CN107402353A - 一种对锂离子电池的荷电状态进行滤波估计的方法及*** - Google Patents
一种对锂离子电池的荷电状态进行滤波估计的方法及*** Download PDFInfo
- Publication number
- CN107402353A CN107402353A CN201710524338.0A CN201710524338A CN107402353A CN 107402353 A CN107402353 A CN 107402353A CN 201710524338 A CN201710524338 A CN 201710524338A CN 107402353 A CN107402353 A CN 107402353A
- Authority
- CN
- China
- Prior art keywords
- msub
- mrow
- state
- charge
- lithium ion
- 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
Links
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
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
本发明公开了一种对锂离子电池的荷电状态进行滤波估计的方法,包括:根据预设时间阈值采集锂离子电池表面的参数数据,并建立所述锂离子电池的等效电路模型;根据所述等效电路模型获取锂离子电池的数学模型,利用偏差补偿递推最小二乘法获取所述等效电路模型的参数,并通过实验获取锂离子电池的开路电压;根据锂离子电池噪声环境下的模型和所述数学模型,获取状态空间模型;利用卡尔曼滤波器递推算法对锂离子电池的荷电状态进行估计,获取第一荷电状态估计值以及卡尔曼滤波的精度值;利用H∞滤波器递推算法获取第二荷电状态估计值;分别计算所述第一荷电状态估计值和第二荷电状态估计值的权重,并根据所述权重计算锂离子电池的荷电状态估计值。
Description
技术领域
本发明涉及计量电动汽车领域,并且更具体地,涉及一种对锂离子电池的荷电状态进行滤波估计的方法及***。
背景技术
电池管理***是电动车的重要组成部分,为了确保电池在电动汽车各种工况下始终能保持良好的性能,需要电池管理***实时监测电池的工作状态,获取电池性能和安全等方面的信息。电池的荷电状态(State of Charge,SOC)是电池管理***中最重要的参数之一,其大小直接反映了电池的状态,由于该参数不能直接测量,只能通过电池外部电压、电流、内阻、温度等参数间接估计得到,因此SOC的精确估算方法是当下研究的热点。对SOC的精确估计不仅可以预测电动车的续驶里程,限制充放电电流,防止过充或过放电延长电池使用寿命,而且能提高动力电池使用的安全性,进一步提高整车的性能,因此准确和可靠地获得电池荷电状态有着十分重要的意义。
常见的电池荷电状态计算方法包括:安时积分法,开路电压法和基于模型的卡尔曼滤波法等。但是由于测量精度,误差积累,算法不稳定性,以及在复杂的环境下电池自身的性能变化导致SOC估计算法很难达到满意的结果。
因此,需要一种锂离子电池的荷电状态的估计方法,以解决测量精度,误差积累,算法不稳定性,以及在复杂的环境下电池自身的性能变化导致SOC估计算法很难达到满意的结果的问题。
发明内容
本发明提供了一种对锂离子电池的荷电状态进行滤波估计的方法及***,以解决锂离子电池的荷电状态SOC估计值的计算问题。
为了解决上述问题,根据本发明的一个发明,提供了一种对锂离子电池的荷电状态进行滤波估计的方法,所述方法包括:
根据预设时间阈值采集锂离子电池表面的参数数据,并建立所述锂离子电池的等效电路模型;其中,所述参数数据包括:端电压、充放电电流和温度;
根据所述等效电路模型获取锂离子电池的数学模型,利用偏差补偿递推最小二乘法获取所述等效电路模型的参数,并通过实验获取锂离子电池的开路电压;
根据锂离子电池噪声环境下的模型和所述数学模型,获取锂离子电池的状态空间模型;
利用卡尔曼滤波器递推算法对所述状态空间模型对应的锂离子电池的荷电状态进行估计,获取第一荷电状态估计值以及卡尔曼滤波的精度值;
利用H∞滤波器递推算法对所述状态空间模型对应的锂离子电池的荷电状态进行估计,获取第二荷电状态估计值;
根据所述卡尔曼滤波的精度值分别计算所述第一荷电状态估计值和第二荷电状态估计值的权重,并根据所述第一荷电状态估计值及其所占的权重和第二荷电状态估计值及其所占的权重计算锂离子电池的荷电状态估计值。
优选地,其中所述等效电路模型为:
其中,Uoc为电池的开路电压,代表电池处于电化学平衡时的端电压值;Ut为电池的端电压,代表电池在任意充放电时刻的电池正负极间的值;Up为极化电压,R0为欧姆内阻,Rp为的极化内阻,Cp为极化电容。
优选地,其中所述锂离子电池的数学模型为:
其中,Urc为开路电压和端电压之差;z(k)为观测矩阵,为电池在k时刻的电池内部压降;h(k)为数据矩阵,为参数辨识时的数据信息输入矩阵;为辨识系数;a1,b1,b2,为辨识系数对应的元素值。
优选地,其中所述状态空间模型为:
g(X)=Uoc(S)-Up,
X=[S Up]T,
其中,X为状态变量,u为模型的输入,选定u=I;S为电池的荷电状态估计值;Y为模型的观测变量,选定Y=Ut;Ts为参数测量周期,τp为阻容网络的时间常数,Kc为锂离子电池的充放电系数。
优选地,其中所述利用卡尔曼滤波器递推算法对所述状态空间模型对应的锂离子电池的荷电状态进行估计,获取第一荷电状态估计值以及卡尔曼滤波的精度值,包括:
卡尔曼滤波估计的***参数初始化设置,其中所述***参数包括:***状态变量、***的误差协方差、***噪声的均值、***噪声的协方差、参量噪声的均值和参量噪声的协方差;
对***参数的数值进行更新,并根据前一时刻的荷电状态估计值利用卡尔曼滤波器递推算法对锂离子电池当前时刻的荷电状态进行估计,获取第一荷电状态估计值;
计算卡尔曼滤波增益,获取并更新估计后的***参数的数值,用于对下一时刻的锂离子电池的荷电状态进行估计。
优选地,其中所述利用H∞滤波器递推算法对所述状态空间模型对应的锂离子电池的荷电状态进行估计,获取第二荷电状态估计值,包括:
H∞滤波的***参数初始化设置,其中所述***参数包括:***状态变量、***的误差协方差、状态量矩阵和协方差矩阵;
根据***参数的辨识结果,利用H∞滤波器递推算法对锂离子电池当前时刻的荷电状态进行估计,获取第二荷电状态估计值;
计算并更新当前的***参数的数值,用于对下一时刻的锂离子电池的荷电状态进行估计。
优选地,其中所述根据所述卡尔曼滤波的精度值分别计算所述第一荷电状态估计值和第二荷电状态估计值的权重,并根据所述第一荷电状态估计值及其所占的权重和第二荷电状态估计值及其所占的权重计算锂离子电池的荷电状态估计值,包括:
其中,dk+1第一荷电状态估计值的权重;为卡尔曼滤波的精度值;J2为精度判断阈值的最小值,J∞为精度判断阈值的最大值,a和b为加权系数;为当前时刻锂离子电池的荷电状态估计值。
根据本发明的另一个方面,本发明提供了一种对锂离子电池的荷电状态进行滤波估计的***,所述***包括:等效电路模型建立单元、数学模型建立单元、状态空间模型建立单元、第一荷电状态估计值计算单元、第二荷电状态估计值计算单元和荷电状态估计值确定单元,
所述等效电路模型建立单元,用于根据预设时间阈值采集锂离子电池表面的参数数据,并建立所述锂离子电池的等效电路模型;其中,所述参数数据包括:端电压、充放电电流和温度;
所述数学模型建立单元,用于根据所述等效电路模型获取锂离子电池的数学模型,利用偏差补偿递推最小二乘法获取所述等效电路模型的参数,并通过实验获取锂离子电池的开路电压;
所述状态空间模型建立单元,用于根据锂离子电池噪声环境下的模型和所述数学模型,获取锂离子电池的状态空间模型;
所述第一荷电状态估计值计算单元,用于利用卡尔曼滤波器递推算法对所述状态空间模型对应的锂离子电池的荷电状态进行估计,获取第一荷电状态估计值以及卡尔曼滤波的精度值;
所述第二荷电状态估计值计算单元,用于利用H∞滤波器递推算法对所述状态空间模型对应的锂离子电池的荷电状态进行估计,获取第二荷电状态估计值;
所述荷电状态估计值确定单元,用于根据所述卡尔曼滤波的精度值分别计算所述第一荷电状态估计值和第二荷电状态估计值的权重,并根据所述第一荷电状态估计值及其所占的权重和第二荷电状态估计值及其所占的权重计算锂离子电池的荷电状态估计值。
优选地,其中所述等效电路模型为:
其中,Uoc为电池的开路电压,代表电池处于电化学平衡时的端电压值;Ut为电池的端电压,代表电池在任意充放电时刻的电池正负极间的值;Up为极化电压,R0为欧姆内阻,Rp为的极化内阻,Cp为极化电容。
优选地,其中所述锂离子电池的数学模型为:
其中,Urc为开路电压和端电压之差;z(k)为观测矩阵,为电池在k时刻的电池内部压降;h(k)为数据矩阵,为参数辨识时的数据信息输入矩阵;为辨识系数;a1,b1,b2,为辨识系数对应的元素值。
优选地,其中所述状态空间模型为:
g(X)=Uoc(S)-Up,
X=[S Up]T,
其中,X为状态变量,u为模型的输入,选定u=I;S为电池的荷电状态估计值;Y为模型的观测变量,选定Y=Ut;Ts为参数测量周期,τp为阻容网络的时间常数,Kc为锂离子电池的充放电系数。
优选地,其中所述第一荷电状态估计值计算单元,具体用于:
卡尔曼滤波估计的***参数初始化设置,其中所述***参数包括:***状态变量、***的误差协方差、***噪声的均值、***噪声的协方差、参量噪声的均值和参量噪声的协方差;
对***参数的数值进行更新,并根据前一时刻的荷电状态估计值利用卡尔曼滤波器递推算法对锂离子电池当前时刻的荷电状态进行估计,获取第一荷电状态估计值;
计算卡尔曼滤波增益,获取并更新估计后的***参数的数值,用于对下一时刻的锂离子电池的荷电状态进行估计。
优选地,其中所述第二荷电状态估计值计算单元,具体用于:
H∞滤波的***参数初始化设置,其中所述***参数包括:***状态变量、***的误差协方差、状态量矩阵和协方差矩阵;
根据***参数的辨识结果,利用H∞滤波器递推算法对锂离子电池当前时刻的荷电状态进行估计,获取第二荷电状态估计值;
计算并更新当前的***参数的数值,用于对下一时刻的锂离子电池的荷电状态进行估计。
优选地,其中所述荷电状态估计值确定单元,包括:
其中,dk+1第一荷电状态估计值的权重;为卡尔曼滤波的精度值;J2为精度判断阈值的最小值,J∞为精度判断阈值的最大值,a和b为加权系数;为当前时刻锂离子电池的荷电状态估计值。
本发明的有益效果在于:
本发明供了一种对锂离子电池的荷电状态进行滤波估计的方法及***,将卡尔曼滤波和H∞滤波进行结合,根据卡尔曼滤波的精度分别确定卡尔曼滤波和H∞滤波的权值,以计算锂离子电池的SOC估计值,使得具有足够的算法和稳定性;综合了卡尔曼滤波初值收敛快、最优估计性能好,和H∞滤波高鲁棒性的优点,克服了两者的缺点;同时,增加了SOC估计算法的冗余度,使得估计算法的精度、适应性和鲁棒性相对于单一算法有所提高。
附图说明
通过参考下面的附图,可以更为完整地理解本发明的示例性实施方式:
图1为根据本发明实施方式的对锂离子电池的荷电状态进行滤波估计的方法100的流程图;
图2为根据本发明实施方式的锂离子电池的等效电路模型的电路图;以及
图3为根据本发明实施方式的对锂离子电池的荷电状态进行滤波估计的***300的结构示意图。
具体实施方式
现在参考附图介绍本发明的示例性实施方式,然而,本发明可以用许多不同的形式来实施,并且不局限于此处描述的实施例,提供这些实施例是为了详尽地且完全地公开本发明,并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中,相同的单元/元件使用相同的附图标记。
除非另有说明,此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外,可以理解的是,以通常使用的词典限定的术语,应当被理解为与其相关领域的语境具有一致的含义,而不应该被理解为理想化的或过于正式的意义。
本发明供了一种对锂离子电池的荷电状态进行滤波估计的方法及***,以解决锂离子电池的荷电状态SOC估计值的计算问题。通过利用卡尔曼滤波器递推算法对所述状态空间模型对应的锂离子电池的荷电状态进行估计,获取第一荷电状态估计值以及卡尔曼滤波的精度值;利用H∞滤波器递推算法对所述状态空间模型对应的锂离子电池的荷电状态进行估计,获取第二荷电状态估计值;将卡尔曼滤波和H∞滤波进行结合,根据卡尔曼滤波的精度分别确定卡尔曼滤波和H∞滤波的权值,以计算锂离子电池的SOC估计值。本发明综合了卡尔曼滤波初值收敛快、最优估计性能好,和H∞滤波高鲁棒性的优点,同时增加了SOC估计算法的冗余度,使得估计算法的精度、适应性和鲁棒性相对于单一算法有所提高,能够抑制采样数据和模型偏离造成的估计不稳定性,在恶劣的环境下仍能够有很好的估计性能。
图1为根据本发明实施方式的对锂离子电池的荷电状态进行滤波估计的方法100的流程图。如图1所示,所述方法100用于对锂离子电池的荷电状态进行滤波估计。所述对锂离子电池的荷电状态进行滤波估计的方法100从步骤101处开始,在步骤101根据预设时间阈值采集锂离子电池表面的参数数据,并建立所述锂离子电池的等效电路模型;其中,所述参数数据包括:端电压、充放电电流和温度。图2为根据本发明实施方式的锂离子电池的等效电路模型的电路图。如图2所示,在本发明的实施方式中,建立的等效电路模型为:
其中,Uoc为电池的开路电压,代表电池处于电化学平衡时的端电压值;Ut为电池的端电压,代表电池在任意充放电时刻的电池正负极间的值;Up为极化电压,R0为欧姆内阻,Rp为的极化内阻,Cp为极化电容。在本发明的实施方式中,等效电路是Thevenin模型,并利用基尔霍夫定律得到模型的数学表达式。
优选地,在步骤103根据所述等效电路模型获取锂离子电池的数学模型,利用偏差补偿递推最小二乘法获取所述等效电路模型的参数,并通过实验获取锂离子电池的开路电压。优选地,其中所述锂离子电池的数学模型为:
其中,Urc为开路电压和端电压之差;z(k)为观测矩阵,为电池在k时刻的电池内部压降;h(k)为数据矩阵,为参数辨识时的数据信息输入矩阵;为辨识系数;a1,b1,b2,为辨识系数对应的元素值。在本发明的实施方式中,将锂离子电池的等效电路模型进行离散化处理,利用偏差补偿递推最小二乘法获得电池的参数。其中,还需要通过实验获取锂离子电池的开路电压曲线。设Urc为开路电压和端电压之差,将锂离子电池的等效电路模型化成最小二乘法的标准形式,可以得到结果数学模型为:
其中,z(k)是观测矩阵,为电池在k时刻的电池内部压降;h(k)是数据矩阵,为参数辨识时的数据信息输入矩阵;为辨识系数,根据辨识系数与等效电路模型的参数的关系可以得到等效电路模型的参数值。其中,等效电路模型的参数值包括:欧姆内阻R0、极化内阻Rp和极化电容Cp。a1,b1和b2为辨识系数的元素值。a1,b1和b2的值与欧姆内阻R0、极化内阻Rp和极化电容Cp存在一定的函数关系。
优选地,在步骤104根据锂离子电池噪声环境下的模型和所述数学模型,获取锂离子电池的状态空间模型。优选地,其中所述状态空间模型为:
g(X)=Uoc(S)-Up,
X=[S Up]T,
其中,X为状态变量,u为模型的输入,选定u=I;S为电池的荷电状态估计值;Y为模型的观测变量,选定Y=Ut;Ts为参数测量周期,τp为阻容网络的时间常数,Kc为锂离子电池的充放电系数。在本发明的实施方式中,根据锂离子电池的数学模型,结合噪声信息得到噪声环境下的动力电池模型,同时,根据动力电池的静置试验得到开路电压和电池荷电状态之间的关系,将安时积分法引入状态方程中并将其离散化得到线性离散的锂离子电池的状态空间模型。
优选地,在步骤104利用卡尔曼滤波器递推算法对所述状态空间模型对应的锂离子电池的荷电状态进行估计,获取第一荷电状态估计值以及卡尔曼滤波的精度值。优选地,其中所述利用卡尔曼滤波器递推算法对所述状态空间模型对应的锂离子电池的荷电状态进行估计,获取第一荷电状态估计值以及卡尔曼滤波的精度值,包括:卡尔曼滤波估计的***参数初始化设置,其中所述***参数包括:***状态变量、***的误差协方差、***噪声的均值、***噪声的协方差、参量噪声的均值和参量噪声的协方差;对***参数的数值进行更新,并根据前一时刻的荷电状态估计值利用卡尔曼滤波器递推算法对锂离子电池当前时刻的荷电状态进行估计,获取第一荷电状态估计值;计算卡尔曼滤波增益,获取并更新估计后的***参数的数值,用于对下一时刻的锂离子电池的荷电状态进行估计。在本发明的实施方式中,对所建立模型的锂离子电池进行SOC的估计,运用自适应扩展卡尔曼滤波器递推算法来进行实时递推估算。最后得到的SOC估计结果为首先设置初始化参数Xu,Pu,其中,xo为***状态初始值,即对应的状态空间模型中的S值,S值具有一个初始值,在第一次计算SOC值时,使用的就是初始的S值。P0***的误差协方差的初始值,为***噪声的均值和协方差,为参量噪声的均值和协方差;然后对上述状态值一步更新,并计算得到第一荷电状态估计值;最后根据滤波算法,计算卡尔曼滤波增益,并得到估计后验值和误差协方差值。循环上述过程,即可得到实时的SOC值和误差协方差的更新,得到的SOC值即对应的等效电路模型中的S值。在进行下一时刻的SOC估计值计算时,更新后的***状态X0的值即S值为当前时刻的SOC估计值。
