CN110568373A - 锂电池健康状态评估方法、***、终端及存储介质 - Google Patents
锂电池健康状态评估方法、***、终端及存储介质 Download PDFInfo
- Publication number
- CN110568373A CN110568373A CN201910709973.5A CN201910709973A CN110568373A CN 110568373 A CN110568373 A CN 110568373A CN 201910709973 A CN201910709973 A CN 201910709973A CN 110568373 A CN110568373 A CN 110568373A
- Authority
- CN
- China
- Prior art keywords
- lithium battery
- real
- time
- discharge
- depth
- 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
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 165
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 165
- 238000011156 evaluation Methods 0.000 title claims abstract description 58
- 230000036541 health Effects 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 claims abstract description 63
- 230000008569 process Effects 0.000 claims abstract description 26
- 238000007599 discharging Methods 0.000 claims abstract description 18
- 238000001914 filtration Methods 0.000 claims abstract description 11
- 238000012544 monitoring process Methods 0.000 claims abstract description 10
- 230000003862 health status Effects 0.000 claims description 33
- 238000005259 measurement Methods 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 21
- 238000005457 optimization Methods 0.000 claims description 6
- 230000007704 transition Effects 0.000 claims description 6
- 125000004122 cyclic group Chemical group 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 description 10
- 230000006872 improvement Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000004088 simulation Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 229910001416 lithium ion Inorganic materials 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000005611 electricity Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003071 parasitic effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000013100 final test Methods 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
-
- 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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种锂电池健康状态评估方法、***、终端及存储介质，其中，方法包括：通过预先构建的锂电池的等效电路模型模拟脉冲数据，并构建参数查找表；通过卡尔曼滤波法并结合参数查找表中的参数值进行计算，得到实时剩余电量；从锂电池使用过程中产生的监控数据中获取锂电池的实时充放电电流、以及使用时长，再计算出锂电池的放电深度变化量；根据锂电池预设的初始放电深度、实时剩余电量和放电深度变化量计算得到锂电池的实时健康状态评估值。本发明通过建立等效电路模型，模拟锂电池的脉冲数据，表征电池性能参数，从而计算出锂电池的实时剩余电量和健康状态，方便快捷，且准确率高。
Description
技术领域
本发明涉及电池领域，尤其涉及一种锂电池健康状态评估方法、***、终端及存储介质。
背景技术
高效、节能、环保的电动汽车在环境日益恶化、是有能源日益枯竭的今天得到人们的重视并取得了较大发展，但电动车的核心部件电池包随着时间的流逝和电池的使用，电池的SOH(电池的健康状态，反映了电池目前的健康水平，是电池使用一段时间后性能参数与标称参数的比值)小于80％时需要退役，但直接报废势必造成大量浪费，梯次利用的意义在于从电池全生命周期使用角度考虑降低电池成本，避免污染。
