CN113466723A - 确定电池荷电状态的方法及装置,电池管理*** - Google Patents
确定电池荷电状态的方法及装置,电池管理*** Download PDFInfo
- Publication number
- CN113466723A CN113466723A CN202010245899.9A CN202010245899A CN113466723A CN 113466723 A CN113466723 A CN 113466723A CN 202010245899 A CN202010245899 A CN 202010245899A CN 113466723 A CN113466723 A CN 113466723A
- Authority
- CN
- China
- Prior art keywords
- battery
- data
- state
- voltage
- equivalent circuit
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
- B60L3/12—Recording operating variables ; Monitoring of operating 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]
- G01R31/382—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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
- B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
-
- 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]
- G01R31/3644—Constructional arrangements
- G01R31/3648—Constructional arrangements comprising digital calculation means, e.g. for performing an algorithm
-
- 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]
- G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L2240/00—Control parameters of input or output; Target parameters
- B60L2240/40—Drive Train control parameters
- B60L2240/54—Drive Train control parameters related to batteries
- B60L2240/547—Voltage
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L2240/00—Control parameters of input or output; Target parameters
- B60L2240/40—Drive Train control parameters
- B60L2240/54—Drive Train control parameters related to batteries
- B60L2240/549—Current
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L2260/00—Operating Modes
- B60L2260/40—Control modes
- B60L2260/44—Control modes by parameter estimation
-
- 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]
- G01R31/374—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] with means for correcting the measurement for temperature or ageing
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
- H01M2010/4271—Battery management systems including electronic circuits, e.g. control of current or voltage to keep battery in healthy state, cell balancing
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Secondary Cells (AREA)
- Tests Of Electric Status Of Batteries (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本公开涉及一种确定电池荷电状态的方法及装置,电池管理***,以解决电池荷电状态估算不准确的问题。所述方法包括:获取电池的状态数据,所述状态数据包括电流数据、电压数据;基于所述电池的等效电路模型、误差信息、电池特性数据以及所述状态数据,通过最小二乘法RLS预估模型,确定所述等效电路模型中的元件参数值;基于所述等效电路模型中的元件参数值、所述状态数据以及所述电池特性数据,根据观测器技术确定所述电池的电池荷电状态估计值。
Description
技术领域
本公开涉及电池管理技术领域,具体地,涉及一种确定电池荷电状态的方法及装置,电池管理***。
背景技术
电动汽车作为一种新能源汽车,具有降低石油消耗、低污染、低噪声等优点,其被认为是能源危机问题和环境恶化问题的重要解决途径。电池作为电动汽车的动力来源,其荷电状态的准确估计不仅有助于提升电池***的均衡控制效率和电动汽车的能量管理效率,更攸关动态工况下电动汽车的整车安全。
相关技术中,在对电池荷电状态进行估计时,由于采样元件校准不合格、采样元件老化等原因,电池数据的测量精度难以得到保证,从而容易导致等效电路模型出现误差,并且,并未考虑电池荷电状态误差对参数辨识结果的影响,将会导致元件参数值不匹配,继而造成电池荷电状态估计精度的进一步下降,不利用车辆的高效管理和可靠运行。
发明内容
本公开的目的是提供一种确定电池荷电状态的方法及装置,电池管理***,以解决电池荷电状态估算不准确的问题。
为了实现上述目的,本公开第一方面提供一种确定电池荷电状态的方法,包括:
获取电池的状态数据,所述状态数据包括电流数据、电压数据;
基于所述电池的等效电路模型、误差信息、电池特性数据以及所述状态数据,通过最小二乘法RLS预估模型,确定所述等效电路模型中的元件参数值;
基于所述等效电路模型中的元件参数值、所述状态数据以及所述电池特性数据,根据观测器技术确定所述电池的电池荷电状态SOC估计值。
本公开第二方面提供一种确定电池荷电状态的装置,所述装置包括:
获取模块,用于获取电池的状态数据,所述状态数据包括电流数据、电压数据;
第一确定模块,用于基于所述电池的等效电路模型、误差信息、电池特性数据以及所述状态数据,通过最小二乘法RLS预估模型,确定所述等效电路模型模型中的元件参数值;
第二确定模块,用于基于所述等效电路模型中的元件参数值、所述状态数据以及所述电池特性数据,根据观测器技术确定所述电池的电池荷电状态SOC估计值。
本公开第三方面提供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实现上述第一方面中任一项所述方法的步骤。
本公开第四方面提供一种电子设备,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现上述第一方面中任一项所述方法的步骤。
本公开第五方面提供一种电池管理***,包括上述任一项所述的确定电池荷电状态的装置。
通过上述技术方案,至少可以达到以下有益效果:
通过最小二乘法RLS预估模型确定所述等效电路模型中的元件参数值。并且,在确定所述电池的等效电路模型中的元件参数值时,还考虑了至少包括电压数据的采样误差因子和/或电流数据的采样误差因子的误差信息,从而能够降低采样误差所带来的影响,进而能够提升确定的所述等效电路模型中的元件参数值的准确度,最终起到提升所确定的电池等效模型的精度的效果。进一步地,基于观测器技术确定电池的SOC值,提升元件参数值与观测器的匹配度,进而提升电池荷电状态估计精度,保证车辆的高效管理和可靠运行。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本公开,但并不构成对本公开的限制。在附图中:
图1是本公开一示例性实施例所示出的一种确定电池荷电状态的方法的流程图。
图2是本公开一示例性实施例所示出的另一种确定电池荷电状态的方法的流程图。
图3是本公开一示例性实施例所示出的一种L阶电池初始等效电路的示意图。
图4是本公开一示例性实施例所示出的另一种确定电池荷电状态的方法的流程图。
图5是本公开一示例性实施例所示出的另一种确定电池荷电状态的方法的流程图。
图6是根据相关技术一示例性实施例所示出的确定电池荷电状态的方法的效果图。
