CN109143097B - 一种计及温度和循环次数的锂离子电池soc估计方法 - Google Patents
一种计及温度和循环次数的锂离子电池soc估计方法 Download PDFInfo
- Publication number
- CN109143097B CN109143097B CN201811031989.7A CN201811031989A CN109143097B CN 109143097 B CN109143097 B CN 109143097B CN 201811031989 A CN201811031989 A CN 201811031989A CN 109143097 B CN109143097 B CN 109143097B
- Authority
- CN
- China
- Prior art keywords
- battery
- model
- cycle
- temperature
- internal resistance
- 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
- 238000000034 method Methods 0.000 title claims abstract description 44
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 title claims abstract description 12
- 229910001416 lithium ion Inorganic materials 0.000 title claims abstract description 12
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 claims abstract description 23
- 229910052744 lithium Inorganic materials 0.000 claims abstract description 23
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 17
- 238000002474 experimental method Methods 0.000 claims abstract description 14
- 230000010354 integration Effects 0.000 claims abstract description 5
- 230000010287 polarization Effects 0.000 claims description 14
- 238000007599 discharging Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000036755 cellular response Effects 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000011056 performance test Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 229910018487 Ni—Cr Inorganic materials 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- VNNRSPGTAMTISX-UHFFFAOYSA-N chromium nickel Chemical compound [Cr].[Ni] VNNRSPGTAMTISX-UHFFFAOYSA-N 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000003792 electrolyte Substances 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 230000020169 heat generation Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Landscapes
- Secondary Cells (AREA)
Abstract
本发明公开了一种计及温度和循环次数的锂离子电池SOC估计方法,包括步骤:(1)建立锂电池模型,包括电池模型、温度模型和循环损失模型;(2)做锂电池恒流放电实验,对锂电池模型参数进行识别;(3)以安时积分法作为状态方程、锂电池模型作为观测方程;(4)利用EKF算法进行SOC估计。本发明考虑的影响电池SOC的因素更多,即增加考虑温度和循环次数,同时温度模型的复杂度有效降低、循环次数模型的精度得到提升;具有SOC估计的精度高、模型参数识别的难度低、计算的复杂度低、模型适用性好等特点。
Description
技术领域
发明设计锂离子电池SOC预测领域,尤其是一种锂离子电池SOC估计方法,该方法通过计及锂离子电池的温度和循环次数影响进行SOC的估计。
背景技术
