CN114818561A - 一种锂离子电池荷电状态多环模型估计方法 - Google Patents
一种锂离子电池荷电状态多环模型估计方法 Download PDFInfo
- Publication number
- CN114818561A CN114818561A CN202210375574.1A CN202210375574A CN114818561A CN 114818561 A CN114818561 A CN 114818561A CN 202210375574 A CN202210375574 A CN 202210375574A CN 114818561 A CN114818561 A CN 114818561A
- Authority
- CN
- China
- Prior art keywords
- battery
- model
- voltage
- soc
- lithium ion
- 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
- 238000000034 method Methods 0.000 title claims abstract description 79
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 title claims abstract description 54
- 229910001416 lithium ion Inorganic materials 0.000 title claims abstract description 54
- 238000004364 calculation method Methods 0.000 claims abstract description 30
- 230000036541 health Effects 0.000 claims description 11
- 230000010287 polarization Effects 0.000 claims description 10
- 230000010354 integration Effects 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 6
- 239000003990 capacitor Substances 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 2
- 239000003792 electrolyte Substances 0.000 claims description 2
- 230000002068 genetic effect Effects 0.000 claims description 2
- 239000002245 particle Substances 0.000 claims description 2
- 230000001502 supplementing effect Effects 0.000 abstract 1
- 230000008569 process Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 6
- 229910052744 lithium Inorganic materials 0.000 description 6
- 238000007599 discharging Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 125000003367 polycyclic group Chemical group 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/32—Circuit design at the digital level
- G06F30/33—Design verification, e.g. functional simulation or model checking
- G06F30/3308—Design verification, e.g. functional simulation or model checking using simulation
-
- 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
- B60L58/12—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to state of charge [SoC]
-