锂离子电池电化学行为是动态、时变、非线性的电化学***，在不同时期具有不同的电池特性，很难准确估计锂电池的SOH。因此选取适合的健康因子、提取可靠的锂电池健康特征，并建立完善的锂离子电池模型，是实现梯次利用锂电池SOH精准评估的可靠保证，也是亟待解决的关键技术之一。
目前常用的锂电池健康状态评估方法主要有：
(1)完全充放电测试方法，这种测试方法准确可靠，但是需要离线测量，费时较长，而且需要专业设备，操作不便，一般只使用于实验室场合。
(2)基于电池内阻的估算法：内阻法通过电池内阻与SOH之间的关系估算SOH。但是，电池内阻的测量较为不便，而且电池内阻大小与电池剩余电量SOC有关，难以准确估计SOH。
发明内容
本发明提供了一种锂电池健康状态评估方法、***、终端及存储介质，以解决现有锂电池健康状态评估方案准确性低且不易实施的问题。
为了解决上述问题，本发明提供了一种锂电池健康状态评估方法，其包括：
通过预先构建的锂电池的等效电路模型模拟脉冲数据，并构建参数查找表，参数查找表记录了不同剩余电量下等效电路模型中各电路元器件的参数值；
通过卡尔曼滤波法并结合参数查找表中的参数值进行计算，得到实时剩余电量；
从锂电池使用过程中产生的监控数据中获取锂电池的实时充放电电流、以及使用时长，再计算出锂电池的放电深度变化量；
根据锂电池预设的初始放电深度、实时剩余电量和放电深度变化量计算得到锂电池的实时健康状态评估值。
作为本发明的进一步改进，通过预先构建的锂电池的等效电路模型模拟脉冲数据的步骤之前，还包括：
构建锂电池的初始电路模型，并设定初始电路模型中各个电路元器件的初始参数值；
根据初始电路模型，模拟锂电池脉冲放电，得到初始脉冲数据；
将所述初始脉冲数据按单个脉冲进行划分，并分别根据每个脉冲进行参数自动化估计和优化，确认各个电路元器件的最优参数值；
根据最优参数值构建等效电路模型。
作为本发明的进一步改进，等效电路模型包括三个或三个以上的RC并联电路。
作为本发明的进一步改进，通过卡尔曼滤波法并结合参数查找表中的参数值进行计算，得到实时剩余电量的步骤，包括：
构建离散状态空间方程和测量空间方程；
通过参数查找表获取不同剩余电量对应的参数值，并将参数值代入至离散状态空间方程和测量空间方程进行循环计算，得到实时剩余电量。
作为本发明的进一步改进，离散状态空间方程和测量空间方程的公式为：
其中，U1,k，U2,k，U3,k代表第k步预测的R-C支路1，支路2，支路3的端电压；SOCk代表第k步电池剩余电量；η代表充放电库伦效率；T代表采样间隔；Qc代表电池标定电量；U0,k代表戴维南等效电路的端电压；Uocv,k(SOCk)代表电池电动势；ωk为状态转移空间的测量噪声；vk代表测量空间的测量噪声；τ1＝R1*C1，τ2＝R2*C2，τ3＝R3*C3；其中R为R-C支路中电阻，C为RC并联电路中的电容值。
作为本发明的进一步改进，放电深度变化量的计算公式如下：
其中，ΔDOD为放电深度变化量，Ib(t)为锂电池的实时充放电电流，Crated为锂电池的额定容量，θ为使用时长。
作为本发明的进一步改进，根据锂电池预设的初始放电深度、实时剩余电量和放电深度变化量计算得到锂电池的实时健康状态评估值的步骤，包括：
根据初始放电深度和放电深度变化量计算实时放电深度，DOD(t)＝DOD(t0)+ηΔDOD；其中，DOD(t)为实时放电深度，DOD(t0)为初始放电深度，ΔDOD为放电深度变化量，η预先设定，在充电阶段η等于η1，在放电阶段η等于η2；
根据实时剩余电量和实时放电深度计算实时健康状态评估值，SOH(t)＝SOC(t)+DOD(t)；其中，SOH(t)为实时健康状态评估值，SOC(t)为实时剩余电量。
为了解决上述问题，本发明还提供了一种锂电池健康状态评估***，其包括：
采集模块，用于通过预先构建的锂电池的等效电路模型模拟锂电池的充放电过程，并采集实时电压数据和实时电路数据；
第一计算模块，用于通过卡尔曼滤波法对实时电压数据和实时电流数据进行计算，得到实时剩余电量；
第二计算模块，用于从锂电池使用过程中产生的监控数据中获取锂电池的实时充放电电流、以及使用时长，再计算出锂电池的放电深度变化量；
第三计算模块，用于根据锂电池预设的初始放电深度、实时剩余电量和放电深度变化量计算得到锂电池的实时健康状态评估值。
为了解决上述问题，本发明还提供了一种锂电池健康状态评估终端，其包括处理器和存储器，处理器耦接存储器，存储器上存储有可在处理器上运行的计算机程序；
处理器执行计算机程序时，实现上述之一的锂电池健康状态评估方法中的步骤。
为了解决上述问题，本发明还提供了一种存储介质，其上存储有计算机程序，计算机程序被处理器执行时，实现上述之一的锂电池健康状态评估方法中的步骤。
相比于现有技术，本发明通过等效电路模型来模拟锂电池充放电时的脉冲数据，并根据等效电路模型构建参数查找表，再将参数查找表中记录的参数结合卡尔曼滤波法进行计算，得到实时剩余电量，通过实时剩余电量，以及锂电池使用过程中记录的监控数据，从而计算出锂电池的实时健康状态评估值，实现了在线实时评估锂电池的剩余电量和健康状态，简化了测试过程，并且迅速准确的评估锂电池健康状态，有利于锂电池梯次回收再利用，达到降低锂电池使用成本的目的。
附图说明
图1为本发明锂电池健康状态评估方法第一个实施例的流程示意图；
图2为本发明锂电池健康状态评估方法第二个实施例的流程示意图；
图3为本发明锂电池健康状态评估方法锂电池等效电路模型的电路示意图；
图4为本发明锂电池健康状态评估方法单个脉冲的曲线示意图；
图5为本发明锂电池健康状态评估方法模拟脉冲放电曲线示意图；
图6为本发明锂电池健康状态评估方法第三个实施例的流程示意图；
图7为本发明锂电池健康状态评估方法第四个实施例的流程示意图；
图8为本发明锂电池健康状态评估***一个实施例的功能模块示意图；
