CN111914485B - 一种基于分数阶技术的自适应动力电池soc估计方法及*** - Google Patents
一种基于分数阶技术的自适应动力电池soc估计方法及*** Download PDFInfo
- Publication number
- CN111914485B CN111914485B CN202010790337.2A CN202010790337A CN111914485B CN 111914485 B CN111914485 B CN 111914485B CN 202010790337 A CN202010790337 A CN 202010790337A CN 111914485 B CN111914485 B CN 111914485B
- Authority
- CN
- China
- Prior art keywords
- model
- power battery
- soc
- variance
- battery
- 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 55
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 17
- 238000005516 engineering process Methods 0.000 title claims abstract description 10
- 239000002245 particle Substances 0.000 claims abstract description 30
- 238000001914 filtration Methods 0.000 claims abstract description 23
- 238000012360 testing method Methods 0.000 claims description 18
- 230000000694 effects Effects 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 10
- 230000010287 polarization Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 4
- 238000012952 Resampling Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 4
- 238000007599 discharging Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 3
- 238000009825 accumulation Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 6
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 229910001416 lithium ion Inorganic materials 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000000306 component Substances 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000035882 stress Effects 0.000 description 2
- 238000012614 Monte-Carlo sampling Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000003487 electrochemical reaction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000009662 stress testing Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Geometry (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Tests Of Electric Status Of Batteries (AREA)
- Secondary Cells (AREA)
Abstract
本公开提出了一种基于分数阶技术的自适应动力电池SOC估计方法及***,包括:建立动力电池的分数阶等效电路模型并对其进行离散化;通过最小化模型输出值与实测值的均方误差,获得模型中各个元件的参数;针对所得模型,利用粒子滤波算法,通过计算状态的累积更新量及输出电压的误差,依据初始所设的方差范围动态调整滤波算法中的方差,估计动力电池的状态。利用方差自适应更新算法实现了SOC的准确估计。最后通过动态工况对本方案算法进行验证,结果表明本算法收敛性能好,估计精度高,具有实际应用价值。