图7是本公开一示例性实施例所示出的一种确定电池荷电状态的方法的效果图。
图8是本公开一示例性实施例所示出的一种确定等效电路模型的装置的框图。
图9是本公开一示例性实施例所示出的一种确定等效电路模型的电子设备的框图。
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本公开,并不用于限制本公开。
需要说明的是,本公开的说明书和权利要求书以及附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必理解为描述特定的顺序或先后次序。
在介绍本公开所提供的确定电池荷电状态的方法、装置、存储介质及电子设备之前,首先对本公开各实施例的应用场景进行介绍。本公开的各实施例可以用于确定电池的荷电状态,所述电池例如可以是三元锂电池、磷酸铁锂电池等等。
以电动汽车为例,电池作为电动汽车的动力来源,其状态的准确估计不仅有助于提升电池***的均衡控制效率和电动汽车的能量管理效率,还攸关动态工况下电动汽车的整车安全。相关技术中,可以通过确定相应的等效电路模型进而分析所述电池的状态,这些状态例如可以是电池荷电状态(State of charge,简称SOC)、电池能量状态(State ofenergy,简称SOE)、电池功率状态(State of power,简称SOP)、电池健康状态(State ofhealth,简称SOH)等。
申请人发现,由于采样元件校准不合格、采样元件老化等原因,电池数据的测量结果中还可能包括对应的误差,从而导致相关技术中辨识出的等效电路模型容易出现误差,进而导致电池状态的估计出现误差,不利于车辆的安全运行和高效管理。举例来讲,随着电动车辆的使用,BMS(Battery Management System,电池管理***)的采样器件不断老化,其测量偏置将再次出现,造成BMS的测量噪声不再为白噪声,而变为有色噪声,最终导致辨识出的等效电路模型出现误差,降低电池状态的估计精度。并且,并未考虑电池荷电状态误差对参数辨识结果的影响,导致元件参数值与电池SOC不匹配,继而进一步地降低电池荷电状态的估计精度。
为此,本公开提供一种确定电池荷电状态的方法,参照图1所示出的一种确定电池荷电状态的方法的流程示意图,所述方法包括:
S11、获取电池的状态数据,所述状态数据包括电流数据、电压数据。
其中,所述状态数据还可以包括所述电池的温度数据、容量数据、开路电压-荷电状态曲线等等。
以电动汽车为例,在具体实施时可以通过BMS来直接和/或间接地获取电池的所述状态数据。例如,BMS可以通过电流传感器来直接获取所述电池的电流数据。又或者,BMS可以通过温度传感器来获取所述电池的温度数据。在一些实施例中,BMS也可以通过相应的数据接口来间接地获取所述状态数据,例如,通过数据接口来获取存储器中所存储的所述电池的开路电压-荷电状态曲线信息。
S12、基于所述电池的等效电路模型、误差信息、电池特性数据以及所述状态数据,通过最小二乘法RLS预估模型,确定所述等效电路模型中的元件参数值。
其中,所述等效电路模型是基于对所述电池进行的离线测试得到的,所述等效电路模型模型的阶数可以基于对所述电池进行的离线测试得到,例如一阶等效电路模型模型、二阶等效电路模型模型等等,所述元件参数值可以用于表征所述等效电路模型模型中各元件的取值。
所述误差信息可以包括电压数据的采样误差因子,用于描述采样元件采集的电池电压数据与所述电池的真实电压数据之间的差异。例如,采样元件采集的电池电压数据可以为:其中,U(k)为第k时刻所述电池的电压真值,ε1为电压数据的采样误差因子。
这样,上述技术方案在确定所述电池的等效电路模型中的元件参数值时,还考虑了电压数据的采样误差因子,从而能够降低电压采样误差所带来的影响,进而能够提升确定的所述等效电路模型中的元件参数值的准确度,最终起到提升所确定的等效电路模型的精度的效果。
此外,在一些实施例中,所述误差信息也可以包括电流数据的采样误差因子,用于描述采样元件采集的电池电流数据与所述电池的真实电流数据之间的差异。例如,采样元件采集的电池电流数据可以为:其中,I(k)为第k时刻所述电池的电流真值,ε2为电流数据的采样误差因子。
这样,上述技术方案在确定所述电池的等效电路模型中的元件参数值时,还考虑了电流数据的采样误差因子,从而能够降低电流采样误差所带来的影响,进而能够提升确定的所述等效电路模型中的元件参数值的准确度,最终起到提升所确定的等效电路模型的精度的效果。
值得注意的是,在一些实施例中,所述误差信息也可以同时包括所述电压数据的采样误差因子以及电流数据的采样误差因子。在这种情况下,所述步骤S12包括:
基于所述电池的等效电路模型、所述电压数据的采样误差因子、所述电流数据的采样误差因子以及所述状态数据,通过最小二乘法RLS预估模型,确定所述等效电路模型中的元件参数值。
采用上述技术方案,在确定所述电池的等效电路模型中的元件参数值时,还考虑了所述电压数据的采样误差因子以及所述电流数据的采样误差因子,从而能够进一步地降低采样误差所带来的影响,进而能够提升确定的所述等效电路模型中的元件参数值的准确度,最终起到提升所确定的等效电路模型的精度的效果。
值得说明的是,在一些实施例中,所述误差信息还可以包括所述电压数据和所述电流数据的采样时间差以及电池开路电压的误差。也就是说,在具体实施时,所述采样误差可以包括电压数据的采样误差因子、电流数据的采样误差因子、所述电压数据和所述电流数据的采样时间差以及电池开路电压的误差中的一种或多种,本公开对此不作限定。
在一种可能的实施方式中,参照图2所示出的一种确定等效电路模型的流程图,如图所示:
在步骤S21中,基于电池离线测试,获得所述电池的初始属性信息,所述初始属性信息包括所述电池的开路电压-荷电状态曲线、滞回电压-荷电状态曲线。
其中,所述初始属性信息还可以包括电池容量信息,电池模型参数的协方差初始值等等,所述离线测试可以包括容量测试,脉冲测试以及典型工况测试。
具体的,针对所述容量测试,在一实施例中,所述容量测试包括:
(1)调整温度为25℃,将电池以电池生产商建议的容量测试电流值(例如1C)放电至电压下限,并静置30分钟;
(2)将电池以电池生产商建议的容量测试电流值(例如1C)充电至电压上限(例如4.25V)后,转为恒压充电(恒压值可以为电池生产商建议数值,例如4.25V),并静置30分钟;
(3)统计(1)和(2)分别累计的容量值,重复上述(1)和(2)直至相邻循环之间的容量值差异小于0.1Ah,将此时的容量值记为电池容量Qm。
进一步的,在获得所述电池容量Qm之后,可以对所述电池进行脉冲测试,所述脉冲测试可以包含充电和放电两个部分,其中充电和放电部分均为20组脉冲组合序列。
举例来讲,充电部分的前18组脉冲组合序列中,每组脉冲组合序列可以包括:
(1)调整温度为25℃,恒流充电脉冲(幅值为1C),直至脉冲累积安时变化大于等于Qm的5%;
(2)2小时静置;
(3)10秒钟恒流充电脉冲(幅值为0.5C);
(4)40秒钟静置;
(5)10秒钟恒流放电脉冲(幅值为0.1C);
(6)将0.1C分别替换为0.5C、1C、2C、3C、4C、5C后,重复(3)至(5);
(7)静置24小时;
(8)调整温度至55℃,静置2h;
(9)将55℃分别替换为40℃、25℃、10℃、0℃、-10℃、-20℃,-30℃,重复(8);
(10)调整温度为25℃;
(11)静置24小时。
充电部分的最后2组脉冲组合序列中,每组脉冲包括:
(1)恒流-恒压脉冲,直至脉冲累积安时变化大于等于Qm的5%;
(2)2小时静置;
(3)10秒钟恒流充电脉冲(幅值为0.5C);
(4)40秒钟静置;
(5)10秒钟恒流放电脉冲(幅值为0.5C);
(6)将0.5C分别替换为1C、2C、3C、4C、5C后,重复(3)至(5);
(7)静置24小时;
(8)调整温度至55℃,静置2h;
(9)将55℃分别替换为40℃、25℃、10℃、0℃、-10℃、-20℃,-30℃,重复(8);
(10)调整温度为25℃;
(11)静置24小时。
此外,针对放电部分,放电部分的20组脉冲组合序列中,每组脉冲可以包括:
(1)恒流放电脉冲(幅值为1C),直至脉冲累积大于或等于Qm的5%;
(2)2小时静置;
(3)10秒钟恒流放电脉冲(幅值为0.5C);
(4)40秒钟静置;
(5)10秒钟恒流充电脉冲(幅值为0.5C);
(6)将0.5C分别替换为1C、2C、3C、4C、5C后,重复(3)至(5);
(7)静置24小时;
(8)调整温度至55℃,静置2h;
(9)将55℃分别替换为40℃、25℃、10℃、0℃、-10℃、-20℃,-30℃,重复(8);
(10)调整温度为25℃;
(11)静置24小时。
这样,通过上述脉冲测试,可以根据充电部分每组脉冲中步骤(8)中的静置2h后的电池电压,从而获得不同电池SOC和不同温度条件下,电池充电OCV(Open CircuitVoltage,开路电压)随电池SOC的变化曲线。类似的,可以根据放电部分每组脉冲中步骤(8)中的静置2h后的电池电压,从而获得不同电池SOC和不同温度条件下,电池放电OCV随电池SOC的变化曲线。其中,相同SOC的条件下,电池充电OCV与放电OCV的平均值即为电池OCV,充电OCV与放电OCV的差异的1/2记为滞回电压,电池OCV随电池SOC和温度的变化曲线即为电池OCV-SOC曲线,滞回电压随电池SOC和温度的变化曲线即为滞回电压-荷电状态曲线。
这样,在步骤S22中,可以根据所述初始属性信息分别建立不同阶数的多个初始等效电路模型。
