CN112964992B - 基于aukf的电池内部温度信息处理方法、设备和介质 - Google Patents
基于aukf的电池内部温度信息处理方法、设备和介质 Download PDFInfo
- Publication number
- CN112964992B CN112964992B CN201911190827.2A CN201911190827A CN112964992B CN 112964992 B CN112964992 B CN 112964992B CN 201911190827 A CN201911190827 A CN 201911190827A CN 112964992 B CN112964992 B CN 112964992B
- Authority
- CN
- China
- Prior art keywords
- battery
- value
- vehicle
- moment
- temperature
- 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 133
- 238000012545 processing Methods 0.000 title claims description 22
- 238000012360 testing method Methods 0.000 claims abstract description 81
- 230000010365 information processing Effects 0.000 claims abstract description 14
- 238000003672 processing method Methods 0.000 claims abstract description 14
- 230000008569 process Effects 0.000 claims description 72
- 238000005259 measurement Methods 0.000 claims description 69
- 230000020169 heat generation Effects 0.000 claims description 60
- 238000001816 cooling Methods 0.000 claims description 54
- 238000012546 transfer Methods 0.000 claims description 36
- 238000012937 correction Methods 0.000 claims description 27
- 239000011159 matrix material Substances 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 22
- 238000005070 sampling Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 9
- 101100134058 Caenorhabditis elegans nth-1 gene Proteins 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 7
- 230000008878 coupling Effects 0.000 claims description 5
- 238000010168 coupling process Methods 0.000 claims description 5
- 238000005859 coupling reaction Methods 0.000 claims description 5
- 230000002068 genetic effect Effects 0.000 claims description 4
- 239000002245 particle Substances 0.000 claims description 4
- 230000000593 degrading effect Effects 0.000 claims description 2
- 210000004027 cell Anatomy 0.000 description 70
- 230000000875 corresponding effect Effects 0.000 description 41
- 238000007599 discharging Methods 0.000 description 17
- 238000007600 charging Methods 0.000 description 15
- 238000004364 calculation method Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 238000012795 verification Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000010287 polarization Effects 0.000 description 4
- 238000010438 heat treatment Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010277 constant-current charging Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000017525 heat dissipation Effects 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000001453 impedance spectrum Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
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]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
- G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current measurements
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K13/00—Thermometers specially adapted for specific purposes
-
- 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
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明公开了一种基于AUKF的电池内部温度信息处理方法、设备和介质。所述方法包括:根据电池模组进行离线测试的离线测试数据获取等效热网络模型的初始参数,基于多目标函数拟合法确定初始参数中的最优模型参数初始值;根据车辆的电池的初始AUKF联合向量值、第一运行数据以及包含最优模型参数初始值的等效热网络模型,确定车辆的电池在实际运行的第一时刻的第一电池内部温度估算值以及第一模型参数估算值。本发明可以在对电池内部温度进行实时精确预估的同时,还对等效热网络模型的模型参数进行优化,从而可以根据优化之后的模型参数更准确预估电池内部温度,进而根据实时精确预估的电池内部温度优化电池的工作条件,提升电池的安全性。
Description
技术领域
本发明涉及电池温度技术领域,具体涉及一种基于AUKF(自适应无迹卡尔曼滤波器)的电池内部温度信息处理方法、设备和介质。
背景技术
作为新能源汽车的动力的电池,在充放电过程中普遍存在温升现象,且电池内部的产热和散热不均匀,因此电池内部存在温度场分布,进而引起电池内部与外部存在较大的温差,特别是在高功率需求应用中更为明显;然而,在实际的电池热管理中,只能在电池外表面实时测量电池表面温度,对于电池内部温度并不能实时测量到,而电池的内部温度对电池的性能具有显著影响,且直接关乎电池的安全性能,因此,电池热管理,尤其是对电池内部温度的估算,已成为电池管理***的关键且最具挑战性的部分之一。
现有技术中,电池内部温度估算方法中,基于电化学阻抗谱测试对电池内部温度进行估算的方法,对测试***要求较高,因此,实际的车辆并不能满足其测试条件;基于内部温度与表面温度之间函数关系对电池内部温度进行估算的方法,所得函数关系并无实际物理意义,难以适应多种复杂工况下电池内部温度的精确计算;现有技术中的电池传热模型将电池表面等效为一个温度点的方法,认为电池表面各点温度均相同,该方案的不足之处在于,由于电池内部构造以及外部形状都不是完美对称结构,电池内部到各个面传热路径并不一致,所以在电池表面不同位置的温度也会有所不同,因此将表面温度等效为一个点会使得最终估算的电池温度误差较大。此外,部分现有技术采用离线辨识算法或基于估计器的在线参数辨识方法得到模型参数,该方案中无法消除电池内部温度估计误差对参数辨识结果的影响,将会导致模型参数不匹配,进一步引起更大的内部温度估计误差。
发明内容
本发明实施例提供一种基于AUKF的电池内部温度信息处理方法、设备和介质,可以在对电池内部温度进行实时精确预估的同时,还对等效热网络模型的模型参数进行优化,从而可以根据优化之后的模型参数更准确预估电池内部温度,进而,使得本发明可以根据实时精确预估的电池内部温度优化电池的工作条件,提升电池的安全性。
为实现上述目的,本发明提供了一种基于AUKF的电池内部温度信息处理方法,包括:
获取电池模组在恒温环境的不同离线工况下进行离线测试的离线测试数据;
根据所述离线测试数据获取等效热网络模型的初始参数,基于多目标函数拟合法确定所述等效热网络模型的各所述初始参数中的最优模型参数初始值;
获取车辆的电池的初始AUKF联合向量值;
获取所述车辆的电池在所述车辆实际运行的第一时刻的第一运行数据;