与其他(如镍铬和铅酸)电池相比,锂离子电池具有更高的能量和功率密度,更高的效率和更低的自放电率,是电动汽车(EV)青睐的动力源。EV的关键要求是估计电池的荷电状态(SOC),直接测量法(如安时积分法)是开环方法,它们易于实现,但对电流和电压测量误差敏感。基于模型的SOC估计方法是闭环方法,对测量误差不敏感,但它们依赖于精确的电池模型。因此,建立精确地电池模型是提高SOC估算精度的关键。
对于锂离子电池,电池温度不仅会影响开路电压,内阻和可用容量,而且如果在规定的温度限制以上运行,也可能导致电池快速老化甚至热失控。基于电化学/物理的模型涉及复杂或多维微分方程,并且已被证明能够以更高的精度表示热效应。然而,它们需要大量深入和专有的参数(如电极孔隙率,电解质厚度等)。一些用于SOC估计的电气和热耦合模型,充分考虑了电池的产热和散热机制,但其热模型的建立需要热测试室和热电偶,且对于圆柱电池来说很难获取其内部温度。一些SOC的估计方法(如神经网络法(NN))能避免使用热测试室和热电偶,尽管这些模型能反映热效应,但参数识别过程也受到复杂性的影响,并且对可用的电池数据(训练数据)量敏感。此外,这些模型忽略了准确的电池循环次数(老化)因素对于预测可用电池容量和内阻的影响。
发明内容
本发明目的就是为了解决现有技术的不足,提供了一种耦合了简化的温度模型和准确的循环损失的锂离子电池SOC估计方法,提高SOC估计的精度。
本发明是通过以下技术方案实现的:
一种计及温度和循环次数的锂离子电池SOC估计方法,包括步骤:
(1)建立锂电池模型,包括电池模型、温度模型和循环损失模型;
(2)做锂电池恒流放电实验,对锂电池模型参数进行识别;
(3)以安时积分法作为状态方程、锂电池模型作为观测方程;
(4)利用EKF算法进行SOC估计。
所述步骤(1),锂电池模型分为三个部分,分别为:
1)电池模型:
其中,Vbatt为电池端电压,E0为电池恒压(V),K为极化常数V/(Ah),C为电池可用容量(Ah),it=∫idt为电池实际电量(Ah),i*为滤波后的电池电流(A),Ab为指数区振幅(V),B为指数区时间常数逆(Ah)-1,D为极化电压斜率V/(Ah),R分别为电池欧姆内阻(Ω),i为电池电流(A)。
2)温度模型:
3)循环损失模型:
R=Rinitial+Rcycle (6)
C=Cinitial-Ccycle (7)
其中Rinitial、Rcycle分别为新电池或零循环电池内阻、电池循环内阻(Ω),Cinitial、Ccycle分别为新电池或零循环电池容量(在标称温度下等于标称容量)、电池循环衰减容量(Ah)。
所述步骤(1)的电池模型中,极化内阻和滤波电流如下建立:
1)充、放电过程极化内阻(Rpol)分别表示如下:
2)描述锂电池动态特性而引入滤波电流i*,其在下式给出:
其中,I(s)为电池电流的的拉普拉斯变换(A),td是电池响应时间(s),可以实验测得。
所述步骤(1)的循环损失模型中,循环内阻和循环衰减容量如下建立:
Rcycle=kcycle(N)1/2 (11)
Ccycle=Cinitial·ζ (12)
其中,N为电池循环次数,kcycle是定义的系数(Ω/cycle1/2),ζ为容量损失系数(%), Lcalendar(%)为日历寿命损失,Lcycle(%)循环次数损失,A为常数,Ea为电池活化能(J/mol),Rg为气体常数(J/K/mol),T为电池温度(K),z为幂因子。
所述步骤(2),恒流放电实验为:
基于两个不同环境温度下的恒流放电实验曲线,每条曲线上取四个点,每个点的信息包括电池端电压Vi j、已使用电量和电池温度Ti j。其中i表示第i条曲线,j表示第j个点。如电池产商提供电池数据表,则其中一条曲线的实验条件可设定为该数据表所在的条件。
所述步骤(2),模型参数识别步骤为:
1)极化电压斜率D通过下式计算:
2)系数kcycle可由下式计算:
kcycle=(8×10-6)T+1.3×10-3 (16)
4)电池响应时间td通过性能测试得出,即在电池充/放电过程中中断电流时开始,到电池电压达到稳定状态的这段时间。
定义模型误差:
其中,
令:
f(x)=eT(x)*e(x)=0 (18)
代入放电实验获得的6个数据即可通过Levenberg-Marquardt(L-M)法求解非线性最小二乘法问题的目标函数f(x),及最优解x。
所述步骤(3),建立SOC估计的状态方程和观测方程:
状态方程为:
xk+1=f(xk,uk)+wk (19)
观测方程为:
yk+1=g(xk,uk)+vk (20)
其中,
xk为状态变量,yk+1为观测变量,wk、vk为相互独立的高斯白噪声,ts为采样周期。
另外,***输入求解方程式为:
uk=ik (23)
所述步骤(5),用EKF算法估计电池SOC步骤如下:
1)定义协方差:
E(wkwk T)=Mk E(vkvk T)=Hk
2)计算
3)初始化
4)for k=1,2,3,…
a)预测:
状态变量预测:
协方差预测:
P- k+1=Ak*Pk*Ak T+Mk
b)修正;
预测误差:
增益:
Kg=P- k+1*Ck+1 T*(Ck+1*Pk+1*CT k+1+Hk)-1
更新:
Pk+1=(I-Kg*Ck+1)*P- k+1。
本发明的优点是:本发明考虑的影响电池SOC的因素更多,即增加考虑温度和循环次数,同时温度模型的复杂度有效降低、循环次数模型的精度得到提升;具有SOC估计的精度高、模型参数识别的难度低、计算的复杂度低、模型适用性好等特点。
附图说明
图1为锂电池模型图。
图2为参数识别时恒流放电示意曲线。
图3为SOC估计流程图。