举例来讲,根据所述初始属性信息建立的L阶初始等效电路模型如图3所示。其中,UOCV和Uhys分别代表电池开路电压和电池滞回电压,I和U分别代表电池电流(放电为正)和电池电压,R0为电池电路模型中的欧姆内阻,R1~RL为对应RC网络1~L的极化电阻,R1~RL为对应RC网络1~L的极化电容,为储能元件的端电压。
在具体实施时,针对每一种阶数的初始等效电路模型,可以通过多目标优化算法来确定该种阶数的初始等效电路模型中各元件参数的取值。以粒子群算法为例,可以通过随机初始化各元件参数的取值,并将该种阶数的等效电路模型在典型工况下的电压预测残差均方根作为适应值,通过不断地迭代优化,从而选择出该种阶数的等效电路模型的元件初始参数值(优化条件可以为该种阶数的等效电路模型在典型工况下的电压预测残差均方根小于预设阈值或是迭代次数达到阈值等等),最终得到各种阶数的初始等效电路模型。此外,在一些实施例中,为了降低模型的复杂度,还可以对所述等效电路模型的阶数进行限制,例如可以将所述等效电路模型的阶数L限制为L≤3,其中L为正整数。
在步骤S23中,针对每一阶数的所述初始等效电路模型,分别测试该初始等效电路模型在目标工况下的计算误差信息和计算时间信息。
接上一实施例,在确定各种阶数的初始等效电路模型后,可以分别测试每一阶数的初始等效电路模型在典型工况下的计算误差信息和计算时间信息。
这样,在步骤S24中,可以根据每一所述初始等效电路模型的参数数量、所述计算误差信息以及所述计算时间信息计算每一所述初始等效电路模型的匹配度。并,在步骤S25中,根据匹配度最优的初始等效电路模型为所述电池的等效电路模型。
采用上述技术方案,通过对电池进行离线测试,从而获得了所述电池的初始属性信息。进一步的,根据所述初始属性信息建立并计算了不同阶数的初始等效电路模型的匹配度,从而能够提升所述等效电路模型的精度。
可选地,所述等效电路模型为RC电路模型,所述步骤S11包括:
获取电池管理***BMS采集的所述状态数据,所述状态数据还包括所述电池的温度数据以及所述电池的电荷状态数据。
例如,BMS可以通过电流传感器来直接获取所述电池的电流数据。又或者,BMS可以通过温度传感器来获取所述电池的温度数据。在一些实施例中,BMS也可以通过相应的数据接口来间接地获取所述状态数据,例如,通过数据接口来获取存储器中所存储的所述电池的开路电压-荷电状态曲线信息以及滞回电压-荷电状态曲线信息。
所述步骤S12,包括:
根据所述荷电状态数据,从所述电池的与所述温度数据对应的开路电压-荷电状态曲线以及滞回电压-荷电状态曲线中,确定目标开路电压以及目标滞回电压。
应当理解,在经过离线测试获取所述电池在不同温度下的开路电压-荷电状态曲线以及滞回电压-荷电状态曲线后,可以根据所述BMS获取到的电池当前的SOC信息、所述开路电压-荷电状态曲线以及滞回电压-荷电状态曲线确定当前时刻的目标开路电压以及目标滞回电压。
这样,在步骤S12中,可以基于所述等效电路模型模型、所述误差信息、所述电流数据、所述电压数据、所述目标开路电压以及所述目标滞回电压通过RLS预估模型,确定所述电池等效模型的元件参数值,从而起到在线辨识所述电池的电池模型参数值的效果。同时,由于辨识过程中还考虑了BMS采样器件的采样误差,从而能够进一步地提升确定的所述等效电路模型中的元件参数值的准确度,进而能够提升所述等效电路模型的精度。
所述误差信息包括电压数据的采样误差因子、电流数据的采样误差因子、所述电压数据和所述电流数据的采样时间差以及电池开路电压的误差中的至少一种。
可选地,所述误差信息包括电压数据的采样误差因子和电流数据的采样误差因子,所述RLS预估模型的辨识形式为:
其中,为所述RLS预估模型第k时刻的输出信号的测量值,UOCV(k)和Uhys(k)分别代表所述电池第k时刻的目标开路电压和目标滞回电压,为第k时刻所述BMS采集的电池电压值,为所述RLS预估模型第k时刻的输入信号,为第k时刻所述BMS采集的电池电流值,θ(k)为所述RLS预估模型第k时刻的参数矩阵,a1~aL,a0,b0~bL为所述参数矩阵中的参数,L为所述初始等效电路模型的阶数,T为所述BMS的采样周期;
以图3为例进行说明,根据图3所示出的L阶初始等效电路模型可以得到拉普拉斯空间中L阶电池初始等效电路的表达通式:
其中,Us为BMS采集到的电池电压数据,Is为与电压同步采样的电池电流真值,UOCV为电池开路电压,Uhys为电池滞回电压,R0代表等效电路模型中的欧姆内阻,R1~RL为对应RC网络1~L的极化电阻,C1~CL为对应RC网络1~L的极化电容。
其中,T为BMS采样周期。
定义:
则式(2)可以进一步地简化为式(4):
其中,bi和aj为简化系数(i=0~L,j=1~Li),表达式由电池模型阶数L决定,如式(5)~(7)所示:
当L=1时,表达式如式(5)所示:
当L=2时,表达式如式(6)所示:
当L=3时,表达式如式(7)所示:
由式(4)可得等效电路模型的离散化表达形式,如式(8)所示:
进一步的,在一些实施例中,由于车载BMS测量误差为有色噪声,因而还可以考虑以下两类误差:
根据式(9)和(10),则车载环境下有:应当理解,当电池SOC已知时,UOCV(k)和Uhys(k)分别根据开路电压-荷电状态曲线和滞回电压-荷电状态曲线获得,因此也可作为已知量,进而结合式(8)可得到下式:
之后利用多元方程组求解方法对式(3)、(5)~(7)进行反解,即可求得电池元件参数值Pparameter=[R0,R1~RL,C1~CL]。举例来讲,联立公式12、13可解得θ(k),在θ(k)已知的情况下,可对式3、5~7(根据电池模型阶数确定)进行反解,从而得到所述电池元件参数值Pparameter=[R0,R1~RL,C1~CL],进而可以通过代入所述电池模型参数确定电池的等效电路模型。
申请人发现,在一些场景中,所述误差信息包括电压数据的采样误差因子、电流数据的采样误差因子、所述电压数据和所述电流数据的采样时间差以及电池开路电压的误差,所述RLS预估模型的辨识形式为:
其中,为所述RLS预估模型第k时刻的输出信号的测量值,UOCV(k)和Uhys(k)分别代表所述电池第k时刻的目标开路电压和目标滞回电压,为第k时刻所述BMS采集的电池电压值,为所述RLS预估模型第k时刻的输入信号,为第k时刻所述BMS采集的电池电流值,θ(k)为所述RLS预估模型第k时刻的参数矩阵,a1~aL,a0,c1,d0~dL,c2为所述参数矩阵中的参数,L为所述初始等效电路模型的阶数,T为所述BMS的采样周期;
其中,U(k)为第k时刻所述电池的电压真值,ε1为电压数据的采样误差因子,I为与电压同步采样的电池电流,ε2为电流数据的采样误差因子,ε3为电流数据与电压数据之间的采样时间差值, 和ε4分别表示电池SOC存在误差时的电池OCV值以及对应的电池开路电压的误差。
接上一实施例的式(10)进行说明,在一些场景中,还可以考虑如下误差:
其中I'(k)=I(k)+ε2,I为与电压同步采样的电池电流,ε3表示电流数据与电压数据之间的采样时间差值。参照式(10),I(k)以及ε2的含义本公开在此不做赘述。
这样,对式(14)作泰勒展开,可得式(15):I'(k+ε3)=I'(k)+ε3·I'(k) (15)
值得注意的是,对于不同的BMS***来说,电压数据的采样误差因子、电流数据的采样误差因子以及所述电压数据和所述电流数据的采样时间差的数值大小也可能存在着差异。在所述电压数据和所述电流数据的采样时间差的数值大小不可忽略的情况下:
则在此情况下本公开的RLS预估模型的辨识形式为:
采用上述技术方案,通过最小二乘法RLS预估模型对电池模型参数进行反解,从而能够确定所述等效电路模型中的元件参数值。并且,所述最小二乘法RLS预估模型还考虑了BMS的采样器件所获取到的各类数据的误差,从而能够降低复杂车载条件下,BMS的采样器件所获取到的各类数据的误差(例如BMS的采样器件不断老化所导致的有色测量噪声,BMS测量过程中电流和电压测量过程之间的非同步性所导致的等效电路模型参数值的估计误差等等)对等效电路模型参数值的估计影响,进而能够解决后续电池状态估计精度下降的问题。
值得注意的是,上述方法以误差信息同时包括电压数据的采样误差因子、电流数据的采样误差因子、所述电压数据和所述电流数据的采样时间差以及电池开路电压的误差为例进行了说明,但本领域技术人员应当理解,在具体实施时,所述误差信息也可以包括上述电压数据的采样误差因子、电流数据的采样误差因子、所述电压数据和所述电流数据的采样时间差以及电池开路电压的误差中的一种或多种,为了避免不必要的重复,本公开对各种可能的组合方式不再另行说明。
S13、基于所述等效电路模型中的元件参数值、所述状态数据以及所述电池特性数据,根据观测器技术确定所述电池的电池荷电状态SOC估计值。
在具体实施时,在电动汽车上电时,可以根据各项初始值条件,对观测器进行初始化,例如,对电池状态向量进行初始化。
在步骤S13中,一种可能实现的方式是所述状态数据还包括温度数据,所述观测器为自适应无迹卡尔曼滤波AUKF观测器,相应地,所述基于所述等效电路模型中的元件参数值、所述状态数据根据观测器技术确定所述电池的SOC估计值,包括:
S131、根据前一时刻的电池状态向量估计值以及状态向量协方差,生成状态向量特征点集,第一权重系数和第二权重系数。
其中,所述前一时刻的状态向量协方差是根据过程噪声方差计算得到的。
可选地,电动汽车在车辆上电以后,基于电池离线测试结果,对AUKF观测器进行初始化,此时,电池状态向量估计值以及状态向量协方差为初始化后得到的,而其他时刻的电池状态向量估计值以及状态向量协方差是基于前一时刻的电池SOC估计值计算得到的。
S132、基于所述元件参数值、所述状态向量特征点集以及所述电流数据,利用电池状态空间方程的第一状态方程,计算得到第一状态向量先验值。
S133、根据所述第一状态向量先验值、测量噪声方差、所述温度数据、所述电流数据、所述第一权重系数、所述第二权重系数以及所述电池状态空间方程的第二输出方程,确定测量修正矩阵。
S134、基于所述测量修正矩阵、所述第一状态向量先验值以及所述电压数据,计算得到第二状态向量后验值。
S135、根据所述第二状态向量后验值以及电池状态空间方程确定所述电池的SOC估计值。
具体地,根据各项初始值条件,对观测器进行初始化,还包括对电池状态向量协方差,过程噪声方差以及测量噪声方差进行初始化。并设置序列长度,如下列式子所示:
其中,Xjoint(0)为所述电池状态向量估计值,Pjoint(0)为所述状态向量协方差,Xstate(0)为前一时刻的电池状态向量估计值,PXstate(0)为前一时刻的状态向量协方差,T为采样间隔,Pparameter0为所述元件参数值,Q(0)为初始化过程噪声方差,R(0)为初始化测量噪声方差,QS和RS分别为过程噪声和测量噪声,MAUKF为序列长度。
示例地,采用对称采样的方式生成状态向量特征点集,如下列所示的辨识形式:
示例地,确定测量修正矩阵可以通过以下的辨识形式:
首先,利用状态向量特征点集所述元件参数值,电流数据以及温度数据,计算得到第j个特征点进行测量更新后的第一输出估计值其次,利用计算得到的第一权重系数以及第一输出估计值计算得到特征点集输出的第二期望最终,计算得到第j个特征点第一输出估计值与第二期望之差电池状态空间方程的第二输出方程的第一计算公式可以如下表示:
此处,公式(24)和(25)即是所述电池状态空间方程的第二输出方程。
最终,根据状态向量后验值以及电池空间状态方程计算得到电池SOC估计值。
可选地,所述前一时刻的状态向量协方差是根据过程噪声方差计算得到的,包括:
基于第一权重系数和第一状态向量先验值计算第一期望;
基于第二权重系数、所述第一状态向量先验值与第一期望之差以及过程噪声方差,得到状态向量协方差先验值;
根据所述电流数据、所述温度数据、所述测量噪声方差、所述元件参数值以及所述第一状态向量先验值,确定第一输出估计值;
基于第一权重系数和第一输出估计值计算第二期望;
基于所述测量修正矩阵、所述状态向量协方差先验值以及所述第一输出估计值与第二期望之差,计算得到所述前一时刻的状态向量协方差。
其中,Q(k)为过程噪声方差。
进一步地,基于上述示例计算得到的测量修正矩阵以及第一输出估计值,利用如下的公式计算得到所述状态向量协方差后验值,用于下一时刻确定电池SOC估计值。
其中,T为采样间隔。
可选地,所述过程噪声方差以及所述测量噪声方差是通过如下方式确定的:
根据所述元件参数值中的电压参数以及所述电压数据确定输出残差;
根据前一时刻计算所述电池的SOC估计值中的第一输出残差以及所述输出残差,计算输出残差阵;
根据所述输出残差阵确定理论过程噪声方差以及理论测量噪声方差;
基于噪声修正规则,根据所述理论过程噪声方差以及所述理论测量噪声方差,确定所述过程噪声方差以及所述测量噪声方差。
示例地,基于电池模型电压输出值,结合电池电压数据则可计算当前时刻模型输出残差Ue(k),如式(27)所示:
结合前一时刻内输出残差,利用式(28)计算输出残差阵H(k),并根据式(29)求取理论噪声方差Qid(k)和Rid(k);
基于噪声修正规则,计算过程噪声方差Q(k+1)以及测量噪声方差R(k+1),如式(30)和式(31)所示:
其中,trace(·)为矩阵的迹,δ为测量噪声方差的预设边界值。
可选地,所述噪声修正规则包括:
在所述理论测量噪声方差的数值小于预设阈值时,将所述前一时刻的输出残差作为所述过程噪声方差以及所述测量噪声方差;
可选地,将所述前一时刻的输出残差作为所述过程噪声方差以及所述测量噪声方差后,所述观测器由自适应无迹卡尔曼滤波AUKF观测器降级为无迹卡尔曼滤波(UnscentedKalman filter,简称UKF)观测器。
在所述理论测量噪声方差的数值不小于所述预设阈值时,将过程噪声方差初始值与所述理论过程噪声方差的矩阵的迹中较大者作为所述过程噪声方差,将测量噪声方差初始值与所述理论测量噪声方差中较大者作为所述测量噪声方差。
在步骤S13中,另一种可能实现的方式是所述状态数据还包括温度数据;所述观测器为Luenberger观测器,相应地,所述基于所述等效电路模型中的元件参数值、所述状态数据根据观测器技术确定所述电池的SOC估计值,包括:
S1301、根据所述电池状态向量估计值、所述元件参数值、所述电流数据以及电池状态空间方程的第二状态方程,确定第二状态向量先验值。
S1302、根据所述第二状态向量先验值、所述温度数据、所述电流数据以及所述电池状态空间方程的第二输出方程,确定第二输出估计值。
S1303、根据所述第二输出估计值、所述电压数据以及所述Luenberger观测器的预设增益,确定第二状态向量后验值。
S1304、根据所述第二状态向量后验值以及电池状态空间方程确定所述电池的SOC估计值。
可选地,电动汽车在车辆上电以后,基于电池离线测试结果,对Luenberger观测器进行初始化,此时,电池状态向量估计值为初始化后得到的,而其他时刻的电池状态向量估计值是基于前一时刻的电池SOC估计值计算得到的。
示例地,电池状态空间方程的第二状态方程的表达形式如下:
示例地,电池状态空间方程的第二输出方程的表达形式如下:
示例地,计算第二状态向量后验值可以通过以下公式:
其中,KPjoint和KIjoint均为Luenberger观测器的预设增益,U(k)为第k时刻的所述电压数据。
可选地,所述电池状态空间方程为:
其中,Pparameter=[R0,R1~RL,C1~CL],为所述元件参数值的列向量,R0为所述等效电路模型的欧姆内阻,R1~RL为所述等效电路模型的极化内阻,C1~CL为所述等效电路模型的极化电容,U(k)和I(k)分别为第k时刻所述电压数据和所述电流数据,Temp(k)为第k时刻所述温度数据,ω(k)为所述过程噪声,γ(k)为所述测量噪声,其方差分别为过程噪声方差和测量噪声方差,f(·)和g(·)均为非线性函数。
其中,对于L阶RC电路,如下列式子所示:
其中,T为采样间隔,CM为电池可用容量。
以某厂家生产的三元锂离子电池在动态工况下电池SOC估计问题为例,图6是根据相关技术一示例性实施例所示出的确定电池荷电状态的方法的效果图,可以看出电池荷电状态误差最大值大于16%,难以满足BMS国家标准要求的5%精度要求。图7是本公开一示例性实施例所示出的一种确定电池荷电状态的方法的效果图。面对相同的动态工况,本发明采用了改进RLS、AUKF进行估计,可以看出电池荷电状态的误差均小于5%,说明了本发明的精度可以满足BMS国家标准的SOC精度要求。
上述技术方案通过最小二乘法RLS预估模型确定所述等效电路模型中的元件参数值。并且,在确定所述电池的等效电路模型中的元件参数值时,还考虑了至少包括电压数据的采样误差因子和/或电流数据的采样误差因子的误差信息,从而能够降低采样误差所带来的影响,进而能够提升确定的所述等效电路模型中的元件参数值的准确度,最终起到提升所确定的电池等效模型的精度的效果。进一步地,基于观测器技术确定电池的SOC值,提升元件参数值与观测器的匹配度,进而提升电池荷电状态估计精度,保证车辆的高效管理和可靠运行。
本公开还提供一种确定电池荷电状态的装置,参照图8所示出的一种确定等效电路模型的装置的框图,所述装置800包括:
获取模块810,用于获取电池的状态数据,所述状态数据包括电流数据、电压数据;
第一确定模块820,用于基于所述电池的等效电路模型、误差信息、电池特性数据以及所述状态数据,通过最小二乘法RLS预估模型,确定所述等效电路模型模型中的元件参数值;
第二确定模块830,用于基于所述等效电路模型中的元件参数值、所述状态数据以及所述电池特性数据,根据观测器技术确定所述电池的电池荷电状态SOC估计值。
可选地,所述第三确定模块,用于确定所述等效电路模型的阶数,所述第三确定模块包括:
获取子模块,用于基于电池离线测试,获得所述电池的初始属性信息,所述初始属性信息包括所述电池的开路电压-荷电状态曲线、滞回电压-荷电状态曲线;
创建子模块,用于根据所述初始属性信息分别建立不同阶数的多个初始等效电路模型;
测试子模块,用于针对每一阶数的所述初始等效电路模型,分别测试该初始等效电路模型在目标工况下的计算误差信息和计算时间信息;
计算子模块,用于根据每一所述初始等效电路模型的参数数量、所述计算误差信息以及所述计算时间信息计算每一所述初始等效电路模型的匹配度;
确定子模块,用于将所述匹配度最优的初始等效电路模型确定为所述电池的等效电路模型。
可选地,所述等效电路模型为RC电路,所述获取模块用于:获取电池管理***BMS采集的所述状态数据,所述状态数据还包括所述电池的温度数据以及所述电池的电荷状态数据;
所述第一确定模块,包括:
第一确定子模块,用于根据所述荷电状态数据,从所述电池的与所述温度数据对应的开路电压-荷电状态曲线以及滞回电压-荷电状态曲线中,确定目标开路电压以及目标滞回电压;
第二确定子模块,用于基于所述等效电路模型模型、所述误差信息、所述电流数据、所述电压数据、所述目标开路电压以及所述目标滞回电压通过RLS预估模型,确定所述电池等效模型的元件参数值。
可选地,所述误差信息包括电压数据的采样误差因子、电流数据的采样误差因子、所述电压数据和所述电流数据的采样时间差以及电池开路电压的误差中的至少一种。
可选地,所述误差信息包括电压数据的采样误差因子、电流数据的采样误差因子、所述电压数据和所述电流数据的采样时间差以及电池开路电压的误差,所述RLS预估模型的辨识形式为:
其中,为所述RLS预估模型第k时刻的输出信号的测量值,UOCV(k)和Uhys(k)分别代表所述电池第k时刻的目标开路电压和目标滞回电压,为第k时刻所述BMS采集的电池电压值,为所述RLS预估模型第k时刻的输入信号,为第k时刻所述BMS采集的电池电流值,θ(k)为所述RLS预估模型第k时刻的参数矩阵,a1~aL,a0,c1,d0~dL,c2为所述参数矩阵中的参数,L为所述初始等效电路模型的阶数,T为所述BMS的采样周期;
其中,U(k)为第k时刻所述电池的电压真值,ε1为电压数据的采样误差因子,I为与电压同步采样的电池电流,ε2为电流数据的采样误差因子,ε3为电流数据与电压数据之间的采样时间差值,UOCV(k)=UOCV(k)+ε4,UOCV和ε4分别表示电池SOC存在误差时的电池OCV值以及对应的电池开路电压的误差。
可选地,所述观测器为自适应无迹卡尔曼滤波AUKF观测器,相应地,所述第二确定模块,包括:
生成子模块,用于根据前一时刻的电池状态向量估计值以及状态向量协方差,生成状态向量特征点集,第一权重系数和第二权重系数。
其中,所述前一时刻的状态向量协方差是根据过程噪声方差计算得到的。
第四确定子模块,用于基于所述元件参数值、所述状态向量特征点集以及所述电流数据,利用电池状态空间方程的第一状态方程,计算得到第一状态向量先验值;
第五确定子模块,用于根据所述第一状态向量先验值、测量噪声方差、所述温度数据、所述电流数据、所述第一权重系数、所述第二权重系数以及所述电池状态空间方程的第二输出方程,确定测量修正矩阵;
第六确定子模块,用于基于所述测量修正矩阵、所述第一状态向量先验值以及所述电压数据,计算得到第二状态向量后验值;
第七确定子模块,用于根据所述第二状态向量后验值以及电池状态空间方程确定所述电池的SOC估计值。
可选地,所述第二确定模块,还包括:
第一计算子模块,用于根据所述元件参数值中的电压参数以及所述电压数据确定输出残差;
第二计算子模块,用于根据前一时刻计算所述电池的SOC估计值中的第一输出残差以及所述输出残差,计算输出残差阵;
第三输出子模块,用于根据所述输出残差阵确定理论过程噪声方差以及理论测量噪声方差;
第四输出子模块,用于基于噪声修正规则,根据所述理论过程噪声方差以及所述理论测量噪声方差,确定所述过程噪声方差以及所述测量噪声方差。
可选地,所述第二确定模块,还包括:
第一判断子模块,用于在所述理论测量噪声方差的数值小于预设阈值时,将所述前一时刻的输出残差作为所述过程噪声方差以及所述测量噪声方差;
第二判断子模块,用于在所述理论测量噪声方差的数值不小于所述预设阈值时,将过程噪声方差初始值与所述理论过程噪声方差的矩阵的迹中较大者作为所述过程噪声方差,将测量噪声方差初始值与所述理论测量噪声方差中较大者作为所述测量噪声方差。
可选地,所述观测器为Luenberger观测器,相应地,所述第二确定模块,包括:
第十二确定子模块,用于根据所述电池状态向量估计值、所述元件参数值、所述电流数据以及电池状态空间方程的第二状态方程,确定第二状态向量先验值;
第十三确定子模块,用于根据所述第二状态向量先验值、所述温度数据、所述电流数据以及所述电池状态空间方程的第二输出方程,确定第二输出估计值;
第十四确定子模块,用于根据所述第二输出估计值、所述电压数据以及所述Luenberger观测器的预设增益,确定第二状态向量后验值;
第十五确定子模块,用于根据所述第二状态向量后验值以及电池状态空间方程确定所述电池的SOC估计值。
可选地,所述电池状态空间方程为:
其中,Pparameter=[R0,R1~RL,C1~CL],为所述元件参数值的列向量,R0为所述等效电路模型的欧姆内阻,R1~RL为所述等效电路模型的极化内阻,C1~CL为所述等效电路模型的极化电容,U(k)和I(k)分别为第k时刻所述电压数据和所述电流数据,Temp(k)为第k时刻所述温度数据,ω(k)为所述过程噪声,γ(k)为所述测量噪声,其方差分别为过程噪声方差和测量噪声方差,f(·)和g(·)均为非线性函数。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
此外值得说明的是,为描述的方便和简洁,说明书中所描述的实施例均属于优选实施例,其所涉及的部分并不一定是本发明所必须的,例如,第一确定模块和第二确定模块,在具体实施时可以是相互独立的装置也可以是同一个装置,本公开对此不作限定。
本公开还提供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实现上述任一实施例中所述的确定电池荷电状态的方法的步骤。
本公开还提供一种电子设备,包括:存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现上述任一实施例中所述的确定电池荷电状态的方法的步骤。
图9是根据一示例性实施例示出的一种用于确定等效电路模型的装置900的框图。参照图9,装置900可以包括以下一个或多个组件:处理组件902,存储器904,电力组件906,多媒体组件909,输入/输出(I/O)的接口912,传感器组件914,以及通信组件916。
处理组件902通常控制装置900的整体操作,诸如数据的获取、传感器数据的处理,RLS算法的求解等等。处理组件902可以包括一个或多个处理器920来执行指令,以完成上述确定电池荷电状态的方法的全部或部分步骤。此外,处理组件902可以包括一个或多个模块,便于处理组件902和其他组件之间的交互。例如,处理组件902可以包括多媒体模块,以方便多媒体组件909和处理组件902之间的交互。
存储器904被配置为存储各种类型的数据以支持在装置900的操作。这些数据的示例包括用于在装置900上操作的任何应用程序或方法的指令,历史电流数据、历史电压数据、电池的开路电压-荷电状态曲线、滞回电压-荷电状态曲线等。存储器904可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电力组件906为装置900的各种组件提供电力。电力组件906可以包括电源管理***,一个或多个电源,及其他与为装置900生成、管理和分配电力相关联的组件。
多媒体组件909包括在所述装置900和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。
I/O接口912为处理组件902和***接口模块之间提供接口,上述***接口模块可以是点击轮,按钮等。
传感器组件914包括一个或多个传感器,用于为装置900提供各个方面的状态评估。例如,传感器组件914可以检测电池的温度、电流等等。在一些实施例中,该传感器组件914例如可以包括加温度传感器,速度传感器,电流传感器等等。
通信组件916被配置为便于装置900和其他设备之间有线或无线方式的通信。装置900可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。
在示例性实施例中,装置900可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述确定电池荷电状态的方法。
在示例性实施例中,还提供了一种包括指令的非临时性计算机可读存储介质,例如包括指令的存储器904,上述指令可由装置900的处理器920执行以完成上述确定电池荷电状态的方法。例如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
在另一示例性实施例中,还提供一种计算机程序产品,该计算机程序产品包含能够由可编程的装置执行的计算机程序,该计算机程序具有当由该可编程的装置执行时用于执行上述的确定电池荷电状态的方法的代码部分。
本公开还提供一种电池管理***,包括上述任一项确定电池荷电状态的装置。
关于上述实施例中的电池管理***,其中装置执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
以上结合附图详细描述了本公开的优选实施方式,但是,本公开并不限于上述实施方式中的具体细节,在本公开的技术构思范围内,可以对本公开的技术方案进行多种简单变型,这些简单变型均属于本公开的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合。为了避免不必要的重复,本公开对各种可能的组合方式不再另行说明。
此外,本公开的各种不同的实施方式之间也可以进行任意组合,只要其不违背本公开的思想,其同样应当视为本公开所公开的内容。
Claims (12)
1.一种确定电池荷电状态的方法,其特征在于,包括:
获取电池的状态数据,所述状态数据包括电流数据、电压数据;
基于所述电池的等效电路模型、误差信息、电池特性数据以及所述状态数据,通过最小二乘法RLS预估模型,确定所述等效电路模型中的元件参数值;
基于所述等效电路模型中的元件参数值、所述状态数据以及所述电池特性数据,根据观测器技术确定所述电池的电池荷电状态估计值。
2.根据权利要求1所述的方法,其特征在于,所述等效电路模型是通过如下方式确定的:
基于电池离线测试,获得所述电池的初始属性信息,所述初始属性信息包括所述电池的开路电压-荷电状态曲线、滞回电压-荷电状态曲线;
根据所述初始属性信息分别建立不同阶数的多个初始等效电路模型;
针对每一阶数的所述初始等效电路模型,分别测试该初始等效电路模型在目标工况下的计算误差信息和计算时间信息;
根据每一所述初始等效电路模型的参数数量、所述计算误差信息以及所述计算时间信息计算每一所述初始等效电路模型的匹配度;