优选地,在步骤105利用H∞滤波器递推算法对所述状态空间模型对应的锂离子电池的荷电状态进行估计,获取第二荷电状态估计值。优选地,其中所述利用H∞滤波器递推算法对所述状态空间模型对应的锂离子电池的荷电状态进行估计,获取第二荷电状态估计值,包括:H∞滤波的***参数初始化设置,其中所述***参数包括:***状态变量、***的误差协方差、状态量矩阵和协方差矩阵;根据***参数的辨识结果,利用H∞滤波器递推算法对锂离子电池当前时刻的荷电状态进行估计,获取第二荷电状态估计值;计算并更新当前的***参数的数值,用于对下一时刻的锂离子电池的荷电状态进行估计。首先初始化X0,P0,θ,Lk,S0,Q′k,设定合适的初始值,其中,X0为***状态初始值,P0***的误差协方差的初始值,L为状态量矩阵,可以取Lk-[1 0],Q′k,是协方差矩阵,θ是设定的一个值很小的数,它决定了算法的精度,Sk和θ的取值是成比例;然后计算特定矩阵Q′k,根据参数辨识结果,赋值当前时刻的状态方程的系数,计算误差协方差矩阵和增益矩阵;最后进行估计值SOC估计值的状态更新,以及误差协方差矩阵的更新。
优选地,在步骤106根据所述卡尔曼滤波的精度值分别计算所述第一荷电状态估计值和第二荷电状态估计值的权重,并根据所述第一荷电状态估计值及其所占的权重和第二荷电状态估计值及其所占的权重计算锂离子电池的荷电状态估计值。优选地,其中所述根据所述卡尔曼滤波的精度值分别计算所述第一荷电状态估计值和第二荷电状态估计值的权重,并根据所述第一荷电状态估计值及其所占的权重和第二荷电状态估计值及其所占的权重计算锂离子电池的荷电状态估计值,包括:
其中,dk+1第一荷电状态估计值的权重;为卡尔曼滤波的精度值;J2为精度判断阈值的最小值,J∞为精度判断阈值的最大值,a和b为加权系数;为当前时刻锂离子电池的荷电状态估计值。
在本发明的实施方式中,定义能够评价滤波的精度的上确界J2和和下确界J∞。当滤波器能够良好的使用,精度满足要求时,则始终若滤波器发散或精度很差时,则有始终对与其他的情况,则可以认为滤波的效果一般。混合滤波的加权系数计算公式为:
其中,当前时刻的卡尔曼滤波的估计值为dk+1为混合滤波的加权系数,该值的大小根据卡尔曼滤波的估计精度来决定;a和b是加权系数,它们的大小决定了权值变化的速度,a和b的值是根据经验确定。在得到当前时刻的加权系数之后,可以按照如下公式计算锂离子电池的SOC估计值:
按照上述的方法进行更新操作,得到的即为所述锂离子电池的当前时刻的荷电状态SOC的估计值。
图3为根据本发明实施方式的对锂离子电池的荷电状态进行滤波估计的***300的结构示意图。如图3所示,所述对锂离子电池的荷电状态进行滤波估计的***300包括:一种对锂离子电池的荷电状态进行滤波估计的***,所述***300包括:等效电路模型建立单元301、数学模型建立单元302、状态空间模型建立单元303、第一荷电状态估计值计算单元304、第二荷电状态估计值计算单元305和荷电状态估计值确定单元306。
优选地,所述等效电路模型建立单元301,用于根据预设时间阈值采集锂离子电池表面的参数数据,并建立所述锂离子电池的等效电路模型;其中,所述参数数据包括:端电压、充放电电流和温度。优选地,其中所述等效电路模型为:
其中,Uoc为电池的开路电压,代表电池处于电化学平衡时的端电压值;Ut为电池的端电压,代表电池在任意充放电时刻的电池正负极间的值;Up为极化电压,R0为欧姆内阻,Rp为的极化内阻,Cp为极化电容。
优选地,所述数学模型建立单元302,用于根据所述等效电路模型获取锂离子电池的数学模型,利用偏差补偿递推最小二乘法获取所述等效电路模型的参数,并通过实验获取锂离子电池的开路电压。优选地,其中所述锂离子电池的数学模型为:
其中,Urc为开路电压和端电压之差;z(k)为观测矩阵,为电池在k时刻的电池内部压降;h(k)为数据矩阵,为参数辨识时的数据信息输入矩阵;为辨识系数;a1,b1,b2,为辨识系数对应的元素值。
优选地,所述状态空间模型建立单元303,用于根据锂离子电池噪声环境下的模型和所述数学模型,获取锂离子电池的状态空间模型。优选地,其中所述状态空间模型为:
g(X)=Uoc(S)-Up,
X=[S Up]T,
其中,X为状态变量,u为模型的输入,选定u=I;S为电池的荷电状态估计值;Y为模型的观测变量,选定Y=Ut;Ts为参数测量周期,τp为阻容网络的时间常数,Kc为锂离子电池的充放电系数。
优选地,所述第一荷电状态估计值计算单元304,用于利用卡尔曼滤波器递推算法对所述状态空间模型对应的锂离子电池的荷电状态进行估计,获取第一荷电状态估计值以及卡尔曼滤波的精度值。优选地,其中所述第一荷电状态估计值计算单元304,具体用于:
卡尔曼滤波估计的***参数初始化设置,其中所述***参数包括:***状态变量、***的误差协方差、***噪声的均值、***噪声的协方差、参量噪声的均值和参量噪声的协方差;
对***参数的数值进行更新,并根据前一时刻的荷电状态估计值利用卡尔曼滤波器递推算法对锂离子电池当前时刻的荷电状态进行估计,获取第一荷电状态估计值;
计算卡尔曼滤波增益,获取并更新估计后的***参数的数值,用于对下一时刻的锂离子电池的荷电状态进行估计。
优选地,所述第二荷电状态估计值计算单元305,用于利用H∞滤波器递推算法对所述状态空间模型对应的锂离子电池的荷电状态进行估计,获取第二荷电状态估计值。优选地,其中所述第二荷电状态估计值计算单元305,具体用于:
H∞滤波的***参数初始化设置,其中所述***参数包括:***状态变量、***的误差协方差、状态量矩阵和协方差矩阵;
根据***参数的辨识结果,利用H∞滤波器递推算法对锂离子电池当前时刻的荷电状态进行估计,获取第二荷电状态估计值;
计算并更新当前的***参数的数值,用于对下一时刻的锂离子电池的荷电状态进行估计。
优选地,所述荷电状态估计值确定单元306,用于根据所述卡尔曼滤波的精度值分别计算所述第一荷电状态估计值和第二荷电状态估计值的权重,并根据所述第一荷电状态估计值及其所占的权重和第二荷电状态估计值及其所占的权重计算锂离子电池的荷电状态估计值。优选地,其中所述荷电状态估计值确定单元,包括:
其中,dk+1第一荷电状态估计值的权重;为卡尔曼滤波的精度值;J2为精度判断阈值的最小值,J∞为精度判断阈值的最大值,a和b为加权系数;为当前时刻锂离子电池的荷电状态估计值。
本发明的实施例的用于对锂离子电池的荷电状态进行滤波估计的***300与本发明的另一个实施例的用于对锂离子电池的荷电状态进行滤波估计的***100相对应,在此不再赘述。
已经通过参考少量实施方式描述了本发明。然而,本领域技术人员所公知的,正如附带的专利权利要求所限定的,除了本发明以上公开的其他的实施例等同地落在本发明的范围内。
通常地,在权利要求中使用的所有术语都根据他们在技术领域的通常含义被解释,除非在其中被另外明确地定义。所有的参考“一个/所述/该[装置、组件等]”都被开放地解释为所述装置、组件等中的至少一个实例,除非另外明确地说明。这里公开的任何方法的步骤都没必要以公开的准确的顺序运行,除非明确地说明。
Claims (14)
1.一种对锂离子电池的荷电状态进行滤波估计的方法,其特征在于,所述方法包括:
根据预设时间阈值采集锂离子电池表面的参数数据,并建立所述锂离子电池的等效电路模型;其中,所述参数数据包括:端电压、充放电电流和温度;
根据所述等效电路模型获取锂离子电池的数学模型,利用偏差补偿递推最小二乘法获取所述等效电路模型的参数,并通过实验获取锂离子电池的开路电压;
根据锂离子电池噪声环境下的模型和所述数学模型,获取锂离子电池的状态空间模型;
利用卡尔曼滤波器递推算法对所述状态空间模型对应的锂离子电池的荷电状态进行估计,获取第一荷电状态估计值以及卡尔曼滤波的精度值;
利用H∞滤波器递推算法对所述状态空间模型对应的锂离子电池的荷电状态进行估计,获取第二荷电状态估计值;
根据所述卡尔曼滤波的精度值分别计算所述第一荷电状态估计值和第二荷电状态估计值的权重,并根据所述第一荷电状态估计值及其所占的权重和第二荷电状态估计值及其所占的权重计算锂离子电池的荷电状态估计值。
2.根据权利要求1所述的方法,其特征在于,所述等效电路模型为:
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>U</mi>
<mi>t</mi>
</msub>
<mo>=</mo>
<msub>
<mi>U</mi>
<mrow>
<mi>o</mi>