Description
技术领域
本公开属于动力电池应用技术领域,尤其涉及一种基于分数阶技术的自适应动力电池SOC估计方法及***。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,不必然构成在先技术。
电动汽车具有高能源利用率、低排放、低污染等优点,受到了工业界的广泛关注。电池管理***(BMS)是电动汽车的核心组件之一,对保障电动汽车可靠、安全运行具有基础性作用。动力电池荷电状态(SOC)估计是动力电池管理***的重点与难点。快速精准的SOC估计有助于保护电池、防止过充与过放、提高电池利用率,对推动电动汽车的发展具有重要意义。
目前,广泛使用的动力电池SOC估计方法主要可分为三类:以库伦计数法和开路电压法为代表的开环方法、结合观测器或者滤波器理论的基于模型的方法和基于机器学习算法的数据驱动方法。迄今为止,应用最为广泛的仍然是最为传统的库伦计数法,因为它简单易行。然而该方法对初始估计值极为敏感且存在累积误差,故往往需要利用预先测定的开路电压(OCV)与荷电状态的关系对其进行调整。
总体而言,简单的开环方法不能很好地应对老化和测量干扰,难以实现精确的SOC估计。以模糊逻辑、人工神经网络和支持向量机为代表的数据驱动方法能极好地处理电池***的非线性特性,但其性能依赖于训练数据集的数量与质量,故难以应对各种复杂的实际工况。基于模型的方法能很好地进行自我校正,并实现精准的SOC估计。但是这类方法对模型的精确度要求较高,需要用精确的模型来保障其性能。
发明内容
为克服上述现有技术的不足,本公开提供了一种基于分数阶技术的自适应动力电池SOC估计方法,利用估计OCV并间接通过OCV-SOC的单调关系得到SOC的策略较之于库伦计数法将具有更好的一致性。
为实现上述目的,本公开的一个或多个实施例提供了如下技术方案:
一方面,公开了一种基于分数阶技术的自适应动力电池SOC估计方法,包括:
建立动力电池的分数阶等效电路模型并对其进行离散化;
通过最小化模型输出值与实测值的均方误差,获得模型中各个元件的参数;
针对所得模型,利用粒子滤波算法,通过计算状态的累积更新量及输出电压的误差,依据初始所设的方差范围动态调整滤波算法中的方差,估计动力电池的状态。
进一步的技术方案,所述动力电池的分数阶等效电路模型包括依次连接的动力电池欧姆内阻,并联的具有分数阶特性的常相位元件与Rp,用于描述电池内部的极化效应,电压源,用于描述电池的开路电压,随着电池的SOC变化而变化。Rp为等效电路中并联部分的电阻元件,它和常相位元件并联,用于描述电池充放电过程中的动态特性。
进一步的技术方案,基于基尔霍夫定律与元件特性方程,获得所建等效电路模型的状态方程。
进一步的技术方案,对动力电池进行充放电测试以获得不同SOC状态下电池的开路电压,利用多项式拟合获得开路电压OCV与SOC的关系。
进一步的技术方案,基于开路电压OCV与SOC的关系,对上述等效电路模型的状态方程离散化,获得模型的离散方程。
进一步的技术方案,采用脉冲充放电测试策略,在每次完成固定电量放电或充电后将电池静置以获得不同SOC水平下电池的开路电压,最后取充放电过程中静置后电压的平均值作为电池的开路电压以消除充过电开路电压的迟滞效应。
进一步的技术方案,将模型中的[R0,Rp,Cp,α]作为待辨识参数,通过最小化模型输出值与实测值的均方误差,得到模型参数。
另一方面,公开了一种基于分数阶技术的自适应动力电池SOC估计***,包括:
模型建立模块,被配置为:建立动力电池的分数阶等效电路模型并对其进行离散化;
模型参数获得模块,被配置为:通过最小化模型输出值与实测值的均方误差,获得模型中各个元件的参数;
动力电池的状态估计模块,被配置为:针对所得模型,利用粒子滤波算法,通过计算状态的累积更新量及输出电压的误差,依据初始所设的方差范围动态调整滤波算法中的方差,估计动力电池的状态。
以上一个或多个技术方案存在以下有益效果:
针对动力电池传统整数阶模型精度不足及现有滤波算法估计难以收敛,鲁棒性差的问题,本公开技术方案在分数阶等效电路的基础上,提出了利用可完全适用于非线性模型、基于开路电压的动力电池SOC估计方法,并进一步利用方差自适应更新算法实现了SOC的准确估计。最后通过动态工况对本方案算法进行验证,结果表明本算法收敛性能好,估计精度高,具有实际应用价值。
本发明附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不当限定。
图1所示为本发明具体实施例中的SOC估计方法原理框图;
图2所示为本发明所提出的含有一个CPE元件的分数阶等效电路图;
图3所示为动力开路电压拟合结果与实测值的对比图;
图4所示为DST工况下,输入电流与输出电压图;
图5所示为用于获得模型参数的粒子群优化算法流程图;
图6所示为FUDS工况下本方案的估计结果图。
具体实施方式