根据所述初始AUKF联合向量值、所述第一运行数据以及包含所述最优模型参数初始值的所述等效热网络模型,确定所述车辆的电池在所述车辆在实际运行的第一时刻的第一电池内部温度估算值以及第一模型参数估算值。
本发明还提供了一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令,所述处理器执行所述计算机可读指令时实现所述的基于AUKF的电池内部温度信息处理方法。
本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可读指令,所述计算机可读指令被处理器执行时实现所述的基于AUKF的电池内部温度信息处理方法。
本发明提供的基于AUKF的电池内部温度信息处理方法、设备和介质,首先根据电池模组在恒温环境的不同离线工况下进行离线测试的离线测试数据获取等效热网络模型的初始参数,基于多目标函数拟合法确定所述等效热网络模型的各所述初始参数中的最优模型参数初始值;获取车辆的电池的初始AUKF联合向量值;获取所述车辆的电池在所述车辆实际运行的第一时刻的第一运行数据;根据所述初始AUKF联合向量值、所述第一运行数据以及包含所述最优模型参数初始值的所述等效热网络模型,确定所述车辆的电池在所述车辆在实际运行的第一时刻的第一电池内部温度估算值以及第一模型参数估算值。本发明可以在对电池内部温度进行实时精确预估的同时,还对等效热网络模型的模型参数进行优化,从而可以根据优化之后的模型参数更准确预估电池内部温度(如此,可以消除电池内部温度估计误差对参数辨识结果的影响,使得模型参数更为匹配,减少了电池内部温度的估计误差),进而,使得本发明可以根据实时精确预估的电池内部温度优化电池的工作条件,提升电池的安全性。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的描述中所需要使用的附图作简单地介绍,显而易见地,下面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。
图1是本发明一实施例中基于AUKF的电池内部温度信息处理方法的流程图;
图2是本发明一实施例中的电芯内部温度计算模型的结构示意图;
图3是本发明一实施例中电芯等效热网络模型的结构示意图;
图4是本发明一实施例中传热路径的结构示意图;
图5是本发明一实施例中等效电路模型的结构示意图;
图6是本发明一实施例中基于AUKF的电池内部温度信息处理方法的步骤S50的流程图;
图7是本发明另一实施例中基于AUKF的电池内部温度信息处理方法的流程图;
图8是本发明一实施例中基于AUKF的电池内部温度信息处理方法的步骤S60的流程图;
图9是本发明一实施例中实验验证结果示意图;
图10是本发明一实施例中计算机设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中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作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。
如图1所示,提供一种基于AUKF的电池内部温度信息处理方法,包括以下步骤S10-S40:
S10,获取电池模组在恒温环境的不同离线工况下进行离线测试的离线测试数据;其中,离线工况包括不同倍率(其中,不同倍率优选为0.1C-3C)的恒流充放电以及NEDC(NewEuropean Driving Cycle,新标欧洲循环测试)、WLTC(World Light Vehicle TestProcedure,世界轻型汽车测试规程)等动态工况。在本发明中,首先需要制备用于离线测试的电池模组,其中,所述电池模组包括多个串并联的电芯以及连接电芯与外部构件的连接件;电池模组的电芯内部布置有用于检测电芯内部温度的第一温度传感设备(第一温度传感设备优选为布置在电芯的极芯内部,以保证其可测到整个电芯内部的最高温度),电芯表面上布置有用于检测电芯表面温度的第二温度传感设备,与所述电池模组连接的冷却***的冷却板上设置有用于检测离线冷却板温度的第三温度传感设备。可理解地,上述第一温度传感设备、第二温度传感设备和第三温度传感设备优选为同一种类型的传感设备,以使得检测的温度数据之间误差更小。在进行离线测试时,需要将电池模组放置于恒温环境中(比如恒温箱中,恒温箱可以提供一个确定的温度的恒温环境,且该恒温环境的温度可调节)内,以在不同离线工况下进行离线测试,进而获取不同离线工况下进行离线测试的离线测试数据,可理解地,所述离线测试数据包括电池模组的电芯的等效电路数据,比如,所述电池模组的等效电路模型的电芯的电池端电压值和电池电流值等;所述离线测试数据还包括电池模组的电芯的离线温度数据,比如,第一温度传感设备测得的所述电池模组的电芯内部的离线测试内部温度、第二温度传感设备测得的所述电池模组的电芯表面的离线测试表面温度(若电芯为方形,则电芯包含6个表面,此时可以在电芯的6个表面均设置第二传感设备,此时获取的同一时刻的一组离线测试表面温度包含在电芯的6个表面分别测得的6个离线测试表面温度)、第三温度传感设备测得的冷却板的离线冷却板温度以及恒温环境的离线环境温度等。可理解地,在获取上述离线测试数据之后,可以根据上述离线测试数据中的电池端电压值、所述电池电流值和所述离线测试内部温度确定电池模组的电芯在不同离线工况的充放电过程(可理解地,上述充放电过程可以是一个完整的离线工况,也可以是整个离线工况的其中一段)中的实时计算的第一电池产热率,也即,离线工况的充放电过程中的每一个时刻均对应一个第一电池产热率。
可理解地,上述电池模组的电芯内部到外界的传热过程可等效为电芯内部中心到表面的热传导过程,以及电芯表面与外界环境的热对流过程,根据热学特性,该过程可由电学网络特性来描述,即热阻可等效为电阻,热容等效为电容,温度等效为电压,产热率等效为电流源;基于上述等效对应关系,可建立如图2所示的电芯内部温度计算模型,如图2中所示,Tin表示电池模组的电芯内部温度,Ts表示电池模组的电芯表面温度,Tamb表示恒温环境的离线环境温度,Tcool表示离线冷却板温度(在冷却***的冷却板并无冷却的情况下,Tcool=Tamb),Qheat表示电芯内部产热率(也即上述第一电池产热率),Cin表示电芯内部等效热容,此外需要注意图2中电阻1代表两温度节点之间(比如,电芯内部到各传热路径对应的电芯表面点两个温度节点之间,或电芯表面点到外界环境两个温度节点之间)的热阻,电容2表示对应节点的等效热容,可理解地,在图2中,仅标出了分别垂直于方形电芯的三个相互垂直面的方向(图2中表示为x、y、z三个方向的正向)的传热,实际上,作为优选,对于方形电芯来说,应同时考虑与图2中对称的其他三个方向(图2中x、y、z三个方向的负向)上的传热,每一个方向上的传热可以视为一个传热路径,也即,对于方形电芯来说,其需要考虑六个方向上的传热路径。为进一步说明上述传热的传热路径,以图3和图4进行进一步说明,图4中所示的传热路径的结构示意图,对应于图3中所示的电芯等效热网络模型中的其中一个传热路径3(也即对应于图3中的传热路径k,其中k=1,2,…,n),即图3中的每一个传热路径3等效为一个图4中所示的R-C-R的“T”型网络,其中,如图4所示,Rink表示电芯内部到一个传热路径对应的电芯表面点之间的热阻;Routk表示一个传热路径对应的电芯表面点到外界环境之间的热阻;Csk表示一个传热路径对应的电芯表面点的等效热容,Tsk表示一个传热路径对应的电芯表面点的电芯表面温度。可理解地,本发明的离线测试数据中的电池模组的电芯的离线温度数据是与上述图3和图4中所示的电芯等效热网络模型中对应的参数。在本发明中,将电芯等效热网络模型等效为电路模型进行考虑,可结合电路仿真软件进行计算,方便对电芯等效热网络模型中的参数进行优化,使得不需要建立复杂的***函数关系即可表述该电芯等效热网络模型,简化了后续的计算过程。
S20,根据所述离线测试数据获取等效热网络模型的初始参数,基于多目标函数拟合法确定所述等效热网络模型的各所述初始参数中的最优模型参数初始值。
也即,基于上述步骤S10中确定的离线测试数据,可以确定等效热网络模型(该等效热网络模型对应于上述图3中的电芯等效热网络模型)的初始参数;具体地,首先根据离线测试数据确定等效热网络模型的每一组输入参数和输出参数(一组输入参数与一组输出参数对应,且对应的输入参数和输出参数均根据离线工况的充放电过程中的同一个时刻对应的离线测试数据确定),进而在等效热网络模型中输入上述确定的输入参数,并获取等效热网络模型输出的与上述输入参数对应的输出参数;进而通过上述过程确定等效热网络模型的多组初始参数;作为优选,一组所述输入参数可以包括上述步骤S10中确定的第一电池产热率、所述离线冷却板温度以及所述离线环境温度;一组所述输出参数包括离线测试内部温度和所述离线测试表面温度;而一组所述初始参数包括所述电池模组的所述等效网络模型中的电芯内部等效热容、电芯内部到各传热路径对应的电芯表面点的热阻、各传热路径对应的电芯表面点到外界环境(此处的外界环境是指电芯或电池所处的环境,比如,电池模组的电芯置于恒温环境中,此时,所述外界环境即为该恒温环境,若该等效网络模型应用于实际运行的车辆的电池,此时外界环境即为车辆的电池实际所处的环境)的热阻以及各传热路径对应的电芯表面点的等效热容。
可理解地,在确定等效热网络模型的多组初始参数之后,可以采用多目标函数拟合法(包括但不限定于为最小二乘法、遗传算法、粒子群优化算法等)确定多组所述初始参数中的最优模型参数初始值,也即,可以通过多目标函数拟合法进行参数寻优(采用多目标函数拟合法进行参数寻优的方法已公知,在此不再赘述),最终寻找得到一组最优模型参数初始值,使得在将输入参数输入包含所述最优模型参数初始值的等效热网络模型之后,等效热网络模型输出的实际输出参数与实验测试结果最吻合。