将所述匹配度最优的初始等效电路模型确定为所述电池的等效电路模型。
3.根据权利要求1所述的方法,其特征在于,所述电池等效模型为RC电路模型,所述获取电池的状态数据包括:
获取电池管理***BMS采集的所述状态数据,所述状态数据还包括所述电池的温度数据以及所述电池的电荷状态数据;
所述基于所述电池的等效电路模型、误差信息、电池特性数据以及所述状态数据,通过最小二乘法RLS预估模型,确定所述等效电路模型中的元件参数值,包括:
根据所述荷电状态数据,从所述电池的与所述温度数据对应的开路电压-荷电状态曲线以及滞回电压-荷电状态曲线中,确定目标开路电压以及目标滞回电压;
基于所述等效电路模型、所述误差信息、所述电流数据、所述电压数据、所述目标开路电压以及所述目标滞回电压通过RLS预估模型,确定所述电池等效模型的元件参数值。
4.根据权利要求3所述的方法,其特征在于,所述误差信息包括电压数据的采样误差因子、电流数据的采样误差因子、所述电压数据和所述电流数据的采样时间差以及电池开路电压的误差中的至少一种。
5.根据权利要求3所述的方法,其特征在于,所述误差信息包括电压数据的采样误差因子、电流数据的采样误差因子、所述电压数据和所述电流数据的采样时间差以及电池开路电压的误差,所述RLS预估模型的辨识形式为:
其中,为所述RLS预估模型第k时刻的输出信号的测量值,UOCV(k)和Uhys(k)分别代表所述电池第k时刻的目标开路电压和目标滞回电压,为第k时刻所述BMS采集的电池电压值,为所述RLS预估模型第k时刻的输入信号,为第k时刻所述BMS采集的电池电流值,θ(k)为所述RLS预估模型第k时刻的参数矩阵,a1~aL,a0,c1,d0~dL,c2为所述参数矩阵中的参数,L为所述初始等效电路模型的阶数,T为所述BMS的采样周期;
6.根据权利要求1所述的方法,其特征在于,所述状态数据还包括温度数据,所述观测器为自适应无迹卡尔曼滤波AUKF观测器,相应地,所述基于所述等效电路模型中的元件参数值、所述状态数据以及所述电池特性数据,根据观测器技术确定所述电池的电池荷电状态估计值,包括:
根据前一时刻的电池状态向量估计值以及状态向量协方差,生成状态向量特征点集,第一权重系数和第二权重系数,其中,所述前一时刻的状态向量协方差是根据过程噪声方差计算得到的;
基于所述元件参数值、所述状态向量特征点集以及所述电流数据,利用电池状态空间方程的第一状态方程,计算得到第一状态向量先验值;
根据所述第一状态向量先验值、测量噪声方差、所述温度数据、所述电流数据、所述第一权重系数、所述第二权重系数以及所述电池状态空间方程的第二输出方程,确定测量修正矩阵;
基于所述测量修正矩阵、所述第一状态向量先验值以及所述电压数据,计算得到第二状态向量后验值;
根据所述第二状态向量后验值以及电池状态空间方程确定所述电池的电池荷电状态估计值。
7.根据权利要求6所述的方法,其特征在于,所述过程噪声方差以及所述测量噪声方差是通过如下方式确定的:
根据所述元件参数值中的电压参数以及所述电压数据确定输出残差;
根据前一时刻计算所述电池的电池荷电状态估计值中的第一输出残差以及所述输出残差,计算输出残差阵;
根据所述输出残差阵确定理论过程噪声方差以及理论测量噪声方差;
基于噪声修正规则,根据所述理论过程噪声方差以及所述理论测量噪声方差,确定所述过程噪声方差以及所述测量噪声方差。
8.根据权利要求7所述的方法,其特征在于,所述噪声修正规则包括:
在所述理论测量噪声方差的数值小于预设阈值时,将所述前一时刻的输出残差作为所述过程噪声方差以及所述测量噪声方差;
在所述理论测量噪声方差的数值不小于所述预设阈值时,将过程噪声方差初始值与所述理论过程噪声方差的矩阵的迹中较大者作为所述过程噪声方差,将测量噪声方差初始值与所述理论测量噪声方差中较大者作为所述测量噪声方差。
9.根据权利要求1所述的方法,其特征在于,所述状态数据还包括温度数据;所述观测器为Luenberger观测器,相应地,所述基于所述等效电路模型中的元件参数值、所述状态数据以及所述电池特性数据,根据观测器技术确定所述电池的电池荷电状态估计值,包括:
根据电池状态向量估计值、所述元件参数值、所述电流数据以及电池状态空间方程的第二状态方程,确定第二状态向量先验值;
根据所述第二状态向量先验值、所述温度数据、所述电流数据以及所述电池状态空间方程的第二输出方程,确定第二输出估计值;
根据所述第二输出估计值、所述电压数据以及所述Luenberger观测器的预设增益,确定第二状态向量后验值;
根据所述第二状态向量后验值以及电池状态空间方程确定所述电池的电池荷电状态估计值。
11.一种确定电池荷电状态的装置,其特征在于,所述装置包括:
获取模块,用于获取电池的状态数据,所述状态数据包括电流数据、电压数据;
第一确定模块,用于基于所述电池的等效电路模型、误差信息、电池特性数据以及所述状态数据,通过最小二乘法RLS预估模型,确定所述等效电路模型中的元件参数值;
第二确定模块,用于基于所述等效电路模型中的元件参数值、所述状态数据以及所述电池特性数据,根据观测器技术确定所述电池的电池荷电状态电池荷电状态估计值。
12.一种电池管理***,其特征在于,包括权利要求11所述的确定电池荷电状态的装置。
Priority Applications (6)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010245899.9A CN113466723B (zh) | 2020-03-31 | 2020-03-31 | 确定电池荷电状态的方法及装置,电池管理*** |
KR1020227037040A KR20220158271A (ko) | 2020-03-31 | 2021-03-15 | 배터리의 충전 상태를 결정하기 위한 방법 및 디바이스와 배터리 관리 시스템 |
PCT/CN2021/080767 WO2021197038A1 (zh) | 2020-03-31 | 2021-03-15 | 确定电池荷电状态的方法及装置,电池管理*** |
JP2022556482A JP2023518778A (ja) | 2020-03-31 | 2021-03-15 | 電池充電状態を決定する方法及び装置、電池管理システム |
US17/915,308 US20230152380A1 (en) | 2020-03-31 | 2021-03-15 | Method and apparatus for determining state of charge and battery management system |
EP21781308.8A EP4130769A4 (en) | 2020-03-31 | 2021-03-15 | METHOD AND DEVICE FOR DETERMINING THE STATE OF CHARGE OF A BATTERY AND BATTERY MANAGEMENT SYSTEM |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010245899.9A CN113466723B (zh) | 2020-03-31 | 2020-03-31 | 确定电池荷电状态的方法及装置,电池管理*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113466723A true CN113466723A (zh) | 2021-10-01 |
CN113466723B CN113466723B (zh) | 2022-09-09 |
Family
ID=77866172
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010245899.9A Active CN113466723B (zh) | 2020-03-31 | 2020-03-31 | 确定电池荷电状态的方法及装置,电池管理*** |
Country Status (6)
Country | Link |
---|---|
US (1) | US20230152380A1 (zh) |
EP (1) | EP4130769A4 (zh) |
JP (1) | JP2023518778A (zh) |
KR (1) | KR20220158271A (zh) |
CN (1) | CN113466723B (zh) |
WO (1) | WO2021197038A1 (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113848487A (zh) * | 2021-10-22 | 2021-12-28 | 四川宽鑫科技发展有限公司 | 一种基于专有soc估算的均衡控制方法 |
CN116449221A (zh) * | 2023-06-14 | 2023-07-18 | 浙江天能新材料有限公司 | 锂电池荷电状态预测方法、装置、设备及存储介质 |
CN116540125A (zh) * | 2023-07-05 | 2023-08-04 | 中国华能集团清洁能源技术研究院有限公司 | 一种电池荷电状态估计故障的诊断方法及*** |
WO2023201781A1 (zh) * | 2022-04-22 | 2023-10-26 | 清华大学 | 基于锂离子电池电化学模型功率特性的荷电状态更新方法 |
CN117148172A (zh) * | 2023-10-31 | 2023-12-01 | 宁德时代新能源科技股份有限公司 | 电池状态检测方法、装置、计算设备和介质 |
