CN111044907B - 一种基于微片段数据和电压滤波的soh统计方法 - Google Patents
一种基于微片段数据和电压滤波的soh统计方法 Download PDFInfo
- Publication number
- CN111044907B CN111044907B CN201911349341.9A CN201911349341A CN111044907B CN 111044907 B CN111044907 B CN 111044907B CN 201911349341 A CN201911349341 A CN 201911349341A CN 111044907 B CN111044907 B CN 111044907B
- Authority
- CN
- China
- Prior art keywords
- data
- voltage
- ocv
- value
- filtering
- 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]
- G01R31/367—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]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一个基于微片段数据和电压滤波的SOH统计方法。该方法为:首先收集温度大于0℃的行车数据,将数据划分为30s的微数据片段,将放电电流值转换为倍率形式,计算方差,标记出方差大于设定阈值M的微数据片段,并对标记的微数据片段进行内阻辨识;然后对放电电压数据进行滤波,当滤波进行到被标记的数据段时,采用Kalman滤波算法;当滤波进行到非标记的数据段时,采用状态方程算法;最后将滤波得到的OCV片段,划分成固定的电压区间,统计每个区间的平均容量,以此得到当前电芯的容量值。本发明对SOC没有过多依赖性,原理简单,鲁棒性强,不需要大量的人工成本和计算资源,适用于车辆网中的工程应用。
Description
技术领域
本发明涉及新能源汽车和储能的电池管理***技术领域,特别是一种基于微片段数据和电压滤波的SOH统计方法。
背景技术
随着国家对新能源产业大力支持,新能源汽车和锂电池储能不断发展。电池管理***作为电动汽车的一个重要组成部分,其核心在于SOX的估算。SOX包括SOC(剩余电量)、SOH(电池健康程度)以及SOP(电池功率状态)。相比于SOC和SOP,由于运行过充中,电池很少充满放空,因此SOH准确预估的难度比较大。
在新能源汽车电池管理***中,SOH能够体现锂电池的健康生命状态,是评价电池性能以及老化程度的重要指标。SOH定义为:在标准条件下,电池从充满状态下,放电到截止电压所放出的电量与其标称容量的百分比。标准条件一般为0.3C,25℃,标称容量是厂家标定的出厂容量,用Ca表示。新能源汽车出厂时,SOH为100%,随着电池的使用,电池逐渐老化,容量衰减,当SOH变为80%时,意味着电池寿命的终结。老化的电池,性能下降严重,容易引发各种安全问题,如果能准确估算每一节电池SOH的值,可以及时提醒人们更换新电池,同时有利于汽车电池的梯次利用。
动力电池老化影响因素非常多,放电深度、温度、倍率都会对SOH产生影响。目前大多数SOH估算算法,考虑的因素单一,并没有将上述三个因素都考虑到,且只估算电池组的SOH,不能够计算每一节电池的SOH。现在SOH估算常用的方法包括直接放电法、阻抗测试法、循环次数折算法和基于数据驱动的智能算法:(1)直接放电法:在标准条件下充放电,测试电池实际容量,此时实际容量和标称容量Ca的比值为SOH。该方法计算的SOH准确度最高,但是需要对电池离线测试,对于汽车电池来说实现比较困难。(2)阻抗测试方法:研究电池固有的内阻特性,基于电阻值来估算SOH。由于电池阻抗值是毫欧姆级,比较小,因此SOH的估算准确度比较低。(3)循环次数折算法:根据电池的充放电循环次数和SOH关系来估算SOH,循环次数和SOH大致为线性关系。该方法简单、易于实现,但是该模型太过粗浅,并没有考虑到运行过程中电池温度、放电深度、放电倍率等因素对SOH的影响。(4)基于数据驱动的智能算法:基于数据驱动的智能算法主要是以使用过程中积累大量的数据出发,在对实验数据进行分析的基础上,总结出电池容量衰退的经验规律,该方法不需要对电池进行***的老化机理分析,在业内关注度较高。数据驱动计算SOH,难点在于训练智能模型,需要大量不同环境下电芯的SOH数据,需要对数据进行人工处理,这需要大量的人工成本,且由于SOH的复杂性,处理数据的专业性要求比较高。另外,智能模型准确性的还在于特征的选择,选择的数据特征不同,得到的模型准确度也不一样。
发明内容
本发明的目的在于提供一种自动化程度高、通用性好、计算简单、准确率高、鲁棒性强的基于微片段数据和电压滤波的SOH统计方法。
实现本发明目的的技术解决方案为:一种基于微片段数据和电压滤波的SOH统计方法,包括以下步骤:
步骤1、数据筛选:收集温度大于0℃的行车数据;
步骤2、数据标记:将数据划分为微数据片段,将放电电流值转换为倍率形式,计算方差,标记出方差大于设定阈值M的微数据片段;
步骤3、内阻辨识:对标记的微数据片段进行内阻辨识;
步骤4、OCV片段获取:对放电电压数据进行滤波,当滤波进行到被标记的数据段时,采用Kalman滤波算法;当滤波进行到非标记的数据段时,采用状态方程算法;