应该指出,以下详细说明都是示例性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本公开的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
较之于利用理想电路元件来模拟动力电池对外输出特性的传统等效电路模型,分数阶模型(FOM)通过引入具有分数阶特性的常相位元件(CPE),能从频域角度出发更好地拟合电池的整体性能。材料学的研究已经表明电池内部的电化学反应具有反常扩散、记忆和滞后等特性,用分数阶模型可以更简洁地描述这些特性。
不同放电倍率下电池的活化极化与浓度差极化程度各不相同,故放电截止后电池的恢复效应各不相同。为更好地应对不同放电倍率下电池的可用电量的变化,利用估计OCV并间接通过OCV-SOC的单调关系得到SOC的策略较之于库伦计数法将具有更好的一致性。
本公开提出的总体思路:
本发明主要利用含有一个CPE元件的分数阶等效电路获得锂离子电池的状态空间模型,并结合脉冲放电测试与DST工况测试所得结果,运用粒子群优化算法及多项式拟合技术,获得OCV与SOC的关系以及模型中各个元件的参数。此外,本模型利用粒子滤波算法,估计电池的状态,并参考累积状态更新数据动态调整滤波算法中的方差,以提升状态估计的鲁棒性和稳定性。
本公开技术方案使用的是粒子滤波算法,相对现有的扩展卡尔曼滤波算法或最小二乘算法更好优势,对非线性***的适应性更好。
本公开技术方案使用的模型为一阶模型,且通过估计开路电压间接估计SOC。且使用了一种基于历史更新的自适应方差更新算法。
本实施例公开了一种基于分数阶技术的自适应动力电池SOC估计方法,包括:
1)建立动力电池的分数阶等效电路模型,利用分数阶微积分的GL定义与OCV-SOC关系对其进行离散化;GL定义即公式(4);
2)设计实验获得相关数据,利用脉冲放电测试及动态工况测试等,建立电池数据集,验证电池的分数阶特性;
3)利用多项式拟合技术获得OCV-SOC关系,利用粒子群优化算法得到上述模型的参数;
4)利用基于蒙特卡洛方法与重采样方法的粒子滤波算法,实现了基于OCV的SOC精准估计。此外,还设计了一种自适应的方差更新算法,在估计过程中动态调整状态方差,提升算法的鲁棒性与收敛速度。
电池状态估计需要模型,粒子群优化算法是一种群优化算法,利用粒子群优化算法可以得到等效电路的模型参数即R0 Rp Cα可以确定。则式(7)中的元件参数都可以确定,之后运用粒子滤波算法(粒子滤波算法中引入了重要性重采样和蒙特卡洛方法)可以实现状态估计。在粒子滤波中,算法的效果受式(7)中的wk vk影响较大,自适应方差更新便是在估计过程中,不停地根据误差及历史数据调整这两个参数。
该方法通过估计开路电压间接得到SOC,且利用了自适应的粒子滤波算法,能更好地在各种复杂工况下实现SOC的精确估计。
进一步而言,步骤(1)中所提的动力电池等效电路模型包含一个具有分数阶特性的常相位元件(Constant phase element,CPE)。CPE元件的等效阻抗可表达为
其中的α为元件的分数阶阶次,C为分数阶电容常数,S为拉普拉斯变换的算子。
建立锂离子动力电池的分数阶等效电路模型如图2,该等效电路中CPE与极化电阻Rp并联,以描述电池内部的极化效应。此外,电路还包含描述OCV的电压源及欧姆内阻R0。电压源描述了电池的开路电压,它随着电池的SOC变化而变化。模型中的Vt与It分别描述了动力电池的端电流与端电压,当It为正,表示充电。基于基尔霍夫定律与元件特性方程,所建等效电路模型的特性方程可写为
假设focv(SOC)描述了开路电压与SOC的关系,那么开路电压OCV与It的关系可写为
考虑到电池容量Qn远大于It(t),所以可以认为Voc(t)随时间变化很慢,所以可以认为
此外,依照分数阶微积分的GL定义,给定函数x(t)的α阶导数可以写为
其中算子表示函数关于t的任意阶积分或导数。Ts是***的采样时间,[·]是下取整函数,/>是二项式(1-z)α的系数,可写为
其中伽马函数Γ(·)可写为
并考虑到基于OCV的SOC估计方法能更好地克服不同放电倍率带来的不一致性,本发明将OCV作为状态变量。
本方案中采用了通过估计OCV后间接利用OCV与SOC的单调关系估计SOC,结合上述定义可写出模型的离散方程为
其中ωk与υk分别为模型的状态与测量噪声。
在步骤(2)中,采用脉冲充放电测试策略,在每次完成固定电量放电或充电后将电池静置以获得不同SOC水平下电池的开路电压,最后取充放电过程中静置后电压的平均值作为电池的开路电压以消除充放电开路电压的迟滞回环效应。利用动态应力测试(DynamicStress Test,DST)获得动态工况下电池的电压电流曲线。该试验方案是对一般实际工况进行拆分、剪裁和简化,并结合功率分布统计得到,便于充放电装置模拟。进一步的还可以进行更符合实际工况的其他模拟测试如FUDS等。
本实例采用了Samsung公司出产的18650型LNMC锂离子电池进行实验测试。该电池的具体参数如下:
表1:18650型LNMC锂离子电池的参数
对电池进行脉冲充放电测试以获得不同SOC状态下电池的开路电压。先用标准充电策略将电池充满,之后用1A的电流(也就是0.5C倍率)的电流对电池进行放电,每放电12分钟,电池能放出10%的容量。每次放电结束后将电池静置2小时,取静置两小时后的电池电压作为放电过程中该SOC状态下的电池开路电压。用同样的策略也可获得充电过程中不同SOC状态下的电池开路电压,且考虑到电池开路电压的迟滞效应,最终取两过程中的电压平均值作为对应SOC状态下的开路电压。
在步骤(3)中,首先建立OCV关于SOC的函数,即focv(SOC)。本方案中选取六阶多项式描述两者的关系,形如
Voc(5OC)=K1SOC6+K2SOC5+K3SOC4+K4SOC3+K5SOC2+K6SOC+K7, (8)
其中的参数可以通过Matlab自带的参数辨识工具性获得。进一步,利用粒子群优化算法,将模型中的[R0,Rp,Cp,α]作为带辨识参数,通过最小化模型输出值与实测值的均方误差,得到模型参数。
利用Matlab所带的曲线拟合工具箱得到参数见表2,拟合效果见附图3。
表2:开路电压多项式拟合参数
用电动汽车动态应力测试(DST工况)对电池进行测试,以获得等效电路模型中的元件参数。该工况是对电池实际应用的一种简化模拟,本实验中获得的DST工况测试电流与电压如附图4所示。进一步地,运用粒子群优化算法,将模型中的[R0,Rp,Cp,α]作为待辨识参数,通过最小化模型输出值与实测值的均方误差,得到模型参数。
粒子群优化算法的流程图如图5所示,所得模型参数如表3所示。
表3:等效电路参数表
在步骤(4)中,采用了基于蒙特卡洛采样过程的粒子滤波算法以实现对状态的精确估计。为提高算法的鲁棒性与收敛速度,提出了一种考虑到输出误差与状态累积变化量的自适应方差更新算法。通过以上算法,可以实现准确、快速的SOC实时估计。
再次参见附图1所示,具体步骤为:
(1)计算待估计状态在过去m个时刻的累积更新量,这里的状态即为式(7)中的开路电压Voc与极化电压Vp。
(2)根据预先设定的方差范围初步确定下一时刻方差。(在算法开始时便给定了三个方差阈值,即最大方差值Qc,max中间方差值Qc,mid最小方差值Qc,min)。
(3)根据模型的预测端电压与实测端电压的差值,确定最终的方差。其中的Errormax为模型的最大输出电压误差。
结合所得模型,可以应用粒子滤波算法对电池状态进行估计。粒子滤波算法以贝叶斯推理及重要性重采样为基本框架,应用蒙特卡洛方法,用粒子集表示概率,因而可以应用到任何形式的状态空间模型上。较之传统的卡尔曼滤波等,粒子滤波算法对本专利中的非线性分数阶模型具有更好的适应性。为提升算法的收敛速度与鲁棒性,本专利在粒子滤波算法中采用了动态的方差更新算法,该算法通过计算状态的累积更新量及输出电压的误差,依据初始所设的方差范围动态调整模型方差,明显地提升了算法的收敛速度。附图6展示了本方法在FUDS工况测试下的效果图,可以看出,本方法能有效实现SOC的准确、快速估计。
又一实施例子中,本实施例的目的是提供一种计算装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述例子方法中的具体步骤。
另一实施例子中,还公开了本实施例的目的是提供一种计算机可读存储介质。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时执行上述例子方法中的具体步骤。
另一实施例子中,公开了一种基于分数阶技术的自适应动力电池SOC估计***,包括:
模型建立模块,被配置为:建立动力电池的分数阶等效电路模型并对其进行离散化;
模型参数获得模块,被配置为:通过最小化模型输出值与实测值的均方误差,获得模型中各个元件的参数;
动力电池的状态估计模块,被配置为:针对所得模型,利用粒子滤波算法,通过计算状态的累积更新量及输出电压的误差,依据初始所设的方差范围动态调整滤波算法中的方差,估计动力电池的状态。
以上实施例的装置中涉及的各步骤与方法实施例一相对应,具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质;还应当被理解为包括任何介质,所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本公开中的任一方法。
本领域技术人员应该明白,上述本公开的各模块或各步骤可以用通用的计算机装置来实现,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本公开不限制于任何特定的硬件和软件的结合。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述,但并非对本公开保护范围的限制,所属领域技术人员应该明白,在本公开的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
Claims (6)
