,则所述电气特性取得部将该经验值设置为首次迭代计算时的电气特性参数值,
如果不存在电池的电气特性参数的经验值,则将默认值设置为首次迭代计算时的电气特性参数值,
在每一次迭代计算得到的误差的基础上,根据统计或机器学习的方法选择新的电阻值和电容值来作为电池电气特性参数值,使得所述规定时间段内的电气特性的误差减小。
12.如权利要求9所述的电气状态监测方法,其特征在于:
在对所述电气状态模型进行优化时,对所述规定时间段内的所述电气特性的误差的计算过程进行多次迭代,
如果存在电池的电气特性参数的经验值,则所述电气特性取得部将该经验值设置为首次迭代计算时的电气特性参数值,
如果不存在电池的电气特性参数的经验值,则将默认值设置为首次迭代计算时的电气特性参数值,
在每一次迭代计算得到的误差的基础上,根据统计或机器学习的方法选择新的电阻值和电容值来作为电池电气特性参数值,使得所述规定时间段内的电气特性的误差减小。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610285418.0A CN107340476B (zh) | 2016-04-29 | 2016-04-29 | 电池的电气状态监测***和电气状态监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610285418.0A CN107340476B (zh) | 2016-04-29 | 2016-04-29 | 电池的电气状态监测***和电气状态监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107340476A CN107340476A (zh) | 2017-11-10 |
CN107340476B true CN107340476B (zh) | 2021-01-26 |
Family
ID=60222040
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610285418.0A Active CN107340476B (zh) | 2016-04-29 | 2016-04-29 | 电池的电气状态监测***和电气状态监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107340476B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108460451A (zh) * | 2018-02-12 | 2018-08-28 | 北京新能源汽车股份有限公司 | 基于粒子群算法优化电池荷电状态估算用关键参数的方法及装置 |
CN109813956B (zh) * | 2018-11-22 | 2022-04-05 | 常州天正工业发展股份有限公司 | 一种根据设备数据评估安全的***和方法 |
CN109324294A (zh) * | 2018-11-22 | 2019-02-12 | 联想(北京)有限公司 | 数据处理方法及其装置 |
KR20210118669A (ko) * | 2020-03-23 | 2021-10-01 | 주식회사 엘지에너지솔루션 | 배터리 파라미터 설정 장치 및 방법 |
JP7457575B2 (ja) * | 2020-05-25 | 2024-03-28 | 株式会社Aescジャパン | 劣化推定装置、モデル生成装置、劣化推定方法、モデル生成方法、及びプログラム |
CN112018847B (zh) * | 2020-08-27 | 2022-10-04 | 蜂巢能源科技有限公司 | 充电电池的充电处理方法及装置、电动车辆 |
CN113655391A (zh) * | 2021-08-26 | 2021-11-16 | 江苏慧智能源工程技术创新研究院有限公司 | 一种基于LightGBM模型的储能电站电池故障诊断方法 |
CN117060553B (zh) * | 2023-10-13 | 2024-01-02 | 快电动力(北京)新能源科技有限公司 | 储能***的电池管理方法、装置、***和部件 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101627517A (zh) * | 2007-03-06 | 2010-01-13 | 丰田自动车株式会社 | 电动车辆、充电状态推定方法以及记录了用于使计算机执行充电状态推定方法的程序的计算机可读取的记录介质 |
CN102608542A (zh) * | 2012-04-10 | 2012-07-25 | 吉林大学 | 动力电池荷电状态估计方法 |
CN202794475U (zh) * | 2012-06-28 | 2013-03-13 | 浙江大学城市学院 | 混合动力车用动力锂电池soc估计器 |
CN103472397A (zh) * | 2013-08-09 | 2013-12-25 | 江苏欧力特能源科技有限公司 | 铅酸电池模型经验公式法中关键参数抗差辨识方法 |
CN103675683A (zh) * | 2012-09-02 | 2014-03-26 | 东莞市振华新能源科技有限公司 | 一种锂电池荷电状态(soc)估算方法 |
CN103713264A (zh) * | 2013-12-20 | 2014-04-09 | 中国北方车辆研究所 | 一种电池管理***soc估算精度测试***及测试方法 |
EP2744068A2 (en) * | 2011-10-04 | 2014-06-18 | LG Chem, Ltd. | Battery management system and battery management method |
CN104704380A (zh) * | 2012-10-05 | 2015-06-10 | 日本康奈可株式会社 | 用于估计电池参数的装置以及估计方法 |
CN105026945A (zh) * | 2013-03-14 | 2015-11-04 | 古河电气工业株式会社 | 二次电池状态检测装置及二次电池状态检测方法 |
CN105068008A (zh) * | 2015-07-14 | 2015-11-18 | 南京航空航天大学 | 利用车载充电机辨识电池参数的电池荷电状态估计方法 |
CN105098852A (zh) * | 2014-05-09 | 2015-11-25 | 株式会社日立制作所 | 电动汽车换电装置及其充电管理方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9475398B2 (en) * | 2014-05-08 | 2016-10-25 | Cummins, Inc. | Optimization-based predictive method for battery charging |
-
2016
- 2016-04-29 CN CN201610285418.0A patent/CN107340476B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101627517A (zh) * | 2007-03-06 | 2010-01-13 | 丰田自动车株式会社 | 电动车辆、充电状态推定方法以及记录了用于使计算机执行充电状态推定方法的程序的计算机可读取的记录介质 |
EP2744068A2 (en) * | 2011-10-04 | 2014-06-18 | LG Chem, Ltd. | Battery management system and battery management method |
CN102608542A (zh) * | 2012-04-10 | 2012-07-25 | 吉林大学 | 动力电池荷电状态估计方法 |
CN202794475U (zh) * | 2012-06-28 | 2013-03-13 | 浙江大学城市学院 | 混合动力车用动力锂电池soc估计器 |