- 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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
- G01R31/387—Determining ampere-hour charge capacity or SoC
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/32—Circuit design at the digital level
- G06F30/33—Design verification, e.g. functional simulation or model checking
- G06F30/3323—Design verification, e.g. functional simulation or model checking using formal methods, e.g. equivalence checking or property checking
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
一种锂离子电池荷电状态多环模型估计方法,包括:建立锂离子电池荷电状态估计环,并补充锂离子电池模型参数辨识环节,锂离子电池电压外特性曲线更新环节和锂离子电池安时容量更新环节,对荷电状态估计环节中的电池模型参数,电池电压外特性曲线和电池安时容量进行实时更新,增加SOC的估计精度。本发明建立四环自洽***,能够在电池模型参数不准确,电池电压外特性曲线不准确,电池安时容量不准确的条件下,通过准确测量电池的负载电压和负载电流,观测器算法对于电压偏差的控制作用,使得电池荷电状态观测***计算的荷电状态观测值准确;采用PI观测器作为SOC的模型在环估计算法,避免了复杂的计算,增加了该方法在实车中应用的可能性。
Description
技术领域
本发明涉及电动汽车动力电池领域,具体来说是一种锂离子电池荷电状态多环模型估计方法,应用于电动汽车SOC的估计。
背景技术
近年来,由于化石燃料缺乏导致的能源危机使得越来越多的汽车厂商把目光投向了新能源电动汽车方面。动力电池,作为电动汽车开发的瓶颈之一,直接限制了电动汽车的行驶里程和续航时间。电池管理***(Battery Management System,BMS)能够延长电池的使用寿命,监控电池的工作状态,是动力电池研究中的热点问题。电池的荷电状态(Stateof charge,SOC),作为电池管理***中重要的一环,对控制电池精准充放电,维护电池的健康状态有着重要的作用。因此,准确估计电池的SOC,成为了当下电动汽车发展的研究重点。
目前,SOC的估算方法一般分为三大类,分别是直接法,基于模型的估计方法和基于数据的估计方法。
直接法有安时积分法、开路电压法和阻抗法。安时积分法依靠采集的电池电流数据对SOC进行估计,操作简单、易于实现,但会面临初始SOC值难以确定的问题,而且估计过程中的电流累加误差难以消除。开路电压法依靠电池的开路电压(Open Circuit Voltage,OCV)和SOC的对应关系来获得SOC的数值,但估算前要对电池进行长时间静置直至电池达到稳定状态,不适合在线估计SOC。内阻法与开路电压法相似,是依靠电池的交流阻抗与SOC的关系来估计SOC,同样的,在使用前要使电池静置至稳定,也不是适用于车载SOC的估计。
基于模型的算法是目前研究中最热门的的算法。电池的模型分为等效电路模型和电化学模型。电化学模型由于参数过多,表达式复杂一般不被用在SOC的估计中。常用的等效电路模型为n阶RC电路模型,当n≥3时,电路的参数辨识复杂度会大大增加,精度却不会显著提高,所以一般采用1阶RC和2阶RC电路作为电池的等效模型。滤波法和观测器法常与电池模型配合使用,它们通过构造增益函数来修正SOC的误差,鲁棒性和抗噪能力强,但计算量相对较大,不容易在实车中实现。
基于数据的算法包括神经网络法、支持向量机法等。这些方法不需要对***进行建模,通过输入电池电压、电流等物理量,经过自主学习,可以对电池的SOC实现精确估计。这类算法有着不需要精确建模,易对非线性***进行识别的有点,但是,由于存在如需要大量训练样本以及过度依赖电池数据和训练方法等缺点,因此这类算法在实际中的应用受到了一定程度的限制。
综上所述,目前虽然对于电池的SOC估计进行了大量的研究,但均存在一定的问题和缺陷,需要进行改进,解决上述方法的不足和缺陷。
发明内容
本发明的目的在于提出一种锂离子电池荷电状态多环模型估计方法,以解决SOC估计方法存在的不足。
为达此目的,本发明采用以下技术方案:
一种锂离子电池荷电状态也多环模型估计方法,其特征在于,包括如下步骤:
锂离子电池建模步骤S110:
建立二阶RC等效电路建模子步骤S111:
基于锂离子电池的动力特性,利用2阶RC等效电路为锂离子电池建模,