1.一种基于分数阶技术的自适应动力电池SOC估计方法,其特征是,包括:
建立动力电池的分数阶等效电路模型并对其进行离散化;具体为,对动力电池进行充放电测试以获得不同SOC状态下电池的开路电压,利用多项式拟合获得开路电压OCV与SOC的关系;基于开路电压OCV与SOC的关系,对上述等效电路模型的特性方程离散化,获得模型的离散方程;
基于基尔霍夫定律与元件特性方程,获得所建等效电路模型的特性方程,可写为:
其中,为欧姆内阻,/>动力电池的端电压,/>动力电池的端电流,/>为分数阶阶次,R p为极化电阻;
所述模型的离散方程为:
其中,与/>分别为模型的状态与测量噪声;
利用粒子群优化算法,通过最小化模型输出值与实测值的均方误差,获得模型中各个元件的参数;具体的,将模型中的[R 0 ,R p ,C p ,α] 作为待辨识参数,通过最小化模型输出值与实测值的均方误差,得到模型参数;
针对所得模型,利用粒子滤波算法,通过计算状态的累积更新量及输出电压的误差,依据初始所设的方差范围动态调整滤波算法中的方差,估计动力电池的状态;所述粒子滤波算法为基于蒙特卡洛方法与重采样方法的粒子滤波算法;
考虑到输出误差与状态累积变化量的自适应方差更新算法,具体步骤为:
步骤一、计算待估计状态在过去m个时刻的累积更新量,所述状态即为开路电压V oc与极化电压V p;
步骤二、根据预先设定的方差范围初步确定下一时刻方差;在算法开始时便给定了三个方差阈值,即最大方差值Q c,max、中间方差值Q c,mid、最小方差值Q c,min;
步骤三、根据模型的预测端电压与实测端电压的差值,确定最终的方差;
通过估计开路电压间接计算得到动力电池SOC。
2.如权利要求1所述的一种基于分数阶技术的自适应动力电池SOC估计方法,其特征是,所述动力电池的分数阶等效电路模型包括依次连接的动力电池欧姆内阻,并联的具有分数阶特性的常相位元件与R p,用于描述电池内部的极化效应,电压源,用于描述电池的开路电压,随着电池的SOC变化而变化。
3.如权利要求1所述的一种基于分数阶技术的自适应动力电池SOC估计方法,其特征是,采用脉冲充放电测试策略,在每次完成固定电量放电或充电后将电池静置以获得不同SOC水平下电池的开路电压,最后取充放电过程中静置后电压的平均值作为电池的开路电压以消除开路电压的迟滞回环效应。
4.采用如权利要求1-3任一项所述的一种基于分数阶技术的自适应动力电池SOC估计方法的一种基于分数阶技术的自适应动力电池SOC估计***,其特征是,包括:
模型建立模块,被配置为:建立动力电池的分数阶等效电路模型并对其进行离散化;
模型参数获得模块,被配置为:通过最小化模型输出值与实测值的均方误差,获得模型中各个元件的参数;
动力电池的状态估计模块,被配置为:针对所得模型,利用粒子滤波算法,通过计算状态的累积更新量及输出电压的误差,依据初始所设的方差范围动态调整滤波算法中的方差,估计动力电池的状态。
5.一种计算装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征是,所述处理器执行所述程序时实现上述权利要求1-3任一所述方法中的具体步骤。
6.一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时执行上述权利要求1-3任一所述方法中的具体步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010790337.2A CN111914485B (zh) | 2020-08-07 | 2020-08-07 | 一种基于分数阶技术的自适应动力电池soc估计方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010790337.2A CN111914485B (zh) | 2020-08-07 | 2020-08-07 | 一种基于分数阶技术的自适应动力电池soc估计方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111914485A CN111914485A (zh) | 2020-11-10 |
CN111914485B true CN111914485B (zh) | 2024-03-12 |
Family
ID=73283339
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010790337.2A Active CN111914485B (zh) | 2020-08-07 | 2020-08-07 | 一种基于分数阶技术的自适应动力电池soc估计方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111914485B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11442111B2 (en) * | 2020-03-10 | 2022-09-13 | Dassault Systemes Americas Corp. | System and method for determining degradation dependent open cell voltage for cathode materials |