步骤5、计算SOH:将滤波得到的OCV片段,划分成固定的电压区间,统计每个区间的平均电量,将所有电压区间电量求和,以此得到当前电芯的容量值。
进一步地,步骤1所述的数据筛选:收集温度大于0℃的行车数据,具体如下:
步骤1.1、车联网时,将电芯实时的电压、电流数据实时上传到云端存储;
步骤1.2、选取近两个月总放电量应超过10*额定容量的数据,若两个月总放电量不足10*额定容量,则扩大选取的时间范围;
步骤1.3、剔除温度小于0℃的放电数据;
步骤1.4、剔除BMS上报采集异常的数据。
进一步地,步骤2所述的数据标记:将数据划分为微数据片段,将放电电流值转换为倍率形式,计算方差,标记出方差大于设定阈值M的微数据片段,具体如下:
步骤2.1、初始放电时间5min以内的数据不需要被标记,将放电的电流数据划分为30s的微数据片段;
步骤2.2、将电流转化为倍率形式,计算公式为(1-1),其中I是电流,Ca是电芯额定容量,IC是倍率值:
步骤2.3、计算微数据片段的平均倍率,平均倍率小于0.1C和倍率大于0.7C的微数据片段不需要被标记;
步骤2.4、计算剩余微数据片段的方差值,对方差大于阈值M的数据片段进行标记,阈值M的取值范围为0.1-0.5。
进一步地,步骤3所述的内阻辨识:对标记的微数据片段进行内阻辨识,具体如下:
步骤3.1、在标记的微数据片段中,SOC引起的OCV变化能够忽略,即微数据片段中的OCV保持不变,所以该数据片段内,电池输出电压的变化是由放电倍率变化引起的,因此得到等价电池模型为:
V=I*r+OCV
式中,r为电池当前内阻值,该内阻包含极化内阻与欧姆内阻影响;I为汽车电池输出的电流值,OCV是锂电池的开路电压,V为电池输出电压;
步骤3.2、基于上述公式,采用最小二乘法计算每一个被标记的微数据片段对应的内阻r。
进一步地,步骤4所述的OCV片段获取:对放电电压数据进行滤波,当滤波进行到被标记的数据段时,采用Kalman滤波算法;当滤波进行到非标记的数据段时,采用状态方程算法,具体如下:
步骤4.1、根据Ah积分公式,建立OCV的状态方程
式中,OCVk为需要计算的OCV变量,下标k表示时刻,OCVk-1为上一时刻的OCV变量;Ik-1为上一时刻电流的输入量,Δt为计算周期,Ca为电芯额定容量,SOH0是初始预估的SOH值,OCV是SOC的函数,HSOC是OCV相对于SOC的斜率,ηT为温度影响容量的系数;
步骤4.2、根据电池的等价电池模型,建立OCV计算的观测方程:
Vk=OCVk+Rk*Ik
Vk是电池当前电压,Ik、Rk分别为当前的电流和当前的内阻;
步骤4.3、在一段完整的放电数据滤波过程中,当滤波进行到非标记数据片段时,采用状态方程算法计算OCV,公式为:
式中,k表示时刻;
当滤波进行到标记数据片段时,采用Kalman的滤波公式计算OCV,公式为:
式中,Q为预估的状态方程的误差的协方差,R为预估的测量方程的误差的协方差,P0=0,OCV0电压刚上电时的单体电压值,Vk是当前的单体电压采集值,rk是标记数据片段辨识的内阻值,Ik是当前的采集电流值,和分别表示OCVk和Pk的过渡值;
步骤4.4、重复步骤4.1~步骤4.3直到电芯放电数据被滤波完成,得到不同区间范围的OCV数据段。
进一步地,步骤5所述的计算SOH:将滤波得到的OCV片段,划分成固定的电压区间,统计每个区间的平均电量,将所有电压区间电量求和,以此得到当前电芯的容量值,具体如下:
步骤5.1、按照额定容量5%的间距,将电芯厂家提供的“容量-OCV曲线”划分成连续的20个区间范围V0-V1…V19-V20,每个电压范围之间的电量值为Cp1、Cp1、…Cp20;
步骤5.2、将步骤4得到的OCV片段曲线,按照步骤5.1中的电压切分点V0-V20进行划分,计算OCV片段的电压区间的容量值,具体如下:
步骤5.2.1、选取指定OCV片段划分的电压区间,并从步骤4得到的OCV放电数据中截取对应的数据,计算该电压区间的平均温度T和电压区间电量Cp_T;Cp_T计算方式为:该电压区间内所有电流的和乘以采样周期;
步骤5.2.2、根据温度-容量比例表,将T温度下的电压区间电量Cp_T,等价到25度情况下电量值,等价结果记为Cp_new:
式中,Rate_T是根据温度T查找温度-容量比例表获得的比值;
步骤5.2.3、利用平均电量计算公式(1-3),更新该电压区间的电量值:
式中,Num是该区间对应的电量计算次数,Cp_old是该电压区间原有的电量值,Cp_new是利用OCV片段计算的该电压区间的电量值,Cp是该电压片段新的电量值;当该电压区间电量值更新后,将对应的电量计算次数加1;
步骤5.2.4、重复步骤5.2.1~步骤5.2.3,直至OCV片段能截取的电压区间的电量被统计到对应的平均电量中;
步骤5.3、重复步骤5.2,直到所有的OCV片段被划分电压区间,同时所有的电压范围的电量被统计入表中,最终得到不同电压区间的平均电量统计结果表;
步骤5.4、将不同电压区间的平均电量相加得到Cp_total,Cp_total即为当前电芯在25度下的容量值,最后利用下述公式计算电池健康状态SOH:
本发明与现有技术相比,其显著优点在于:(1)不需要人工去处理大量数据,只需设定好一定的阈值,计算机可以自行处理大量数据,自动化程度高;(2)不需要训练智能模型,不需要特征工程、调参,通用性好,适用常见类型的锂电池;(3)计算简单,计算量低;(4)基于电芯特性设计的统计方法,逻辑和原理简单,鲁棒性强,且符合电芯需求。