S30,获取车辆的电池的初始AUKF联合向量值。可理解地,所述初始AUKF联合向量值可以根据电池状态初始值以及上述步骤S20中已知的最优模型参数初始值确定;其中,车辆的电池初始状态向量值是指车辆在并未实际运行的初始状态(车辆的电池也并未发生充放电)下的电池初始状态向量值,所述电池初始状态向量值为一个预设值,且电池初始状态向量值与车辆实际运行时车辆的电池的实时内部温度相关联,在本发明中,电池初始状态向量值可以具有一定误差,且本发明可以在后续步骤中对该具有误差的电池初始状态向量值进行逐步反馈修正(比如,后文中提及的在第一时刻进行第一次修正后即得到反馈修正之后的第一联合向量后验值,之后可以根据所述第一联合向量后验值和第一联合向量协方差后验值确定所述车辆的电池在车辆实际运行的第一时刻反馈修正之后的第一电池内部温度估算值),从而使得根据该反馈修正之后的电池初始状态向量值(比如,后文中提及的第一联合向量后验值,第三联合向量后验值等)的准确度越来越高,进而使得车辆的电池的实时内部温度(比如后文中提及的第一电池内部温度估算值、第二电池内部温度估算值等)的准确度越来越高。
作为优选,所述步骤S30具体为:
根据所述最优模型参数初始值确定参数协方差初始值;也即,参数协方差初始值可以根据上述步骤S20中已知的最优模型参数初始值确定。
自数据库中获取所述车辆的电池在实际运行的初始时刻的电池状态初始值,并根据所述电池状态初始值确定电池状态协方差初始值;也即,所述电池状态协方差初始值可以根据电池状态初始值确定。
根据所述最优模型参数初始值和所述电池状态初始值确定初始AUKF联合向量值;作为优选,对应于图3所示等效热网络模型电池,AUKF联合向量值Xjoint可表达为:
Xjoint=[Pparameter T,Xstate T]T
其中,对于车辆的电池来说,包含n(方形电池中,n=6)个表面节点,Pparameter=[Cin,Rin1~Rinn,Rout1~Routn,Cs1~Csn]T,可理解地,Pparameter为由电池的模型参数(比如最优模型参数初始值中包含的:电池模组的所述等效网络模型中的电芯内部等效热容、电芯内部到各传热路径对应的电芯表面点的热阻、各传热路径对应的电芯表面点到外界环境的热阻以及各传热路径对应的电芯表面点的等效热容)组成的列向量,Xstate为电池状态(比如电池在实际运行的初始时刻的电池状态初始值)组成的列向量,Xstate=[Tin,Ts1~Tsn]T。因此,初始AUKF联合向量值可以根据所述最优模型参数初始值和所述电池状态初始值进行确定。
根据所述参数协方差初始值和所述电池状态协方差初始值确定联合向量协方差初始值。也即,在上述参数协方差初始值和所述电池状态协方差均确定之后,可以根据两者确定联合向量协方差初始值。
S40,获取所述车辆的电池在所述车辆实际运行的第一时刻的第一运行数据;也即,在上述入包含所述最优模型参数初始值的等效热网络模型确定之后,可将该等效热网络模型应用于车辆的电池中(车辆的电池是指并未内置温度传感设备的车辆的电芯,因此,无法通过温度传感设备测得车辆的电池的内部温度),进而基于车辆的电池的实际运行的第一运行数据,确定车辆实际运行时车辆的电池的实时内部温度(比如后文中提及的车辆在实际运行的第一时刻的第一电池内部温度估算值、车辆实际运行的第N时刻的第二电池内部温度估算值等)。
S50,根据所述初始AUKF联合向量值、所述第一运行数据以及包含所述最优模型参数初始值的所述等效热网络模型,确定所述车辆的电池在所述车辆在实际运行的第一时刻的第一电池内部温度估算值以及第一模型参数估算值。
也即,本发明可以在该步骤中对该具有误差的初始AUKF联合向量值进行逐步反馈修正,从而使得根据该反馈修正之后的初始AUKF联合向量值的准确度越来越高,由于AUKF联合向量值由模型参数和电池状态组合而成,因此,一方面,通过对AUKF联合向量值进行反馈修正,可以使得车辆的电池的实时的电池内部温度的准确度越来越高,也即通过本发明可以得到更精确的车辆的电池内部温度;另一方面,还可以对等效热网络模型的模型参数进行优化,从而可以根据优化之后的模型参数更准确预估电池内部温度(如此,可以消除电池内部温度估计误差对参数辨识结果的影响,使得模型参数更为匹配,减少了电池内部温度的估计误差),进而,获取的精确的电池内部温度可以输出至BMS(BATTERY MANAGEMENTSYSTEM,电池管理***),BMS可以根据接收到的电池内部温度优化电池工作状态(比如,进行电池高温预紧,低温时根据该电池内部温度选取工作电流等),保证车辆的电池在安全的温度范围内工作,解决易燃易爆隐患,提升电池运行的安全性和可靠性。本发明上述实施例可以车辆采集温度数据的温度传感设备故障的情况下也可根据车辆的实际运行的运行数据(第一运行数据)以及包含所述最优模型参数初始值的所述等效热网络模型确定车辆的实时的电池内部温度,降低了对车辆采集温度数据的温度传感设备的有效性的依赖。同时,本发明可以同时对车辆的电池内部温度和等效热网络模型的模型参数进行反馈修正,可以有效地消除等效热网络模型的误差以及初始AUKF联合向量值的误差对实时的电池内部温度带来的误差影响。
本发明从实际的物理模型(与电芯等效热网络模型等效的电路模型)出发,考虑了电池产热与散热不均匀造成的表面温度不均匀,建立了多条传热路径;同时考虑了实际运行中的车辆的电池在高温条件下与冷却***之间的换热,在等效热网络模型中增加了车辆的电池与冷却板之间的传热路径(考虑了冷却***的冷却板温度),因此,本发明全面考虑车辆实际运行时电池的实际发热的各种因素,使得本发明最终估算的电池内部温度与其实际温度之间的误差更小,可以更加精确地计算电池内部温度以及电池表面温度。
在一实施例中,所述步骤S10中,所述获取电池模组在恒温环境的不同离线工况下进行离线测试的离线测试数据,包括:
在不同离线工况下进行离线测试时,获取所述电池模组的离线温度数据和等效电路数据;其中,所述离线温度数据包括离线测试内部温度(对应于图2、图3以及图4中所示的Tin)、离线测试表面温度(对应于图2中所示的Tsx、Tsy或Tsz,图4中所示的Tsk)、离线冷却板温度(对应于图2、图3以及图4中所示的Tcool)以及所述电池模组进行离线测试时所处的恒温环境的离线环境温度(对应于图2、图3以及图4中所示的Tamb);所述离线测试内部温度由设置在所述电池模组的电芯内部的第一温度传感设备测得,所述离线测试表面温度由设置在所述电池模组的电芯表面的第二温度传感设备测得,所述离线冷却板温度由设置在与所述电池模组连接的冷却***的冷却板上的第三温度传感设备测得;所述等效电路数据包括所述电池模组的电池端电压值和电池电流值。
也即,在本实施例中,离线工况包括不同倍率(其中,不同倍率优选为0.1C-3C)的恒流充放电以及NEDC、WLTC等动态工况。在获取上述离线测试数据之后,可以首先根据上述离线测试数据中的电池端电压值、所述电池电流值和所述离线测试内部温度确定电池模组的电芯在不同离线工况的充放电过程中的实时计算的第一电池产热率;之后根据上述第一电池产热率和离线测试数据确定等效热网络模型的初始参数;进而在确定等效热网络模型的多组初始参数之后,采用多目标函数拟合法(所述多目标函数拟合法包括但不限定于为最小二乘法、遗传算法、粒子群优化算法等)确定多组所述初始参数中的最优模型参数初始值;以最终通过包含所述最优模型参数初始值的所述等效热网络模型,确定所述车辆的电池在所述车辆在实际运行的第一时刻的第一电池内部温度估算值。
在一实施例中,所述步骤S10中,所述获取所述电池模组的离线温度数据和离线测试数据之后,包括:
自数据库中获取所述电池模组的第一开路电压和第一温度系数;可理解地,所述第一开路电压和第一温度系数均与电池的SOC(State of Charge,电池荷电状态)值相关,因此,只要电池模组的SOC值确定,则第一开路电压和第一温度系数均可以随之确定,且电池模组的第一开路电压和第一温度系数均与该电池模组的电芯的SOC值关联存储在数据库中。
将所述电池端电压值、所述电池电流值和所述离线测试内部温度分组输入预设的第一产热率模型中,获取所述第一产热率模型输出的所述电池模组在不同离线工况下的第一电池产热率;其中,一组所述电池端电压值、所述电池电流值和所述离线测试内部温度是指在同一离线工况下对应于同一时刻的所述电池端电压值、所述电池电流值和所述离线测试内部温度。
也即,在获取上述离线测试数据之后,可以首先根据上述离线测试数据中的电池端电压值、所述电池电流值和所述离线测试内部温度确定电池模组的电芯在不同离线工况的充放电过程中的实时计算的第一电池产热率。可理解地,离线工况的充放电过程中的每一个时刻均对应一个第一电池产热率。
进一步地,电池模组的电芯的电学特性可由图5所示的等效电路模型进行描述,如图5中所示(图5中所示的R0和Rpl可以等效为电池模组的电芯的热阻,Cpl可以等效为电池模组的电芯的热容),在一实施例中,所述第一产热率模型为:
其中:
OCV(SOC1)为所述电池模组的第一开路电压;OCV(SOC1)与电池模组的电芯的SOC值关联存储在BMS或其他数据库的OCV-SOC表中,可通过自OCV-SOC表中查询与该电池模组的电芯对应的SOC值获取该电池模组的OCV(SOC1)。
U1为所述电池模组的电池端电压值,U1表示电池模组的电芯在充放电过程中的电压,可以在离线测试过程中通过电压测量设备实际测量。
I1为所述电池模组的电池电流值;I1表示电池模组的电芯在充放电过程中的电流,可以在离线测试过程中通过电流测量设备实际测量,且I1在充电时为负,放电时为正。
T1为所述离线测试内部温度,T1可以通过第一温度传感设备测得。
在一实施例中,所述步骤S20,也即根据所述离线测试数据获取等效热网络模型的初始参数,基于多目标函数拟合法确定所述等效热网络模型的各所述初始参数中的最优模型参数初始值,包括:
获取等效热网络模型的输入参数和输出参数,并将在同一离线工况下对应于同一时刻(该同一时刻可以是指离线测试过程中的预设时刻)的所述输入参数与所述输出参数关联;所述输入参数包括所述第一电池产热率(对应于所述第一产热率模型中的Qheat1)、所述离线冷却板温度(对应于图2、图3以及图4中所示的Tcool)以及所述离线环境温度(对应于图2、图3以及图4中所示的Tamb);所述输出参数包括所述离线测试内部温度(对应于图2、图3以及图4中所示的Tin)和所述离线测试表面温度(对应于图2中所示的Tsx、Tsy或Tsz,图4中所示的Tsk)。
将所述输入参数输入等效网络模型,并将与输入所述等效网络模型的所述输入参数关联的所述输出参数作为所述等效网络模型的输出,以获取所述等效网络模型的初始参数;一组所述初始参数包括所述电池模组的所述等效网络模型中的电芯内部等效热容(也即图2中所示的Cin)、电芯内部到各传热路径对应的电芯表面点的热阻(也即图4中所示的Rink)、各传热路径对应的电芯表面点到外界环境的热阻(也即图4中所示的Routk)以及各传热路径对应的电芯表面点的等效热容(也即图4中所示的Csk)。
