CN111308373A - 一种电池的Thevenin模型参数的辨识方法及其应用 - Google Patents
一种电池的Thevenin模型参数的辨识方法及其应用 Download PDFInfo
- Publication number
- CN111308373A CN111308373A CN202010267442.8A CN202010267442A CN111308373A CN 111308373 A CN111308373 A CN 111308373A CN 202010267442 A CN202010267442 A CN 202010267442A CN 111308373 A CN111308373 A CN 111308373A
- Authority
- CN
- China
- Prior art keywords
- battery
- parameters
- model
- thevenin
- thevenin model
- 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
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
- G01R31/388—Determining ampere-hour charge capacity or SoC involving voltage measurements
-
- 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]
- G01R31/389—Measuring internal impedance, internal conductance or related variables
-
- 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
-
- 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]
- G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
一种电池的Thevenin模型参数的辨识方法及其应用,适用于单个电池或/和整个电池组的电池模型参数估计,也适用于电池组中串联和/或并联中单个电池的模型参数辨识,建立Thevenin模型、离散化以及变换、辨识算法等方法的结合,实现快速、实时以及精确的估计电池的模型参数的方法,其简单、实用、高效,进而为电池的各种状态估计,可以为SOC(荷电状态,state of charge)、SOP(功率状态,state of power)和SOH(健康状态,state of health)等电池状态的估计提供了基础。
Description
技术领域
本发明为电池技术领域,涉及电池的等效电路模型及模型的参数辨识,具体的说是电池的Thevenin模型参数的辨识方法及其应用。
背景技术
电池的出现促进了各行各业的发展,如手机、电脑、可穿戴设备、电动工具等。虽然电池可以提高设备的灵活性,促使设备更加小巧,但若不加以合理的使用,极易发生危险事故。若电池发生过度充电或者过度放电时,使得电池内部发生析锂,并引起锂枝晶,这不仅加速了电池寿命的衰减,也会引起电池的热失控,继而发生***等安全事故。
因此,若要保证电池始终处于安全合理的运行范围之内,必须对电池进行快速、实时、精确、有效的监测以及状态参数的估计。建立精确的锂电池模型是提高估算精度的关键,目前常用的锂电池等效电路模型有Rint模型、RC模型、 Thevenin模型和PNGV模型等,其中Thevenin模型具有物理意义明确、模型参数辨识实验容易执行等优点,被广泛应用于电池的数学建模中,目前常用的、传统的Thevenin模型参数的辨识方法为曲线拟合,但这种方法只适合参数的离线辨识,不利于实际使用,所以对于如何实现快速、实时以及精确的估计电池的模型参数并没有简单、快捷的方法。
发明内容
为了解决上述问题,本发明提供了一种高效、快速、实时以及精确估计电池的Thevenin模型参数的方法,进而为电池的多种状态估计,包含但不仅限于SOC(荷电状态,state of charge)、SOP(功率状态,state of power)和SOH (健康状态,state of health)提供了基础。
本申请的技术方案为:
一种电池的Thevenin模型参数的辨识方法,其特征在于,所述方法包括以下步骤:
(1)建立Thevenin模型,并且规定充电时电流为正,所述Thevenin模型用下式表示:
其中U为Thevenin模型中电池的端电压、Up为极化电压、RI为欧姆压降和Uo为开路电压;
(2)公式一经过离散化以及变换,可表示为公式二:
进而得到:
其中:Ts为采样时间;
公式二可写成如下形式:
其中:ε(k)为噪声。
进一步的,所述辨识算法包含但不仅限于递推最小二乘算法(RLS)、带遗忘因子的递推最小二乘算法。
本申请的有益效果为:
本申请提供实现快速、实时以及精确的估计电池的模型参数的方法,其简单、实用、高效,进而为电池的各种状态估计,可以为SOC(荷电状态,state of charge)、SOP(功率状态,state of power)和SOH(健康状态,state of health)等电池状态的估计提供了基础。
附图说明
图1为本发明中thevenin等效电路模型;
图2为本发明中Thevenin参数辨识的流程图;
图3为本发明中电池串联示意图;
图4为本发明中电池串并联示意图;
图5为本发明中电池并联示意图;
图6为本发明附图3串联电池的HPPC测试数据表。
具体实施方式
下面结合附图说明和具体实施方式对本申请进行进一步说明,为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
对三节串联的磷酸铁锂电池组进行了一组HPPC(混合脉冲测试制度, HybridPulse Power Characterization)测试实验,采集了60秒的电压和电流数据,如图6。
下面以RLS对上述三节串联的磷酸铁锂电池组的Thevenin模型参数的辨识做示例性展示。