<mi>c</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>IR</mi>
<mi>o</mi>
</msub>
<mo>-</mo>
<msub>
<mi>U</mi>
<mi>p</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mover>
<mi>U</mi>
<mo>&CenterDot;</mo>
</mover>
<mi>p</mi>
</msub>
<mo>=</mo>
<mi>I</mi>
<mo>/</mo>
<msub>
<mi>C</mi>
<mi>p</mi>
</msub>
<mo>-</mo>
<msub>
<mi>U</mi>
<mi>p</mi>
</msub>
<mo>/</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>C</mi>
<mi>p</mi>
</msub>
<msub>
<mi>R</mi>
<mi>p</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>,</mo>
</mrow>
其中,Uoc为电池的开路电压,代表电池处于电化学平衡时的端电压值;Ut为电池的端电压,代表电池在任意充放电时刻的电池正负极间的值;Up为极化电压,R0为欧姆内阻,Rp为的极化内阻,Cp为极化电容。
3.根据权利要求1所述的方法,其特征在于,所述锂离子电池的数学模型为:
<mrow>
<mi>z</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>h</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>&times;</mo>
<mover>
<mi>&theta;</mi>
<mo>^</mo>
</mover>
<mo>,</mo>
</mrow>
z(k)=Urc(k),h(k)=[-Urc(k-1)I(k)I(k-1)],
其中,Urc为开路电压和端电压之差;z(k)为观测矩阵,为电池在k时刻的电池内部压降;h(k)为数据矩阵,为参数辨识时的数据信息输入矩阵;为辨识系数;a1,b1,b2,为辨识系数对应的元素值。
4.根据权利要求1所述的方法,其特征在于,所述状态空间模型为:
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>X</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mfrac>
<msub>
<mi>T</mi>
<mi>s</mi>
</msub>
<msub>
<mi>&tau;</mi>
<mi>p</mi>
</msub>
</mfrac>
</mrow>
</msup>
</mtd>
</mtr>
</mtable>
</mfenced>
<msub>
<mi>X</mi>
<mrow>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>+</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mrow>
<mo>-</mo>
<msub>
<mi>K</mi>
<mi>c</mi>
</msub>
<msub>
<mi>T</mi>
<mi>s</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>R</mi>
<mi>p</mi>
</msub>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mfrac>
<msub>
<mi>T</mi>
<mi>s</mi>
</msub>
<msub>
<mi>&tau;</mi>
<mi>p</mi>
</msub>
</mfrac>
</mrow>
</msup>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<msub>
<mi>u</mi>
<mi>k</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>Y</mi>
<mo>=</mo>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>R</mi>
<mn>0</mn>
</msub>
<msub>
<mi>u</mi>
<mi>k</mi>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>,</mo>
</mrow>
g(X)=Uoc(S)-Up,
X=[S Up]T,
其中,X为状态变量,u为模型的输入,选定u=I;S为电池的荷电状态估计值;Y为模型的观测变量,选定Y=Ut;Ts为参数测量周期,τp为阻容网络的时间常数,Kc为锂离子电池的充放电系数。
5.根据权利要求1所述的方法,其特征在于,所述利用卡尔曼滤波器递推算法对所述状态空间模型对应的锂离子电池的荷电状态进行估计,获取第一荷电状态估计值以及卡尔曼滤波的精度值,包括:
卡尔曼滤波估计的***参数初始化设置,其中所述***参数包括:***状态变量、***的误差协方差、***噪声的均值、***噪声的协方差、参量噪声的均值和参量噪声的协方差;
对***参数的数值进行更新,并根据前一时刻的荷电状态估计值利用卡尔曼滤波器递推算法对锂离子电池当前时刻的荷电状态进行估计,获取第一荷电状态估计值;
计算卡尔曼滤波增益,获取并更新估计后的***参数的数值,用于对下一时刻的锂离子电池的荷电状态进行估计。
6.根据权利要求1所述的方法,其特征在于,所述利用H∞滤波器递推算法对所述状态空间模型对应的锂离子电池的荷电状态进行估计,获取第二荷电状态估计值,包括:
H∞滤波的***参数初始化设置,其中所述***参数包括:***状态变量、***的误差协方差、状态量矩阵和协方差矩阵;
根据***参数的辨识结果,利用H∞滤波器递推算法对锂离子电池当前时刻的荷电状态进行估计,获取第二荷电状态估计值;
计算并更新当前的***参数的数值,用于对下一时刻的锂离子电池的荷电状态进行估计。
7.根据权利要求1所述的方法,其特征在于,所述根据所述卡尔曼滤波的精度值分别计算所述第一荷电状态估计值和第二荷电状态估计值的权重,并根据所述第一荷电状态估计值及其所占的权重和第二荷电状态估计值及其所占的权重计算锂离子电池的荷电状态估计值,包括:
<mrow>
<msub>
<mi>d</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mn>1</mn>
<mo>,</mo>
<msub>
<mover>
<mi>J</mi>
<mo>&OverBar;</mo>
</mover>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo><</mo>
<msub>
<mi>J</mi>
<mi>k</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msup>
<mi>be</mi>
<mrow>
<mo>-</mo>
<mfrac>
<msub>
<mover>
<mi>J</mi>
<mo>&OverBar;</mo>
</mover>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mi>a</mi>
</mfrac>
</mrow>
</msup>
<mo>,</mo>
<msub>
<mi>J</mi>
<mn>2</mn>
</msub>
<mo><</mo>
<msub>
<mover>
<mi>J</mi>
<mo>&OverBar;</mo>
</mover>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo><</mo>
<msub>
<mi>J</mi>
<mi>&infin;</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
<msub>
<mover>
<mi>J</mi>
<mo>&OverBar;</mo>
</mover>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>></mo>