CN103675683A (zh) * | 2012-09-02 | 2014-03-26 | 东莞市振华新能源科技有限公司 | 一种锂电池荷电状态(soc)估算方法 |
CN104704380A (zh) * | 2012-10-05 | 2015-06-10 | 日本康奈可株式会社 | 用于估计电池参数的装置以及估计方法 |
CN105026945A (zh) * | 2013-03-14 | 2015-11-04 | 古河电气工业株式会社 | 二次电池状态检测装置及二次电池状态检测方法 |
CN103472397A (zh) * | 2013-08-09 | 2013-12-25 | 江苏欧力特能源科技有限公司 | 铅酸电池模型经验公式法中关键参数抗差辨识方法 |
CN103713264A (zh) * | 2013-12-20 | 2014-04-09 | 中国北方车辆研究所 | 一种电池管理***soc估算精度测试***及测试方法 |
CN105098852A (zh) * | 2014-05-09 | 2015-11-25 | 株式会社日立制作所 | 电动汽车换电装置及其充电管理方法 |
CN105068008A (zh) * | 2015-07-14 | 2015-11-18 | 南京航空航天大学 | 利用车载充电机辨识电池参数的电池荷电状态估计方法 |
Non-Patent Citations (1)
Title |
---|
电动汽车蓄电池参数监控***研究;马兹林 等;《机电工程技术》;20081231;第37卷(第4期);第21-24页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107340476A (zh) | 2017-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107340476B (zh) | 电池的电气状态监测***和电气状态监测方法 | |
Li et al. | A practical lithium-ion battery model for state of energy and voltage responses prediction incorporating temperature and ageing effects | |
Han et al. | Estimation of cell SOC evolution and system performance in module-based battery charge equalization systems | |
Zhang et al. | An on-line estimation of battery pack parameters and state-of-charge using dual filters based on pack model | |
Hussein | Capacity fade estimation in electric vehicle li-ion batteries using artificial neural networks | |
Sangwan et al. | State-of-charge estimation for li-ion battery using extended Kalman filter (EKF) and central difference Kalman filter (CDKF) | |
KR101547006B1 (ko) | 배터리 잔존 용량 추정 장치 및 방법 | |
Chen et al. | Modelling of lithium-ion battery for online energy management systems | |
Chaoui et al. | Adaptive state of charge estimation of lithium-ion batteries with parameter and thermal uncertainties | |
CN107015157A (zh) | 基于恒流等压升片段的锂电池剩余循环寿命在线快速测试法 | |
KR102090476B1 (ko) | 클라우드 및 빅데이터를 활용한 bms 최적화 시스템 | |
CN103217651A (zh) | 一种蓄电池荷电状态的估算方法和*** | |
Sangwan et al. | Estimation of battery parameters of the equivalent circuit models using meta-heuristic techniques | |
Elmarghichi et al. | Online parameter estimation of a lithium-ion battery based on sunflower optimization algorithm | |
Sangwan et al. | Estimation of battery parameters of the equivalent circuit model using grey wolf optimization | |
Wu et al. | State-of-charge and state-of-health estimating method for lithium-ion batteries | |
Tian et al. | An optimal nonlinear observer for state-of-charge estimation of lithium-ion batteries | |
Jiani et al. | Li-ion battery SOC estimation using EKF based on a model proposed by extreme learning machine | |
Bobobee et al. | Improved fixed range forgetting factor-adaptive extended Kalman filtering (FRFF-AEKF) algorithm for the state of charge estimation of high-power lithium-ion batteries | |
Gao et al. | Lithium-ion battery modeling and validation for smart power system | |
CN113420494B (zh) | 一种超级电容贝叶斯概率融合建模方法 | |
Aktas et al. | Modeling and validation analysis according to temperature effect of different type batteries | |
Sangwan et al. | Estimation of state of charge for Li-ion battery using model adaptive extended Kalman filter | |
Moura et al. | State of charge estimation for li-ion batteries based on recurrent narx neural network with temperature effect | |
Samantaray et al. | Sizing of battery power pack and performance analysis in an electric vehicle |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |