CN112114254A - 一种动力电池开路电压模型融合方法 - Google Patents
一种动力电池开路电压模型融合方法 Download PDFInfo
- Publication number
- CN112114254A CN112114254A CN202010864946.8A CN202010864946A CN112114254A CN 112114254 A CN112114254 A CN 112114254A CN 202010864946 A CN202010864946 A CN 202010864946A CN 112114254 A CN112114254 A CN 112114254A
- Authority
- CN
- China
- Prior art keywords
- ocv
- soc
- interval
- model
- curve
- 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.)
- Granted
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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明提供一种锂离子动力电池开路电压模型融合方法,包括以下步骤:通过OCV实验获得电池全SOC区间的开路电压(OCV)‑荷电状态(SOC)实验曲线;以一定等SOC间隔选取实验曲线上的(SOC,OCV)数据点,通过合理选取不同OCV模型,将选取的数据点代入各OCV模型得到相应OCV‑SOC拟合曲线;在数据点所划分出的每个SOC间隔内,分别计算各OCV‑SOC拟合曲线与实验曲线之间的均方根误差,并据此为各SOC区间中每个OCV函数模型分配不同的权值,经加权融合后,最终获得整个SOC区间的OCV模型。该模型在全SOC区间均能获得高的拟合精度,具有很好的适应性,不再局限于现有技术中单一OCV模型只能在某一特定区间内具有较高的拟合精度,而牺牲其他区间的精确性的缺点。
Description
技术领域
本发明涉及车载动力电池***领域,尤其涉及锂离子动力电池的开路电压模型拟合方法。
背景技术
动力电池是新能源汽车的核心动力源。建立精确的动力电池模型不仅是动力电池多状态估计的基础,更是动力电池***故障诊断的前提,对于提高动力电池的耐久性、可靠性和安全性具有重要意义。动力电池的模型参数分为动态特性参数和静态特性参数。其中,动态特性参数通常需要通过在线参数辨识方法得到;静态特性参数开路电压OCV可通过建立OCV模型将其等价为荷电状态SOC的非线性函数,该OCV模型需通过离线OCV测试实验得到n组(OCV,SOC)数据点进行训练或拟合得到,故大量OCV模型被提出并应用于电池模型参数辨识和状态估计过程中,这些OCV模型基本上都是由广义多项式函数项、对数函数项、指数函数项和幂函数项组合而成。由不同模型函数项所组合出的OCV模型有各自的拟合精度特点,并且在其对应提出者所给出的电池种类和工况中都很合适,但是大部分的OCV模型出于精度、计算量等多方面折中的考虑,注意力主要集中在动力电池的10%-90%SOC区间内的模型参数估计效果,从而使得在其余SOC区间内的拟合精度非常差,无法在全SOC区间做出高精确性的拟合表述。因此,如何在维持现有精度水平不被降低的基础上,进一步提高全SOC区间的拟合精度,是本领域中亟需解决的技术问题。
发明内容
有鉴于此,本发明提供了一种动力电池开路电压模型融合方法,具体包括以下步骤:
步骤一、选取锂离子动力电池样本作为实验对象,利用容量实验获取动力电池的最大可用容量;通过OCV充放电实验及安时积分法并结合所述最大可用容量得到OCV-SOC关系实验曲线;
步骤二、针对所述OCV-SOC实验曲线,在SOC全区间等SOC间隔选取多个数据点,所选取的数据点中包括小于10%SOC以及大于90%SOC区间范围内的数据点;选取三个以上不同OCV函数模型,分别对数据点进行拟合得到OCV-SOC拟合曲线;
步骤三、在多个数据点所划分出的每个SOC间隔内,分别计算步骤二中各OCV-SOC拟合曲线与步骤一中的OCV-SOC实验曲线之间的均方根误差,并据此为各区间中每个OCV函数模型所拟合的结果分配不同的拟合精度权值;
步骤四、将各区间中加权后的每个OCV函数模型所拟合的结果进行融合,并采用“S”曲线函数对各SOC区间过渡处进行处理,最终得到全SOC区间的OCV融合模型。
进一步地,所述步骤一中的容量实验获取电池的最大可用容量过程具体为:
先将动力电池样本在恒流恒压方式下充满,静置并放电至下截止电压,再次静置后采用恒流-恒压方式充满,重复此充放电过程若干次;若相邻两次充放电循环容量差异小于预定水平,则本次最大可用容量测试有效,并取上述若干次测试结果的平均值作为实验得出的动力电池最大可用容量Cp。
进一步地,所述步骤一中,通过OCV充放电实验得到OCV-SOC关系曲线的具体过程为:
将完全充满电的电池以一定恒定倍率(C)电流放电至电池下截止电压,电流值大小应满足放电时间应不短于20小时的要求,即电池放电倍率不小于0.05C。采集电池放电过程的电流和电压信息,基于安时积分法可计算得到测试过程中的SOC变化情况:
式中,sk和sk-1分别为k和k-1时刻的动力电池SOC估计值;ηi为动力电池充放电效率;iL为k时刻的电流值,放电时取正,充电时取负;Δt为相邻两次采样时刻的时间差值。
进一步地,所述步骤二中,合理选用三个不同的OCV函数模型,分别具有以下表示形式:
模型一:
Uoc(x)=k0+k1x+k2x2+k3/x+k4ln(x)+k5ln(1-x)
模型二:
Uoc(x)=k0+k1x+k2x2
模型三:
Uoc(x)=k0+k1x+k2x2+k3x3+k4x4+k5x5+k6x6
其中,Uoc(x)为开路电压OCV;k0,k1,...,k6为拟合系数,x为SOC百分比。
进一步地,所述步骤三中,几个OCV函数模型分别与步骤一中的OCV-SOC曲线之间的均方根误差RMSE通过以下公式计算:
式中,m表示计算的对象是第m个模型,n表示计算的是第n个区间的RMSE值,Nm表示第n个区间的数据点个数,Um,n,i表示m模型在第n个区间内第i个拟合数据点的OCV值,Un,i表示开路电压实验得出的第n个区间内第i个数据点的OCV值。
进一步地,所述步骤三中,根据均方根误差大小为各区间中由每个OCV函数模型所拟合的结果分配0或1的拟合精度权值。
进一步地,所述步骤四中,在选取的SOC区间两端需使用“S”型曲线函数使得权重函数在区间边界处快速过渡,保证最终得出的OCV融合模型在全SOC区间内仍然保持连续的对应关系,不会在区间边界出现OCV跳变情况。所用“S”型曲线函数为:
式中,a和b均为S曲线的重要参数:a能控制权重函数在给定边界过渡的快慢,a的绝对值越大,在给定边界处就过渡得越快,反之亦然,其正负号取决于过渡的方向(a为正数时,随着SOC的增加,权值逐渐降低,反之亦然);b取决于其所在的SOC边界,为负值。
上述本发明所提供的方法相对于现有技术至少具有以下有益效果:
1.解决现有研究中单一OCV模型的局限性问题,能使动力电池OCV模型在全SOC区间内都有较高的精度,不再局限于只能在某一特定区间内具有较高的拟合精度,而牺牲其他区间的精确性。(如大部分OCV模型在10%-90%的区间内具有极好的精度,但在0%-10%和90%-100%区间内的精度极差。)
2.所提供方法对电池材料特性无要求,对于各种充放电特性不尽相同的动力电池,均可通过合理选取多个OCV模型,经模型融合后,在全区间均能获得高的拟合精度,具有很好的适应性。
附图说明
图1为开路电压模型融合方法流程;
图2为OCV-SOC实验数据与OCV拟合模型所得曲线的对比;
图3为拟合的OCV函数模型数据在各分段区间相比实验数据的RMSE;
图4为SOC=0.5时,权重函数从低权重区过渡到高权重区的曲线;
图5为各OCV模型函数在全SOC区间的权重分配情况;
图6为OCV融合模型曲线与OCV-SOC实验数据之间的对比。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明所提供的一种动力电池开路电压模型融合方法,具体包括以下步骤:
步骤一、选取锂离子动力电池样本作为实验对象,利用容量实验方式获取动力电池的最大可用容量;通过OCV充放电实验及安时积分法并结合所述最大可用容量得到OCV-SOC关系曲线;
步骤二、针对所述OCV-SOC曲线,在SOC全区间等间隔选取11个数据点(即每隔10%SOC选取一组数据点),所选取的数据点中包括小于10%SOC以及大于90%SOC区间范围内的数据点;合理选取三个以上不同OCV函数模型,分别对OCV-SOC关系曲线进行拟合;
步骤三、在多个数据点所划分出的每个SOC间隔内,分别计算各OCV-SOC拟合曲线与实验曲线之间的均方根误差,并根据所述均方根误差的大小为各区间中由每个OCV函数模型所拟合的结果分配不同的拟合精度权值;
步骤四、将各区间中加权后的每个OCV函数模型所拟合的结果进行融合,最终得到融合后的OCV电压模型曲线。
在本发明的一个优选实施例中,最大可用容量测试为先将电池以0.3C的标准电流在恒流恒压(CCCV)方式下充满,静置2小时后放电至下截止电压,然后静止2小时后再用CCCV方式充满,重复此充放电过程3次。若相邻两次充放电循环容量差异小于2%,则本次最大可用容量测试有效,并取三次测试结果的平均值作为实验得出的动力电池最大可用容量Cp。
在开路电压OCV测试中为确定动力电池OCV-SOC的关系,以0.05C的小倍率电流对电池进行恒流放电,并在该过程中采用高精度的传感器采集电流和电压信息。采用安时积分法可计算得到测试过程中的SOC变化情况,从而获得OCV-SOC关系曲线。
步骤二的拟合OCV-SOC模型数据的过程中,首先以5%的SOC间隔分割出21个OCV-SOC数据点用作后续的拟合,需要特殊处理的是,由于部分OCV模型含有特定的对数函数项和幂函数项,因此,第一个数据点的SOC值为0.01%,最后一个数据点的SOC值为99.99%,即实际拟合的SOC区间为0.01%-99.99%。对于不同特征的OCV-SOC曲线,可以选择多种不同的OCV模型进行拟合,本实施例以某NMC电池的放电曲线为例展示模型融合方法,取三个OCV模型用作融合。
模型一:
Uoc(x)=k0+k1x+k2x2+k3/x+k4ln(x)+k5ln(1-x)
模型二:
Uoc(x)=k0+k1x+k2x2
模型三:
Uoc(x)=k0+k1x+k2x2+k3x3+k4x4+k5x5+k6x6
确定模型后,使用matlab软件的curve fitting工具箱进行拟合操作,部分相关拟合选项如下:
(1)Fit Option:Custom Equation
(2)Robust:Bisquare
(3)Algorithm:Trust-Region
最后在工具中输入各OCV模型表达式,点击Fit后,生成拟合曲线,并导出相应的OCV-SOC数据点,相关结果如图2所示。
以10%的SOC区间长度分割SOC区间,以开路电压OCV实验得出的OCV-SOC曲线为原始数据,对比不同OCV模型拟合曲线在各分割区间内的均方根误差,找出各区间RMSE最小的值,对应的OCV模型即认为在该区间具有高拟合精度,在其余区间具有低拟合精度,结果如图3所示。
基于均方根误差的计算结果,对每个拟合了的OCV模型设计权重函数,使其在低拟合精度区间具有逼近于0的低权值,在高拟合精度区间具有逼近于1的高权值,并使用如下“S”型曲线作为权重函数在区间边界处的过渡形式,可以保证最终得出的OCV融合模型在全SOC区间内仍然保持连续的对应关系,不会在区间边界出现OCV跳变情况。
式中,a和b均为“S”型曲线重要的控制参数:a能控制权重函数在给定边界过渡的快慢,a的绝对值越大,在给定边界处就过渡得越快,反之亦然,其正负号取决于过渡的方向(a为正时,随着SOC的增加,权值逐渐降低,反之亦然);b取决于其所在的SOC边界,为负值。需要注意的是,依照判定RMSE大小的区间长度,权重函数以10%的区间间隔判定OCV模型在每个区间的拟合精度高低,“S“型曲线函数仅在权重变化分界处±5%的有效范围内作为权重函数的表达式,即如果某OCV模型在40%-50%SOC区间内的拟合精度判定为低,在50%-60%SOC区间内的拟合精度判定为高,则权重函数在45%-55%SOC区间内的表达式可为a取-200,b取-0.5的“S”型曲线函数,如图4。
最终的模型融合权重函数分布如图5。
求解三个OCV模型在全SOC区间内的RMSE,最终得到融合结果如下表1所示:
表1
模型 | 模型一 | 模型二 | 模型三 | 融合模型 |
RMSE | 0.0170 | 0.1136 | 0.1172 | 0.0145 |
融合模型的曲线相比实验结果如图6所示。
应理解,本发明实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (8)
1.一种动力电池开路电压模型融合方法,其特征在于:具体包括以下步骤:
步骤一、选取锂离子动力电池样本作为实验对象,利用容量实验获取动力电池的最大可用容量;通过OCV充放电实验及安时积分法得到OCV-SOC实验曲线;
步骤二、针对所述OCV-SOC实验曲线,在SOC全区间等间隔选取多个(SOC,OCV)数据点,所选取的数据点中包括小于10%SOC以及大于90%SOC区间范围内的数据点;选取三个以上不同OCV函数模型,利用选取的(SOC,OCV)数据点分别对OCV-SOC实验曲线进行拟合;
步骤三、在由多个数据点所划分出的每个SOC间隔内,分别计算拟合后的多个OCV函数模型与步骤一中的OCV-SOC实验曲线之间的均方根误差,并根据所述均方根误差的大小为各区间中由每个OCV函数模型所拟合的结果分配不同的拟合权值;
步骤四、将各区间中加权后的每个OCV函数模型所拟合的结果进行融合,最终得到融合后的OCV模型。
2.如权利要求1所述的方法,其特征在于:所述步骤一中的动力电池的最大可用容量获取过程具体为:
先将动力电池样本在恒流-恒压方式下充满,静置并恒流放电至下截止电压,再次静置后采用恒流-恒压方式充满,重复此充放电过程若干次;若相邻两次充放电循环容量差异小于预定水平,则本次最大可用容量测试有效,并取上述若干次测试结果的平均值作为实验得出的动力电池最大可用容量Cp。
4.如权利要求1所述的方法,其特征在于:所述步骤二中选用三个不同的OCV函数模型,分别具有以下表示形式:
模型一:
Uoc(x)=k0+k1x+k2x2+k3/x+k4ln(x)+k5ln(1-x)
模型二:
Uoc(x)=k0+k1x+k2x2
模型三:
Uoc(x)=k0+k1x+k2x2+k3x3+k4x4+k5x5+k6x6
其中,UOC为开路电压OCV;k0,k1,...,k6为拟合系数,x为SOC百分比。
5.如权利要求1所述的方法,其特征在于:所述步骤二中,在SOC全区间的等SOC间隔包括但不限于2%SOC、5%SOC和10%SOC,分别对应51、21和11个(SOC,OCV)数据点。
7.如权利要求1所述的方法,其特征在于:所述步骤三中根据均方根误差大小为各区间中由每个OCV函数模型所拟合的结果分配0或1的拟合精度权值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010864946.8A CN112114254B (zh) | 2020-08-25 | 2020-08-25 | 一种动力电池开路电压模型融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010864946.8A CN112114254B (zh) | 2020-08-25 | 2020-08-25 | 一种动力电池开路电压模型融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112114254A true CN112114254A (zh) | 2020-12-22 |
CN112114254B CN112114254B (zh) | 2022-02-08 |
Family
ID=73805126
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010864946.8A Active CN112114254B (zh) | 2020-08-25 | 2020-08-25 | 一种动力电池开路电压模型融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112114254B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113740754A (zh) * | 2021-09-06 | 2021-12-03 | 北京西清能源科技有限公司 | 一种检测电池组不一致性的方法与*** |
WO2023054443A1 (ja) * | 2021-09-28 | 2023-04-06 | 本田技研工業株式会社 | バッテリ特性推定装置、バッテリ特性推定方法、およびプログラム |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107064811A (zh) * | 2017-03-01 | 2017-08-18 | 华南理工大学 | 一种锂电池soc在线估计方法 |
CN108226809A (zh) * | 2018-04-13 | 2018-06-29 | 淮阴工学院 | 一种多模型并用的电池soc估算方法 |
CN109061537A (zh) * | 2018-08-23 | 2018-12-21 | 重庆大学 | 基于观测器的电动车辆锂离子电池传感器故障诊断方法 |
CN109991548A (zh) * | 2019-04-19 | 2019-07-09 | 中国计量大学 | 一种ocv-soc标定实验方法、电池等效模型参数辨识方法及soc估算方法 |
CN110082684A (zh) * | 2019-05-13 | 2019-08-02 | 南京邮电大学 | 一种基于加权多新息扩展卡尔曼滤波的锂电池soc估计方法 |
CN110501652A (zh) * | 2019-09-05 | 2019-11-26 | 上海毅信环保科技有限公司 | 一种退役锂电池可用容量快速评估方法及评估装置 |
US20200158783A1 (en) * | 2017-12-14 | 2020-05-21 | Jiangsu University | Gas-liquid dynamic model-based accurate lithium-ion battery soc estimation method |
-
2020
- 2020-08-25 CN CN202010864946.8A patent/CN112114254B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107064811A (zh) * | 2017-03-01 | 2017-08-18 | 华南理工大学 | 一种锂电池soc在线估计方法 |
US20200158783A1 (en) * | 2017-12-14 | 2020-05-21 | Jiangsu University | Gas-liquid dynamic model-based accurate lithium-ion battery soc estimation method |
CN108226809A (zh) * | 2018-04-13 | 2018-06-29 | 淮阴工学院 | 一种多模型并用的电池soc估算方法 |
CN109061537A (zh) * | 2018-08-23 | 2018-12-21 | 重庆大学 | 基于观测器的电动车辆锂离子电池传感器故障诊断方法 |
CN109991548A (zh) * | 2019-04-19 | 2019-07-09 | 中国计量大学 | 一种ocv-soc标定实验方法、电池等效模型参数辨识方法及soc估算方法 |
CN110082684A (zh) * | 2019-05-13 | 2019-08-02 | 南京邮电大学 | 一种基于加权多新息扩展卡尔曼滤波的锂电池soc估计方法 |
CN110501652A (zh) * | 2019-09-05 | 2019-11-26 | 上海毅信环保科技有限公司 | 一种退役锂电池可用容量快速评估方法及评估装置 |
Non-Patent Citations (3)
Title |
---|