基于多目标函数拟合法确定各组所述初始参数中的一组最优模型参数初始值,所述多目标函数拟合法包括但不限定于为最小二乘法、遗传算法、粒子群优化算法中的一种或多种。通过多目标函数拟合法进行参数寻优,最终寻找得到一组最优模型参数初始值,使得在将输入参数输入包含所述最优模型参数初始值的等效热网络模型之后,等效热网络模型输出的实际输出参数与实验测试结果最吻合。可理解地,在本发明中,在后续的计算过程中,等效热网络模型的最优模型参数初始值将会被迭代更新,以使得其精度更高,从而,可以根据优化之后的模型参数更准确预估电池内部温度;如此,可以消除电池内部温度估计误差对参数辨识结果的影响,使得模型参数更为匹配,减少了电池内部温度的估计误差,使得等效热网络模型输出的实际输出参数与实验测试结果更为吻合。
在一实施例中,所述步骤S40中,所述获取所述车辆的电池在所述车辆实际运行的第一时刻的第一运行数据,包括:
在所述车辆实际运行的第一时刻,获取所述车辆的电池的第一运行数据,所述第一运行数据包括第一电池表面温度、第一冷却板温度、第一环境温度、第一电压值和第一电流值;所述第一电池表面温度由设置在所述车辆的电池表面的第四温度传感设备测得,所述第一冷却板温度由设置在与所述车辆的电池连接的车辆冷却***的冷却板上的第五温度传感设备测得;可理解地,上述第四温度传感设备和第五温度传感设备设定为同一种类型的传感设备(优选为与上述第一温度传感设备相同),以使得检测的温度数据之间误差更小。所述第一环境温度为所述车辆实际运行的环境在所述第一时刻的温度,所述第一电压值为所述车辆的电池在实际运行的第一时刻的电压值,所述第一电流值为所述车辆的电池在实际运行的第一时刻的电流值。可理解地,上述第一电压值和第一电流值可以在车辆的实际运行过程中的每一时刻进行实时测量。在本实施例中,图2所示的电芯内部温度计算模型亦可等效应用在车辆的电池的传热过程中,在上述车辆的电池的实际运行过程中,如图2中所示,Tin表示车辆的电池内部温度,Ts表示上述第一电池表面温度,Tamb表示车辆实际运行的环境在所述第一时刻的第一环境温度,Tcool表示第一冷却板温度(在冷却***的冷却板并无冷却的情况下,Tcool=Tamb),Qheat表示车辆的电池内部产热率。
在一实施例中,如图6所示,所述步骤S50,也即所述根据所述初始AUKF联合向量值、所述第一运行数据以及包含所述最优模型参数初始值的所述等效热网络模型,确定所述车辆的电池在所述车辆在实际运行的第一时刻的第一电池内部温度估算值以及第一模型参数估算值,包括:
S501,将所述初始AUKF联合向量值和所述联合向量协方差初始值输入预设的对称采样模型中,生成初始AUKF联合向量特征点集。
在本实施例中,可以首先基于图3所示等效热网络模型建立电池状态空间方程,如下:
Xjoint(k)=f(Xjoint(k-1)),Qheat(k),Tamb(k),Tcool(k))+ω(k)
Y(k)=g(Xjoint(k))+γ(k)
其中:Xjoint(k)表示所述车辆的电池在实际运行的第k时刻的AUKF联合向量值,k为整数;在所述车辆实际运行的第一时刻,k=1;在所述车辆实际运行的第N时刻,k=N;且Xjoint(0)即为所述初始AUKF联合向量值。f(·)对应于图3所示的等效热网络模型,也即,f(·)可以由图3所示的等效热网络模型进行描述;Y(k)为所述车辆的电池在实际运行的第k时刻的表面点温度的估算值;可描述为由上述AUKF联合向量值Xjoint(k)的g(·)函数;Qheat(k)为所述车辆的电池的产热率(比如上述第二电池产热率或后文中提及的第三电池产热率);Tamb(k)为车辆实际运行的环境的温度(比如上述第一环境温度或后文中提及的第二环境温度);Tcool(k)为车辆的冷却***的冷却板的冷却温度(比如上述第一冷却板温度或后文中提及的第二冷却板温度)。ω(k)代表车辆实际运行的第k时刻的过程噪声,可理解地,根据过程噪声可以确定过程噪声方差Q(k);γ(k)代表车辆实际运行的第k时刻的测量噪声;而根据测量噪声可以确定测量噪声方差R(k)。可理解地,在汽车并未实际运行的初始状态,初始过程噪声ω(0)和初始测量噪声ω(0)均为预先设定的已知值,且可以根据该初始过程噪声ω(0)和初始测量噪声ω(0),确定初始过程噪声方差和初始测量噪声方差。
作为优选,所述对称采样模型为:
其中,
k为所述车辆的电池实际运行的第k时刻,0≤k≤N,且k为整数;在所述车辆实际运行的第一时刻,k=1;在所述车辆实际运行的第N时刻,k=N;
为所述车辆的电池在实际运行的第k-1时刻的AUKF联合向量值,k为整数;在所述车辆实际运行的第一时刻,为初始AUKF联合向量值Xjoint(0);在所述车辆实际运行的第N时刻,为第N-1时刻的第二联合向量后验值Xjoint(N-1);
M为联合向量后验值Xjoint的长度;
μ为预设的缩放系数;
Pjoint(k-1)为第k-1时刻的联合向量协方差后验值;
可理解地,在车辆实际运行的第一时刻,k=1;此时,对称采样模型为:
其中,由步骤S30中可知,初始AUKF联合向量值Xjoint(0)、联合向量协方差初始值Pjoint(0)均已知,初始AUKF联合向量值Xjoint(0)的长度M以及缩放系数μ也已知,因此i=1,2,...,M以及i=1,2,...,M可以根据上述参数进行确定;进而,初始AUKF联合向量特征点集j=1,2,...,2M可以被确定。
S502,自数据库中获取所述车辆的电池的第二开路电压和第二温度系数;可理解地,所述第二开路电压和第二温度系数均与车辆的电池的SOC值相关,因此,只要车辆的电池的SOC值确定,则第二开路电压和第二温度系数均可以随之确定,且车辆的电池的第二开路电压和第二温度系数均与该电池的SOC值关联存储在数据库中,因此,可以根据车辆的电池的实时的SOC值(在实际运行过程中,车辆的电池的实时SOC值可以测得),确定其在当前时刻的第二开路电压和第二温度系数。
S503,将所述第一电压值、所述第一电流值和所述第一电池表面温度输入预设的第二产热率模型中,获取所述第二产热率模型输出的所述车辆的电池在实际运行的第一时刻的第二电池产热率。可理解地,车辆的实际运行的充放电过程中的第一时刻实时对应一个第二电池产热率。
作为优选,所述第二产热率模型为:
其中:
k为所述车辆的电池实际运行的第k时刻,0≤k≤N(N是指车辆实际运行的第N时刻),且k为整数;在所述车辆实际运行的初始时刻,k=0;在所述车辆实际运行的第一时刻,k=1;在所述车辆实际运行的第N时刻,k=N。
OCV(SOC2k)为所述车辆的电池的第二开路电压;OCV(SOC2k)与车辆的电池的SOC值关联存储在车辆的预设存储区域的OCV-SOC表中,可通过自OCV-SOC表中查询与该车辆的电池对应的SOC值获取该电池模组的OCV(SOC2k)。
U2k为所述车辆的电池在第k时刻的电压值;U2k表示车辆的电池在实际运行的充放电过程中的电压,可以在实际运行过程中通过电压测量设备实际测量。
I2k为所述车辆的电池在第k时刻的电流值;I2k表示车辆的电池在实际运行的充放电过程中的电流,可以在实际运行过程中通过电流测量设备实际测量,且I2k在充电时为负,放电时为正。
T2k为所述车辆的电池在第k时刻的电池表面温度;T2k可以通过设置在车辆的电池表面的第四温度传感设备测得。可理解地,在第二产热率模型中,相对于(OCV(SOC2k)-U2k)×I2k来说,这一项传热对于第二电池产热率的影响很小,因此,在本实施例中,实际计算第二电池产热率的过程中,可以将车辆的电池表面的电池表面温度等效替换为电池内部温度(由于在车辆的电池中,电池内部并未设置温度传感设备,因此电池内部温度无法测得),进而计算第二电池产热率。
根据上述内容,在车辆的实际运行的第一时刻,k=1,此时,第二产热率模型为:
其中,第一电压值U21、所述第一电流值I21、所述第一电池表面温度T21、第二温度系数以及第二开路电压OCV(SOC21)均已知,因此,可以根据上述第二产热率模型获取第一时刻对应的第二电池产热率Qheat21。
S504,将所述初始AUKF联合向量特征点集、所述第二电池产热率、所述第一冷却板温度和所述第一环境温度输入包含所述最优模型参数的所述等效热网络模型中,获取所述等效热网络模型输出的所述车辆的电池在实际运行的第一时刻的第一特征点状态值。
可理解地,在车辆实际运行的第一时刻,k=1;此时,由上述电池状态空间方程可知:
其中,所述第二电池产热率Qheat(1)(在车辆实际运行的第一时刻,Qheat(1)=Qheat21)、所述第一冷却板温度Tcool(1)和所述第一环境温度Tamb(1)均已知,而初始AUKF联合向量特征点集j=1,2,...,2M已经采用对称采样模型确定。进而,可以根据以上已知参数得出车辆的电池在实际运行的第一时刻的第一特征点状态值j=1,2,...,2M。
S505,将所述第一特征点状态值以及预设的噪声方差初始值输入预设的状态空间模型中,确定所述车辆的电池在车辆实际运行的第一时刻的第一联合向量先验值、第一联合向量协方差先验值以及第一测量修正矩阵;可理解地,ω(k)代表车辆实际运行的第k时刻的过程噪声,根据过程噪声可以确定过程噪声方差Q(k);γ(k)代表车辆实际运行的第k时刻的测量噪声;而根据测量噪声可以确定测量噪声方差R(k)。在本实施例中,第一时刻的噪声方差初始值包括初始过程噪声方差Q(1)和初始测量噪声方差R(1),且该初始过程噪声方差Q(1)和初始测量噪声方差R(1)可以根据预设的初始过程噪声ω(0)和初始测量噪声ω(0)确定,也即,噪声方差初始值为已知的预设值。此时,根据噪声方差初始值以及上述计算得到的第一特征点状态值j=1,2,...,2M,可以确定所述车辆的电池在车辆实际运行的第一时刻的第一联合向量先验值第一联合向量协方差先验值以及第一测量修正矩阵Kjoint(1)。
作为优选,所述状态空间模型包括:
其中:
k为所述车辆的电池实际运行的第k时刻,0≤k≤N,且k为整数;在所述车辆实际运行的第一时刻,k=1;在所述车辆实际运行的第N时刻,k=N;
α为正值常数,α≤1;
β为正值常数,β=2;
M为联合向量后验值Xjoint的长度;
μ为预设的缩放系数;
