CN114509677A - 一种电池剩余容量多因子评估方法、***及电子设备 - Google Patents
一种电池剩余容量多因子评估方法、***及电子设备 Download PDFInfo
- Publication number
- CN114509677A CN114509677A CN202210113762.7A CN202210113762A CN114509677A CN 114509677 A CN114509677 A CN 114509677A CN 202210113762 A CN202210113762 A CN 202210113762A CN 114509677 A CN114509677 A CN 114509677A
- Authority
- CN
- China
- Prior art keywords
- battery
- equivalent circuit
- order
- circuit model
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 claims abstract description 47
- 238000012417 linear regression Methods 0.000 claims abstract description 19
- 238000000611 regression analysis Methods 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims description 28
- 238000012546 transfer Methods 0.000 claims description 27
- 239000011159 matrix material Substances 0.000 claims description 25
- 230000010287 polarization Effects 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 9
- 239000003990 capacitor Substances 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 2
- 230000008859 change Effects 0.000 abstract description 5
- 238000001514 detection method Methods 0.000 abstract description 2
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 12
- 229910001416 lithium ion Inorganic materials 0.000 description 12
- 230000009286 beneficial effect Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003487 electrochemical reaction Methods 0.000 description 2
- 238000004146 energy storage Methods 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000000192 social effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing 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]
-
- 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)
- Secondary Cells (AREA)
Abstract