图9为本发明锂电池健康状态评估终端一个实施例的框架结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用来限定本发明。
图1展示了本发明锂电池健康状态评估方法的一个实施例。如图1所示，在本实施例中，该锂电池健康状态评估方法包括以下步骤：
步骤S1，通过预先构建的锂电池的等效电路模型模拟脉冲数据，并构建参数查找表。
需要说明的是，参数查找表记录了不同剩余电量下等效电路模型中各电路元器件的参数值。该等效电路模型包括一个电压源Em、一个串联电阻R0、三个或三个以上的RC并联电路，且电压源Em、串联电阻R0和三个或三个以上的RC并联电路串联起来。
具体地，通过上述预先构建的等效电路模型来模型锂电池充放电时的脉冲数据，再根据模拟得到的脉冲数据获取不同剩余电量下，等效电路模型中各个电路元器件的参数值，并构建参数查找表。需要说明的是，在完善参数查找表的过程中，需要获取不同温度和不同电流下的脉冲数据，从而得到不同温度和不同电流下的各电路元器件的参数值。
进一步的，如图2所示，在步骤S1之前，构建锂电池的等效电路模型的具体步骤包括：
步骤S10，构建锂电池的初始电路模型，并设定初始电路模型中各个电路元器件的初始参数值。
需要说明的是，等效电路模型预先构建，具体参照戴维南等效电路来构建。通常地，戴维南等效电路包括一个电压源Em，一个串联电阻R0，加上一个或多个RC并联电路串联起来，该电路还可能包含寄生支路，包括自放电和充电损耗，以电流Ip表示，由于锂电池具有高库伦效率和低自放电特性，在锂电池的建模中经常忽略寄生支路(含Zp和Ep)，本发明为简化模型，将该部分省去。
本实施例中，在构建等效电路模型之前，先对戴维南等效电路进行了实验验证，具体地，首先建立了一个戴维南等效电路，再通过该戴维南等效电路，模拟了剩余电量增量10％时的脉冲放电数据，通过将该模拟得到的脉冲放电数据与锂电池剩余电量增量10％时的真实脉冲放电数据进行拟合，发现采用一个RC并联电路或两个RC并联电路构建的模型并不能很好的与预先采集的锂电池的数据匹配，偏差幅度较大，因此，为了降低误差影响，本实施例中，在构建锂电池的初始电路模型时，其构建的初始电路模型即包括三个或三个以上的RC并联电路。
进一步的，三个以上的RC并联电路具有更高的匹配度，但是随着RC并联电路的增加，待优化的参数成倍增长，从而导致计算量急剧增加，对硬件设备的要求较高，因此，本实施例中，等效电路模型优选采用三个RC并联电路。
具体地，本实施例中，以三个RC并联电路为例进行说明，等效电路模型包括三个或三个以上的RC并联电路，如图3所示，首先构建锂电池的初始电路模型，其包括一个电压源Em，一个串联电阻R0，三个RC并联电路，R1、R2、R3分别表示三个RC并联电路的电阻，C1、C2、C3分别表示三个RC并联电路的电容，再对这8个电路元器件设定初始参数值。在设置初始参数值过程中，根据实际电池性能规律可知，SOCi小于SOCi-1下的Em(i指第i个脉冲)，SOCi下的Em值取脉冲数据起始点电压值作为Em的初始值，即选择脉冲之前稳定时刻的电压值为初始值。SOCi-1下的Em取数据的最后一个电压值，作为初始值，即选择脉冲结束后稳定时刻的电压值为初始值。对于所有脉冲，根据图4所示的位置1、2、3、4的电压降计算可得参数R0的初值。对于第一个脉冲下R1，R2，R3初始值可以设为1mΩ，C1，C2，C3初始值可以设为5000F。脉冲的SOCi下的R1，R2，R3，C1，C2，C3可以参考上一个脉冲的最优对应值作为本次脉冲的初始化赋值。而根据脉冲参数结果可得，在第i个脉冲估计任务中得到的SOC0参数理论上与第i-1个脉冲估计任务中SOC1下的参数是相同的，但是根据实际得到的参数发现两者并不相同，为了尽可能准确的估计参数拟合脉冲数据，从而保留全部参数优化结果，应改变SOC断点值，为使SOC断点值不具有较大误差，我们对断点值进行微小处理，即SOCi,0＝SOCi-1,1+δ，其中δ是一个非常小的数。
步骤S11，根据初始电路模型，模拟锂电池脉冲放电，得到初始脉冲数据。
具体地，构建锂电池的初始电路模型并设定初始参数值之后，再根据初始电路模型，模拟锂电池脉冲放电，得到初始脉冲数据，本实施例中，模拟锂电池脉冲放电选择在满电状态下模拟锂电池脉冲放电数据过程，并进行采集，采集的脉冲数据共包括28个脉冲，其中，前10个脉冲，每个脉冲的放电量为锂电池电量的1％，中间8个脉冲，每个脉冲的放电量为为锂电池电量的10％，最后10个脉冲，每个脉冲的放电量为锂电池电量的1％，以保证在高剩余电量和低剩余电量的情况下能够采集到足够的数据，得到如图5所示的脉冲曲线。
步骤S12，将初始脉冲数据按单个脉冲进行划分，并分别根据每个脉冲进行参数自动化估计和优化，确认各个电路元器件的最优参数值。
具体地，本实施例通过利用Simulink参数估计方法，根据模拟脉冲数据对各个电路元器件的参数值进行估计，以得到各个电路元器件的最优参数值，而通过该最优参数值构建的等效电路模型，其模拟的脉冲数据与锂电池的实际脉冲数据的匹配程度较高，从而保证最终测试结果的准确性。
其中，在利用Simulink参数估计方法进行估计的过程中，若采用全局仿真方法一次性用全部实验数据计算所有电路元器件的参数值，得到实验结果会非常不准确，而且仿真时间过长，算法难以收敛到最优值，因此我们采用分层技术对参数进行估计，分层技术是将大型复杂的估计任务分成多个小型简单的估计任务，降低了优化参数算法的难度，减少了计算量，提高了仿真的精确度。具体地，在本实施例中，具体为在获取到脉冲数据之后，已知每一个脉冲前后的剩余电量，因此，将脉冲数据中的每一个脉冲分别划分为一个子任务，再根据每一个子任务来完成对所有电路元器件的参数值的估计，并且在参数估计过程中，通过MATLAB代码自动进行参数估计过程，直至确定各个电路元器件的最优参数值。进一步的，自动化参数估计的步骤按以下步骤来进行：
1、通过分析电流的测量数据，准确定位脉冲过渡区间；