其中:
Q(k)为车辆实际运行的第k时刻,等效热网络模型的过程噪声方差,在一些实施例中,第k时刻等效热网络模型的过程噪声方差,即为第k-1时刻已修正的理论噪声方差中的理论过程噪声方差。可理解地,第一时刻的初始过程噪声方差Q(1)为预设值。
其中:
其中:
R(k)为车辆实际运行的第k时刻,等效热网络模型的测量噪声方差,在一些实施例中,第k时刻等效热网络模型的测量噪声方差,即为第k-1时刻已修正的理论噪声方差中的理论测量噪声方差。可理解地,第一时刻的初始测量噪声方差R(1)为预设值。Kjoint(k)为所述车辆实际运行的第k时刻的测量修正矩阵。
在所述车辆实际运行的第一时刻,k=1;此时,第一时刻的第一测量修正矩阵Kjoint(1)可以根据上述公式计算得出。
S506,将所述第一电池表面温度、所述第一联合向量先验值、所述第一联合向量协方差先验值以及所述第一测量修正矩阵输入预设的估算模型中,确定所述车辆的电池在车辆实际运行的第一时刻的第一联合向量后验值和第一联合向量协方差后验值;作为优选,所述估算模型为:
其中,
Xjoint(k)为所述车辆实际运行的第k时刻的联合向量后验值;
Pjoint(k)为所述车辆实际运行的第k时刻的联合向量协方差后验值;
Kjoint(k)为所述车辆实际运行的第k时刻的测量修正矩阵;
Ts measure(k)为第k时刻的所述车辆的电池表面温度;
在所述车辆实际运行的第一时刻,k=1;此时,由于第一时刻的所述第一电池表面温度Ts measure(1)可以由设置在车辆的电池表面的第四温度传感设备在第一时刻实时测量得到;所述第一联合向量先验值第一联合向量协方差先验值以及第一测量修正矩阵Kjoint(1)均已知,估算模型中的其他参数也在上述步骤S505或其他步骤中均已得出,因此,可以根据上述估算模型确定所述车辆的电池在车辆实际运行的第一时刻的第一联合向量后验值Xjoint(1)和第一联合向量协方差后验值Pjoint(1)。
S507,根据所述第一联合向量后验值和第一联合向量协方差后验值确定所述车辆的电池在车辆实际运行的第一时刻的第一电池内部温度估算值以及第一模型参数估算值。也即,在本实施例中,由于AUKF联合向量值Xjoint可表达为:
Xjoint=[Pparameter T,Xstate T]T
且Pparameter=[Cin,Rin1~Rinn,Rout1~Routn,Cs1~Csn]T;Xstate=[Tin,Ts1~Tsn]T;因此,可以根据第一时刻的第一联合向量后验值Xjoint(1)和第一联合向量协方差后验值Pjoint(1)确定第一电池内部温度估算值以及第一模型参数估算值。也即,第一联合向量后验值、第一联合向量协方差后验值、第一电池内部温度估算值以及第一模型参数估算值等均为第一次迭代更新的结果,且迭代更新之后的上述参数均可以在后续过程被持续迭代,进而使得电池内部温度的估算越来越精准。
在一实施例中,如图7所示,所述步骤S50后,也即所述根据所述初始AUKF联合向量值、所述第一运行数据以及包含所述最优模型参数初始值的所述等效热网络模型,确定所述车辆的电池在所述车辆在实际运行的第一时刻的第一电池内部温度估算值以及第一模型参数估算值之后,还包括:
S60,根据所述第一电池内部温度估算值和所述第一模型参数估算值,获取所述等效热网络模型在车辆实际运行的第一时刻的第一理论噪声方差。
在一实施例中,如图8所示,所述步骤S60包括:
S601,获取预设的时刻序列长度和所述车辆的电池在实际运行的第一时刻的第一电池表面温度;设LAUKF为预设的时刻序列长度;LAUKF≤k;也即LAUKF的具体数值可以根据用户需求设定。电池在实际运行的第一时刻的第一电池表面温度可以直接测得。
S602,根据所述第一电池内部温度估算值、所述第一模型参数估算值和所述第一电池表面温度,确定所述等效热网络模型在所述车辆实际运行的第一时刻的第一模型输出残差;在该步骤中,可以根据预设的残差模型计算第一时刻的等效热网络模型的第一模型输出残差。作为优选,残差模型为:
其中:
E(k)为第k时刻的等效热网络模型的模型输出残差;
Ts measure(k)为第k时刻的所述车辆的电池表面温度;
S603,根据所述第一时刻之前的所述时刻序列长度之内的历史模型输出残差以及所述第一模型输出残差,确定所述等效热网络模型在车辆实际运行的第一时刻的第一理论噪声方差。也即,可以根据以下残差阵模型获取对应时刻的输出残差阵:
其中:
LAUKF为预设的时刻序列长度;LAUKF≤k;也即LAUKF的具体数值可以根据用户需求设定。
l为所述车辆历史运行的第l时刻,k-LAUKF+1≤l≤k,且k为整数;在所述车辆历史运行的第一时刻,l=1;在所述车辆历史运行的第k时刻,l=k;
H(k)为车辆实际运行的第k时刻的等效热网络模型的输出残差阵;
E(l)为车辆的历史运行的第l时刻的等效热网络模型的历史模型输出残差。可理解地,在l=k时,历史模型输出残差即为第k时刻的等效热网络模型的模型输出残差。
在所述车辆实际运行的第一时刻,k=1;此时,第一时刻的等效热网络模型的第一输出残差阵H(1)可以根据上述残差阵模型确定。进而,根据上述第一输出残差阵,可以获取所述等效热网络模型在车辆实际运行的第一时刻的第一理论噪声方差,具体地,根据以下公式获取理论噪声方差:
其中:
Qid(k)为车辆实际运行的第k时刻,等效热网络模型的理论噪声方差中的理论过程噪声方差;
Rid(k)为车辆实际运行的第k时刻,等效热网络模型的理论噪声方差中的理论测量噪声方差;
Kjoint(k)为所述车辆实际运行的第k时刻的测量修正矩阵;
H(k)为车辆实际运行的第k时刻的等效热网络模型的输出残差阵;
R(k)为车辆实际运行的第k时刻,等效热网络模型的测量噪声方差。在一些实施例中,第k时刻等效热网络模型的测量噪声方差,即为第k-1时刻已修正的理论噪声方差中的理论测量噪声方差。可理解地,第一时刻的初始测量噪声方差R(1)为预设值。
在所述车辆实际运行的第一时刻,k=1;此时,初始测量噪声方差R(1)已知,Kjoint(1)、H(1)以及均已知,因此,可以直接获取第一理论过程噪声方差Qid(1)和第一理论测量噪声方差Rid(1),也即,确定所述等效热网络模型在车辆实际运行的第一时刻的第一理论噪声方差。
S70,根据预设的噪声更新规则,通过AUKF滤波器修正所述等效热网络模型在车辆实际运行的第一时刻的第一理论噪声方差。也即,在本发明中,AUKF滤波器可以在满足本实施例的条件时,实现对电池状态参数Pparameter、电池状态Xstate以及第一理论噪声方差进行更新的功能。
在一实施例中,所述第一理论噪声方差包括第一理论测量噪声方差和第一理论过程噪声方差;此时,所述步骤S70包括:
在所述第一理论测量噪声方差小于或等于预设的噪声边界值时,保持所述第一理论测量噪声方差以及所述第一理论过程噪声方差不变;
在所述第一理论测量噪声方差大于预设的噪声边界值时,通过所述AUKF滤波器将所述第一理论测量噪声方差更新为所述第一理论测量噪声方差以及预设的噪声方差初始值中的测量噪声初始值中的数值较大者,同时通过所述AUKF滤波器将所述第一理论过程噪声方差更新为所述第一理论过程噪声方差以及预设的噪声方差初始值中的过程噪声初始值中的矩阵迹较大者。在本实施例中,AUKF滤波器方可执行对第一理论测量噪声方差和第一理论过程噪声方差进行更新的动作。
本实施例中的上述噪声更新规则可以具体用以下公式来进行解释:
其中:
Q(k+1)为车辆实际运行的第K时刻,修正之后的等效热网络模型的理论噪声方差中的理论过程噪声方差;
δ为预设的噪声边界值,该噪声边界值可以根据需求进行设定。
Q(k)为车辆实际运行的第k时刻,等效热网络模型的过程噪声方差,在一些实施例中,第k时刻等效热网络模型的过程噪声方差,即为第k-1时刻已修正的理论噪声方差中的理论过程噪声方差。可理解地,第一时刻的初始过程噪声方差Q(1)为预设值。trace(Q(k))为矩阵Q(k)的迹;
Qid(k)为车辆实际运行的第k时刻,等效热网络模型的理论噪声方差中的理论过程噪声方差;trace(Qid(k))为矩阵Qid(k)的迹;
Rid(k)为车辆实际运行的第k时刻,等效热网络模型的理论噪声方差中的测量噪声方差;
R(k+1)为车辆实际运行的第K时刻,修正之后的等效热网络模型的理论噪声方差中的理论测量噪声方差;
R(k)为车辆实际运行的第k时刻,等效热网络模型的测量噪声方差,在一些实施例中,第k时刻等效热网络模型的测量噪声方差,即为第k-1时刻已修正的理论噪声方差中的理论测量噪声方差。可理解地,第一时刻的初始测量噪声方差R(1)为预设值。
在一实施例中,所述步骤S70,也即所述根据预设的噪声更新规则,修正所述等效热网络模型在车辆实际运行的第一时刻的第一理论噪声方差,包括:
在所述车辆实际运行的所有时刻的理论测量噪声方差均小于或等于预设的噪声边界值时,保持所述第一理论测量噪声方差以及所述第一理论过程噪声方差不变,所述AUKF滤波器(自适应无迹卡尔曼滤波器)被降级为UKF滤波器(无迹卡尔曼滤波器);所述理论测量噪声方差包括所述车辆实际运行的第一时刻的第一理论测量噪声方差。也即,在本发明中,在所述车辆实际运行的所有时刻的理论测量噪声方差均小于或等于所述噪声边界值时,说明理论测量噪声方差并不满足噪声更新规则,此时,理论测量噪声方差中的理论测量噪声方差和理论过程噪声方差均无需发生变更,此时,由于AUKF滤波器无需对第一理论测量噪声方差和第一理论过程噪声方差进行更新,仅需要实现对电池状态参数Pparameter和电池状态Xstate进行更新的功能即可,因此,在本实施例中,AUKF滤波器被降级为UKF滤波器使用,此时,在后续过程中使用;也即,在后续步骤中,若所述车辆实际运行的所有时刻的理论测量噪声方差始终均小于或等于所述噪声边界值,则AUKF滤波器始终作为UKF滤波器仅执行对电池状态参数Pparameter和电池状态Xstate进行更新的动作即可。
在一实施例中,所述步骤S70后,也即所述根据预设的噪声更新规则,修正所述等效热网络模型在车辆实际运行的第一时刻的第一理论噪声方差之后,还包括:
获取车辆的电池的在所述车辆实际运行的第N时刻的第二运行数据、第N-1时刻的第二联合向量后验值和第N-1时刻的第二联合向量协方差后验值;N为大于或等于2的正整数;