CN113138344B (zh) * | 2021-04-23 | 2024-03-05 | 安徽理工大学 | 一种基于分数阶扩展卡尔曼滤波算法的soc估计方法 |
CN114372233B (zh) * | 2021-12-29 | 2024-04-02 | 华南理工大学 | 基于时域离散化的超级电容多分数阶模型参数辨识方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4689755B1 (ja) * | 2010-03-23 | 2011-05-25 | 古河電気工業株式会社 | 電池内部状態推定装置および電池内部状態推定方法 |
CN103941196A (zh) * | 2014-05-07 | 2014-07-23 | 吉林大学 | 锂离子电池荷电状态估计方法 |
CN105510829A (zh) * | 2014-09-29 | 2016-04-20 | 山东大学 | 一种新型锂离子动力电池soc估计方法 |
CN106842060A (zh) * | 2017-03-08 | 2017-06-13 | 深圳市海云图新能源有限公司 | 一种基于动态参数的动力电池soc估算方法及*** |
CN110068772A (zh) * | 2019-05-06 | 2019-07-30 | 重庆大学 | 基于改进分数阶模型的锂离子电池荷电状态估计方法 |
CN111426956A (zh) * | 2020-05-12 | 2020-07-17 | 南京林业大学 | 考虑温度及迟滞效应的分数阶动力电池soc估算方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9678164B2 (en) * | 2010-03-23 | 2017-06-13 | Furukawa Electric Co., Ltd. | Battery internal state estimating apparatus and battery internal state estimating method |
-
2020
- 2020-08-07 CN CN202010790337.2A patent/CN111914485B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4689755B1 (ja) * | 2010-03-23 | 2011-05-25 | 古河電気工業株式会社 | 電池内部状態推定装置および電池内部状態推定方法 |
CN103941196A (zh) * | 2014-05-07 | 2014-07-23 | 吉林大学 | 锂离子电池荷电状态估计方法 |
CN105510829A (zh) * | 2014-09-29 | 2016-04-20 | 山东大学 | 一种新型锂离子动力电池soc估计方法 |
CN106842060A (zh) * | 2017-03-08 | 2017-06-13 | 深圳市海云图新能源有限公司 | 一种基于动态参数的动力电池soc估算方法及*** |
CN110068772A (zh) * | 2019-05-06 | 2019-07-30 | 重庆大学 | 基于改进分数阶模型的锂离子电池荷电状态估计方法 |
CN111426956A (zh) * | 2020-05-12 | 2020-07-17 | 南京林业大学 | 考虑温度及迟滞效应的分数阶动力电池soc估算方法 |
Non-Patent Citations (3)
Title |
---|
Min Ye等.Model-based state-of-charge estimation approach of the Lithium-ion battery using an improved adaptive particle filter.《Energy Procedia》.2016,第103卷第394-399页. * |
Particle filter-based state-of-charge estimation and remaining dischargeable-time prediction method for lithium-ion batteries;Zonghai Chen等;Journal of Power Sources;第414卷;第1-2节 * |