2、确定等效电路的初始值；
3、计算准确的SOC值；
4、选择优化算法，并设置优化参数；
5、进行一系列估计值以确定最优参数。
步骤S13，根据最优参数值构建等效电路模型。
并且，需要理解的是，本实施例中，在模拟锂电池脉冲放电过程中，为了使每次脉冲达到稳定，新脉冲开始前，需要静置足够长的时间，使电路最终达到稳定状态之后。
步骤S2，通过卡尔曼滤波法并结合参数查找表中的参数值进行计算，得到实时剩余电量。
具体地，如图6所示，步骤S2具体包括以下步骤：
步骤S20，构建离散状态空间方程和测量空间方程。
需要说明的是，离散状态空间方程和测量空间方程的公式为：
其中，U1,k，U2,k，U3,k代表第k步预测的RC并联电路1、2、3的端电压；SOCk代表第k步电池剩余电量；η代表充放电库伦效率；T代表电压和电流的采样间隔；Qc代表锂电池的额定电量；U0,k代表等效电路模型的端电压；Uocv,k(SOCk)代表锂电池的电压值；Ik为等效电路模型的电流；ωk为状态转移空间的测量噪声；vk代表测量空间的测量噪声；τ1＝R1*C1，τ2＝R2*C2，τ3＝R3*C3；其中R1、R2、R3为RC并联电路中电阻，C1、C2、C3为RC并联电路中的电容。
步骤S21，通过参数查找表获取不同剩余电量对应的参数值，并将参数值代入至离散状态空间方程和测量空间方程进行循环计算，得到实时剩余电量。
具体地，令预测状态变量
***转移矩阵：
状态转移控制矩阵：
测量矩阵：Ck＝[Uocv(SOCk) 1 1 1]；
测量方程控制矩阵Dk＝R0；
通过参数查找表得到的各个电路元器件的参数值获取Ak、Ck的线性化矩阵
其中，分别为通过参数查找表获取的电路元器件的参数值，为通过参数查找表获取的开路电压值；
因此，预测状态变量
预测状态下状态变量的协方差矩阵
卡尔曼增益
更新预测状态：
更新协方差矩阵：
其中，Qk是ωk的协方差矩阵，Pk是状态变量的协方差矩阵，Rk是νk的协方差矩阵，Voltagek是实际测量电压(另：^代表经参数查找表得到的参数值，—代表计算所得的值)。
通过将参数查找表中的参数值代入上述公式中循环进行计算，从而得到实时剩余电量。
步骤S3，从锂电池使用过程中产生的监控数据中获取锂电池的实时充放电电流、以及使用时长，再计算出锂电池的放电深度变化量。
需要说明的是，放电深度(DOD)是指锂电池当前已放电容量(Creleased)与锂电池的额定容量(Crated)之间的百分比，即DOD＝Creleased/Crated*100％。
具体地，通过从锂电池使用过程中产生的监控数据中获取锂电池的实时充放电电流以及该锂电池当前的使用时长，从而计算得出该锂电池的放电深度变化量，其中，放电深度变化量的计算公式如下：
其中，ΔDOD为放电深度变化量，Ib(t)为锂电池的实时充放电电流，Crated为锂电池的额定容量，θ为使用时长。
步骤S4，根据锂电池预设的初始放电深度、实时剩余电量和放电深度变化量计算得到锂电池的实时健康状态评估值。
具体地，如图7所示，步骤S4具体包括以下步骤：
步骤S40，根据初始放电深度和放电深度变化量计算实时放电深度。
需要说明的是，DOD(t)＝DOD(t0)+ηΔDOD；其中，DOD(t)为实时放电深度，DOD(t0)为初始放电深度，ΔDOD为放电深度变化量，η预先设定，在充电阶段η等于η1，在放电阶段η等于η2；
步骤S41，根据实时剩余电量和实时放电深度计算实时健康状态评估值。
需要说明的是，SOH(t)＝SOC(t)+DOD(t)；其中，SOH(t)为实时健康状态评估值，SOC(t)为实时剩余电量。
本实施例通过等效电路模型来模拟锂电池充放电时的脉冲数据，并根据等效电路模型构建参数查找表，再将参数查找表中记录的参数结合卡尔曼滤波法进行计算，得到实时剩余电量，通过实时剩余电量，以及锂电池使用过程中记录的监控数据，从而计算出锂电池的实时健康状态评估值，实现了在线实时评估锂电池的剩余电量和健康状态，简化了测试过程，并且迅速准确的评估锂电池健康状态，有利于锂电池梯次回收再利用，达到降低锂电池使用成本的目的。
图8展示了本发明锂电池健康状态评估***的一个实施例。如图8所示，在本实施例中，该锂电池健康状态评估***包括采集模块10、第一计算模块11、第二计算模块12和第三计算模块13。
其中，采集模块10，用于通过预先构建的锂电池的等效电路模型模拟锂电池的充放电过程，并采集实时电压数据和实时电路数据；第一计算模块11，用于通过卡尔曼滤波法对实时电压数据和实时电流数据进行计算，得到实时剩余电量；第二计算模块12，用于从锂电池使用过程中产生的监控数据中获取锂电池的实时充放电电流、以及使用时长，再计算出锂电池的放电深度变化量；第三计算模块13，用于根据锂电池预设的初始放电深度、实时剩余电量和放电深度变化量计算得到锂电池的实时健康状态评估值。
上述实施例的基础上，其他实施例中，采集模块10通过预先构建的锂电池的等效电路模型模拟锂电池的充放电过程，并采集实时电压数据和实时电路数据之前，还包括：构建锂电池的初始电路模型，并设定初始电路模型中各个电路元器件的初始参数值；根据初始电路模型，模拟锂电池脉冲放电，得到初始脉冲数据；将初始脉冲数据按单个脉冲进行划分，并分别根据每个脉冲进行参数自动化估计和优化，确认各个电路元器件的最优参数值；根据最优参数值构建等效电路模型。
上述实施例的基础上，其他实施例中，等效电路模型包括三个或三个以上的RC并联电路。
上述实施例的基础上，其他实施例中，第一计算模块11通过卡尔曼滤波法对实时电压数据和实时电流数据进行计算，得到实时剩余电量具体包括：构建离散状态空间方程和测量空间方程；通过参数查找表获取不同剩余电量对应的参数值，并将参数值代入至离散状态空间方程和测量空间方程进行循环计算，得到实时剩余电量。
上述实施例的基础上，其他实施例中，离散状态空间方程和测量空间方程的公式为：