本发明提供一种电池剩余容量多因子评估方法及***,涉及电池容量检测技术领域,基于模型参数辨识,能够适应电池运行条件的变化,计算出高精度的模型参数,较为精准的评估出电池剩余容量参数。该方法包括:构建一阶RC等效电路模型;对一阶RC等效电路模型进行离散化处理,获得离散化的一阶RC等效电路模型;根据离散化的一阶RC等效电路模型,采用带有遗忘因子的递推最小二乘法辨识模型参数;利用多元线性回归方法对辨识得到的模型参数进行回归分析,估计电池剩余容量。所述电池剩余容量多因子评估***应用于电池剩余容量多因子评估方法。
Description
技术领域
本发明涉及电池容量检测技术领域,尤其涉及一种电池剩余容量多因子评估方法、***、电子设备及计算机可读存储介质。
背景技术
以煤炭为代表的传统化石能源是不可再生的,近年来能源短缺现象日益加剧,新能源的出现与应用可以很好的缓解传统能源紧缺以及对环境的负担。锂离子电池由于具有能量密度高、使用寿命长、自放电率低等优点,被广泛应用于交通、家用电器、航空航天以及储能电站等多个领域。但是在实际应用中,随着锂离子电池循环次数的增加,电池性能会逐渐降低,电池的剩余容量也会有所损失,从而影响电池的剩余使用寿命。另外,锂离子电池在短路、过充、过放等极端条件下容易发生热失控,严重时还会发生***等重大安全事故,造成不利的社会影响以及财产损失。为了实现锂离子电池的高效利用,保障锂离子电池安全稳定地运行,有必要对锂离子电池的剩余容量进行精准评估,进而增强电池管理功能,延长电池的使用寿命。
电池剩余容量是评价电池经过长时间的循环使用后其性能的重要指标之一。电池容量是指在一定条件下电池放电过程中产生的电荷总数,电池的剩余容量是指电池在使用一段时间后所测得的电池容量。由于电池在实际运行过程中工况复杂,在线评估电池的剩余容量难度较大。目前,研究人员已提出多种电池剩余容量的评估和预测方法,主要包括基于贝叶斯的方法和经验拟合的方法。其中,基于贝叶斯的方法是通过闭环滤波算法对电池的状态进行评估,具有较强的鲁棒性,但是建模过程比较复杂,在评估过程中计算量较大。经验拟合的方法是结合电化学知识和工程经验构建电池老化模型,评估结果比较准确。但是在建模过程中需要大量的测试数据,另外,经验拟合的方法普适性较差,往往特定的模型只能应用于特定类型的电池或者特定老化条件下的电池。
发明内容
为解决上述技术问题,本发明提供一种电池剩余容量多因子评估方法、***、电子设备及计算机可读存储介质,基于模型参数辨识的电池剩余容量评估方法能够适应电池运行条件的变化,计算出高精度的模型参数,较为精准的评估出电池剩余容量参数。
本发明提供一种电池剩余容量多因子评估方法,该方法包括,
步骤1:构建一阶RC等效电路模型;
步骤2:对一阶RC等效电路模型进行离散化处理,获得离散化的一阶RC等效电路模型;
步骤3:根据离散化的一阶RC等效电路模型,采用带有遗忘因子的递推最小二乘法辨识模型参数;
步骤4:利用多元线性回归方法对辨识得到的模型参数进行回归分析,估计电池剩余容量。
优选地,所述一阶RC等效电路模型的电路方程为:
其中,Uocv为电池的开路电压,R0为欧姆内阻,Rd为极化电阻,Cd为极化电容,I为充电电流,Ut为电池的端电压,Ud为极化电压。
优选地,步骤2中,对一阶RC等效电路模型进行离散化处理,获得离散化的一阶RC等效电路模型,包括:
步骤2.1:定义一阶RC等效电路模型的传递函数为: 其中,G(s)为一阶RC等效电路模型的传递函数,Uocv为电池的开路电压,Ut为电池的端电压,I为充电电流,R0为欧姆内阻,Rd为极化电阻,Cd为极化电容,s为传递函数变量;
步骤3.3:离散传递函数G(z-1)对应的时域表达式为:E(k)=c1E(k-1)+c2I(k)+c3I(k-1),其中,E(k)为电池的开路电压与电池的端电压的差值,c1,c2,c3为辨识参数;
步骤2.4:定义一阶RC等效电路模型的数据矩阵和参数矩阵为:
θ(k)=[(1-c1) Uocv(k) c1 c2 c3]T
优选地,所述带有遗忘因子的递推最小二乘法参数估计式为:
其中,λ为遗忘因子,K(k)为算法的增益,P(k)为状态估计值的误差协方差矩阵,k为数据值第k个采样时刻,为变量参数,Ut(k)为离散化的一阶RC等效电路模型的传递函数,为数据矩阵,I(k)为单位矩阵。通过步骤2的离散化处理可以简化算法,从而提高算法计算效率。
优选地,步骤3中,采用带有遗忘因子的递推最小二乘法辨识模型参数,包括:
采用MATLAB软件执行带有遗忘因子的递推最小二乘法在线参数识别算法,以对离散化的一阶RC等效电路模型参数进行在线辨识。
优选地,步骤4中,利用多元线性回归方法对辨识得到的模型参数进行回归分析,估计电池剩余容量,包括:
构建多元线性回归方程:Qremain=α0+α1R0+α2Rd+α3Cd,其中,R0为欧姆内阻,Rd为极化内阻,Cd为极化电容,α0、α1、α2、α3为线性回归方程的常数系数。
利用多元线性回归方程对辨析得到的模型参数进行回归分析,估计电池剩余容量。
优选地,所述辨析得到的模型参数包括:欧姆内阻、极化内阻、极化电容。
与现有技术相比,本发明提供的一种电池剩余容量多因子评估方法具有如下有益效果:首先构建一阶RC等效电路模型,对一阶RC等效电路模型进行离散化处理,获得离散化的一阶RC等效电路模型,然后根据离散化的一阶RC等效电路模型,采用带有遗忘因子的递推最小二乘法辨识模型参数,最后利用多元线性回归方法对辨识得到的模型参数进行回归分析,估计电池剩余容量。本发明基于模型参数辨识的电池剩余容量评估方法能够适应电池运行条件的变化,拟合计算出高精度的模型参数,具有较强的普适性,可以较为精准的评估出电池剩余容量参数,从而更好地保障锂离子电池安全稳定的运行,有利于推动锂离子电池和电池管理***的应用与发展。
本发明还提供一种电池剩余容量多因子评估***,该***包括:
构建模块,用于构建一阶RC等效电路模型;
离散处理模块,用于对一阶RC等效电路模型进行离散化处理,获得离散化的一阶RC等效电路模型;
模型辨识模块,用于根据离散化的一阶RC等效电路模型,采用带有遗忘因子的递推最小二乘法辨识模型参数;
评估模块,用于利用多元线性回归方法对辨识得到的模型参数进行回归分析,估计电池剩余容量。
与现有技术相比,本发明提供的一种电池剩余容量多因子评估***的有益效果与上述技术方案所述一种电池剩余容量多因子评估方法的有益效果相同,在此不做赘述。
本发明还提供一种电子设备,包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述收发器、所述存储器和所述处理器通过所述总线相连,所述计算机程序被所述处理器执行时实现上述任一项所述的一种电池剩余容量多因子评估方法中的步骤。
与现有技术相比,本发明提供的电子设备的有益效果与上述技术方案所述一种电池剩余容量多因子评估方法的有益效果相同,在此不做赘述。
本发明还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项所述的一种电池剩余容量多因子评估方法中的步骤。
与现有技术相比,本发明所提供的计算机可读存储介质的有益效果与上述技术方案所述一种电池剩余容量多因子评估方法的有益效果相同,在此不做赘述。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,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示出了本发明实施例所提供的一种电池剩余容量多因子评估方法的流程图;
图2示出了本发明实施例所提供的一阶RC等效电路模型的结构示意图;
图3示出了本发明实施例所提供的一种电池剩余容量多因子评估***的结构示意图。
具体实施方式
在本发明的描述中,需要理解的是,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
本实施例中提到的“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B的情况。“示例性的”或者“例如”等词用于表示作例子、例证或说明,旨在以具体方式呈现相关概念,不应被解释为比其他实施例或设计方案更优选或更具优势。
本发明实施例提供一种电池剩余容量多因子评估方法,图1示出了本发明实施例所提供的一种电池剩余容量多因子评估方法的流程图。如图1所示,该方法包括:
步骤1:构建一阶RC等效电路模型。
需要说明的是,电池模型的精确度将直接影响评估电池运行状态的准确性,本发明实施例选用一阶RC等效电路模型作为电池模型进行建模,一阶RC等效电路模型的结构如图2所示。