附图说明
图1是本发明基于微片段数据和电压滤波的SOH统计方法的流程是示意图。
图2为本发明实施例中放电电压数据滤波前后的波形图。
图3为本发明实施例中多条OCV片段示意图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步详细说明。
结合图1,本发明一种基于微片段数据和电压滤波的OCV在线计算方法,包括以下步骤:
步骤1、数据筛选:收集温度大于0℃的行车数据,具体如下:
步骤1.1、车联网时,将电芯实时的电压、电流数据实时上传到云端存储;
步骤1.2、选取近两个月的数据,选取的两个月数据总放电量应超过10*额定容量,为保证统计过程中数据量充足,若两个月总放电量不足10*额定容量,则适当扩大选取的时间范围;
步骤1.3、剔除温度小于0℃的放电数据;
步骤1.4、剔除BMS上报采集异常的数据。
由于在汽车行车时,若温度比较低,汽车会启动加热机制,给电池加热,因此大部分行车工况数据是大于0℃的,BMS数据采集异常的情况也是非常罕见情况,因此,虽然筛选数据的过程中会剔除数据,但是剔除的并不多。
步骤2、数据标记:将电池电压、电流数据划分为30s的微数据片段,将放电电流值转换为倍率形式,计算方差,标记出方差大于设定阈值M的微数据片段,具体如下:
步骤2.1、初始放电时间5min以内的数据,因为初始放电极化内阻并没有完全充分表现出其分压能力,所以要该时间段电池数据不进行标记;
步骤2.2、本发明以微数据片段的倍率方差作为描述该片段数据复杂性的标准,因此需要将电流转化为倍率形式,计算公式为(1-1),其中I是电流,Ca是电芯额定容量,IC是倍率值:
步骤2.3、为消除放电倍率过高和过低对内阻辨识的影响,因此平均倍率较大和倍率较小的微数据片段不进行标记。计算微数据片段的平均倍率,倍率小于0.1C和倍率大于0.7C的数据片段不进行标记;
步骤2.4、计算剩余微数据片段的方差值,方差越大表示该小段数据越复杂,表现出的电池特性越充分,则内阻值辨识的越准确。对方差大于阈值M的数据片段进行标记,阈值M的取值范围为0.1-0.5。
电动汽车正常使用情况下,绝大部分的行车工况在0.1—0.7C之间,且由于行车工况复杂性,因此每一段完整放电数据中,会有许多的微数据片段被标记出来。
步骤3、内阻辨识:对标记的微数据片段进行内阻辨识,具体如下:
步骤3.1、被标记的微数据片段的时间范围是30s,由于存在大于M的方差,该数据片段的平均倍率会在0.5C以下,因此SOC变化率不会超过0.42%。由于SOC变化幅度小,在标记的微数据片段中,SOC引起的OCV变化可以忽略,即微数据片段中的OCV保持不变,所以该数据片段内,电池输出电压的变化是由放电倍率变化引起的。因此可以采用下述的公式做为等价电池模型:
V=I*r+OCV
式中,r为电池当前内阻值,该内阻包含极化内阻与欧姆内阻影响,I是汽车电池的输出电流值,V是电池输出电压;
步骤3.2、基于上述公式,采用最小二乘法计算每一个被标记的微数据片段对应的内阻r,上述公式的拟合也会直接得到该数据片段的OCV值,但是这种OCV波动性较大,不能采用。
步骤4、OCV片段获取:对电池放电电压数据进行滤波,当滤波进行到被标记的数据段时,采用Kalman滤波算法;当滤波进行到非标记的数据段时,采用状态方程算法,具体如下:步骤4.1、根据Ah积分公式,建立OCV的状态方程
式中,OCVk为需要计算的OCV变量,下标k表示时刻,OCVk-1为上一时刻的OCV变量;Ik-1为上一时刻电流为输入量,Δt为计算周期,Ca为额定容量值,SOH0为初始预估的SOH值,OCV(开路电压)是SOC的函数,HSOC是OCV相对于SOC的斜率,ηT为温度影响容量的系数;
步骤4.2、根据电池的等价电池模型,建立OCV计算的观测方程:
Vk=OCVk+rk*Ik
式中,Vk是电池当前电压,Ik、rk分别为当前的电流和内阻;
步骤4.3、在一整段的放电数据中,只有被标记的数据有辨识得到的内阻值,非标记数据片段是不知道内阻值是多少的。在一段完整的放电数据滤波过程中,当滤波进行到非标记数据片段时,采用状态方程算法计算OCV,公式为:
式中,k表示时刻;
当滤波进行到标记数据片段时,采用Kalman的滤波公式计算OCV,公式为:
式中,Q为预估的状态方程的误差的协方差,R为预估的测量方程的误差的协方差,P0=0,OCV0电压刚上电时的单体电压值,Vk是当前的单体电压采集值,rk是标记数据片段辨识的内阻值,Ik是当前的采集电流值,和分别表示OCVk和Pk的过渡值;一段完整的放电数据被滤波前后,如图2所示。
步骤4.4、重复步骤4.1~步骤4.3直到该单体电芯放电数据被滤波完成,得到不同电压区间范围的OCV数据段,如图3所示。
步骤5、计算SOH:将滤波得到的OCV片段,划分成固定的电压区间,统计每个区间的平均电量,将所有电压区间电量求和,以此得到当前电芯的容量值。具体如下:
步骤5.1、按照额定容量5%的间距,将电芯厂家提供的“容量-OCV曲线”划分成连续的20个区间范围V0-V1…V19-V20,每个电压范围之间的电量值为Cp1、Cp1、…Cp20。具体例子如表1所示,某一容量为150Ah的电池OCV曲线被划分为20个电压范围。当然不同电芯的OCV曲线划分的电压点也是不一样的。
步骤5.2、将步骤4得到的OCV片段曲线,按照步骤5.1中的电压切分点V0-V20进行划分,计算OCV片段的电压区间的电量值,具体如下:
由于OCV片段曲线并不是完整的数据曲线,并不能得到20个电压区间,一般只能得到部分连续的电压区间。例如有的放电时间长,因而滤波后OCV片段的电压跨度大,因此该片段可能截取到电压区间是V5-V6…V17-V18;而有的放电数据比较短,因而滤波后OCV片段的电压跨度小,那么可能截取不到电压区间,或只能截取一两个电压区间。
步骤5.2.1、选取指定OCV片段划分的电压区间,并从步骤4得到的OCV放电数据中截取对应的数据,计算该电压区间的平均温度T和电压区间电量Cp_T;Cp_T计算方式为:该电压区间内所有电流的和乘以采样周期(单位h)。
步骤5.2.2、根据温度—容量比例表,将T温度下的电压区间电量Cp_T,等价到25度情况下电量值,等价结果记为Cp_new
式中,Rate_T是根据温度T查找温度—容量比例表获得的比值;
步骤5.2.3、利用下述平均电量计算公式1-3,更新该电压区间的容量值
式中,Num是该区间对应的电量计算次数,Cp_old是该电压区间原有的电量值,Cp_new是利用OCV片段计算的该电压区间的电量值,Cp是该电压片段新的电量值;当该电压区间电量值更新后,将对应的电量计算次数加1。
步骤5.2.4、重复步骤5.2.1~步骤5.2.3,直至OCV片段能截取的电压区间的电量被统计到对应的平均电量中;
步骤5.3、重复步骤5.2,直到所有的OCV片段被划分电压区间,同时所有的电压范围的电量被统计到如表2形式中,最终得到不同电压区间的平均电量统计结果表;
步骤5.4、将不同电压区间的平均电量相加得到Cp_total,Cp_total即为当前电芯在25度下的容量值,最后利用下述公式计算SOH(电池健康状态):
实施例1
本实施例以5%容量区间将额定容量为150Ah的电芯的OCV划分成20个电压区间,即为表1所示。
表1初始OCV划分电压区间后形式
区间标号 | 起始电压点 | 结束电压点 | 区间电量值(Ah) | 电量计算次数 |
Cp1 | 3.205 | 3.275 | 7.5 | 1 |
Cp2 | 3.275 | 3.316 | 7.5 | 1 |
Cp3 | 3.316 | 3.356 | 7.5 | 1 |
Cp4 | 3.356 | 3.388 | 7.5 | 1 |
Cp5 | 3.388 | 3.415 | 7.5 | 1 |
Cp6 | 3.415 | 3.430 | 7.5 | 1 |
Cp7 | 3.430 | 3.445 | 7.5 | 1 |
Cp8 | 3.445 | 3.462 | 7.5 | 1 |
Cp9 | 3.462 | 3.484 | 7.5 | 1 |
Cp10 | 3.484 | 3.520 | 7.5 | 1 |
Cp11 | 3.520 | 3.576 | 7.5 | 1 |
Cp12 | 3.576 | 3.624 | 7.5 | 1 |
Cp13 | 3.624 | 3.676 | 7.5 | 1 |
Cp14 | 3.676 | 3.730 | 7.5 | 1 |
Cp15 | 3.730 | 3.786 | 7.5 | 1 |
Cp16 | 3.786 | 3.845 | 7.5 | 1 |
Cp17 | 3.845 | 3.905 | 7.5 | 1 |
Cp18 | 3.905 | 3.964 | 7.5 | 1 |
Cp19 | 3.964 | 4.023 | 7.5 | 1 |
Cp20 | 4.023 | 4.156 | 7.5 | 1 |
步骤1、数据筛选:收集温度大于0℃的行车数据,具体如下:
步骤1.1、车联网时,将电芯实时的电压、电流数据实时上传到云端存储;
步骤1.2、从云端提取最近两个月的某汽车电芯数据(电流、单体电压、温度),若一段完整放电数据中有小于0度的数据,则舍弃该整段数据。累计剩余数据的放电电量,假如累计电量超过额定容量*10,表示选取的电芯数据有效;若累计电量小于额定容量*10,则需要适当扩大时间范围。
步骤1.3、剔除温度小于0℃的放电数据;
步骤1.4、剔除BMS上报采集异常的数据。
步骤2、数据标记:将数据划分为30s的微数据片段,将放电电流值转换为倍率形式,计算方差,标记出方差大于设定阈值M的微数据片段,具体如下:
步骤2.1、将选取的电流数据,划分成30s范围的微片段;
步骤2.2、按照公式1-1将电流形式转化为倍率形式;
步骤2.3、计算微数据片段的平均倍率,平均倍率小于0.1C和倍率大于0.7C的微数据片段不需要被标记;
步骤2.4、计算每个微片段数据倍率方差,将方差大于0.2的微片段进行标记。
步骤3所述的内阻辨识:对标记的微数据片段进行内阻辨识,具体如下:
选取某指定节电池的电压、温度、电流数据,对该电芯数据进行操作,在标记的微片段数据中进行方程拟合,拟合形式为V=r*I+OCV,其中I是微片段的采集电流,V是微数据片段中该节电池对应的采集电压点,通过拟合可以得到所有被标记的微数据片段的内阻值r。
步骤4、OCV片段获取:对放电电压数据进行滤波,当滤波进行到被标记的数据段时,采用Kalman滤波算法;当滤波进行到非标记的数据段时,采用状态方程算法,具体如下:
步骤4.1、根据Ah积分公式,建立OCV的状态方程