其中，U1,k，U2,k，U3,k代表第k步预测的R-C支路1，支路2，支路3的端电压；SOCk代表第k步电池剩余电量；η代表充放电库伦效率；T代表采样间隔；Qc代表电池标定电量；U0,k代表戴维南等效电路的端电压；Uocv,k(SOCk)代表电池电动势；ωk为状态转移空间的测量噪声；vk代表测量空间的测量噪声；τ1＝R1*C1，τ2＝R2*C2，τ3＝R3*C3；其中R为R-C支路中电阻，C为RC并联电路中的电容值。
上述实施例的基础上，其他实施例中，放电深度变化量的计算公式如下：
其中，ΔDOD为放电深度变化量，Ib(t)为锂电池的实时充放电电流，Crated为锂电池的额定容量，θ为使用时长。
上述实施例的基础上，其他实施例中，第三计算模块13根据锂电池预设的初始放电深度、实时剩余电量和放电深度变化量计算得到锂电池的实时健康状态评估值具体包括：根据初始放电深度和放电深度变化量计算实时放电深度，DOD(t)＝DOD(t0)+ηΔDOD；其中，DOD(t)为实时放电深度，DOD(t0)为初始放电深度，ΔDOD为放电深度变化量，η预先设定，在充电阶段η等于η1，在放电阶段η等于η2；根据实时剩余电量和实时放电深度计算实时健康状态评估值，SOH(t)＝SOC(t)+DOD(t)；其中，SOH(t)为实时健康状态评估值，SOC(t)为实时剩余电量。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将锂电池健康状态评估***的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
图9为本申请又一个实施例提供的锂电池健康状态评估终端的示意框图，参见图9，该实施例中的锂电池健康状态评估终端包括：一个或至少两个处理器80、存储器81以及存储在该存储器81中并可在处理器80上运行的计算机程序810。处理器80执行计算机程序810时，实现上述实施例描述的锂电池健康状态评估方法中的步骤，例如：图1所示的步骤S1-步骤S4。或者，处理器80执行计算机程序810时，实现上述锂电池健康状态评估终端实施例中各模块/单元的功能，例如：图8所示模块10-模块13的功能。
计算机程序810可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器81中，并由处理器80执行，以完成本申请。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序810在锂电池健康状态评估终端中的执行过程。
锂电池健康状态评估终端包括但不仅限于处理器80、存储器81。本领域技术人员可以理解，图9仅仅是锂电池健康状态评估终端的一个示例，并不构成对锂电池健康状态评估终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如锂电池健康状态评估终端还可以包括输入设备、输出设备、网络接入设备、总线等。
处理器80可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器81可以是只读存储器、可存储静态信息和指令的静态存储设备、随机存取存储器、或者可存储信息和指令的动态存储设备，也可以是电可擦可编程只读存储器、只读光盘、或其他光盘存储、光碟存储、磁盘存储介质或者其他磁存储设备。存储器81与处理器80可以通过通信总线相连接，也可以和处理器80集成在一起。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的***和方法，可以通过其它的方式实现。例如，以上所描述的锂电池健康状态评估***实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
本申请实施例还提供了一种存储介质，用于存储计算机程序，其包含用于执行本申请上述锂电池健康状态评估方法实施例所设计的程序数据。通过执行该存储介质中存储的计算机程序，可以实现本申请提供的锂电池健康状态评估方法。
集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序810来指令相关的硬件来完成，计算机程序810可存储于一计算机可读存储介质中，该计算机程序810在被处理器80执行时，可实现上述各个方法实施例的步骤。其中，计算机程序810包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random AccessMemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
以上对发明的具体实施方式进行了详细说明，但其只作为范例，本发明并不限制与以上描述的具体实施方式。对于本领域的技术人员而言，任何对该发明进行的等同修改或替代也都在本发明的范畴之中，因此，在不脱离本发明的精神和原则范围下所作的均等变换和修改、改进等，都应涵盖在本发明的范围内。
Claims (10)
1.一种锂电池健康状态评估方法，其特征在于，其包括：
通过预先构建的锂电池的等效电路模型模拟脉冲数据，并构建参数查找表，所述参数查找表记录了不同剩余电量下所述等效电路模型中各电路元器件的参数值；
通过卡尔曼滤波法并结合所述参数查找表中的参数值进行计算，得到实时剩余电量；
从所述锂电池使用过程中产生的监控数据中获取所述锂电池的实时充放电电流、以及使用时长，再计算出所述锂电池的放电深度变化量；
根据所述锂电池预设的初始放电深度、所述实时剩余电量和所述放电深度变化量计算得到所述锂电池的实时健康状态评估值。
2.根据权利要求1所述的锂电池健康状态评估方法，其特征在于，所述通过预先构建的锂电池的等效电路模型模拟脉冲数据的步骤之前，还包括：
构建所述锂电池的初始电路模型，并设定所述初始电路模型中各个电路元器件的初始参数值；
根据所述初始电路模型，模拟锂电池脉冲放电，得到初始脉冲数据；
将所述初始脉冲数据按单个脉冲进行划分，并分别根据每个脉冲进行参数自动化估计和优化，确认各个电路元器件的最优参数值；