根据所述第二联合向量后验值、所述第二联合向量协方差后验值、所述第二运行数据以及包含所述第N-1时刻的第二模型参数估算值的所述等效热网络模型,确定所述车辆的电池在所述车辆在实际运行的第N时刻的第二电池内部温度估算值以及第二模型参数估算值。
可理解地,在本发明中,可以通过联合向量后验值对车辆的电池内部温度进行反馈修正,之后,将反馈修正之后的电池内部温度进一步在实际运行中进行修正(比如,在第N时刻,对第N-1时刻的第二联合向量后验值进行反馈修正,得到反馈修正之后的第三联合向量后验值等,根据第三联合向量后验值可以确定车辆的电池在所述车辆在实际运行的第N时刻的第二电池内部温度估算值),也即,电池内部温度在车辆的实际运行过程中始终处于一个迭代修正的过程中,随着该迭代过程的进行,电池内部温度估算值将会越来越准确,如此,可以有效地消除等效热网络模型的误差以及初始AUKF联合向量值的误差对实时的电池内部温度带来的误差影响。另一方面,本发明还可以对等效热网络模型的模型参数进行优化(比如,在第N时刻,根据第二联合向量后验值以及包含所述第N-1时刻的第二模型参数估算值的所述等效热网络模型,可以确定车辆的电池在所述车辆在实际运行的第N时刻的第三联合向量后验值等,进而可以获知根据第三联合向量后验值可以确定车辆的电池在所述车辆在实际运行的第N时刻的第二模型参数估算值),从而可以根据优化之后的模型参数更准确预估电池内部温度,如此,可以进一步消除电池内部温度估计误差对参数辨识结果的影响,使得模型参数更为匹配,减少了电池内部温度的估计误差。
在一实施例中,所述第二运行数据包括第二电池表面温度、第二冷却板温度、第二环境温度、第二电压值和第二电流值;所述第二电池表面温度由设置在所述车辆的电池表面的第四温度传感设备测得,所述第二冷却板温度由设置在与所述车辆的电池连接的车辆冷却***的冷却板上的第五温度传感设备测得;所述第二环境温度为所述车辆实际运行的环境在所述第N时刻的温度,所述第二电压值为所述车辆的电池在实际运行的第N时刻的电压值,所述第二电流值为所述车辆的电池在实际运行的第N时刻的电流值。可理解地,上述第二电压值和第二电流值可以在车辆的实际运行过程中的第N时刻进行实时测量。
在一实施例中,所述根据所述第二联合向量后验值、所述第二联合向量协方差后验值、所述第二运行数据以及包含所述第N-1时刻的第二模型参数估算值的所述等效热网络模型,确定所述车辆的电池在所述车辆在实际运行的第N时刻的第二电池内部温度估算值以及第二模型参数估算值,包括:
将所述第二联合向量后验值和所述第二联合向量协方差后验值输入所述对称采样模型中,生成第一AUKF联合向量特征点集。
可理解地,在车辆实际运行的第N时刻,k=N;此时,根据所述对称采样模型:
其中,由步骤S30中可知,所述第二联合向量后验值Xjoint(N-1)和所述第二联合向量协方差Pjoint(N-1)均已知,第二联合向量后验值Xjoint(N-1)的长度M以及缩放系数μ也已知,因此i=1,2,...,M以及i=1,2,...,M可以根据上述参数进行确定;进而,第一AUKF联合向量特征点集j=1,2,...,2M可以被确定。
将所述第二电压值、所述第二电流值和所述第二电池表面温度输入所述第二产热率模型中,获取所述第二产热率模型输出的所述车辆的电池在实际运行的第N时刻的第三电池产热率;可理解地,车辆的实际运行的充放电过程中的第N时刻实时对应一个第三电池产热率。根据上述第二产热率模型,在车辆的实际运行的第N时刻,k=N,此时,第二产热率模型为:
其中,第二电压值U2N、所述第二电流值I2N、所述第二电池表面温度T2N、第二温度系数以及第二开路电压OCV(SOC2N)均已知,因此,可以根据上述第二产热率模型获取第N时刻对应的第三电池产热率Qheat2N。
将所述第一AUKF联合向量特征点集、所述第三电池产热率、所述第二冷却板温度和所述第二环境温度输入包含所述第N-1时刻的第二模型参数估算值的所述等效热网络模型中,获取所述等效热网络模型输出的所述车辆的电池在实际运行的第N时刻的第二特征点状态值;在车辆的实际运行的第N时刻,k=N,此时,由上述电池状态空间方程可知:
其中,所述第三电池产热率Qheat(N)(在车辆实际运行的第N时刻,Qheat(N)=Qheat2N)、所述第二冷却板温度和所述第二环境温度Tamb(N)均已知,而第一AUKF联合向量特征点集j=1,2,...,2M已经采用以对称采样模型确定。进而,可以根据以上已知参数得出车辆的电池在实际运行的第N时刻的第二特征点状态值j=1,2,...,2M。
获取已修正的第N-1时刻的第二理论噪声方差,将所述第二特征点状态值以及所述第二理论噪声方差输入所述状态空间模型中,确定所述车辆的电池在车辆实际运行的第N时刻的第二联合向量先验值、第二联合向量协方差先验值以及第二测量修正矩阵;在车辆的实际运行的第N时刻,k=N,此时,根据步骤S505中所述的状态空间模型可首先确定第二联合向量先验值进而确定第二联合向量协方差先验值最终确定第二测量修正矩阵Kjoint(N);其具体计算过程参照步骤S505中所述,在此不再赘述。
将所述第二电池表面温度、所述第二联合向量先验值、所述第二联合向量协方差先验值以及所述第二测量修正矩阵输入所述估算模型中,确定所述车辆的电池在车辆实际运行的第N时刻的第三联合向量后验值和第三联合向量协方差后验值;在车辆的实际运行的第N时刻,k=N,此时,由于第N时刻的所述第二电池表面温度由设置在所述车辆的电池表面的第四温度传感设备测得;所述第一联合向量先验值第二联合向量先验值和第二联合向量协方差先验值最终确定第二测量修正矩阵Kjoint(N)均已知,步骤S506中提及的所述估算模型中的其他参数也可以参照上述步骤S505或其他步骤中得出,因此,可以根据上述估算模型确定所述车辆的电池在车辆实际运行的第N时刻的第三联合向量后验值Xjoint(N)和第三联合向量协方差后验值Pjoint(N)。
根据所述第三联合向量后验值和第三联合向量协方差后验值确定所述车辆的电池在车辆实际运行的第N时刻的第二电池内部温度估算值以及第三模型参数估算值。也即,在本实施例中,由于AUKF联合向量值Xjoint可表达为:
Xjoint=[Pparameter T,Xstate T]T
且Pparameter=[Cin,Rin1~Rinn,Rout1~Routn,Cs1~Csn]T;Xstate=[Tin,Ts1~Tsn]T;因此,可以根据第三联合向量后验值Xjoint(N)和第三联合向量协方差后验值Pjoint(N)确定第二电池内部温度估算值以及第三模型参数估算值。也即,第三联合向量后验值、第三联合向量协方差后验值、第二电池内部温度估算值以及第三模型参数估算值等均为第N次迭代更新的结果,且迭代更新之后的上述参数均可以在后续过程被持续迭代,进而使得电池内部温度的估算越来越精准。可理解地,N为大于或等于2的正整数,在N=2时,第N-1时刻即为第一时刻,此时,上述实施例中的第N-1时刻的第二联合向量后验值即为第一时刻对应的第一联合向量后验值;若N大于2,则可以根据上述实施例进行迭代即可。
如图9所示,图9为通过本发明的基于AUKF的电池内部温度信息处理方法进行实验验证的验证结果,实验验证的验证对象为内部布置有第一温度传感设备的电池模组的电芯,图9中为不同倍率充放电过程以及静置过程中电芯内部温度Tinexp、电芯表面温度Tsexp的实测值以及该电池模组的电芯对应的电池内部温度估算值Tinest,实验结果表明,本发明电池内部温度估算值与实测值之间误差很小,本发明可以实现对各节点温度精确估算。
进一步地,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图10所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机可读指令和数据库。该内存储器为非易失性存储介质中的操作***和计算机可读指令的运行提供环境。该计算机可读指令被处理器执行时以实现一种基于AUKF的电池内部温度信息处理方法。
进一步地,提供了一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令,所述处理器执行所述计算机可读指令时实现上述的基于AUKF的电池内部温度信息处理方法。
本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可读指令,所述计算机可读指令被处理器执行时实现上述的基于AUKF的电池内部温度信息处理方法。
本发明还提供了一种车辆,所述车辆包括电池以及与所述电池通信连接的控制模块,所述控制模块用于执行所述的基于AUKF的电池内部温度信息处理方法。
关于所述控制模块的具体限定可以参见上文中对于基于AUKF的电池内部温度信息处理方法的限定,在此不再赘述。上述控制模块中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机可读指令来指令相关的硬件来完成,所述的计算机可读指令可存储于一非易失性计算机可读取存储介质中,该计算机可读指令在执行时,可包括如上述各方法的实施例的流程。其中,本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路DRAM(SLDRAM)、存储器总线直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
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或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或模块完成,即将所述装置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。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包括在本发明的保护范围之内。
Claims (17)
1.一种基于AUKF的电池内部温度信息处理方法,其特征在于,包括:
获取电池模组在恒温环境的不同离线工况下进行离线测试的离线测试数据;
根据所述离线测试数据获取等效热网络模型的初始参数,基于多目标函数拟合法确定所述等效热网络模型的各所述初始参数中的最优模型参数初始值;
获取车辆的电池的初始AUKF联合向量值;