具体实施方式
下面结合附图和实例对本发明做进一步说明。
一种计及温度和循环次数的锂离子电池SOC估计方法,包括步骤:
(1)建立锂电池模型,包括电池模型、温度模型和循环损失模型;
(2)做锂电池恒流放电实验,对锂电池模型参数进行识别;
(3)以安时积分法作为状态方程、锂电池模型作为观测方程;
(4)利用EKF算法进行SOC估计。
图1位锂离子电池模型图,用公式表达可分为三个部分,分别为:
1)电池模型:
其中,Vbatt为电池端电压,E0为电池恒压(V),K为极化常数V/(Ah),C为电池可用容量(Ah),it=∫idt为电池实际电量(Ah),i*为滤波后的电池电流(A),Ab为指数区振幅(V),B为指数区时间常数逆(Ah)-1,D为极化电压斜率V/(Ah),R分别为电池欧姆内阻(Ω),i为电池电流(A)。
2)温度模型:
3)循环损失模型:
R=Rinitial+Rcycle (6)
C=Cinitial-Ccycle (7)
其中Rinitial、Rcycle分别为新电池或零循环电池内阻、电池循环内阻(Ω),Cinitial、Ccycle分别为新电池或零循环电池容量(在标称温度下等于标称容量)、电池循环衰减容量(Ah)。
所述步骤(1)的电池模型中,极化内阻和滤波电流如下建立:
1)充、放电过程极化内阻(Rpol)分别表示如下:
2)描述锂电池动态特性而引入滤波电流i*,其在下式给出:
其中,I(s)为电池电流的的拉普拉斯变换(A),td是电池响应时间(s),可以实验测得。
所述步骤(1)的循环损失模型中,循环内阻和循环衰减容量如下建立:
Rcycle=kcycle(N)1/2 (11)
Ccycle=Cinitial·ζ (12)
其中,N为电池循环次数,kcycle是定义的系数(Ω/cycle1/2),ζ为容量损失系数(%),Lcalendar(%)为日历寿命损失,Lcycle(%)循环次数损失,A为常数,Ea为电池活化能(J/mol),Rg为气体常数(J/K/mol),T为电池温度(K),z为幂因子。
所述步骤(2),恒流放电实验为:
基于两个不同环境温度下的恒流放电实验曲线,每条曲线上取四个点,每个点的信息包括电池端电压Vi j、已使用电量和电池温度Ti j。其中i表示第i条曲线,j表示第j个点。如电池产商提供电池数据表,则其中一条曲线的实验条件可设定为该数据表所在的条件。
所述步骤(2),模型参数识别步骤为:
1)极化电压斜率D通过下式计算:
2)系数kcycle可由下式计算:
kcycle=(8×10-6)T+1.3×10-3 (16)
接下来的步骤4)5)6)配合图2来计算:
4)电池响应时间td通过性能测试得出,即在电池充/放电过程中中断电流时开始,到电池电压达到稳定状态的这段时间。
定义模型误差:
其中,
令:
f(x)=eT(x)*e(x)=0 (18)
代入放电实验获得的6个数据即可通过Levenberg-Marquardt(L-M)法求解非线性最小二乘法问题的目标函数f(x),及最优解x。这里,MATLAB软件中的 OptimizationToolbox工具集有专门用上述解法解决目标函数为f(x)的函数 lsqnonlin,可以很便捷得出最优解。
所述步骤(3),建立SOC估计的状态方程和观测方程:
状态方程为:
xk+1=f(xk,uk)+wk (19)
观测方程为:
yk+1=g(xk,uk)+vk (20)
其中,
xk为状态变量,yk+1为观测变量,wk、vk为相互独立的高斯白噪声,ts为采样周期。
另外,***输入求解方程式为:
uk=ik (23)
所述步骤(5),用EKF算法估计电池SOC步骤如下:图3展示了这一过程流程图:
1)定义协方差:
E(wkwk T)=Mk E(vkvk T)=Hk
2)计算
3)初始化
4)for k=1,2,3,…
c)预测:
状态变量预测:
协方差预测:
P- k+1=Ak*Pk*Ak T+Mk
d)修正;
预测误差:
增益:
Kg=P- k+1*Ck+1 T*(Ck+1*Pk+1*CT k+1+Hk)-1更新:
Pk+1=(I-Kg*Ck+1)*P- k+1 。
Claims (7)
1.一种计及温度和循环次数的锂离子电池SOC估计方法,其特征在于:包括以下步骤:
(1)建立锂电池模型,包括电池模型、温度模型和循环损失模型;具体为:
1)电池模型:
其中,Vbatt为电池端电压,E0为电池恒压,K为极化常数,C为电池可用容量,it=∫idt为电池实际电量,i*为滤波后的电池电流,Ab为指数区振幅,B为指数区时间常数逆,D为极化电压斜率,R分别为电池欧姆内阻,i为电池电流;Rpol为极化内阻;
2)温度模型:
3)循环损失模型:
R=Rinitial+Rcycle (6)
C=Cinitial-Ccycle (7)
其中Rinitial、Rcycle分别为新电池或零循环电池内阻、电池循环内阻,Cinitial、Ccycle分别为新电池或零循环电池容量、电池循环衰减容量;
(2)做锂电池恒流放电实验,对锂电池模型参数进行识别;
(3)以安时积分法作为状态方程、锂电池模型作为观测方程;
(4)利用EKF算法进行SOC估计。
5.根据权利要求4所述的一种计及温度和循环次数的锂离子电池SOC估计方法,其特征在于:步骤(2)中所述的模型参数识别步骤为:
1)极化电压斜率D通过下式计算:
2)系数kcycle由下式计算:
kcycle=(8×10-6)T+1.3×10-3 (17)