根据所述最优参数值构建所述等效电路模型。
3.根据权利要求1或2所述的锂电池健康状态评估方法，其特征在于，所述等效电路模型包括三个或三个以上的RC并联电路。
4.根据权利要求1所述的锂电池健康状态评估方法，其特征在于，所述通过卡尔曼滤波法并结合所述参数查找表中的参数值进行计算，得到实时剩余电量的步骤，包括：
构建离散状态空间方程和测量空间方程；
通过所述参数查找表获取不同剩余电量对应的参数值，并将所述参数值代入至所述离散状态空间方程和测量空间方程进行循环计算，得到所述实时剩余电量。
5.根据权利要求4所述的锂电池健康状态评估方法，其特征在于，所述离散状态空间方程和测量空间方程的公式为：
其中，U1,k，U2,k，U3,k代表第k步预测的R-C支路1，支路2，支路3的端电压；SOCk代表第k步电池剩余电量；η代表充放电库伦效率；T代表采样间隔；Qc代表电池标定电量；U0,k代表戴维南等效电路的端电压；Uocv,k(SOCk)代表电池电动势；ωk为状态转移空间的测量噪声；vk代表测量空间的测量噪声；τ1＝R1*C1，τ2＝R2*C2，τ3＝R3*C3；其中R为R-C支路中电阻，C为RC并联电路中的电容值。
6.根据权利要求1所述的锂电池健康状态评估方法，其特征在于，所述放电深度变化量的计算公式如下：
其中，ΔDOD为所述放电深度变化量，Ib(t)为所述锂电池的实时充放电电流，Crated为所述锂电池的额定容量，θ为所述使用时长。
7.根据权利要求1所述的锂电池健康状态评估方法，其特征在于，所述根据所述锂电池预设的初始放电深度、所述实时剩余电量和所述放电深度变化量计算得到所述锂电池的实时健康状态评估值的步骤，包括：
根据所述初始放电深度和所述放电深度变化量计算实时放电深度，DOD(t)＝DOD(t0)+ηΔDOD；其中，DOD(t)为所述实时放电深度，DOD(t0)为所述初始放电深度，ΔDOD为所述放电深度变化量，η预先设定，在充电阶段η等于η1，在放电阶段η等于η2；
根据所述实时剩余电量和所述实时放电深度计算所述实时健康状态评估值，SOH(t)＝SOC(t)+DOD(t)；其中，SOH(t)为所述实时健康状态评估值，SOC(t)为所述实时剩余电量。
8.一种锂电池健康状态评估***，其特征在于，其包括：
采集模块，用于通过预先构建的锂电池的等效电路模型模拟锂电池的充放电过程，并采集实时电压数据和实时电路数据；
第一计算模块，用于通过卡尔曼滤波法对所述实时电压数据和所述实时电流数据进行计算，得到实时剩余电量；
第二计算模块，用于从所述锂电池使用过程中产生的监控数据中获取所述锂电池的实时充放电电流、以及使用时长，再计算出所述锂电池的放电深度变化量；
第三计算模块，用于根据所述锂电池预设的初始放电深度、所述实时剩余电量和所述放电深度变化量计算得到所述锂电池的实时健康状态评估值。
9.一种锂电池健康状态评估终端，其特征在于，其包括处理器和存储器，所述处理器耦接所述存储器，所述存储器上存储有可在所述处理器上运行的计算机程序；
所述处理器执行所述计算机程序时，实现权利要求1-7之一所述的锂电池健康状态评估方法中的步骤。
10.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现权利要求1-7之一所述的锂电池健康状态评估方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910709973.5A CN110568373A (zh) | 2019-07-29 | 2019-07-29 | 锂电池健康状态评估方法、***、终端及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910709973.5A CN110568373A (zh) | 2019-07-29 | 2019-07-29 | 锂电池健康状态评估方法、***、终端及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110568373A true CN110568373A (zh) | 2019-12-13 |
Family
ID=68774454
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910709973.5A Pending CN110568373A (zh) | 2019-07-29 | 2019-07-29 | 锂电池健康状态评估方法、***、终端及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110568373A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110927590A (zh) * | 2019-12-17 | 2020-03-27 | Oppo广东移动通信有限公司 | 电池剩余电量估算方法和装置、电子设备、计算机可读存储介质 |
| CN111146514A (zh) * | 2019-12-19 | 2020-05-12 | 上海派能能源科技股份有限公司 | 锂离子电池模组运行安全性评估预测方法、***及电子设备 |
| CN111157907A (zh) * | 2019-12-30 | 2020-05-15 | Oppo广东移动通信有限公司 | 检测方法及装置、充电方法及装置、电子设备、存储介质 |
| CN112798965A (zh) * | 2020-12-29 | 2021-05-14 | 北京航天益森风洞工程技术有限公司 | 一种锂电池监测方法、设备及计算机存储介质 |
| CN113391228A (zh) * | 2021-06-15 | 2021-09-14 | 东莞新能安科技有限公司 | 电池内阻、健康状态监控方法以及电子装置 |