<msub>
<mi>J</mi>
<mi>&infin;</mi>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>,</mo>
</mrow>
<mrow>
<msub>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>d</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<msub>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mn>2</mn>
</msub>
<mo>+</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>d</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<msub>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mi>&infin;</mi>
</msub>
<mo>,</mo>
</mrow>
其中,dk+1第一荷电状态估计值的权重;为卡尔曼滤波的精度值;J2为精度判断阈值的最小值,J∞为精度判断阈值的最大值,a和b为加权系数;为当前时刻锂离子电池的荷电状态估计值。
8.一种对锂离子电池的荷电状态进行滤波估计的***,其特征在于,所述***包括:等效电路模型建立单元、数学模型建立单元、状态空间模型建立单元、第一荷电状态估计值计算单元、第二荷电状态估计值计算单元和荷电状态估计值确定单元,
所述等效电路模型建立单元,用于根据预设时间阈值采集锂离子电池表面的参数数据,并建立所述锂离子电池的等效电路模型;其中,所述参数数据包括:端电压、充放电电流和温度;
所述数学模型建立单元,用于根据所述等效电路模型获取锂离子电池的数学模型,利用偏差补偿递推最小二乘法获取所述等效电路模型的参数,并通过实验获取锂离子电池的开路电压;
所述状态空间模型建立单元,用于根据锂离子电池噪声环境下的模型和所述数学模型,获取锂离子电池的状态空间模型;
所述第一荷电状态估计值计算单元,用于利用卡尔曼滤波器递推算法对所述状态空间模型对应的锂离子电池的荷电状态进行估计,获取第一荷电状态估计值以及卡尔曼滤波的精度值;
所述第二荷电状态估计值计算单元,用于利用H∞滤波器递推算法对所述状态空间模型对应的锂离子电池的荷电状态进行估计,获取第二荷电状态估计值;
所述荷电状态估计值确定单元,用于根据所述卡尔曼滤波的精度值分别计算所述第一荷电状态估计值和第二荷电状态估计值的权重,并根据所述第一荷电状态估计值及其所占的权重和第二荷电状态估计值及其所占的权重计算锂离子电池的荷电状态估计值。
9.根据权利要求8所述的***,其特征在于,所述等效电路模型为:
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>U</mi>
<mi>t</mi>
</msub>
<mo>=</mo>
<msub>
<mi>U</mi>
<mrow>
<mi>o</mi>
<mi>c</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>IR</mi>
<mi>o</mi>
</msub>
<mo>-</mo>
<msub>
<mi>U</mi>
<mi>p</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mover>
<mi>U</mi>
<mo>&CenterDot;</mo>
</mover>
<mi>p</mi>
</msub>
<mo>=</mo>
<mi>I</mi>
<mo>/</mo>
<msub>
<mi>C</mi>
<mi>p</mi>
</msub>
<mo>-</mo>
<msub>
<mi>U</mi>
<mi>p</mi>
</msub>
<mo>/</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>C</mi>
<mi>p</mi>
</msub>
<msub>
<mi>R</mi>
<mi>p</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>,</mo>
</mrow>
其中,Uoc为电池的开路电压,代表电池处于电化学平衡时的端电压值;Ut为电池的端电压,代表电池在任意充放电时刻的电池正负极间的值;Up为极化电压,R0为欧姆内阻,Rp为的极化内阻,Cp为极化电容。
10.根据权利要求8所述的***,其特征在于,所述锂离子电池的数学模型为:
<mrow>
<mi>z</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>h</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>&times;</mo>
<mover>
<mi>&theta;</mi>
<mo>^</mo>
</mover>
<mo>,</mo>
</mrow>
z(k)=Urc(k),h(k)=[-Urc(k-1)I(k)I(k-1)],
其中,Urc为开路电压和端电压之差;z(k)为观测矩阵,为电池在k时刻的电池内部压降;h(k)为数据矩阵,为参数辨识时的数据信息输入矩阵;为辨识系数;a1,b1,b2,为辨识系数对应的元素值。
11.根据权利要求8所述的***,其特征在于,所述状态空间模型为:
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>X</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mn>0</mn>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mfrac>
<msub>
<mi>T</mi>
<mi>s</mi>
</msub>
<msub>
<mi>&tau;</mi>
<mi>p</mi>
</msub>
</mfrac>
</mrow>
</msup>
</mtd>
</mtr>
</mtable>
</mfenced>
<msub>
<mi>X</mi>
<mrow>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>+</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mrow>
<mo>-</mo>
<msub>
<mi>K</mi>
<mi>c</mi>
</msub>
<msub>
<mi>T</mi>
<mi>s</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>R</mi>
<mi>p</mi>
</msub>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mfrac>
<msub>
<mi>T</mi>
<mi>s</mi>
</msub>
<msub>
<mi>&tau;</mi>
<mi>p</mi>
</msub>
</mfrac>
</mrow>
</msup>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<msub>
<mi>u</mi>
<mi>k</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>Y</mi>
<mo>=</mo>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>R</mi>
<mn>0</mn>
</msub>
<msub>
<mi>u</mi>
<mi>k</mi>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>,</mo>
</mrow>
g(X)=Uoc(S)-Up,
X=[S Up]T,
其中,X为状态变量,u为模型的输入,选定u=I;S为电池的荷电状态估计值;Y为模型的观测变量,选定Y=Ut;Ts为参数测量周期,τp为阻容网络的时间常数,Kc为锂离子电池的充放电系数。
12.根据权利要求8所述的***,其特征在于,所述第一荷电状态估计值计算单元,具体用于:
卡尔曼滤波估计的***参数初始化设置,其中所述***参数包括:***状态变量、***的误差协方差、***噪声的均值、***噪声的协方差、参量噪声的均值和参量噪声的协方差;
对***参数的数值进行更新,并根据前一时刻的荷电状态估计值利用卡尔曼滤波器递推算法对锂离子电池当前时刻的荷电状态进行估计,获取第一荷电状态估计值;
计算卡尔曼滤波增益,获取并更新估计后的***参数的数值,用于对下一时刻的锂离子电池的荷电状态进行估计。
13.根据权利要求8所述的***,其特征在于,所述第二荷电状态估计值计算单元,具体用于:
H∞滤波的***参数初始化设置,其中所述***参数包括:***状态变量、***的误差协方差、状态量矩阵和协方差矩阵;
根据***参数的辨识结果,利用H∞滤波器递推算法对锂离子电池当前时刻的荷电状态进行估计,获取第二荷电状态估计值;
计算并更新当前的***参数的数值,用于对下一时刻的锂离子电池的荷电状态进行估计。
14.根据权利要求8所述的***,其特征在于,所述荷电状态估计值确定单元,包括:
<mrow>
<msub>
<mi>d</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mn>1</mn>
<mo>,</mo>
<msub>
<mover>
<mi>J</mi>
<mo>&OverBar;</mo>
</mover>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo><</mo>
<msub>
<mi>J</mi>
<mi>k</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msup>
<mi>be</mi>
<mrow>
<mo>-</mo>
<mfrac>
<msub>
<mover>
<mi>J</mi>
<mo>&OverBar;</mo>
</mover>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mi>a</mi>
</mfrac>
</mrow>
</msup>
<mo>,</mo>
<msub>
<mi>J</mi>
<mn>2</mn>
</msub>
<mo><</mo>
<msub>
<mover>
<mi>J</mi>
<mo>&OverBar;</mo>
</mover>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo><</mo>
<msub>
<mi>J</mi>
<mi>&infin;</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
<msub>
<mover>
<mi>J</mi>
<mo>&OverBar;</mo>
</mover>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>></mo>
<msub>
<mi>J</mi>
<mi>&infin;</mi>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>,</mo>
</mrow>
<mrow>
<msub>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>d</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<msub>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mn>2</mn>
</msub>
<mo>+</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>d</mi>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<msub>
<mover>
<mi>x</mi>
<mo>^</mo>
</mover>
<mi>&infin;</mi>
</msub>
<mo>,</mo>
</mrow>
其中,dk+1第一荷电状态估计值的权重;为卡尔曼滤波的精度值;J2为精度判断阈值的最小值,J∞为精度判断阈值的最大值,a和b为加权系数;为当前时刻锂离子电池的荷电状态估计值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710524338.0A CN107402353B (zh) | 2017-06-30 | 2017-06-30 | 一种对锂离子电池的荷电状态进行滤波估计的方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710524338.0A CN107402353B (zh) | 2017-06-30 | 2017-06-30 | 一种对锂离子电池的荷电状态进行滤波估计的方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107402353A true CN107402353A (zh) | 2017-11-28 |
CN107402353B CN107402353B (zh) | 2020-08-11 |
Family
ID=60404760
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710524338.0A Active CN107402353B (zh) | 2017-06-30 | 2017-06-30 | 一种对锂离子电池的荷电状态进行滤波估计的方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107402353B (zh) |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108037464A (zh) * | 2017-12-21 | 2018-05-15 | 湖南宏迅亿安新能源科技有限公司 | 一种基于imm-ekf的电池组soc估算的方法 |
CN108732509A (zh) * | 2018-06-06 | 2018-11-02 | 哈尔滨工业大学 | 一种面向空间应用的锂离子电池荷电状态的在线估计方法 |
CN108872866A (zh) * | 2018-06-04 | 2018-11-23 | 桂林电子科技大学 | 一种锂离子电池荷电状态动态评估与长效预测融合方法 |
CN109633472A (zh) * | 2019-01-23 | 2019-04-16 | 刘平 | 一种锂电池单体的荷电状态估计算法 |
CN109725265A (zh) * | 2018-12-29 | 2019-05-07 | 蜂巢能源科技有限公司 | 估算电池包的soc的方法和装置及机器可读存储介质 |
CN109991546A (zh) * | 2019-03-29 | 2019-07-09 | 深圳猛犸电动科技有限公司 | 一种电池参数获取方法、装置及终端设备 |
CN110133524A (zh) * | 2019-04-19 | 2019-08-16 | 顺丰科技有限公司 | 电池电荷状态计算方法、装置、服务器及介质 |
CN110196393A (zh) * | 2019-05-31 | 2019-09-03 | 中国矿业大学 | 一种锂电池荷电状态、能量状态和功率状态的联合在线估计方法 |
CN111220920A (zh) * | 2019-11-22 | 2020-06-02 | 国网浙江省电力有限公司台州供电公司 | 基于h∞无迹卡尔曼滤波算法的退役锂离子电池荷电状态计算方法 |
CN111413620A (zh) * | 2020-04-03 | 2020-07-14 | 重庆大学 | 一种基于集员滤波的锂电池电荷状态估计方法 |
CN111426962A (zh) * | 2020-03-23 | 2020-07-17 | 华为技术有限公司 | 电池参数的辨识方法和终端 |
CN111929585A (zh) * | 2019-05-13 | 2020-11-13 | 顺丰科技有限公司 | 电池电荷状态计算装置、方法、服务器及介质 |
CN112213653A (zh) * | 2019-10-30 | 2021-01-12 | 蜂巢能源科技有限公司 | 动力电池的电芯荷电状态估算方法及电池管理*** |