运用基尔霍夫定律确定电路中各参数之间的关系,建立式(1)所示的锂离子电池模型的动力学方程:
其中,Rin为电池内部的欧姆电阻,Rel、Cel为浓差极化电阻和电容,Ret、Cet为电极极化电阻和电容,Uel、Uet分别是Rel、Ret处的电压,UOC是理想的电源电压,Uw和Im是电池模型的负载电压和负载电流;
SOC建模子步骤S112:
采用安时积分法建立式(2)所示的关于SOC的表达式
其中,SOC[k-1]为k-1时刻的电池SOC,SOCU[k]为计算得到的k时刻的电池SOC,ηb为库伦系数,Qah为电池安时容量,Im[k]为k时刻采集到的电池的负载电流;
电池安时容量/健康状态观测步骤S120:
采用式(3)所示的计算式来实时更新电池的安时容量Qah
其中,Im[k-1]为k-1时刻的电池负载电流,ΔSOC[k-1]为计算的得到的k-1计算时刻的电池SOC值与k-2时刻的电池SOC值之差;
ΔSOC[k-1]=SOC[k-1]-SOC[k-2] (4)
电压外特性曲线建立步骤S130:
对锂离子电池进行脉冲放电实验,得到电池开路电压UOC和SOC的关系图,即电压外特性曲线(COV),对曲线上的分布点进行分析,并用八次多项式拟合UOC和SOC的关系,得到式(6)所示的函数关系式,
电池模型参数辨识步骤S140:
电池模型状态方程离散化子步骤S141:
对式(1)和式(2)进行离散化,得到锂离子电池的状态空间模型,其状态方程和测量方程如式(7)和式(8)所示:
Uw[k]=UOC[k]-Uel[k]-Uet[k]-Im[k]Rin (8)
式中,T为采样时间间隔,k为采样时间,Uel[k]、Uet[k]、SOC[k]分别表示离散后Uel、Uet、SOC在k时刻的值;
电池模型参数辨识子步骤S142:
定义电池模型负载电压Uw和开路电压UOC的差值为E,其在k时刻的表达式为:
E(k)=UOC[k]-Uw[k] (9)
结合式(7)、式(8),将式(9)写成如下所示的递推形式:
E(k)=α1E(k-1)+α2E(k-2)+α3Ιm(k)+α4Ιm(k-1)+α5Ιm(k-2) (10)
其中,α1、α2、α3、α4、α5为待识别的参数;
基于观测器的SOC计算步骤S150:
电池模型k时刻的内部压降Uin[k]计算子步骤S151:
将辨识得到的参数Rin、Rel、Ret、Cel、Cet代入电池的等效电路模型,计算k时刻模型内部的压降Uin(k),
模型的内部总压降Uin[k]为
Uin[k]=Uet[k]+Uel[k]+Im[k]Rin (17)
电池模型k时刻的负载电压Uw[k]计算子步骤S152:
对于上个周期得到的SOC数值SOC[k-1],与k时刻的电流Im[k]经安时积分运算后,经式(2)得到k时刻的SOC数值SOCU[k],通过步骤S120中的电压外特性曲线(COV),得到对应的k时刻电池模型开路电压UOC[k],与子步骤S151中获得的等效电路模型的内部压降Uin[k]相减,得到模型的负载电压,即估计负载电压Uw[k],
Uw[k]=UOC[k]-Uin[k] (18)
电压偏差计算子步骤S153:
将估计负载电压Uw[k]与在电池包上实际测得的负载电压Vm[k]相减,得到电压偏差eU[k],计算式如下:
eU[k]=Vm[k]-Uw[k] (19)
电池SOC数值计算子步骤S154:
将计算得到的k时刻的电压偏差eU[k]输入模型在环观测算法,计算得到k时刻的SOC值SOC[k];
SOC估计循环子步骤S155:
对于得到的k时刻的SOC[k],经过延时环节得到k-1时刻的SOC[k-1],通过安时积分环节得到k时刻的SOC数值SOCU[k],将SOCU[k]代入电压外特性曲线(COV),重复子步骤S152-S155,开始下一轮的SOC估计,当循环得到的估计负载电压Uw与实际测得的负载电压Vm相等时,停止SOC估计,获得准确的SOC值。
综上,本发明具有如下优点:
1.在锂电池荷电状态估计过程中增加电池安时容量更新环节,用来更新因电池使用而发生变化的安时容量Qah,提高电池荷电状态估计的精度,同时也能够对电池的健康状态进行估计。
2.在锂电池荷电状态估计过程中增加电池电压外特性曲线(COV)更新环节,用来修正COV曲线因温度等因素影响而产生的误差,提高电池荷电状态估计的精度。
3.在锂电池荷电状态估计过程中增加电池模型参数更新环节,用来在线识别电池模型的参数,实现电池模型参数的动态更新,提高电池荷电状态估计的精度。
4.采用在环模型观测算法,特别是PI观测器作为SOC的估计手段,避免了复杂的计算,增加该方法在实车中应用的可能性。
5.建立四环自洽***,能够实现在电池模型参数不准确,电压外特性曲线不准确,电池安时容量不准确的条件下,通过准确测量电池的负载电压和负载电流,并通过观测器算法对于电压偏差的控制作用,使得电池荷电状态观测***计算的荷电状态观测值准确。