4)电池响应时间td通过性能测试得出,即在电池充/放电过程中中断电流时开始,到电池电压达到稳定状态的这段时间;
定义模型误差:
其中,
令:
f(x)=eT(x)*e(x)=0 (19)
代入放电实验获得的6个数据,通过Levenberg-Marquardt(L-M)法求解非线性最小二乘法问题的目标函数f(x),及最优解x。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811031989.7A CN109143097B (zh) | 2018-09-05 | 2018-09-05 | 一种计及温度和循环次数的锂离子电池soc估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811031989.7A CN109143097B (zh) | 2018-09-05 | 2018-09-05 | 一种计及温度和循环次数的锂离子电池soc估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109143097A CN109143097A (zh) | 2019-01-04 |
CN109143097B true CN109143097B (zh) | 2021-05-04 |
Family
ID=64827008
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811031989.7A Active CN109143097B (zh) | 2018-09-05 | 2018-09-05 | 一种计及温度和循环次数的锂离子电池soc估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109143097B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112415409B (zh) * | 2019-08-23 | 2022-04-15 | 比亚迪股份有限公司 | 估算电池容量的方法和装置、存储介质及车辆 |
CN110795851B (zh) * | 2019-10-30 | 2024-05-14 | 西安理工大学 | 一种考虑环境温度影响的锂离子电池建模方法 |
CN110687462B (zh) * | 2019-11-04 | 2020-09-04 | 北京理工大学 | 一种动力电池soc与容量全生命周期联合估计方法 |
CN110780201B (zh) * | 2019-12-02 | 2021-08-17 | 苏州易来科得科技有限公司 | 一种电池最高耐受温度的确定方法 |
CN111239630A (zh) * | 2020-03-09 | 2020-06-05 | 江苏中兴派能电池有限公司 | 一种储能电池寿命预测方法及管理*** |
CN111581904B (zh) * | 2020-04-17 | 2024-03-22 | 西安理工大学 | 考虑循环次数影响的锂电池soc及soh协同估算方法 |
CN111999669B (zh) * | 2020-08-21 | 2023-11-07 | 北京车和家信息技术有限公司 | 电池剩余循环次数的计算方法和装置 |
CN116298991B (zh) * | 2023-05-25 | 2023-09-12 | 湖南锂汇通新能源科技有限责任公司 | 一种退役电池容量快速检测评估方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103439668A (zh) * | 2013-09-05 | 2013-12-11 | 桂林电子科技大学 | 动力锂离子电池的电荷状态估算方法与*** |
CN104965179A (zh) * | 2015-07-06 | 2015-10-07 | 首都师范大学 | 一种锂离子蓄电池的温度组合电路模型及其参数识别方法 |
WO2017135075A1 (ja) * | 2016-02-01 | 2017-08-10 | 株式会社デンソー | 電池状態推定装置 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103529399B (zh) * | 2013-10-28 | 2015-04-22 | 湖南大学 | 一种基于铅酸电池改进型pngv模型的模拟方法 |
KR101529515B1 (ko) * | 2014-06-12 | 2015-06-17 | 국방과학연구소 | Mmae-ekf를 이용한 배터리의 soc 추정 방법 및 그 장치 |
CN105510829B (zh) * | 2014-09-29 | 2018-01-05 | 山东大学 | 一种新型锂离子动力电池soc估计方法 |
CN105676134B (zh) * | 2016-01-08 | 2018-07-13 | 中国第一汽车股份有限公司 | 一种车用锂离子动力电池的soh估算方法 |
CN105699910A (zh) * | 2016-04-21 | 2016-06-22 | 中国计量大学 | 一种锂电池剩余电量在线估计方法 |