等效电路模型将电池内部复杂的电化学反应抽象化,并分别用电容、电阻、电感等基本电气元件来进行表征,使得等效电路模型参数大大减少,求解容易。而本申请中构建的一阶RC等效电路模型是在欧姆内阻模型的基础上,增加了以电阻和电容并联形成的非线性网络,用来表征电池充放电过程中电压随电流突变的动态变化。
根据基尔霍夫电压定律,一阶RC等效电路模型的电路方程为:
Ut=Uocv-Ud-IR0,其中,Uocv为电池的开路电压,R0为欧姆内阻,Rd为极化电阻,Cd为极化电容,I为充电电流,Ut为电池的端电压,Ud为极化电压。应理解,该一阶RC等效电路模型是以充电电流为输入,以电池端电压为输出的单输出单输入***。
步骤2:对一阶RC等效电路模型进行离散化处理,获得离散化的一阶RC等效电路模型。
需要说明的是,对步骤1中所构建的一阶RC等效电路模型进行离散化处理,以便于更好地应用在电池管理***(BMS)中。
具体地,步骤2包括:
步骤2.1:定义一阶RC等效电路模型的传递函数为: 其中,G(s)为一阶RC等效电路模型的传递函数,Uocv(s)为电池的开路电压,Ut为电池的端电压,I为充电电流,R0为欧姆内阻,Rd为极化电阻,Cd为极化电容,s为传递函数变量。
步骤2.3:离散传递函数G(z-1)对应的时域表达式为:E(k)=c1E(k-1)+c2I(k)+c3I(k-1),其中,E(k)为电池的开路电压与电池的端电压的差值,c1,c2,c3为辨识参数。
步骤2.4:将一阶RC等效电路模型的数据矩阵和参数矩阵定义为:
θ(k)=[(1-c1) Uocv(k) c1 c2 c3]T
步骤3:根据离散化的一阶RC等效电路模型,采用带有遗忘因子的递推最小二乘法辨识模型参数。
需要说明的是,等效电路模型可以利用在线数据进行参数辨识。本发明实施例采用带有遗忘因子的递推最小二乘法对离散化的一阶RC等效电路模型进行模型参数辨识,从而实现模型参数的在线更新。
具体地,步骤3包括:
步骤3.1:遗忘因子表示算法对电池管理***(BMS)已经监测到的历史数据添加了时变加权系数,最新要监测到的数据用1加权,前面n时刻的数据则采用λn加权,带遗忘因子的最小二乘法参数估计式如下:
其中,λ为遗忘因子,当λ等于1时,上式退化成传统的递推最小二乘法,K(k)为算法的增益,P(k)为状态估计值的误差协方差矩阵,k为数据值第k个采样时刻,为变量参数,Ut(k)为离散化的一阶RC等效电路模型的传递函数,为数据矩阵,I(k)为单位矩阵。
然后采用MATLAB软件执行带有遗忘因子的递推最小二乘法在线参数识别算法,以对离散化的一阶RC等效电路模型参数进行在线辨识。
步骤4:利用多元线性回归方法对辨识得到的模型参数进行回归分析,估计电池剩余容量。
需要说明的是,根据模型参数辨识结果,获取电池剩余容量与模型参数的对应关系,并利用多元线性回归方法对辨识得到的模型参数进行回归分析,估计电池剩余容量。
具体地,将辨识出的欧姆内阻、极化内阻、极化电容等模型参数用于评估电池剩余容量(Qremain),构建多元线性回归方程如下:
Qremain=α0+α1R0+α2Rd+α3Cd,其中,R0为欧姆内阻,Rd为极化内阻,Cd为极化电容。α0、α1、α2、α3为线性回归方程的常数系数。
在评估电池剩余容量的研究中,现有技术通常采用等效电路模型参数欧姆内阻作为特征量表征电池剩余容量,依据电池剩余容量和欧姆内阻之间近似的线性关系,欧姆内阻成为估算电池剩余容量的重要参数,但采用单一特征量的方法估算精度较低。为了提升电池管理***评估储能***锂离子电池状态的准确性,本发明实施例提出基于锂离子电池欧姆内阻、极化内阻、极化电容多因子回归模型的电池剩余容量评估方法。通过建立一阶RC等效电路模型,为了提高电池剩余容量评估的准确性,结合带有遗忘因子的递推最小二乘法进行模型参数辨识,将所辨识的电路参数用以在线评估电池剩余容量。本发明基于模型参数辨识的电池剩余容量评估方法能够适应电池运行条件的变化,拟合计算出高精度的模型参数,具有较强的普适性,可以较为精准的评估出电池剩余容量参数,从而更好地保障锂离子电池安全稳定的运行,有利于推动锂离子电池和电池管理***的应用与发展。
本发明实施例提供一种电池剩余容量多因子评估***,图3示出了本发明实施例所提供的一种电池剩余容量多因子评估***的结构示意图。如图3所示,该***包括:
构建模块1,用于构建一阶RC等效电路模型.
离散处理模块2,用于对一阶RC等效电路模型进行离散化处理,获得离散化的一阶RC等效电路模型。
模型辨识模块3,用于根据离散化的一阶RC等效电路模型,采用带有遗忘因子的递推最小二乘法辨识模型参数。
评估模块4,用于利用多元线性回归方法对辨识得到的模型参数进行回归分析,估计电池剩余容量。
与现有技术相比,本发明实施例提供的一种电池剩余容量多因子评估***的有益效果与上述技术方案所述一种电池剩余容量多因子评估方法的有益效果相同,在此不做赘述。
此外,本发明实施例还提供了一种电子设备,包括总线、收发器、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,该收发器、该存储器和处理器分别通过总线相连,计算机程序被处理器执行时实现上述一种电池剩余容量多因子评估方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
此外,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述一种电池剩余容量多因子评估方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
计算机可读存储介质包括:永久性和非永久性、可移动和非可移动媒体,是可以保留和存储供指令执行设备所使用指令的有形设备。计算机可读存储介质包括:电子存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备以及上述任意合适的组合。计算机可读存储介质包括:相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、非易失性随机存取存储器(NVRAM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带存储、磁带磁盘存储或其他磁性存储设备、记忆棒、机械编码装置(例如在其上记录有指令的凹槽中的穿孔卡或凸起结构)或任何其他非传输介质、可用于存储可以被计算设备访问的信息。按照本发明实施例中的界定,计算机可读存储介质不包括暂时信号本身,例如无线电波或其他自由传播的电磁波、通过波导或其他传输介质传播的电磁波(例如穿过光纤电缆的光脉冲)或通过导线传输的电信号。
在本申请所提供的几个实施例中,应该理解到,所披露的装置、电子设备和方法,可以通过其他的方式实现。例如,以上描述的装置实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或可以集成到另一个***,或一些特征可以忽略,或不执行。另外,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接,也可以是电的、机械的或其他的形式连接。
所述作为分离部件说明的单元可以是或也可以不是物理上分开的,作为单元显示的部件可以是或也可以不是物理单元,既可以位于一个位置,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或全部单元来解决本发明实施例方案要解决的问题。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术作出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(包括:个人计算机、服务器、数据中心或其他网络设备)执行本发明各个实施例所述方法的全部或部分步骤。而上述存储介质包括如前述所列举的各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换的技术方案,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种电池剩余容量多因子评估方法,其特征在于,包括:
步骤1:构建一阶RC等效电路模型;
步骤2:对一阶RC等效电路模型进行离散化处理,获得离散化的一阶RC等效电路模型;
步骤3:根据离散化的一阶RC等效电路模型,采用带有遗忘因子的递推最小二乘法辨识模型参数;
步骤4:利用多元线性回归方法对辨识得到的模型参数进行回归分析,估计电池剩余容量。
3.根据权利要求1所述的一种电池剩余容量多因子评估方法,其特征在于,步骤2中,对一阶RC等效电路模型进行离散化处理,获得离散化的一阶RC等效电路模型,包括:
步骤2.1:定义一阶RC等效电路模型的传递函数为:其中,G(s)为一阶RC等效电路模型的传递函数,Uocv为电池的开路电压,Ut为电池的端电压,I为充电电流,R0为欧姆内阻,Rd为极化电阻,Cd为极化电容,s为传递函数变量;
步骤2.3:离散传递函数G(z-1)对应的时域表达式为:E(k)=c1E(k-1)+c2I(k)+c3I(k-1),其中,E(k)为电池的开路电压与电池的端电压的差值,c1,c2,c3为辨识参数;
步骤2.4:定义一阶RC等效电路模型的数据矩阵和参数矩阵为:
5.根据权利要求4所述的一种电池剩余容量多因子评估方法,其特征在于,步骤3中,采用带有遗忘因子的递推最小二乘法辨识模型参数,包括:
采用MATLAB软件执行带有遗忘因子的递推最小二乘法在线参数识别算法,以对离散化的一阶RC等效电路模型参数进行在线辨识。
6.根据权利要求1所述的一种电池剩余容量多因子评估方法,其特征在于,步骤4中,利用多元线性回归方法对辨识得到的模型参数进行回归分析,估计电池剩余容量,包括:
构建多元线性回归方程:
Qremain=α0+α1R0+α2Rd+α3Cd,其中,R0为欧姆内阻,Rd为极化内阻,Cd为极化电容。α0、α1、α2、α3为线性回归方程的常数系数;
利用多元线性回归方程对辨析得到的模型参数进行回归分析,估计电池剩余容量。
7.根据权利要求1所述的一种电池剩余容量多因子评估方法,其特征在于,所述辨析得到的模型参数包括:欧姆内阻、极化内阻、极化电容。
8.一种电池剩余容量多因子评估***,其特征在于,包括:
构建模块,用于构建一阶RC等效电路模型;
离散处理模块,用于对一阶RC等效电路模型进行离散化处理,获得离散化的一阶RC等效电路模型;
模型辨识模块,用于根据离散化的一阶RC等效电路模型,采用带有遗忘因子的递推最小二乘法辨识模型参数;
评估模块,用于利用多元线性回归方法对辨识得到的模型参数进行回归分析,估计电池剩余容量。
9.一种电子设备,包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述收发器、所述存储器和所述处理器通过所述总线相连,其特征在于,所述计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述的一种电池剩余容量多因子评估方法中的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的一种电池剩余容量多因子评估方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210113762.7A CN114509677A (zh) | 2022-01-30 | 2022-01-30 | 一种电池剩余容量多因子评估方法、***及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210113762.7A CN114509677A (zh) | 2022-01-30 | 2022-01-30 | 一种电池剩余容量多因子评估方法、***及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114509677A true CN114509677A (zh) | 2022-05-17 |
Family
ID=81551465
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210113762.7A Pending CN114509677A (zh) | 2022-01-30 | 2022-01-30 | 一种电池剩余容量多因子评估方法、***及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114509677A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115293100A (zh) * | 2022-09-30 | 2022-11-04 | 深圳市威特利电源有限公司 | 一种新能源电池剩余电量精准评估方法 |
CN117214728A (zh) * | 2023-11-09 | 2023-12-12 | 溧阳中科海钠科技有限责任公司 | 电池的劣化程度确定方法、装置、电子设备及存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107367692A (zh) * | 2017-06-07 | 2017-11-21 | 东莞市德尔能新能源股份有限公司 | 一种带遗忘因子的最小二乘法锂电池模型参数辨识方法 |
CN107390127A (zh) * | 2017-07-11 | 2017-11-24 | 欣旺达电动汽车电池有限公司 | 一种soc估算方法 |
CN107576919A (zh) * | 2017-10-20 | 2018-01-12 | 广东石油化工学院 | 基于armax模型的动力电池荷电状态估算***及方法 |
CN108445418A (zh) * | 2018-05-17 | 2018-08-24 | 福建省汽车工业集团云度新能源汽车股份有限公司 | 一种电池剩余电量估算方法及存储介质 |
CN110007236A (zh) * | 2019-04-19 | 2019-07-12 | 中国计量大学 | 一种铝空气电池等效电路模型的参数辨识方法 |
CN110096780A (zh) * | 2019-04-23 | 2019-08-06 | 西安交通大学 | 一种超级电容一阶rc网络等效电路及参数确定方法 |
CN111007421A (zh) * | 2018-10-05 | 2020-04-14 | 操纵技术Ip控股公司 | 用于电动马达驱动***的电源电流的动态估计 |
CN112580284A (zh) * | 2020-12-04 | 2021-03-30 | 华中科技大学 | 一种混合电容器等效电路模型及在线参数辨识方法 |
CN113466712A (zh) * | 2021-07-13 | 2021-10-01 | 北京西清能源科技有限公司 | 一种电池剩余容量的获取方法 |
CN113805075A (zh) * | 2021-09-15 | 2021-12-17 | 上海电机学院 | 一种基于bcrls-ukf的锂电池荷电状态估计方法 |
-
2022
- 2022-01-30 CN CN202210113762.7A patent/CN114509677A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107367692A (zh) * | 2017-06-07 | 2017-11-21 | 东莞市德尔能新能源股份有限公司 | 一种带遗忘因子的最小二乘法锂电池模型参数辨识方法 |
CN107390127A (zh) * | 2017-07-11 | 2017-11-24 | 欣旺达电动汽车电池有限公司 | 一种soc估算方法 |
CN107576919A (zh) * | 2017-10-20 | 2018-01-12 | 广东石油化工学院 | 基于armax模型的动力电池荷电状态估算***及方法 |
CN108445418A (zh) * | 2018-05-17 | 2018-08-24 | 福建省汽车工业集团云度新能源汽车股份有限公司 | 一种电池剩余电量估算方法及存储介质 |
CN111007421A (zh) * | 2018-10-05 | 2020-04-14 | 操纵技术Ip控股公司 | 用于电动马达驱动***的电源电流的动态估计 |
CN110007236A (zh) * | 2019-04-19 | 2019-07-12 | 中国计量大学 | 一种铝空气电池等效电路模型的参数辨识方法 |