附图说明
图1是根据本发明具体实施例的锂离子电池荷电状态估计方法的流程图;
图2是根据本发明具体实施例的锂离子电池荷电状态多环模型估计方法的流程图;
图3是根据本发明具体实施例的锂离子电池2阶RC等效电路模型;
图4是根据本发明具体实施例的锂离子电池荷电状态基于PI观测器的估计方法流程;
图5是根据本发明具体实施例的锂离子电池荷电状态估计环节示意图;
图6是根据本发明具体实施例的锂离子电池安时容量更新环节示意图;
图7是根据本发明具体实施例的锂离子电池电压外特性曲线更新环节示意图;
图8是根据本发明具体实施例的锂离子电池模型参数环节示意图;
图9是根据本发明具体实施例的锂离子电池荷电状态多环模型估计方法的步骤示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
本发明在于:如图1所示,通过获得电池端电压实测值和电池端电压估计值的差值,即电压偏差值,将其输入估计算法中,得到电池的SOC,并将得到的SOC返还作为下一周期的SOC初值,实现SOC的循环估计,增加估计的准确性。
具体的,如图2所示,本发明的基于锂离子电池荷电状态估计方法,建立了锂离子电池荷电状态多环模型估计方法,在锂离子电池荷电状态估计环节的基础上,增加了锂离子电池电压外特性曲线更新环节,锂离子电池模型参数辨识环节,锂离子电池安时容量更新环节,对锂离子电池荷电状态估计中的电压外特性曲线,电池模型参数,电池安时容量进行实时更新,增加了荷电状态估计的精度。
具体的,参见图9,示出了根据本发明具体实施例的锂离子电池荷电状态多环模型估计方法的步骤示意图,具体包括如下步骤:
锂离子电池建模步骤S110:
建立二阶RC等效电路建模子步骤S111:
基于锂离子电池的动力特性,参见图3,利用2阶RC等效电路为锂离子电池建模,
运用基尔霍夫定律确定电路中各参数之间的关系,建立式(1)所示的锂离子电池模型的动力学方程:
其中,Rin为电池内部的欧姆电阻,Rel、Cel为浓差极化电阻和电容,Ret、Cet为电极极化电阻和电容,Uel、Uet分别是Rel、Ret处的电压,UOC是理想的电源电压,Uw和Im是电池模型的负载电压和负载电流。
SOC建模子步骤S112:
采用安时积分法建立式(2)所示的关于SOC的表达式
其中,SOC[k-1]为k-1时刻的电池SOC,SOCU[k]为计算得到的k时刻的电池SOC,ηb为库伦系数,Qah为电池安时容量,Im[k]为k时刻采集到的电池的负载电流。
进一步的,本发明在完成锂离子电池建模S110后,能够分别完成电池安时容量/健康状态观测步骤S120、电池电压外特性曲线建立步骤S130和电池模型参数辨识步骤S140,本领域技术人员知晓,S120、S130、S140只是用于区分不同的步骤,不表示上述步骤的先后顺序。
电池安时容量/健康状态观测步骤S120:
在估计SOC的过程中,电池的安时容量会随着电池的充放电过程而衰减,对应的,需要对安时容量Qah的数值进行实时更新。
具体的,参见图6,采用式(3)所示的计算式来实时更新电池的安时容量Qah,其中所述安时容量Qah能够用于后续的S152安时积分计算中,
其中,Im[k-1]为k-1时刻的电池负载电流,ΔSOC[k-1]为计算的得到的k-1计算时刻的电池SOC值与k-2时刻的电池SOC值之差。
ΔSOC[k-1]=SOC[k-1]-SOC[k-2] (4)。
也就是说图6相对于图5,增加了安时容量更新环节。由于电池在使用过程中电池安时容量会发生变化,该参数会影响图5中的安时积分计算。而增加的安时容量更新环节,能够对安时积分运算中电池安时容量参数进行更新,从而提高电池荷电状态的估计精度。
进一步的,由于电池的安时容量与电池的健康状态(State of health,SOH)存在一定的关系,可以用求出的安时容量Qah估计电池的健康状态SOH,关于电池SOH的表达式(5)如下所示:
其中,Q0为电池的初始容量。
电压外特性曲线建立步骤S130:
对锂离子电池进行脉冲放电实验,得到电池开路电压UOC和SOC的关系图,即电压外特性曲线(characteristic of voltage,COV),对图上的分布点进行分析,并用八次多项式拟合UOC和SOC的关系,得到式(6)所示的函数关系式。
在电池荷电状态估计过程中,电池的电压外特性曲线会发生变化,所以对应的,需要在估计电池SOC的过程中对电压外特性曲线(COV)进行更新。
具体的,参见图7,将k-1时刻的电池实测负载电压值Vm[k-1]与k-1时刻的电池模型内部电压Uin[k-1]相减,得到k-1时刻的电池开路电压UOCC[k-1],将获得的开路电压UOCC[k-1]和k-1时刻SOC值SOC[k-1]的输入COV更新算法,得到一组{SOCC,UOCC}数据,将其传输入电压外特性曲线(COV),实现电压外特性曲线(COV)中参数的更新。