1)对电池的电压和电流进行L次(L≥2)采样;
2)确定θ和协方差矩阵PN的初值:
令θ0=[0 0 0 0 0 0]T,P0=σ2I,I为单位矩阵,σ2≥106;
3)计算增益矩阵Gi+1:
4)计算θ的估计值:
5)协方差矩阵Pi+1:
6)利用公式三可求得Thevenin模型的参数;
7)重复步骤3)~5),直至L次采样结束。
得到Thevenin模型的辨识结果,HPPC测试制度下的辨识结果如下:
欧姆内阻/mΩ | 极化内阻/mΩ | 极化电容/F | 时间常数/s | 开路电压/V | 电池 |
2.925 | 0.210 | 3912.264 | 0.823 | 9.612 | 整个电池组 |
1.073 | 0.063 | 13014.803 | 0.814 | 3.149 | 单体1 |
1.073 | 0.077 | 10155.834 | 0.783 | 3.310 | 单体2 |
0.755 | 0.094 | 8042.997 | 0.783 | 3.314 | 单体3 |
利用辨识得到的参数对Thevenin模型进行仿真,整个电池组的仿真值相对于真实值的平均误差为0.205V,而均方根误差为0.211V,对于单体电池,仿真值相对于真实值的平均误差为0.013V,均方根误差为0.071V,根据所获取的参数在 SOC、SOP和SOH的估算分析中进行应用。
本算法不仅可以实现Thevenin模型参数的辨识,并且辨识的模型参数具有很高的精度。
本发明适用于单个电池或/和整个电池组的电池模型参数估计,也适用于电池组中串联和/或并联中单个电池的模型参数辨识,图3~图5只是某种电池连接的示意图,并不代表全部连接方式。
最后所应说明的是,以上具体实施方式仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (3)
1.一种电池的Thevenin模型参数的辨识方法,其特征在于,所述方法包括以下步骤:
(1)建立Thevenin模型,并且规定充电时电流为正,所述Thevenin模型用下式表示:
其中U为Thevenin模型中电池的端电压、Up为极化电压、RI为欧姆压降和Uo为开路电压;
(2)公式一经过离散化以及变换,可表示为公式二:
进而得到:
其中:Ts为采样时间;
公式二可写成如下形式:
其中:ε(k)为噪声;
(4)根据上述公式对模型参数进行计算:
1)对电池的电压和电流进行L次(L≥2)采样;
2)确定θ和协方差矩阵PN的初值:
令θ0=[0 0 0 0 0 0]T,P0=σ2I,I为单位矩阵,σ2≥106;
3)计算增益矩阵Gi+1:
6)计算θ的估计值:
5)协方差矩阵Pi+1:
6)利用公式三求得Thevenin模型的参数。
2.根据权利要求1所述的一种电池的Thevenin模型参数的辨识方法,其特征在于,所述辨识算法包含但不仅限于递推最小二乘算法(RLS)、带遗忘因子的递推最小二乘算法。
3.根据权利要求1或2任一所述的一种电池的Thevenin模型参数的辨识方法的应用,其特征在于,根据所获取的参数在SOC、SOP和SOH的估算分析中进行应用。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010267442.8A CN111308373A (zh) | 2020-04-07 | 2020-04-07 | 一种电池的Thevenin模型参数的辨识方法及其应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010267442.8A CN111308373A (zh) | 2020-04-07 | 2020-04-07 | 一种电池的Thevenin模型参数的辨识方法及其应用 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111308373A true CN111308373A (zh) | 2020-06-19 |
Family
ID=71150013
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010267442.8A Pending CN111308373A (zh) | 2020-04-07 | 2020-04-07 | 一种电池的Thevenin模型参数的辨识方法及其应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111308373A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111965544A (zh) * | 2020-07-17 | 2020-11-20 | 江苏大学 | 基于电压及电流双约束的车用并联动力电池的最小包络线soc估计方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104502858A (zh) * | 2014-12-31 | 2015-04-08 | 桂林电子科技大学 | 基于后向差分离散模型的动力电池soc估计方法与*** |
US20150112620A1 (en) * | 2012-05-24 | 2015-04-23 | Avl List Gmbh | Method and device for testing electrical energy storing systems for driving vehicles |
CN106597291A (zh) * | 2016-10-11 | 2017-04-26 | 深圳市沃特玛电池有限公司 | 在线估算电池参数的方法 |
CN107576919A (zh) * | 2017-10-20 | 2018-01-12 | 广东石油化工学院 | 基于armax模型的动力电池荷电状态估算***及方法 |
CN107894570A (zh) * | 2017-10-23 | 2018-04-10 | 北京新能源汽车股份有限公司 | 基于Thevenin模型的电池组SOC的估算方法和装置 |
CN109613432A (zh) * | 2019-01-08 | 2019-04-12 | 广州小鹏汽车科技有限公司 | 估算电池荷电状态的方法、设备及计算机可读存储介质 |