CN106443471A (zh) * | 2016-09-20 | 2017-02-22 | 首都师范大学 | 锂离子电池soc估计方法及其硬件实现 |
CN106909716B (zh) * | 2017-01-19 | 2020-03-24 | 东北电力大学 | 计及容量损耗的磷酸铁锂电池建模及soc估计方法 |
-
2018
- 2018-09-05 CN CN201811031989.7A patent/CN109143097B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103439668A (zh) * | 2013-09-05 | 2013-12-11 | 桂林电子科技大学 | 动力锂离子电池的电荷状态估算方法与*** |
CN104965179A (zh) * | 2015-07-06 | 2015-10-07 | 首都师范大学 | 一种锂离子蓄电池的温度组合电路模型及其参数识别方法 |
WO2017135075A1 (ja) * | 2016-02-01 | 2017-08-10 | 株式会社デンソー | 電池状態推定装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109143097A (zh) | 2019-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109143097B (zh) | 一种计及温度和循环次数的锂离子电池soc估计方法 | |
CN112615075B (zh) | 电池快速充电方法及计算机设备 | |
CN105301509B (zh) | 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 | |
CN110795851B (zh) | 一种考虑环境温度影响的锂离子电池建模方法 | |
Zhang et al. | Robust and adaptive estimation of state of charge for lithium-ion batteries | |
Vo et al. | New charging strategy for lithium-ion batteries based on the integration of Taguchi method and state of charge estimation | |
CN111722118B (zh) | 一种基于soc-ocv优化曲线的锂离子电池soc估计方法 | |
CN109342950B (zh) | 一种用于锂电池荷电状态的评估方法、装置及其设备 | |
Couto et al. | State of health estimation for lithium ion batteries based on an equivalent-hydraulic model: An iron phosphate application | |
CN112444749B (zh) | 一种基于温度修正模型的锂电池荷电状态联合估计方法 | |
CN108445402A (zh) | 一种锂离子动力电池荷电状态估计方法及*** | |
CN105866700B (zh) | 一种锂离子电池快速筛选的方法 | |
CN112098849B (zh) | 基于求积分卡尔曼滤波的锂电池剩余电量估计方法 | |
Tan et al. | Joint estimation of ternary lithium-ion battery state of charge and state of power based on dual polarization model | |
CN115389936A (zh) | 一种数模混合驱动的锂电池持续峰值功率能力的在线预测方法 | |
CN110632520A (zh) | 一种动力电池soc的估算装置及其估算方法 | |
LeBel et al. | Lithium-ion cell equivalent circuit model identification by galvanostatic intermittent titration technique | |
CN112989690A (zh) | 一种混合动力汽车锂电池多时间尺度荷电状态估计方法 | |
CN115877232A (zh) | 一种基于卡尔曼滤波的锂离子电池内部温度估计方法 | |
CN112580289A (zh) | 一种混合电容器功率状态在线估计方法及*** | |
CN112946481A (zh) | 基于联合h∞滤波的滑模观测器锂离子电池soc估计方法及电池管理*** | |
CN114200321B (zh) | 一种锂离子电池变阶数等效电路模型建模方法 | |
CA2588334C (en) | Method and system for joint battery state and parameter estimation | |
CN114089193A (zh) | 电池的温度和负极电位在线估计方法、装置和计算机设备 | |
CN110031772B (zh) | 一种锂离子电池等效内阻的实时估算方法 |
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 |