获取所述车辆的电池在所述车辆实际运行的第一时刻的第一运行数据;
根据所述初始AUKF联合向量值、所述第一运行数据以及包含所述最优模型参数初始值的所述等效热网络模型,确定所述车辆的电池在所述车辆在实际运行的第一时刻的第一电池内部温度估算值以及第一模型参数估算值;
所述获取车辆的电池的初始AUKF联合向量值,包括:
根据所述最优模型参数初始值确定参数协方差初始值;
自数据库中获取所述车辆的电池在实际运行的初始时刻的电池状态初始值,并根据所述电池状态初始值确定电池状态协方差初始值;
根据所述最优模型参数初始值和所述电池状态初始值确定初始AUKF联合向量值;
根据所述参数协方差初始值和所述电池状态协方差初始值确定联合向量协方差初始值;
所述获取所述车辆的电池在所述车辆实际运行的第一时刻的第一运行数据,包括:
在所述车辆实际运行的第一时刻,获取所述车辆的电池的第一运行数据,所述第一运行数据包括第一电池表面温度、第一冷却板温度、第一环境温度、第一电压值和第一电流值;所述第一电池表面温度由设置在所述车辆的电池表面的第四温度传感设备测得,所述第一冷却板温度由设置在与所述车辆的电池连接的车辆冷却***的冷却板上的第五温度传感设备测得;所述第一环境温度为所述车辆实际运行的环境在所述第一时刻的温度,所述第一电压值为所述车辆的电池在实际运行的第一时刻的电压值,所述第一电流值为所述车辆的电池在实际运行的第一时刻的电流值;
所述根据所述初始AUKF联合向量值、所述第一运行数据以及包含所述最优模型参数初始值的所述等效热网络模型,确定所述车辆的电池在所述车辆在实际运行的第一时刻的第一电池内部温度估算值以及第一模型参数估算值,包括:
将所述初始AUKF联合向量值和所述联合向量协方差初始值输入预设的对称采样模型中,生成初始AUKF联合向量特征点集;
自数据库中获取所述车辆的电池的第二开路电压和第二温度系数;
将所述第一电压值、所述第一电流值和所述第一电池表面温度输入预设的第二产热率模型中,获取所述第二产热率模型输出的所述车辆的电池在实际运行的第一时刻的第二电池产热率;
将所述初始AUKF联合向量特征点集、所述第二电池产热率、所述第一冷却板温度和所述第一环境温度输入包含所述最优模型参数的所述等效热网络模型中,获取所述等效热网络模型输出的所述车辆的电池在实际运行的第一时刻的第一特征点状态值;
将所述第一特征点状态值以及预设的噪声方差初始值输入预设的状态空间模型中,确定所述车辆的电池在车辆实际运行的第一时刻的第一联合向量先验值、第一联合向量协方差先验值以及第一测量修正矩阵;
将所述第一电池表面温度、所述第一联合向量先验值、所述第一联合向量协方差先验值以及所述第一测量修正矩阵输入预设的估算模型中,确定所述车辆的电池在车辆实际运行的第一时刻的第一联合向量后验值和第一联合向量协方差后验值;
根据所述第一联合向量后验值和第一联合向量协方差后验值确定所述车辆的电池在车辆实际运行的第一时刻的第一电池内部温度估算值以及第一模型参数估算值。
2.如权利要求1所述的基于AUKF的电池内部温度信息处理方法,其特征在于,所述获取电池模组在恒温环境的不同离线工况下进行离线测试的离线测试数据,包括:
在不同离线工况下进行离线测试时,获取所述电池模组的离线温度数据和等效电路数据;其中,所述离线温度数据包括离线测试内部温度、离线测试表面温度、离线冷却板温度以及所述电池模组进行离线测试时所处的恒温环境的离线环境温度;所述离线测试内部温度由设置在所述电池模组的电芯内部的第一温度传感设备测得,所述离线测试表面温度由设置在所述电池模组的电芯表面的第二温度传感设备测得,所述离线冷却板温度由设置在与所述电池模组连接的冷却***的冷却板上的第三温度传感设备测得;所述等效电路数据包括所述电池模组的电池端电压值和电池电流值。
3.如权利要求2所述的基于AUKF的电池内部温度信息处理方法,其特征在于,所述获取所述电池模组的离线温度数据和离线测试数据之后,包括:
自数据库中获取所述电池模组的第一开路电压和第一温度系数;
将所述电池端电压值、所述电池电流值和所述离线测试内部温度分组输入预设的第一产热率模型中,获取所述第一产热率模型输出的所述电池模组在不同离线工况下的第一电池产热率;其中,一组所述电池端电压值、所述电池电流值和所述离线测试内部温度是指在同一离线工况下对应于同一时刻的所述电池端电压值、所述电池电流值和所述离线测试内部温度。
5.如权利要求3所述的基于AUKF的电池内部温度信息处理方法,其特征在于,所述根据所述离线测试数据获取等效热网络模型的初始参数,基于多目标函数拟合法确定所述等效热网络模型的各所述初始参数中的最优模型参数初始值,包括:
获取等效热网络模型的输入参数和输出参数,并将在同一离线工况下对应于同一时刻的所述输入参数与所述输出参数关联;所述输入参数包括所述第一电池产热率、所述离线冷却板温度以及所述离线环境温度;所述输出参数包括所述离线测试内部温度和所述离线测试表面温度;
将所述输入参数输入等效网络模型,并将与输入所述等效网络模型的所述输入参数关联的所述输出参数作为所述等效网络模型的输出,以获取所述等效网络模型的初始参数;一组所述初始参数包括所述电池模组的所述等效网络模型中的电芯内部等效热容、电芯内部到各传热路径对应的电芯表面点的热阻、各传热路径对应的电芯表面点到外界环境的热阻以及各传热路径对应的电芯表面点的等效热容;
基于多目标函数拟合法确定各组所述初始参数中的一组最优模型参数初始值,所述多目标函数拟合法包括最小二乘法、遗传算法、粒子群优化算法中的一种或多种。
6.如权利要求1所述的基于AUKF的电池内部温度信息处理方法,其特征在于,所述根据所述初始AUKF联合向量值、所述第一运行数据以及包含所述最优模型参数初始值的所述等效热网络模型,确定所述车辆的电池在所述车辆在实际运行的第一时刻的第一电池内部温度估算值以及第一模型参数估算值之后,还包括:
根据所述第一电池内部温度估算值和所述第一模型参数估算值,获取所述等效热网络模型在车辆实际运行的第一时刻的第一理论噪声方差;
根据预设的噪声更新规则,通过AUKF滤波器修正所述等效热网络模型在车辆实际运行的第一时刻的第一理论噪声方差。
7.如权利要求6所述的基于AUKF的电池内部温度信息处理方法,其特征在于,所述根据所述第一电池内部温度估算值和所述第一模型参数估算值,获取所述等效热网络模型在车辆实际运行的第一时刻的第一理论噪声方差,包括:
获取预设的时刻序列长度和所述车辆的电池在实际运行的第一时刻的第一电池表面温度;
根据所述第一电池内部温度估算值、所述第一模型参数估算值和所述第一电池表面温度,确定所述等效热网络模型在所述车辆实际运行的第一时刻的第一模型输出残差;
根据所述第一时刻之前的所述时刻序列长度之内的历史模型输出残差以及所述第一模型输出残差,确定所述等效热网络模型在车辆实际运行的第一时刻的第一理论噪声方差。
8.如权利要求6所述的基于AUKF的电池内部温度信息处理方法,其特征在于,所述第一理论噪声方差包括第一理论测量噪声方差和第一理论过程噪声方差;
所述根据预设的噪声更新规则,通过AUKF滤波器修正所述等效热网络模型在车辆实际运行的第一时刻的第一理论噪声方差,包括:
在所述第一理论测量噪声方差小于或等于预设的噪声边界值时,保持所述第一理论测量噪声方差以及所述第一理论过程噪声方差不变;
在所述第一理论测量噪声方差大于预设的噪声边界值时,通过所述AUKF滤波器将所述第一理论测量噪声方差更新为所述第一理论测量噪声方差以及预设的噪声方差初始值中的测量噪声初始值中的数值较大者,同时通过所述AUKF滤波器将所述第一理论过程噪声方差更新为所述第一理论过程噪声方差以及预设的噪声方差初始值中的过程噪声初始值中的矩阵迹较大者。
9.如权利要求6所述的基于AUKF的电池内部温度信息处理方法,其特征在于,所述根据预设的噪声更新规则,通过AUKF滤波器修正所述等效热网络模型在车辆实际运行的第一时刻的第一理论噪声方差,包括:
在所述车辆实际运行的所有时刻的理论测量噪声方差均小于或等于预设的噪声边界值时,保持所述第一理论测量噪声方差以及所述第一理论过程噪声方差不变,所述AUKF滤波器被降级为UKF滤波器;所述理论测量噪声方差包括所述车辆实际运行的第一时刻的第一理论测量噪声方差。
10.如权利要求6所述的基于AUKF的电池内部温度信息处理方法,其特征在于,所述根据预设的噪声更新规则,通过AUKF滤波器修正所述等效热网络模型在车辆实际运行的第一时刻的第一理论噪声方差之后,还包括:
获取车辆的电池的在所述车辆实际运行的第N时刻的第二运行数据、第N-1时刻的第二联合向量后验值和第N-1时刻的第二联合向量协方差后验值;N为大于或等于2的正整数;
根据所述第二联合向量后验值、所述第二联合向量协方差后验值、所述第二运行数据以及包含所述第N-1时刻的第二模型参数估算值的所述等效热网络模型,确定所述车辆的电池在所述车辆在实际运行的第N时刻的第二电池内部温度估算值以及第二模型参数估算值。
11.如权利要求10所述的基于AUKF的电池内部温度信息处理方法,其特征在于,所述第二运行数据包括第二电池表面温度、第二冷却板温度、第二环境温度、第二电压值和第二电流值;所述第二电池表面温度由设置在所述车辆的电池表面的第四温度传感设备测得,所述第二冷却板温度由设置在与所述车辆的电池连接的车辆冷却***的冷却板上的第五温度传感设备测得;所述第二环境温度为所述车辆实际运行的环境在所述第N时刻的温度,所述第二电压值为所述车辆的电池在实际运行的第N时刻的电压值,所述第二电流值为所述车辆的电池在实际运行的第N时刻的电流值。
12.如权利要求11所述的基于AUKF的电池内部温度信息处理方法,其特征在于,所述根据所述第二联合向量后验值、所述第二联合向量协方差后验值、所述第二运行数据以及包含所述第N-1时刻的第二模型参数估算值的所述等效热网络模型,确定所述车辆的电池在所述车辆在实际运行的第N时刻的第二电池内部温度估算值以及第二模型参数估算值,包括:
将所述第二联合向量后验值和所述第二联合向量协方差后验值输入所述对称采样模型中,生成第一AUKF联合向量特征点集;
将所述第二电压值、所述第二电流值和所述第二电池表面温度输入所述第二产热率模型中,获取所述第二产热率模型输出的所述车辆的电池在实际运行的第N时刻的第三电池产热率;
将所述第一AUKF联合向量特征点集、所述第三电池产热率、所述第二冷却板温度和所述第二环境温度输入包含所述第N-1时刻的第二模型参数估算值的所述等效热网络模型中,获取所述等效热网络模型输出的所述车辆的电池在实际运行的第N时刻的第二特征点状态值;