WO2023244366A1 (en) * | 2022-06-14 | 2023-12-21 | Enphase Energy, Inc. | Storage system configured for use with an energy management system |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112881921A (zh) * | 2021-01-08 | 2021-06-01 | 恒大新能源汽车投资控股集团有限公司 | 电池等效电路模型参数辨识方法、装置、设备及存储介质 |
CN114035049A (zh) * | 2021-11-08 | 2022-02-11 | 东软睿驰汽车技术(沈阳)有限公司 | Soh精度的计算方法、装置和电子设备 |
CN114137346B (zh) * | 2021-11-26 | 2023-09-12 | 国网湖南省电力有限公司 | 一种基于数模仿真平台的储能电站电池管理***测试装置 |
CN114252771B (zh) * | 2021-12-13 | 2024-05-07 | 北京经纬恒润科技股份有限公司 | 一种电池参数在线辨识方法及*** |
CN114280485B (zh) * | 2021-12-27 | 2023-07-28 | 湖北亿纬动力有限公司 | Soc估算及一致性评估方法、装置、计算机设备 |
CN114705990B (zh) * | 2022-03-31 | 2023-10-20 | 上海玫克生储能科技有限公司 | 电池簇荷电状态的估计方法及***、电子设备及存储介质 |
CN114750638B (zh) * | 2022-04-07 | 2024-06-18 | 潍柴动力股份有限公司 | 一种动力电池电流控制方法、装置、电动汽车及存储介质 |
CN114859250B (zh) * | 2022-07-07 | 2022-09-30 | 杭州华塑科技股份有限公司 | 电池的荷电状态信息确定方法、装置及电子设备 |
CN115166523B (zh) * | 2022-09-06 | 2022-12-02 | 江苏时代新能源科技有限公司 | 移动式电池状态检测设备、***和方法 |
CN115598541B (zh) * | 2022-12-01 | 2023-03-10 | 西南科技大学 | 基于遗忘因子自适应反馈修正的电池能量状态评估方法 |
CN117113807B (zh) * | 2023-07-18 | 2024-04-05 | 广州港科大技术有限公司 | 一种基于elm与rls的锂电池soh在线预测模型的建模方法 |
CN117388741B (zh) * | 2023-10-13 | 2024-05-31 | 广东云下汇金科技有限公司 | 一种智算中心备用发电机组监测方法及*** |
CN117601657B (zh) * | 2024-01-19 | 2024-06-18 | 宁波均胜新能源研究院有限公司 | 一种电池管理方法、装置、存储介质及车辆 |
CN117937687A (zh) * | 2024-01-29 | 2024-04-26 | 深圳市健网科技有限公司 | 一种分布式储能***的soc智能控制方法及*** |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103439668A (zh) * | 2013-09-05 | 2013-12-11 | 桂林电子科技大学 | 动力锂离子电池的电荷状态估算方法与*** |
JP2014102111A (ja) * | 2012-11-19 | 2014-06-05 | Mazda Motor Corp | バッテリの状態推定装置 |
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 |
CN108693472A (zh) * | 2017-04-12 | 2018-10-23 | 上海蓝诺新能源技术有限公司 | 电池等效模型参数在线辨识方法 |
CN109783993A (zh) * | 2019-03-07 | 2019-05-21 | 北京经纬恒润科技有限公司 | 一种电池等效模型参数确定方法及装置 |
CN109900937A (zh) * | 2019-04-10 | 2019-06-18 | 河南科技大学 | 一种具有温度补偿功能的锂电池电荷状态估算方法 |
CN110780205A (zh) * | 2019-12-06 | 2020-02-11 | 信息产业电子第十一设计研究院科技工程股份有限公司 | 一种新型的磷酸铁锂电池pngv等效电路模型及参数辨识方法 |
US20200081066A1 (en) * | 2018-02-07 | 2020-03-12 | Lg Chem, Ltd. | Method for estimating parameter of equivalent circuit model for battery, and battery management system |
CN110888063A (zh) * | 2019-12-02 | 2020-03-17 | 上海国际港务(集团)股份有限公司 | 一种基于港机轮胎吊磷酸铁锂电池并联***设计的soc估算法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9244129B2 (en) * | 2013-01-29 | 2016-01-26 | Mitsubishi Electronic Research Laboratories, Inc. | Method for estimating a state of charge of batteries |
CN103293485A (zh) * | 2013-06-10 | 2013-09-11 | 北京工业大学 | 基于模型的蓄电池荷电状态估计方法 |
EP2963434B1 (en) * | 2014-06-30 | 2021-08-11 | Foundation Of Soongsil University-Industry Cooperation | Battery state estimation method and system using dual extended kalman filter, and recording medium for performing the method |
CN106154168B (zh) * | 2016-04-01 | 2019-03-05 | 储盈新能源科技(上海)有限公司 | 数据驱动的动力电池荷电状态估计方法 |
CN106019164A (zh) * | 2016-07-07 | 2016-10-12 | 武汉理工大学 | 基于双重自适应无际卡尔曼滤波器的锂电池soc估计算法 |
US11307261B2 (en) * | 2017-03-31 | 2022-04-19 | Mitsubishi Electric Corporation | Rechargeable battery state estimation device |
CN108957347B (zh) * | 2018-08-13 | 2021-02-23 | 北京航空航天大学 | 一种电池组soc的高精度动态估计方法和*** |
CN110208703A (zh) * | 2019-04-24 | 2019-09-06 | 南京航空航天大学 | 基于温度修正的复合等效电路模型对荷电状态估计的方法 |
CN110646737B (zh) * | 2019-09-20 | 2022-04-22 | 广州市香港科大***研究院 | 基于多模型的电池soc动态估算方法、***及存储介质 |
-
2020
- 2020-03-31 CN CN202010245899.9A patent/CN113466723B/zh active Active
-
2021
- 2021-03-15 US US17/915,308 patent/US20230152380A1/en active Pending
- 2021-03-15 KR KR1020227037040A patent/KR20220158271A/ko not_active Application Discontinuation
- 2021-03-15 JP JP2022556482A patent/JP2023518778A/ja active Pending
- 2021-03-15 WO PCT/CN2021/080767 patent/WO2021197038A1/zh unknown
- 2021-03-15 EP EP21781308.8A patent/EP4130769A4/en active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014102111A (ja) * | 2012-11-19 | 2014-06-05 | Mazda Motor Corp | バッテリの状態推定装置 |
CN103439668A (zh) * | 2013-09-05 | 2013-12-11 | 桂林电子科技大学 | 动力锂离子电池的电荷状态估算方法与*** |