QUANQING YU: "An Open Circuit Voltage Model Fusion Method for State of Charge Estimation of Lithium-Ion Batteries", 《ENERGIES》 * |
孙豪豪: "基于自适应电池模型的 SOC 加权在线估计", 《***仿真学报》 * |
贺智佳: "交互式多模型的锂电池荷电状态估计", 《测 试 技 术 学 报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113740754A (zh) * | 2021-09-06 | 2021-12-03 | 北京西清能源科技有限公司 | 一种检测电池组不一致性的方法与*** |
CN113740754B (zh) * | 2021-09-06 | 2023-10-13 | 北京西清能源科技有限公司 | 一种检测电池组不一致性的方法与*** |
WO2023054443A1 (ja) * | 2021-09-28 | 2023-04-06 | 本田技研工業株式会社 | バッテリ特性推定装置、バッテリ特性推定方法、およびプログラム |
Also Published As
Publication number | Publication date |
---|---|
CN112114254B (zh) | 2022-02-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3748380B1 (en) | Battery capacity prediction system using charge and discharge cycles of a battery to predict capacity variations, and associated method | |
CN107957562B (zh) | 一种锂离子电池剩余寿命在线预测方法 | |
CN107991623B (zh) | 一种考虑温度和老化程度的电池安时积分soc估计方法 | |
Pan et al. | State of charge estimation of lithium-ion batteries using a grey extended Kalman filter and a novel open-circuit voltage model | |
CN107632272B (zh) | 一种基于电芯温度预测的电池放电荷电状态精确估计方法 | |
CN110632528B (zh) | 一种基于内阻检测的锂电池soh估算方法 | |
CN105183994B (zh) | 一种基于改进的i-elm的动力电池soc预测方法及装置 | |
CN106093778A (zh) | 电池状态预测方法及*** | |
CN110146822A (zh) | 一种基于恒流充电过程的车用动力电池容量在线估计方法 | |
Susanna et al. | Comparison of simple battery model and thevenin battery model for SOC estimation based on OCV method | |
CN112114254B (zh) | 一种动力电池开路电压模型融合方法 | |
CN103439666A (zh) | 一种锂离子电池容量衰退评估的几何方法 | |
CN112557906A (zh) | 一种动力电池全生命周期内soc和容量在线联合估计方法 | |
CN108829911A (zh) | 一种开路电压与soc函数关系优化方法 | |
CN106154168A (zh) | 数据驱动的动力电池荷电状态估计方法 | |
EP4270033A1 (en) | Method and apparatus for estimating state of health of battery | |
CN113406503A (zh) | 基于深度神经网络的锂电池soh在线估算方法 | |
CN114217234B (zh) | 一种基于ide-asrckf的锂离子电池参数辨识与soc估计方法 | |
CN113011012A (zh) | 一种基于Box-Cox变化的储能电池剩余寿命预测方法 | |
CN116643196A (zh) | 一种融合机理与数据驱动模型的电池健康状态估计方法 | |
CN106443496A (zh) | 一种带改进型噪声估计器的电池荷电状态估计方法 | |
CN112763916B (zh) | 一种空间用锂离子电池组未来工况预测方法 | |
CN110232432B (zh) | 一种基于人工生命模型的锂电池组soc预测方法 | |
CN112946480A (zh) | 一种提高soc估计实时性的锂电池电路模型简化方法 | |
CN116819340A (zh) | 一种储能锂电池在线参数辨识与状态估计方法及*** |
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 |