-
2020
- 2020-04-07 CN CN202010267442.8A patent/CN111308373A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150112620A1 (en) * | 2012-05-24 | 2015-04-23 | Avl List Gmbh | Method and device for testing electrical energy storing systems for driving vehicles |
CN104502858A (zh) * | 2014-12-31 | 2015-04-08 | 桂林电子科技大学 | 基于后向差分离散模型的动力电池soc估计方法与*** |
CN106597291A (zh) * | 2016-10-11 | 2017-04-26 | 深圳市沃特玛电池有限公司 | 在线估算电池参数的方法 |
CN107576919A (zh) * | 2017-10-20 | 2018-01-12 | 广东石油化工学院 | 基于armax模型的动力电池荷电状态估算***及方法 |
CN107894570A (zh) * | 2017-10-23 | 2018-04-10 | 北京新能源汽车股份有限公司 | 基于Thevenin模型的电池组SOC的估算方法和装置 |
CN109613432A (zh) * | 2019-01-08 | 2019-04-12 | 广州小鹏汽车科技有限公司 | 估算电池荷电状态的方法、设备及计算机可读存储介质 |
Non-Patent Citations (3)
Title |
---|
刘江等: "基于RLS与EKF算法的锂电池SOC估计", 《测控技术》 * |
刘泽元: ""飞机蓄电池测试技术研究"", 《中国优秀硕士学位论文全文数据库(工程科技II辑)》 * |
李百华等: "电动汽车锂电池戴维南等效电路模型参数辨识研究", 《微型机与应用》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111965544A (zh) * | 2020-07-17 | 2020-11-20 | 江苏大学 | 基于电压及电流双约束的车用并联动力电池的最小包络线soc估计方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Motapon et al. | A generic cycle life model for lithium-ion batteries based on fatigue theory and equivalent cycle counting | |
CN102937704B (zh) | 一种动力电池rc等效模型的辨识方法 | |
CN103197251B (zh) | 一种动力锂电池二阶rc等效模型的辨识方法 | |
CN111537899A (zh) | 一种梯次利用动力电池安全性评估方法 | |
CN106154172A (zh) | 锂离子动力电池内短路程度的定量估算方法 | |
CN106443453A (zh) | 一种基于bp神经网络的锂电池soc估算方法 | |
CN110346734A (zh) | 一种基于机器学习的锂离子动力电池健康状态估算方法 | |
CN106338695A (zh) | 一种基于粒子群算法的电池模型参数辨识方法 | |
CN107121643A (zh) | 锂离子电池健康状态联合估计方法 | |
CN103293485A (zh) | 基于模型的蓄电池荷电状态估计方法 | |
CN109596993B (zh) | 锂离子电池荷电状态检测的方法 | |
CN104537166B (zh) | 一种动力电池的等效电路模型的构建方法 | |
CN112881914B (zh) | 一种锂电池健康状态预测方法 | |
CN111064253A (zh) | 一种基于平均离散Fréchet距离的电池健康度快速评估方法 | |
CN111983459A (zh) | 一种基于车用锂离子电池的健康状态测试评估方法 | |
CN111208432A (zh) | 用于电池的二阶rc等效电路模型参数实时辨识方法及装置 | |
CN111208433A (zh) | 电池二阶rc等效电路模型参数辨识的方法及装置 | |
CN115616428A (zh) | 一种“充—检”一体电动汽车电池状态检测与评价方法 | |
EP4270033A1 (en) | Method and apparatus for estimating state of health of battery | |
Yang et al. | SOC estimation of lithium-ion battery based on new adaptive fading extended Kalman filter | |
Farag et al. | Li-ion battery SOC estimation using non-linear estimation strategies based on equivalent circuit models | |
Kharisma et al. | Modeling and simulation of lithium-ion battery pack using modified battery cell model | |
CN111257753A (zh) | 一种电池***故障诊断方法 | |
CN111983465A (zh) | 一种基于剩余电量估计的电动汽车充电安全防护方法 | |
Chen et al. | The application of UKF algorithm for 18650-type lithium battery SOH estimation |
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: 20200619 |