| CN113489106A (zh) * | 2021-07-16 | 2021-10-08 | 同济大学 | 一种海上平台用燃料电池和锂电池混合控制方法及*** |
| CN113900032A (zh) * | 2021-09-30 | 2022-01-07 | 上海芯飏科技有限公司 | 利用瞬态响应校正放电深度的方法及*** |
| CN117092541A (zh) * | 2023-08-23 | 2023-11-21 | 苏州吉智能源科技有限公司 | 一种直流充电大数据计算电池健康的分析方法 |
| CN117452251A (zh) * | 2023-12-19 | 2024-01-26 | 浙江地芯引力科技有限公司 | 电池截止电量估算方法、装置、电子设备及存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011086451A (ja) * | 2009-10-14 | 2011-04-28 | Yokogawa Electric Corp | リチウムイオン二次電池の評価方法及び評価装置 |
| US20110148424A1 (en) * | 2009-12-22 | 2011-06-23 | Industrial Technology Research Institute | Apparatus for estimating battery state of health |
| CN103544330A (zh) * | 2012-07-13 | 2014-01-29 | 北汽福田汽车股份有限公司 | 锂离子电池的等效电路模型构建方法 |
| CN104914380A (zh) * | 2015-06-05 | 2015-09-16 | 上海科梁信息工程有限公司 | 辨识soc的方法与*** |
| CN106918787A (zh) * | 2017-03-20 | 2017-07-04 | 国网重庆市电力公司电力科学研究院 | 一种电动汽车锂电池剩余电荷估算方法及装置 |
| CN108549032A (zh) * | 2018-04-17 | 2018-09-18 | 北京智行鸿远汽车有限公司 | 一种电池健康状态soh的估算方法 |
| CN109367433A (zh) * | 2018-12-18 | 2019-02-22 | 安徽工程大学 | 一种具有动力电池健康状态检测和续航里程预测的智能充电桩及方法 |
-
2019
- 2019-07-29 CN CN201910709973.5A patent/CN110568373A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011086451A (ja) * | 2009-10-14 | 2011-04-28 | Yokogawa Electric Corp | リチウムイオン二次電池の評価方法及び評価装置 |
| US20110148424A1 (en) * | 2009-12-22 | 2011-06-23 | Industrial Technology Research Institute | Apparatus for estimating battery state of health |
| CN103544330A (zh) * | 2012-07-13 | 2014-01-29 | 北汽福田汽车股份有限公司 | 锂离子电池的等效电路模型构建方法 |
| CN104914380A (zh) * | 2015-06-05 | 2015-09-16 | 上海科梁信息工程有限公司 | 辨识soc的方法与*** |
| CN106918787A (zh) * | 2017-03-20 | 2017-07-04 | 国网重庆市电力公司电力科学研究院 | 一种电动汽车锂电池剩余电荷估算方法及装置 |
| CN108549032A (zh) * | 2018-04-17 | 2018-09-18 | 北京智行鸿远汽车有限公司 | 一种电池健康状态soh的估算方法 |
| CN109367433A (zh) * | 2018-12-18 | 2019-02-22 | 安徽工程大学 | 一种具有动力电池健康状态检测和续航里程预测的智能充电桩及方法 |
Non-Patent Citations (3)
| Title |
|---|
| KONG SOON NG ET AL.: "Enhanced coulomb counting method for estimating state-of-charge and state-of-health of lithium-ion batteries", 《APPLIED ENERGY》 * |
| 王建南 等: "电动汽车电池 SOC 的估计", 《安徽理工大学学报( 自然科学版)》 * |
| 黄宇航 等: "基于模糊卡尔曼滤波的锂电池 SOC 估算研究", 《北京信息科技大学学报》 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110927590A (zh) * | 2019-12-17 | 2020-03-27 | Oppo广东移动通信有限公司 | 电池剩余电量估算方法和装置、电子设备、计算机可读存储介质 |
| CN111146514A (zh) * | 2019-12-19 | 2020-05-12 | 上海派能能源科技股份有限公司 | 锂离子电池模组运行安全性评估预测方法、***及电子设备 |
| CN111157907A (zh) * | 2019-12-30 | 2020-05-15 | Oppo广东移动通信有限公司 | 检测方法及装置、充电方法及装置、电子设备、存储介质 |