CN110096780A (zh) * | 2019-04-23 | 2019-08-06 | 西安交通大学 | 一种超级电容一阶rc网络等效电路及参数确定方法 |
CN112580284A (zh) * | 2020-12-04 | 2021-03-30 | 华中科技大学 | 一种混合电容器等效电路模型及在线参数辨识方法 |
CN113466712A (zh) * | 2021-07-13 | 2021-10-01 | 北京西清能源科技有限公司 | 一种电池剩余容量的获取方法 |
CN113805075A (zh) * | 2021-09-15 | 2021-12-17 | 上海电机学院 | 一种基于bcrls-ukf的锂电池荷电状态估计方法 |
Non-Patent Citations (1)
Title |
---|
陈猛 等: "锂离子电池健康状态多因子在线估算方法", 《西安交通大学学报》, vol. 54, no. 1, pages 169 - 175 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115293100A (zh) * | 2022-09-30 | 2022-11-04 | 深圳市威特利电源有限公司 | 一种新能源电池剩余电量精准评估方法 |
CN115293100B (zh) * | 2022-09-30 | 2023-01-17 | 深圳市威特利电源有限公司 | 一种新能源电池剩余电量精准评估方法 |
CN117214728A (zh) * | 2023-11-09 | 2023-12-12 | 溧阳中科海钠科技有限责任公司 | 电池的劣化程度确定方法、装置、电子设备及存储介质 |
CN117214728B (zh) * | 2023-11-09 | 2024-04-05 | 溧阳中科海钠科技有限责任公司 | 电池的劣化程度确定方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106501736B (zh) | 电池内阻估算方法及装置 | |
CN109557477B (zh) | 一种电池***健康状态估算方法 | |
CN105954679B (zh) | 一种锂电池荷电状态的在线估计方法 | |
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 | |
CN105548896A (zh) | 基于n-2rc模型的动力电池soc在线闭环估计方法 | |
CN114509677A (zh) | 一种电池剩余容量多因子评估方法、***及电子设备 | |
CN103744026A (zh) | 基于自适应无迹卡尔曼滤波的蓄电池荷电状态估算方法 | |
CN105572596B (zh) | 锂电池soc估算方法及*** | |
CN110795851A (zh) | 一种考虑环境温度影响的锂离子电池建模方法 | |
CN103529400A (zh) | 一种具有温度自适应补偿的电池容量预测方法 | |
CN112379297A (zh) | 电池***寿命预测方法、装置、设备及存储介质 | |
CN107843847A (zh) | 一种基于ekf算法的蓄电池soc在线估测方法 | |
Ren et al. | Novel co‐estimation strategy based on forgetting factor dual particle filter algorithm for the state of charge and state of health of the lithium‐ion battery | |
CN112528472A (zh) | 一种多新息混合Kalman滤波和H无穷滤波算法 | |
CN105116346A (zh) | 一种串联型锂离子电池***及其荷电状态估计方法 | |
Chen et al. | A novel fusion model based online state of power estimation method for lithium-ion capacitor | |
CN114062950B (zh) | 混联电池soc确定方法、装置、电子设备及存储介质 | |
Ramezani-al et al. | A novel combined online method for SOC estimation of a Li-Ion battery with practical and industrial considerations | |
CN115389954A (zh) | 一种电池容量的估算方法、电子设备及可读存储介质 | |
Kamal et al. | State of charge estimation based on extened Kalman filter algorithm for Lithium-Ion battery | |
Qin et al. | Joint SOC–SOP estimation method for lithium-ion batteries based on electro-thermal model and multi-parameter constraints | |
CN112946480B (zh) | 一种提高soc估计实时性的锂电池电路模型简化方法 | |
CN109298340B (zh) | 一种基于可变时间尺度的电池容量在线估计方法 | |
Zhang et al. | On SOC estimation of lithium-ion battery packs based EKF | |
Luo et al. | Study on a High‐Accuracy Real‐Time Algorithm to Estimate SOC of Multiple Battery Cells Simultaneously |
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 |