CN112630661A (zh) * | 2020-12-28 | 2021-04-09 | 广州橙行智动汽车科技有限公司 | 一种电池荷电状态soc估算方法和装置 |
CN113189500A (zh) * | 2021-04-28 | 2021-07-30 | 深圳市杉川机器人有限公司 | 电池电量计算方法、装置、计算机设备和存储介质 |
CN110609232B (zh) * | 2019-03-29 | 2021-08-13 | 深圳猛犸电动科技有限公司 | 一种锂离子电池soc估计方法、装置及终端设备 |
CN113406510A (zh) * | 2021-06-21 | 2021-09-17 | 福州大学 | 带量测数据异常检测的锂离子电池荷电状态在线估计器及方法 |
CN113466725A (zh) * | 2020-03-31 | 2021-10-01 | 比亚迪股份有限公司 | 确定电池荷电状态的方法及装置,存储介质及电子设备 |
CN110867620B (zh) * | 2018-08-27 | 2021-12-07 | 比亚迪股份有限公司 | 一种电池保护方法、电池保护装置、电子设备 |
CN113805075A (zh) * | 2021-09-15 | 2021-12-17 | 上海电机学院 | 一种基于bcrls-ukf的锂电池荷电状态估计方法 |
CN115092012A (zh) * | 2022-07-20 | 2022-09-23 | 四川轻化工大学 | 考虑复合电源***多工作模式的等效荷电状态估计方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102062841A (zh) * | 2009-11-11 | 2011-05-18 | 北汽福田汽车股份有限公司 | 动力电池荷电状态的估测方法及*** |
CN104977545A (zh) * | 2015-08-03 | 2015-10-14 | 电子科技大学 | 一种动力电池的荷电状态估计方法及*** |
CN105116346A (zh) * | 2015-09-15 | 2015-12-02 | 盐城工业职业技术学院 | 一种串联型锂离子电池***及其荷电状态估计方法 |
CN105425154A (zh) * | 2015-11-02 | 2016-03-23 | 北京理工大学 | 一种估计电动汽车的动力电池组的荷电状态的方法 |
CN105425153A (zh) * | 2015-11-02 | 2016-03-23 | 北京理工大学 | 一种估计电动车辆的动力电池的荷电状态的方法 |
CN106054080A (zh) * | 2016-06-06 | 2016-10-26 | 电子科技大学 | 一种动力电池荷电状态与健康状态的联合估计方法 |
CN106405433A (zh) * | 2016-11-04 | 2017-02-15 | 首都师范大学 | 一种基于扩展卡尔曼粒子滤波的soc估计方法及*** |
-
2017
- 2017-06-30 CN CN201710524338.0A patent/CN107402353B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102062841A (zh) * | 2009-11-11 | 2011-05-18 | 北汽福田汽车股份有限公司 | 动力电池荷电状态的估测方法及*** |
CN104977545A (zh) * | 2015-08-03 | 2015-10-14 | 电子科技大学 | 一种动力电池的荷电状态估计方法及*** |
CN105116346A (zh) * | 2015-09-15 | 2015-12-02 | 盐城工业职业技术学院 | 一种串联型锂离子电池***及其荷电状态估计方法 |
CN105425154A (zh) * | 2015-11-02 | 2016-03-23 | 北京理工大学 | 一种估计电动汽车的动力电池组的荷电状态的方法 |
CN105425153A (zh) * | 2015-11-02 | 2016-03-23 | 北京理工大学 | 一种估计电动车辆的动力电池的荷电状态的方法 |
CN106054080A (zh) * | 2016-06-06 | 2016-10-26 | 电子科技大学 | 一种动力电池荷电状态与健康状态的联合估计方法 |
CN106405433A (zh) * | 2016-11-04 | 2017-02-15 | 首都师范大学 | 一种基于扩展卡尔曼粒子滤波的soc估计方法及*** |
Non-Patent Citations (5)
Title |
---|
CHRISTOPH UNTERRIEDER,ET AL.: "Battery state estimation using mixed Kalman/H∞ adaptive Luenberger and sliding mode observer", 《2013 IEEE VEHICLE POWER AND PROPULSION CONFERENCE(VPPC)》 * |
QUANQING YU,ET AL.: "Lithium-Ion battery Parameters and State-of-charge Joint Estimation Based on H-Infinity and Unscented Kalman Filters", 《IEEE TRANSACTIONS ON VEHICULAR TECHNOLOGY》 * |
SHADY A.MAGED,ET AL.: "A Comparative Study of Extended Kalman Filter and H∞ Filtering For State Estimation of Stewart Platform Manipulator", 《2016 55TH ANNUAL CONFERENCE OF THE SOCIETY OF INSTRUMENT AND CONTROL ENGINEERS OF JAPAN(SICE)》 * |
刘芳等: "基于电池特性的动态矫正SOC估算方法", 《2015中国汽车工程学会年会论文集》 * |
陈峭岩: "电动汽车电池状态估计及均衡管理研究", 《中国博士学位论文全文数据库 工程科技II辑》 * |
Cited By (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108037464A (zh) * | 2017-12-21 | 2018-05-15 | 湖南宏迅亿安新能源科技有限公司 | 一种基于imm-ekf的电池组soc估算的方法 |
CN108037464B (zh) * | 2017-12-21 | 2020-06-16 | 湖南宏迅亿安新能源科技有限公司 | 一种基于imm-ekf的电池组soc估算的方法 |
CN108872866B (zh) * | 2018-06-04 | 2021-02-05 | 桂林电子科技大学 | 一种锂离子电池荷电状态动态评估与长效预测融合方法 |
CN108872866A (zh) * | 2018-06-04 | 2018-11-23 | 桂林电子科技大学 | 一种锂离子电池荷电状态动态评估与长效预测融合方法 |
CN108732509A (zh) * | 2018-06-06 | 2018-11-02 | 哈尔滨工业大学 | 一种面向空间应用的锂离子电池荷电状态的在线估计方法 |
CN110867620B (zh) * | 2018-08-27 | 2021-12-07 | 比亚迪股份有限公司 | 一种电池保护方法、电池保护装置、电子设备 |
CN109725265A (zh) * | 2018-12-29 | 2019-05-07 | 蜂巢能源科技有限公司 | 估算电池包的soc的方法和装置及机器可读存储介质 |
CN109633472A (zh) * | 2019-01-23 | 2019-04-16 | 刘平 | 一种锂电池单体的荷电状态估计算法 |
CN109991546A (zh) * | 2019-03-29 | 2019-07-09 | 深圳猛犸电动科技有限公司 | 一种电池参数获取方法、装置及终端设备 |
CN109991546B (zh) * | 2019-03-29 | 2021-08-13 | 深圳猛犸电动科技有限公司 | 一种电池参数获取方法、装置及终端设备 |