式中,OCVk为需要计算的OCV变量,下标k表示时刻,OCVk-1为上一时刻的OCV变量;Ik-1为上一时刻电流的输入量,Δt为计算周期,Ca为额定容量值,SOH0是初始预估的SOH值,OCV(开路电压)是SOC的函数,HSOC是OCV相对于SOC的斜率,ηT为温度影响容量的系数;
步骤4.2、根据电池的等价电池模型,建立OCV计算的观测方程:
Vk=OCVk+Rk*Ik
Vk是电池当前电压,Ik、Rk分别为当前的电流和内阻;
步骤4.3、当滤波进行到非标记数据片段时,采用状态方程算法计算OCV,公式为:
当滤波进行到标记数据片段时,采用Kalman的滤波公式计算OCV,公式为:
步骤4.4、重复步骤4.1~步骤4.3,直到该单体电芯放电数据被滤波完成,得到多条OCV片段。
步骤5、计算SOH:将滤波得到的OCV片段,划分成固定的电压区间,统计每个区间的平均电量,将所有电压区间电量求和,以此得到当前电芯的容量值。具体如下:
步骤5.1、根据电芯厂家提供的OCV曲线制作表1,按照表1中起始和终结电压,将所有OCV片段,划分成多个电压区间,累计每个电压区间的电量;
步骤5.2、将步骤4得到的OCV片段曲线,按照步骤5.1中的电压切分点V0-V20进行划分,计算OCV片段的电压区间的容量值,具体如下:
步骤5.2.1、选取指定OCV片段划分的电压区间,并从步骤4得到的OCV放电数据中截取对应的数据,计算该电压区间的平均温度T和电压区间电量Cp_T;Cp_T计算方式为:该电压区间内所有电流的和乘以采样周期(单位h)。
步骤5.2.3、计算目标电压区间的平均温度,查表3获得该温度下容量相比于25度情况下的比值,按照公式1-2,将该温度下的区间电量等价为25度时的电量值,例如在电压区间[3.520,3.576],累计电量Cp_T为6.86Ah,平均温度为10度,根据表3,10度对应的比例为96%,则10度下,6.86Ah电量对应25度的电量为6.86/0.96=7.146Ah。
表3不同温度下容量相比于25度时容量的比值
温度 | -30 | -20 | -10 | 0 | 10 | 25 | 45 | 55 |
百分比 | 78% | 85% | 90% | 96% | 98% | 100% | 103% | 104% |
步骤5.2.3、将电压区间电量等价到25度环境下的电量值后,按照公式(1-3)更新电压区间电量,然后电量计算次数加1;
步骤5.2.4、重复步骤5.2.1~步骤5.2.3,直至OCV片段能截取的电压区间的电量被统计到对应的平均电量中;
步骤5.3、重复步骤5.2,直到所有的OCV片段被划分电压区间,同时所有的电压范围的电量被统计到如表2形式中,最终得到不同电压区间的平均电量统计结果表:
表2不同电压区间的平均电量统计结果
区间标号 | 起始电压点 | 结束电压点 | 区间电量值(Ah) | 电量计算次数 |
Cp1 | 3.205 | 3.275 | 7.5 | 1 |
Cp2 | 3.275 | 3.316 | 7.28 | 5 |
Cp3 | 3.316 | 3.356 | 7.35 | 5 |
Cp4 | 3.356 | 3.388 | 7.06 | 8 |
Cp5 | 3.388 | 3.415 | 6.99 | 9 |
Cp6 | 3.415 | 3.430 | 7.2 | 8 |
Cp7 | 3.430 | 3.445 | 7.55 | 9 |
Cp8 | 3.445 | 3.462 | 6.88 | 13 |
Cp9 | 3.462 | 3.484 | 6.53 | 12 |
Cp10 | 3.484 | 3.520 | 6.65 | 9 |
Cp11 | 3.520 | 3.576 | 6.82 | 6 |
Cp12 | 3.576 | 3.624 | 7.09 | 5 |
Cp13 | 3.624 | 3.676 | 6.9 | 5 |
Cp14 | 3.676 | 3.730 | 6.88 | 3 |
Cp15 | 3.730 | 3.786 | 7.2 | 3 |
Cp16 | 3.786 | 3.845 | 7.2 | 3 |
Cp17 | 3.845 | 3.905 | 7.3 | 3 |
Cp18 | 3.905 | 3.964 | 7.2 | 2 |
Cp19 | 3.964 | 4.023 | 7.5 | 1 |
Cp20 | 4.023 | 4.156 | 75 | 1 |
步骤5.4、将表2中的电压区间电量求和,结果为142Ah,该结果为当前电芯在25度下的容量值;最后按照公式(1-4)计算SOH,结果为142/150*100%=94.7%。
Claims (6)
1.一种基于微片段数据和电压滤波的SOH统计方法,其特征在于,包括以下步骤:
步骤1、数据筛选:收集温度大于0℃的行车数据;
步骤2、数据标记:将数据划分为微数据片段,将放电电流值转换为倍率形式,计算方差,标记出方差大于设定阈值M的微数据片段;
步骤3、内阻辨识:对标记的微数据片段进行内阻辨识;
步骤4、OCV片段获取:对放电电压数据进行滤波,当滤波进行到被标记的数据段时,采用Kalman滤波算法;当滤波进行到非标记的数据段时,采用状态方程算法;
步骤5、计算SOH:将滤波得到的OCV片段,划分成固定的电压区间,统计每个区间的平均电量,将前述获取的每个区间的平均电量求和,以此得到当前电芯的容量值,并计算电池健康状态SOH。
2.根据权利要求1所述的基于微片段数据和电压滤波的SOH统计方法,其特征在于,步骤1所述的数据筛选:收集温度大于0℃的行车数据,具体如下:
步骤1.1、车联网时,将电芯实时的电压、电流数据实时上传到云端存储;
步骤1.2、选取近两个月总放电量应超过10*额定容量的数据,若两个月总放电量不足10*额定容量,则扩大选取的时间范围;
步骤1.3、剔除温度小于0℃的放电数据;
步骤1.4、剔除BMS上报采集异常的数据。
3.根据权利要求1所述的基于微片段数据和电压滤波的SOH统计方法,其特征在于,步骤2所述的数据标记:将数据划分为微数据片段,将放电电流值转换为倍率形式,计算方差,标记出方差大于设定阈值M的微数据片段,具体如下:
步骤2.1、初始放电时间5min以内的数据不需要被标记,将放电的电流数据划分为30s的微数据片段;
步骤2.2、将电流转化为倍率形式,计算公式为(1-1),其中I是电流,Ca是电芯额定容量,IC是倍率值:
步骤2.3、计算微数据片段的平均倍率,平均倍率小于0.1C和倍率大于0.7C的微数据片段不需要被标记;
步骤2.4、计算剩余微数据片段的方差值,对方差大于阈值M的数据片段进行标记,阈值M的取值范围为0.1-0.5。
4.根据权利要求1所述的基于微片段数据和电压滤波的SOH统计方法,其特征在于,步骤3所述的内阻辨识:对标记的微数据片段进行内阻辨识,具体如下:
步骤3.1、在标记的微数据片段中,SOC引起的OCV变化能够忽略,即微数据片段中的OCV保持不变,所以该数据片段内,电池输出电压的变化是由放电倍率变化引起的,因此得到等价电池模型为:
V=I*r+OCV
式中,r为电池当前内阻值,该内阻包含极化内阻与欧姆内阻影响;I为汽车电池输出的电流值,OCV是锂电池的开路电压,V为电池输出电压;
步骤3.2、基于上述公式,采用最小二乘法计算每一个被标记的微数据片段对应的内阻r。
5.根据权利要求1所述的基于微片段数据和电压滤波的SOH统计方法,其特征在于,步骤4所述的OCV片段获取:对放电电压数据进行滤波,当滤波进行到被标记的数据段时,采用Kalman滤波算法;当滤波进行到非标记的数据段时,采用状态方程算法,具体如下:
步骤4.1、根据Ah积分公式,建立OCV的状态方程
式中,OCVk为需要计算的OCV变量,下标k表示时刻,OCVk-1为上一时刻的OCV变量;Ik-1为上一时刻电流的输入量,Δt为计算周期,Ca为电芯额定容量,SOH0是初始预估的SOH值,OCV是SOC的函数,HSOC是OCV相对于SOC的斜率,ηT为温度影响容量的系数;
步骤4.2、根据电池的等价电池模型,建立OCV计算的观测方程:
Vk=OCVk+Rk*Ik
Vk是电池当前电压,Ik、Rk分别为当前的电流和当前的内阻;
步骤4.3、在一段完整的放电数据滤波过程中,当滤波进行到非标记数据片段时,采用状态方程算法计算OCV,公式为:
式中,k表示时刻;
当滤波进行到标记数据片段时,采用Kalman的滤波公式计算OCV,公式为:
式中,Q为预估的状态方程的误差的协方差,R为预估的测量方程的误差的协方差,P0=0,OCV0电压刚上电时的单体电压值,Vk是当前的单体电压采集值,rk是标记数据片段辨识的内阻值,Ik是当前的采集电流值,和分别表示OCVk和Pk的过渡值;
步骤4.4、重复步骤4.1~步骤4.3直到电芯放电数据被滤波完成,得到不同区间范围的OCV数据段。
6.根据权利要求1所述的基于微片段数据和电压滤波的SOH统计方法,其特征在于,步骤5所述的计算SOH:将滤波得到的OCV片段,划分成固定的电压区间,统计每个区间的平均电量,将所有电压区间电量求和,以此得到当前电芯的容量值,具体如下:
步骤5.1、按照额定容量5%的间距,将电芯厂家提供的“容量-OCV曲线”划分成连续的20个区间范围V0-V1…V19-V20,每个电压范围之间的电量值为Cp1、Cp1、…Cp20;
步骤5.2、将步骤4得到的OCV片段曲线,按照步骤5.1中的电压切分点V0-V20进行划分,计算OCV片段的电压区间的容量值,具体如下:
步骤5.2.1、选取指定OCV片段划分的电压区间,并从步骤4得到的OCV放电数据中截取对应的数据,计算该电压区间的平均温度T和电压区间电量Cp_T;Cp_T计算方式为:该电压区间内所有电流的和乘以采样周期;
步骤5.2.2、根据温度-容量比例表,将T温度下的电压区间电量Cp_T,等价到25度情况下电量值,等价结果记为Cp_new:
式中,Rate_T是根据温度T查找温度-容量比例表获得的比值;
步骤5.2.3、利用平均电量计算公式(1-3),更新该电压区间的电量值:
式中,Num是该区间对应的电量计算次数,Cp_old是该电压区间原有的电量值,Cp_new是利用OCV片段计算的该电压区间的电量值,Cp是该电压片段新的电量值;当该电压区间电量值更新后,将对应的电量计算次数加1;
步骤5.2.4、重复步骤5.2.1~步骤5.2.3,直至OCV片段能截取的电压区间的电量被统计到对应的平均电量中;
步骤5.3、重复步骤5.2,直到所有的OCV片段被划分电压区间,同时所有的电压范围的电量被统计入表中,最终得到不同电压区间的平均电量统计结果表;
步骤5.4、将不同电压区间的平均电量相加得到Cp_total,Cp_total即为当前电芯在25度下的容量值,最后利用下述公式计算电池健康状态SOH:
其中,Ca是电芯额定容量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911349341.9A CN111044907B (zh) | 2019-12-24 | 2019-12-24 | 一种基于微片段数据和电压滤波的soh统计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911349341.9A CN111044907B (zh) | 2019-12-24 | 2019-12-24 | 一种基于微片段数据和电压滤波的soh统计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111044907A CN111044907A (zh) | 2020-04-21 |
CN111044907B true CN111044907B (zh) | 2022-06-14 |
Family
ID=70239078
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911349341.9A Active CN111044907B (zh) | 2019-12-24 | 2019-12-24 | 一种基于微片段数据和电压滤波的soh统计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111044907B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115144778A (zh) * | 2022-09-02 | 2022-10-04 | 力高(山东)新能源技术有限公司 | 一种大数据估算电池内阻的方法 |
CN116256648A (zh) * | 2023-05-16 | 2023-06-13 | 合肥力高动力科技有限公司 | 一种基于充电数据的锂电池soh估计方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003157912A (ja) * | 2001-08-13 | 2003-05-30 | Hitachi Maxell Ltd | 電池容量検出方法および装置 |
CN104809333A (zh) * | 2015-04-03 | 2015-07-29 | 百度在线网络技术(北京)有限公司 | 基于Kalman滤波器的容量预测方法和*** |
CN105301509A (zh) * | 2015-11-12 | 2016-02-03 | 清华大学 | 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 |
CN105548898A (zh) * | 2015-12-25 | 2016-05-04 | 华南理工大学 | 一种离线数据分段矫正的锂电池soc估计方法 |
CN107003359A (zh) * | 2014-11-28 | 2017-08-01 | 雷诺有限合伙公司 | 电池组的电池单元的容量的自动估计方法 |
CN109164391A (zh) * | 2018-07-12 | 2019-01-08 | 杭州神驹科技有限公司 | 一种动力电池荷电状态在线估算方法及*** |
CN110168389A (zh) * | 2017-09-28 | 2019-08-23 | 株式会社Lg化学 | 用于获得锂离子电池单体的劣化信息的装置和方法 |
CN110273737A (zh) * | 2019-04-10 | 2019-09-24 | 武汉理工大学 | 柴油机后处理***催化器热失效容错控制方法及其装置 |
CN110596606A (zh) * | 2019-08-23 | 2019-12-20 | 中国科学院电工研究所 | 一种锂电池剩余电量估计方法、***及装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150349385A1 (en) * | 2014-04-01 | 2015-12-03 | Medtronic, Inc. | Method and System for Predicting Useful Life of a Rechargeable Battery |
US11079437B2 (en) * | 2017-12-06 | 2021-08-03 | Cadex Electronics Inc. | Battery state-of-health determination upon charging using state-of-health classifier |
CN109375111A (zh) * | 2018-10-12 | 2019-02-22 | 杭州电子科技大学 | 一种基于uhf的电池剩余电量估计方法 |
-
2019
- 2019-12-24 CN CN201911349341.9A patent/CN111044907B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003157912A (ja) * | 2001-08-13 | 2003-05-30 | Hitachi Maxell Ltd | 電池容量検出方法および装置 |
CN107003359A (zh) * | 2014-11-28 | 2017-08-01 | 雷诺有限合伙公司 | 电池组的电池单元的容量的自动估计方法 |