锂离子电容在线参数辨识与SOC的联合估计;刘楠等;电源技术;20200803;第44卷(第05期);第736-739, 748页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111914485A (zh) | 2020-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xu et al. | State of charge estimation for lithium-ion batteries based on adaptive dual Kalman filter | |
CN111914485B (zh) | 一种基于分数阶技术的自适应动力电池soc估计方法及*** | |
Ouyang et al. | Improved parameters identification and state of charge estimation for lithium-ion battery with real-time optimal forgetting factor | |
CN110221222B (zh) | 电池安全截止电压预测方法、装置及电池管理*** | |
CN110488194B (zh) | 一种基于电化学阻抗模型的锂电池soc估算方法及其*** | |
CN103616647B (zh) | 一种用于电动汽车电池管理***的电池剩余电量估计方法 | |
US20180106868A1 (en) | Method for estimating a battery state of health | |
CN111581904A (zh) | 考虑循环次数影响的锂电池soc及soh协同估算方法 | |
CN109001640A (zh) | 一种动力电池的数据处理方法和装置 | |
CN110824363A (zh) | 一种基于改进ckf的锂电池soc和soe联合估算方法 | |
CN111856282B (zh) | 基于改进遗传无迹卡尔曼滤波的车载锂电池状态估计方法 | |
CN111913109A (zh) | 一种电池峰值功率的预测方法及装置 | |
CN108872865B (zh) | 一种防滤波发散的锂电池soc估算方法 | |
CN112379270A (zh) | 一种电动汽车动力电池荷电状态滚动时域估计方法 | |
Sun et al. | A remaining charging electric quantity based pack available capacity optimization method considering aging inconsistency | |
Zhou et al. | Online State of Health Estimation for Series-Connected LiFePO₄ Battery Pack Based on Differential Voltage and Inconsistency Analysis | |
CN116577686B (zh) | 一种基于局部阶段充电数据的多工况soh估计方法和*** | |
Bobobee et al. | Improved fixed range forgetting factor-adaptive extended Kalman filtering (FRFF-AEKF) algorithm for the state of charge estimation of high-power lithium-ion batteries | |
Tong et al. | Comprehensive battery equivalent circuit based model for battery management application | |
CN113900028B (zh) | 一种考虑初始荷电状态和充放电路径的电池健康状态估计方法及*** | |
Lyu et al. | Research on the performance evaluation of lithiumion battery cascade utilization based on impedance spectrum | |
CN112946480B (zh) | 一种提高soc估计实时性的锂电池电路模型简化方法 | |
CN115951225A (zh) | 一种电池均衡优化容量估计方法和装置 | |
Zhu | A state of charge estimation approach based on fractional order adaptive extended Kalman filter for lithium-ion batteries | |
CN115047346A (zh) | 一种锂电池soc估计的高阶卡尔曼滤波算法 |
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 |