获取已修正的第N-1时刻的第二理论噪声方差,将所述第二特征点状态值以及所述第二理论噪声方差输入所述状态空间模型中,确定所述车辆的电池在车辆实际运行的第N时刻的第二联合向量先验值、第二联合向量协方差先验值以及第二测量修正矩阵;
将所述第二电池表面温度、所述第二联合向量先验值、所述第二联合向量协方差先验值以及所述第二测量修正矩阵输入所述估算模型中,确定所述车辆的电池在车辆实际运行的第N时刻的第三联合向量后验值和第三联合向量协方差后验值;
根据所述第三联合向量后验值和第三联合向量协方差后验值确定所述车辆的电池在车辆实际运行的第N时刻的第二电池内部温度估算值以及第三模型参数估算值。
14.如权利要求6所述的基于AUKF的电池内部温度信息处理方法,其特征在于,所述对称采样模型为:
其中,
k为所述车辆的电池实际运行的第k时刻,0≤k≤N,且k为整数;在所述车辆实际运行的第一时刻,k=1;在所述车辆实际运行的第N时刻,k=N;
为所述车辆的电池在实际运行的第k-1时刻的AUKF联合向量值,k为整数;在所述车辆实际运行的第一时刻,为初始AUKF联合向量值Xjoint(0);在所述车辆实际运行的第N时刻,为第N-1时刻的第二联合向量后验值Xjoint(N-1);
M为联合向量后验值Xjoint的长度;
μ为预设的缩放系数;
Pjoint(k-1)为第k-1时刻的联合向量协方差后验值;
16.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令,其特征在于,所述处理器执行所述计算机可读指令时实现如权利要求1至15任一项所述的基于AUKF的电池内部温度信息处理方法。
17.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可读指令,其特征在于,所述计算机可读指令被处理器执行时实现如权利要求1至15任一项所述的基于AUKF的电池内部温度信息处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911190827.2A CN112964992B (zh) | 2019-11-28 | 2019-11-28 | 基于aukf的电池内部温度信息处理方法、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911190827.2A CN112964992B (zh) | 2019-11-28 | 2019-11-28 | 基于aukf的电池内部温度信息处理方法、设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112964992A CN112964992A (zh) | 2021-06-15 |
CN112964992B true CN112964992B (zh) | 2022-08-09 |
Family
ID=76270703
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911190827.2A Active CN112964992B (zh) | 2019-11-28 | 2019-11-28 | 基于aukf的电池内部温度信息处理方法、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112964992B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113484770B (zh) * | 2021-06-10 | 2022-04-01 | 广东恒翼能科技有限公司 | 基于充放电数据在线测算电池内部核心温度的方法及*** |
CN113352896B (zh) * | 2021-08-09 | 2021-12-10 | 宁波均胜新能源研究院有限公司 | 车载电池管理方法及装置、存储介质及电动汽车 |
CN114355201B (zh) * | 2022-03-21 | 2022-06-10 | 北京理工大学 | 一种基于电热耦合模型的锂离子电池内部温度场在线估计方法 |
CN115020832B (zh) * | 2022-06-08 | 2024-05-28 | 东莞新能安科技有限公司 | 电芯排布方法、装置、设备及计算机存储介质 |
CN115656846B (zh) * | 2022-11-10 | 2024-07-16 | 无锡九合动力科技有限公司 | 一种新能源汽车电控***及方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105206888B (zh) * | 2015-08-31 | 2018-04-06 | 浙江工业大学之江学院 | 一种锂离子电池内部温度监测方法 |
JP2018096953A (ja) * | 2016-12-16 | 2018-06-21 | 三菱自動車工業株式会社 | 電池状態推定装置 |
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 |
CN109001640B (zh) * | 2018-06-29 | 2021-08-20 | 深圳市科列技术股份有限公司 | 一种动力电池的数据处理方法和装置 |
CN109459705B (zh) * | 2018-10-24 | 2021-04-27 | 江苏理工学院 | 一种抗野值鲁棒无迹卡尔曼滤波的动力电池soc估计方法 |
CN109799005A (zh) * | 2018-12-20 | 2019-05-24 | 北京长城华冠汽车科技股份有限公司 | 电池内部温度估计方法、装置、***和车辆 |
CN110118617A (zh) * | 2019-05-30 | 2019-08-13 | 上海元城汽车技术有限公司 | 电池模组的内部温度确定方法、装置及智能终端 |
-
2019
- 2019-11-28 CN CN201911190827.2A patent/CN112964992B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112964992A (zh) | 2021-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112964991B (zh) | 电池内部温度信息处理方法、计算机设备和存储介质 | |
CN112964992B (zh) | 基于aukf的电池内部温度信息处理方法、设备和介质 | |
Li et al. | Enhanced online model identification and state of charge estimation for lithium-ion battery under noise corrupted measurements by bias compensation recursive least squares | |
CN112327166B (zh) | 基于分数阶平方根无迹卡尔曼滤波的锂电池soc估计方法 | |
JP6388563B2 (ja) | 蓄電池パラメータ推定装置および蓄電池パラメータ推定方法 | |
CN113009349B (zh) | 一种基于深度学习模型的锂离子电池健康状态诊断方法 | |
RU2361333C2 (ru) | Оценка состояния и параметров гальванического элемента | |
CN109633454B (zh) | 一种实现锂离子电池等效温度在线估计的方法 | |
CN108089135B (zh) | 一种基于极限学习模型的电池状态预测***及其实现方法 | |
CN110954831B (zh) | 一种多时间尺度的方形锂电池soc和sot联合估计方法 | |
CN111060823A (zh) | 一种基于dp模型的低温环境下电池sop在线估计方法 | |
CN114187970A (zh) | 一种基于电化学机理的锂离子电池内外特性仿真方法 | |
CN113608121A (zh) | 基于模糊分数阶无迹卡尔曼滤波的锂电池soc估计方法 | |
CN114779107A (zh) | 一种考虑温度影响的锂离子电池soc估计方法 | |
CN114089193A (zh) | 电池的温度和负极电位在线估计方法、装置和计算机设备 | |
CN113125969B (zh) | 基于aukf的电池数据处理方法、设备和介质 | |
Xiong et al. | Co-estimation of the model parameter and state of charge for retired lithium-ion batteries over a wide temperature range and battery degradation scope | |
CN113189500A (zh) | 电池电量计算方法、装置、计算机设备和存储介质 | |
CN116400247B (zh) | 电池软短路故障的确定方法及装置 | |
CN106772075B (zh) | 一种考虑温度梯度的在线电池阻抗模型优化方法 | |
JP2018084548A (ja) | 二次電池の状態推定装置及び車両 | |
CN115575835A (zh) | 一种锂离子电池峰值功率预估方法 | |
CN113030741B (zh) | 基于aukf的电池模型参数和soc估算方法、设备和介质 | |
CN117910405A (zh) | 一种电池热-电网络耦合模型的仿真方法及仿真模型装置 | |
Dardchuntuk et al. | Unscented Kalman Filter for State of Charge Estimation of Lithium Titanate Battery |
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 |