| CN112798965A (zh) * | 2020-12-29 | 2021-05-14 | 北京航天益森风洞工程技术有限公司 | 一种锂电池监测方法、设备及计算机存储介质 |
| CN113391228A (zh) * | 2021-06-15 | 2021-09-14 | 东莞新能安科技有限公司 | 电池内阻、健康状态监控方法以及电子装置 |
| CN113489106A (zh) * | 2021-07-16 | 2021-10-08 | 同济大学 | 一种海上平台用燃料电池和锂电池混合控制方法及*** |
| CN113900032A (zh) * | 2021-09-30 | 2022-01-07 | 上海芯飏科技有限公司 | 利用瞬态响应校正放电深度的方法及*** |
| CN117092541A (zh) * | 2023-08-23 | 2023-11-21 | 苏州吉智能源科技有限公司 | 一种直流充电大数据计算电池健康的分析方法 |
| CN117092541B (zh) * | 2023-08-23 | 2024-04-30 | 苏州吉智能源科技有限公司 | 一种直流充电大数据计算电池健康的分析方法 |
| CN117452251A (zh) * | 2023-12-19 | 2024-01-26 | 浙江地芯引力科技有限公司 | 电池截止电量估算方法、装置、电子设备及存储介质 |
| CN117452251B (zh) * | 2023-12-19 | 2024-03-26 | 浙江地芯引力科技有限公司 | 电池截止电量估算方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110568373A (zh) | 锂电池健康状态评估方法、***、终端及存储介质 | |
| Murnane et al. | A closer look at state of charge (SOC) and state of health (SOH) estimation techniques for batteries | |
| Baccouche et al. | Implementation of an improved Coulomb-counting algorithm based on a piecewise SOC-OCV relationship for SOC estimation of li-IonBattery | |
| Li et al. | Accurate battery pack modeling for automotive applications | |
| CN105223506B (zh) | 使用双扩展卡尔曼滤波器的电池状态估计方法和*** | |
| CN109991554B (zh) | 一种电池电量检测方法、装置及终端设备 | |
| CN104267354B (zh) | 一种动力电池的峰值功率预测方法 | |
| Nemes et al. | Modeling and simulation of first-order Li-Ion battery cell with experimental validation | |
| CN109001640B (zh) | 一种动力电池的数据处理方法和装置 | |
| Li et al. | A new parameter estimation algorithm for an electrical analogue battery model | |
| WO2023274194A1 (zh) | 一种适用于富锂锰基电池的高阶模型参数辨识方法和*** | |
| CN110244236B (zh) | 一种锂离子电池包soc估计方法、装置及终端设备 | |
| Zhu et al. | The SOH estimation of LiFePO4 battery based on internal resistance with Grey Markov Chain | |
| CN108829911A (zh) | 一种开路电压与soc函数关系优化方法 | |
| CN112379297A (zh) | 电池***寿命预测方法、装置、设备及存储介质 | |
| CN104242393A (zh) | 基于动态soc估算***的电池管理*** | |
| US11579201B2 (en) | Method and system for identifying third-order model parameters of lithium battery based on likelihood function | |
| CN113777510A (zh) | 一种锂电池荷电状态估计方法及装置 | |
| CN114114038A (zh) | 一种全寿命全温度下锂电池soc及可用容量联合估计方法 | |
| CN112433154A (zh) | 基于ffrls和ekf的锂离子电池soc估测算法 | |
| CN110456283B (zh) | 获取电芯内阻参数的方法及装置 | |
| CN110673037B (zh) | 基于改进模拟退火算法的电池soc估算方法及*** | |
| CN113567861A (zh) | 一种动力电池健康状态的估算方法 | |
| CN204030697U (zh) | 基于动态soc估算***的电池管理*** | |
| Ramezani-al et al. | A novel combined online method for SOC estimation of a Li-Ion battery with practical and industrial considerations |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191213 |