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 |
CN108693472A (zh) * | 2017-04-12 | 2018-10-23 | 上海蓝诺新能源技术有限公司 | 电池等效模型参数在线辨识方法 |
US20200081066A1 (en) * | 2018-02-07 | 2020-03-12 | Lg Chem, Ltd. | Method for estimating parameter of equivalent circuit model for battery, and battery management system |
CN109783993A (zh) * | 2019-03-07 | 2019-05-21 | 北京经纬恒润科技有限公司 | 一种电池等效模型参数确定方法及装置 |
CN109900937A (zh) * | 2019-04-10 | 2019-06-18 | 河南科技大学 | 一种具有温度补偿功能的锂电池电荷状态估算方法 |
CN110888063A (zh) * | 2019-12-02 | 2020-03-17 | 上海国际港务(集团)股份有限公司 | 一种基于港机轮胎吊磷酸铁锂电池并联***设计的soc估算法 |
CN110780205A (zh) * | 2019-12-06 | 2020-02-11 | 信息产业电子第十一设计研究院科技工程股份有限公司 | 一种新型的磷酸铁锂电池pngv等效电路模型及参数辨识方法 |
Non-Patent Citations (1)
Title |
---|
颜学龙: "基于ASECKF算法的锂电池荷电状态估计方法", 《桂林电子科技大学学报》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113848487A (zh) * | 2021-10-22 | 2021-12-28 | 四川宽鑫科技发展有限公司 | 一种基于专有soc估算的均衡控制方法 |
WO2023201781A1 (zh) * | 2022-04-22 | 2023-10-26 | 清华大学 | 基于锂离子电池电化学模型功率特性的荷电状态更新方法 |
WO2023244366A1 (en) * | 2022-06-14 | 2023-12-21 | Enphase Energy, Inc. | Storage system configured for use with an energy management system |
CN116449221A (zh) * | 2023-06-14 | 2023-07-18 | 浙江天能新材料有限公司 | 锂电池荷电状态预测方法、装置、设备及存储介质 |
CN116449221B (zh) * | 2023-06-14 | 2023-09-29 | 浙江天能新材料有限公司 | 锂电池荷电状态预测方法、装置、设备及存储介质 |
CN116540125A (zh) * | 2023-07-05 | 2023-08-04 | 中国华能集团清洁能源技术研究院有限公司 | 一种电池荷电状态估计故障的诊断方法及*** |
CN116540125B (zh) * | 2023-07-05 | 2023-10-03 | 中国华能集团清洁能源技术研究院有限公司 | 一种电池荷电状态估计故障的诊断方法及*** |
CN117148172A (zh) * | 2023-10-31 | 2023-12-01 | 宁德时代新能源科技股份有限公司 | 电池状态检测方法、装置、计算设备和介质 |
CN117148172B (zh) * | 2023-10-31 | 2024-04-09 | 宁德时代新能源科技股份有限公司 | 电池状态检测方法、装置、计算设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113466723B (zh) | 2022-09-09 |
KR20220158271A (ko) | 2022-11-30 |
EP4130769A4 (en) | 2024-04-17 |
JP2023518778A (ja) | 2023-05-08 |
EP4130769A1 (en) | 2023-02-08 |
US20230152380A1 (en) | 2023-05-18 |
WO2021197038A1 (zh) | 2021-10-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113466723B (zh) | 确定电池荷电状态的方法及装置,电池管理*** | |
Deng et al. | Online available capacity prediction and state of charge estimation based on advanced data-driven algorithms for lithium iron phosphate battery | |
Wang et al. | A framework for state-of-charge and remaining discharge time prediction using unscented particle filter | |
Huang et al. | Robustness evaluation of extended and unscented Kalman filter for battery state of charge estimation | |
Wassiliadis et al. | Revisiting the dual extended Kalman filter for battery state-of-charge and state-of-health estimation: A use-case life cycle analysis | |
Zhang et al. | State-of-charge estimation of lithium-ion battery pack by using an adaptive extended Kalman filter for electric vehicles | |
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 | |
KR102652848B1 (ko) | 리튬 유황 배터리의 충전 상태 및 건강 상태를 결정하는 방법 및 장치 | |
US10838010B2 (en) | Automatic method for estimating the capacitance of a cell of a battery | |
Huang et al. | A model-based state-of-charge estimation method for series-connected lithium-ion battery pack considering fast-varying cell temperature | |
US10295600B2 (en) | Monitoring charge stored in a battery | |
CN109669132B (zh) | 一种基于变分贝叶斯滤波的电池荷电状态估计方法 | |
CN105301509A (zh) | 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 | |
CN113466725B (zh) | 确定电池荷电状态的方法及装置,存储介质及电子设备 | |
CN105334462A (zh) | 电池容量损失在线估算方法 | |
CN111722118A (zh) | 一种基于soc-ocv优化曲线的锂离子电池soc估计方法 | |
CN109839596B (zh) | 基于ud分解的自适应扩展卡尔曼滤波的soc估算方法 | |
CN110596606A (zh) | 一种锂电池剩余电量估计方法、***及装置 | |
CN111060822B (zh) | 一种基于模型切换及融合的荷电状态估计方法 | |
CN110412472B (zh) | 一种基于正态伽马滤波的电池荷电状态估计方法 | |
Manthopoulos et al. | A review and comparison of lithium-ion battery SOC estimation methods for electric vehicles | |
Pózna et al. | Model identification and parameter estimation of lithium ion batteries for diagnostic purposes | |
Rezoug et al. | State-of-charge Estimation of Lithium-ion Batteries Using Extended Kalman Filter | |
CN112601968A (zh) | 用于48v轻混汽车锂离子电池的荷电状态在线估算*** | |
CN113743664B (zh) | 一种基于随机片段数据的锂电池状态估计方法及*** |
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 |