CN104809333A (zh) * | 2015-04-03 | 2015-07-29 | 百度在线网络技术(北京)有限公司 | 基于Kalman滤波器的容量预测方法和*** |
CN105301509A (zh) * | 2015-11-12 | 2016-02-03 | 清华大学 | 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 |
CN105548898A (zh) * | 2015-12-25 | 2016-05-04 | 华南理工大学 | 一种离线数据分段矫正的锂电池soc估计方法 |
CN110168389A (zh) * | 2017-09-28 | 2019-08-23 | 株式会社Lg化学 | 用于获得锂离子电池单体的劣化信息的装置和方法 |
CN109164391A (zh) * | 2018-07-12 | 2019-01-08 | 杭州神驹科技有限公司 | 一种动力电池荷电状态在线估算方法及*** |
CN110273737A (zh) * | 2019-04-10 | 2019-09-24 | 武汉理工大学 | 柴油机后处理***催化器热失效容错控制方法及其装置 |
CN110596606A (zh) * | 2019-08-23 | 2019-12-20 | 中国科学院电工研究所 | 一种锂电池剩余电量估计方法、***及装置 |
Non-Patent Citations (3)
Title |
---|
An improved adaptive estimator for state-of-charge estimation of lithium-ion batteries;Wenjie Zhang et.al;《Journal of Power Sources》;20181231;第402卷;第422-433页 * |
基于KF的锂离子电池SOC估计的模型误差研究;穆嘉毅;《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》;20191115(第11期);第C035-366页 * |
基于数据片段的电动车锂电池参数辨识方法;高玮;《中国优秀博硕士学位论文全文数据库(博士)工程科技Ⅱ辑》;20190915(第09期);第C035-20页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111044907A (zh) | 2020-04-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108037460B (zh) | 一种批产锂离子电池容量实时评估方法 | |
CN108732503B (zh) | 一种电池健康状态与电池容量检测方法及装置 | |
CN108717164B (zh) | 电池的荷电状态soc标定方法及*** | |
CN108318775B (zh) | 在线诊断电池短路故障的方法及装置 | |
CN105319515B (zh) | 锂离子电池荷电状态和健康状态联合估算方法 | |
CN105116344B (zh) | 基于二进制编码的电池开路电压估算方法 | |
WO2016134496A1 (zh) | 锂离子电池荷电状态估算方法和装置 | |
CN116298979A (zh) | 锂离子电池的健康状态的估算方法及*** | |
CN104656023B (zh) | 一种评价电池单体一致性的方法和*** | |
CN106716158A (zh) | 电池荷电状态估算方法和装置 | |
CN109358293B (zh) | 基于ipf的锂离子电池soc估计方法 | |
CN108490366B (zh) | 电动汽车退役电池模块健康状态的快速评估方法 | |
CN104535932A (zh) | 一种锂离子电池荷电状态估计方法 | |
CN109031133B (zh) | 一种动力电池的soc修正方法 | |
CN111190109B (zh) | 一种无电流传感器的锂电池荷电状态估计方法 | |
CN110795851A (zh) | 一种考虑环境温度影响的锂离子电池建模方法 | |
CN112540318B (zh) | 一种起动内燃机的铅酸蓄电池健康状态估算方法 | |
CN113109729B (zh) | 基于加速老化试验与实车工况的车用动力电池soh评估方法 | |
CN111044907B (zh) | 一种基于微片段数据和电压滤波的soh统计方法 | |
CN110045291B (zh) | 一种锂电池容量估计方法 | |
CN107817448B (zh) | 一种适用于复杂工况的在线实时监测电池电量的方法 | |
CN109975717B (zh) | 一种动力电池内阻的在线计算方法 | |
CN108169687A (zh) | 一种基于云平台的蓄电池soc估算方法 | |
CN104833917A (zh) | 用于锂蓄电池中荷电状态实时估算的标称电池电阻的确定 | |
CN114371408A (zh) | 电池荷电状态的估算方法、充电曲线的提取方法及装置 |
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 |