CN110609232B (zh) * | 2019-03-29 | 2021-08-13 | 深圳猛犸电动科技有限公司 | 一种锂离子电池soc估计方法、装置及终端设备 |
CN110133524A (zh) * | 2019-04-19 | 2019-08-16 | 顺丰科技有限公司 | 电池电荷状态计算方法、装置、服务器及介质 |
CN111929585B (zh) * | 2019-05-13 | 2023-08-04 | 丰翼科技(深圳)有限公司 | 电池电荷状态计算装置、方法、服务器及介质 |
CN111929585A (zh) * | 2019-05-13 | 2020-11-13 | 顺丰科技有限公司 | 电池电荷状态计算装置、方法、服务器及介质 |
CN110196393B (zh) * | 2019-05-31 | 2024-03-12 | 中国矿业大学 | 一种锂电池荷电状态、能量状态和功率状态的联合在线估计方法 |
CN110196393A (zh) * | 2019-05-31 | 2019-09-03 | 中国矿业大学 | 一种锂电池荷电状态、能量状态和功率状态的联合在线估计方法 |
CN112213653A (zh) * | 2019-10-30 | 2021-01-12 | 蜂巢能源科技有限公司 | 动力电池的电芯荷电状态估算方法及电池管理*** |
CN112213653B (zh) * | 2019-10-30 | 2023-05-16 | 蜂巢能源科技有限公司 | 动力电池的电芯荷电状态估算方法及电池管理*** |
CN111220920B (zh) * | 2019-11-22 | 2023-04-25 | 国网浙江省电力有限公司台州供电公司 | 基于h∞无迹卡尔曼滤波算法的退役锂离子电池荷电状态计算方法 |
CN111220920A (zh) * | 2019-11-22 | 2020-06-02 | 国网浙江省电力有限公司台州供电公司 | 基于h∞无迹卡尔曼滤波算法的退役锂离子电池荷电状态计算方法 |
CN111426962B (zh) * | 2020-03-23 | 2022-08-09 | 华为技术有限公司 | 电池参数的辨识方法和终端 |
CN111426962A (zh) * | 2020-03-23 | 2020-07-17 | 华为技术有限公司 | 电池参数的辨识方法和终端 |
CN113466725B (zh) * | 2020-03-31 | 2022-09-09 | 比亚迪股份有限公司 | 确定电池荷电状态的方法及装置,存储介质及电子设备 |
CN113466725A (zh) * | 2020-03-31 | 2021-10-01 | 比亚迪股份有限公司 | 确定电池荷电状态的方法及装置,存储介质及电子设备 |
CN111413620A (zh) * | 2020-04-03 | 2020-07-14 | 重庆大学 | 一种基于集员滤波的锂电池电荷状态估计方法 |
CN112630661B (zh) * | 2020-12-28 | 2022-12-09 | 广州橙行智动汽车科技有限公司 | 一种电池荷电状态soc估算方法和装置 |
CN112630661A (zh) * | 2020-12-28 | 2021-04-09 | 广州橙行智动汽车科技有限公司 | 一种电池荷电状态soc估算方法和装置 |
CN113189500A (zh) * | 2021-04-28 | 2021-07-30 | 深圳市杉川机器人有限公司 | 电池电量计算方法、装置、计算机设备和存储介质 |
CN113406510A (zh) * | 2021-06-21 | 2021-09-17 | 福州大学 | 带量测数据异常检测的锂离子电池荷电状态在线估计器及方法 |
CN113805075A (zh) * | 2021-09-15 | 2021-12-17 | 上海电机学院 | 一种基于bcrls-ukf的锂电池荷电状态估计方法 |
CN115092012A (zh) * | 2022-07-20 | 2022-09-23 | 四川轻化工大学 | 考虑复合电源***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***多工作模式的等效荷电状态估计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107402353B (zh) | 2020-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107402353A (zh) | 一种对锂离子电池的荷电状态进行滤波估计的方法及*** | |
Yan et al. | A battery management system with a Lebesgue-sampling-based extended Kalman filter | |
JP6249942B2 (ja) | 電気バッテリの充電状態を推定する方法 | |
Ye et al. | A model-based adaptive state of charge estimator for a lithium-ion battery using an improved adaptive particle filter | |
CN105510829B (zh) | 一种新型锂离子动力电池soc估计方法 | |
CN104678316B (zh) | 锂离子电池荷电状态估算方法和装置 | |
Huang et al. | A model-based state-of-charge estimation method for series-connected lithium-ion battery pack considering fast-varying cell temperature | |
CN103020445B (zh) | 一种电动车车载磷酸铁锂电池的soc与soh预测方法 | |
CN104285157B (zh) | 电池的充电状态估计装置 | |
Chen et al. | Battery state of charge estimation based on a combined model of Extended Kalman Filter and neural networks | |
CN107748336A (zh) | 锂离子电池的荷电状态在线估计方法及*** | |
CN111337832B (zh) | 一种动力电池多维度融合soc和soh在线联合估算的方法 | |
Li et al. | A combination state of charge estimation method for ternary polymer lithium battery considering temperature influence | |
US11982720B2 (en) | Method and battery management system for ascertaining a state of health of a secondary battery | |
EP1701175A2 (en) | Power supply with status detector and initial characteristic determination means | |
EP3265835B1 (en) | Estimation of battery parameters | |
CN107290688A (zh) | 一种基于自适应模糊卡尔曼滤波的锂电池soc估计方法 | |
CN106814329A (zh) | 一种基于双卡尔曼滤波算法的电池soc在线估计方法 | |
CN103529398A (zh) | 基于扩展卡尔曼滤波的锂离子电池soc在线估计方法 | |
CN106054085A (zh) | 一种基于温度用于估计电池soc的方法 | |
CN102645637A (zh) | 一种均衡电池的soc估算方法 | |
CN109633479B (zh) | 基于嵌入式容积卡尔曼滤波的锂电池soc在线估算方法 | |
CN107003359A (zh) | 电池组的电池单元的容量的自动估计方法 | |
CN105659102A (zh) | 电池参数估计装置和参数估计方法 | |
CN105717460A (zh) | 一种基于非线性观测器的动力电池soc估计方法和*** |
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 |