也就是说图7相对于图5,增加了电压外特性曲线(COV)更新环节。由于电池的老化等因素影响,电池的电压外特性曲线会发生变化,COV曲线的不准确会影响图5中开路电压UOC的获取。而增加的电压外特性曲线更新环节,能够对电池的电压外特性曲线进行修正与更新,从而提高电池荷电状态的估计精度。
电池模型参数辨识步骤S140:
电池模型状态方程离散化子步骤S141:
对式(1)和式(2)进行离散化,得到锂离子电池的状态空间模型,其状态方程和测量方程如式(7)和式(8)所示:
Uw[k]=UOC[k]-Uel[k]-Uet[k]-Im[k]Rin (8)
式中,T为采样时间间隔,k为采样时间,Uel[k]、Uet[k]、SOC[k]分别表示离散后Uel、Uet、SOC在k时刻的值。
电池模型参数辨识子步骤S142:
定义电池模型负载电压Uw和开路电压UOC的差值为E,其在k时刻的表达式为:
E(k)=UOC[k]-Uw[k] (9)
结合式(7)、式(8),将式(9)写成如下所示的递推形式:
E(k)=α1E(k-1)+α2E(k-2)+α3Ιm(k)+α4Ιm(k-1)+α5Ιm(k-2) (10)
其中,α1、α2、α3、α4、α5为待识别的参数。
所述电池模型参数辨识方法可以为递推最小二乘法,遗传算法和粒子群算法。
γk为k时刻的输出矢量,φk为k时刻的测量值,θk为代求的参数矩阵,εk为k时刻传感器的采样误差。
具体的迭代格式为:
(1)根据经验对初始参数值P0,θ0赋值;
(2)确定输入值φk、输出值γk和参数矩阵θk;
(3)确定增益Kk和误差协方差Pk;
式中,λ表示遗忘因子,通常为削弱过去数据对当前数据的影响,一般取λ的范围为0.95~1,在本发明中,λ=0.988888。
(4)参数在线辨识
确定参数矩阵θk即α1、α2、α3、α4、α5的数值,
通过式(10)得到Rin、Rel、Rec、Cel、Cec与α1、α2、α3、α4、α5的关系,为
将α1、α2、α3、α4、α5的值代入(14)式中,得到2阶RC等效电路模型中Rin、Rel、Rec、Cel、Cec的数值。
由于电池模型的参数Rin、Rel、Ret、Cel、Cet在进行电池荷电状态估计的过程中会因为电池的使用而改变,所以需要对电池模型的参数进行实时更新。
具体的,参见图8,通过电池模型获得k时刻电池模型中的电极极化电压和电解液极化电压值{Uet[k],Uel[k]},延时后获得k-1时刻的数值{Uet[k-1],Uel[k-1]},将计算得到的k-1时刻电池模型内部电压Uinp[k-1],k-1时刻的数值{Uet[k-1],Uel[k-1]}和k-1时刻电池负载电流Im[k-1]输入电池模型参数辨识方法,得到更新的电池模型参数值。
Uinp[k-1]=Uocp[k-1]-Vm[k-1] (15)
其中,Uinp[k-1]为计算得到的k-1时刻电池模型内部电压,Vm[k-1]为k-1时刻的电池负载电压,Uocp[k-1]为查OCV表获得的k-1时刻的电池模型开路电压。
也就是说图8相对于图5,增加了电池模型参数更新环节。由于电池的充放电过程对电池内部状态产生的影响,使得电池模型参数发生变化,而电池模型参数的不准确会影响图5中电池模型内部总压降Uin的精确度。而增加的电池模型参数更新环节,能够根据上一时刻获得的电池模型数据对电池模型的参数进行实时更新,增加电池模型内部压降的精确度,从而提高电池荷电状态的估计精度。
基于观测器的SOC计算步骤S150:
电池模型k时刻的内部压降Uin[k]计算子步骤S151:
将辨识得到的参数Rin、Rel、Ret、Cel、Cet代入电池的等效电路模型,计算k时刻模型内部的压降Uin[k],
模型的内部总压降Uin[k]为
Uin[k]=Uet[k]+Uel[k]+Im[k]Rin (17)
电池模型k时刻的负载电压Uw[k]计算子步骤S152:
对于上个周期得到的SOC数值SOC[k-1],与k时刻的电流Im[k]经安时积分运算后,经式(2)得到k时刻的SOC数值SOCU[k],通过步骤S120中的电压外特性曲线(COV),得到对应的k时刻电池模型开路电压UOC[k],与子步骤S151中获得的等效电路模型的内部压降Uin[k]相减,得到模型的负载电压,即估计负载电压Uw[k],
Uw[k]=UOC[k]-Uin[k] (18)
电压偏差计算子步骤S153:
将估计负载电压Uw[k]与在电池包上实际测得的负载电压Vm[k]相减,得到电压偏差eU[k],计算式如下:
eU[k]=Vm[k]-Uw[k] (19)
电池SOC数值计算子步骤S154:
将计算得到的k时刻的电压偏差eU[k]输入模型在环观测算法,计算得到k时刻的SOC值SOC[k]。
所述模型在环观测算法可以为PI观测器、滑模观测器。
优选的,参见图4,所述模型在环观测算法为PI观测器,运算后得到k时刻的SOC值SOC[k],PI观测器内部的计算式为:
SOC估计循环子步骤S155:
对于得到的k时刻的SOC[k],经过延时环节得到k-1时刻的SOC[k-1],通过安时积分环节得到k时刻的SOC数值SOCU[k]
将SOCU[k]代入电压外特性曲线,重复子步骤S152-S155,开始下一轮的SOC估计,当循环得到的估计负载电压Uw与实际测得的负载电压Vm相等时,停止SOC估计,获得准确的SOC值。
本发明提出的基于模型的荷电状态估计算法,其关键机理是找到电压偏差eU[k],但实际能测到的是电池***负载电压Vm[k],这样就需要根据模型估计一个负载电压Uw[k]。同时,本发明将计算得到的k时刻SOC数值SOC[k]延时,得到k-1时刻的荷电状态初值SOC[k-1],与电池***实测电流Im[k]通过安时积分法得到k时刻的SOCU[k],通过电压外特性曲线COV得到k时刻的开路电压UOC[k],再减去经电池***的实测电流Im[k]和电池模型计算得到的带载情况下电池内部压降Uin[k],就得到当前周期下电池负载电压估计值Uw[k],与测量值Vm[k]计算得到电压偏差eU[k],输送给基于模型的估计算法计算得到更新荷电状态SOC[k],实现SOC估计循环。
综上,本发明具有如下优点:
1.在锂电池荷电状态估计过程中增加电池安时容量更新环节,用来更新因电池使用而发生变化的安时容量Qah,提高电池荷电状态估计的精度,同时也能够对电池的健康状态进行估计。
2.在锂电池荷电状态估计过程中增加电池电压外特性曲线(COV)更新环节,用来修正COV曲线因温度等因素影响而产生的误差,提高电池荷电状态估计的精度。
3.在锂电池荷电状态估计过程中增加电池模型参数更新环节,用来在线识别电池模型的参数,实现电池模型参数的动态更新,提高电池荷电状态估计的精度。
4.采用在环模型观测算法,特别是PI观测器作为SOC的估计手段,避免了复杂的计算,增加该方法在实车中应用的可能性。
5.建立四环自洽***,能够实现在电池模型参数不准确,电池电压外特性曲线不准确,电池安时容量不准确的条件下,通过准确测量电池的负载电压和负载电流,并通过观测器算法对于电压偏差的控制作用,使得电池荷电状态观测***计算的荷电状态观测值准确
显然,本领域技术人员应该明白,上述的本发明的各单元或各步骤可以用通用的计算装置来实现,它们可以集中在单个计算装置上,可选地,他们可以用计算机装置可执行的程序代码来实现,从而可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件的结合。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施方式仅限于此,对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单的推演或替换,都应当视为属于本发明由所提交的权利要求书确定保护范围。
Claims (8)
1.一种锂离子电池荷电状态多环模型估计方法,其特征在于,包括如下步骤:
锂离子电池建模步骤S110:
建立二阶RC等效电路建模子步骤S111:
基于锂离子电池的动力特性,利用2阶RC等效电路为锂离子电池建模,
运用基尔霍夫定律确定电路中各参数之间的关系,建立式(1)所示的锂离子电池模型的动力学方程:
其中,Rin为电池内部的欧姆电阻,Rel、Cel为浓差极化电阻和电容,Ret、Cet为电极极化电阻和电容,Uel、Uet分别是Rel、Ret处的电压,UOC是理想的电源电压,Uw和Im是电池模型的负载电压和负载电流;
SOC建模子步骤S112:
采用安时积分法建立式(2)所示的关于SOC的表达式
其中,SOC[k-1]为k-1时刻的电池SOC,SOCU[k]为计算得到的k时刻的电池SOC,ηb为库伦系数,Qah为电池安时容量,Im[k]为k时刻采集到的电池的负载电流;
电池安时容量/健康状态观测步骤S120:
采用式(3)所示的计算式来实时更新电池的安时容量Qah
其中,Im[k-1]为k-1时刻的电池负载电流,ΔSOC[k-1]为计算的得到的k-1计算时刻的电池SOC值与k-2时刻的电池SOC值之差;
ΔSOC[k-1]=SOC[k-1]-SOC[k-2] (4)
电压外特性曲线建立步骤S130:
对锂离子电池进行脉冲放电实验,得到电池开路电压UOC和SOC的关系图,即电压外特性曲线(COV),对曲线上的分布点进行分析,并用八次多项式拟合UOC和SOC的关系,得到式(6)所示的函数关系式,
电池模型参数辨识步骤S140:
电池模型状态方程离散化子步骤S141:
对式(1)和式(2)进行离散化,得到锂离子电池的状态空间模型,其状态方程和测量方程如式(7)和式(8)所示:
Uw[k]=UOC[k]-Uel[k]-Uet[k]-Im[k]Rin (8)
式中,T为采样时间间隔,k为采样时间,Uel[k]、Uet[k]、SOC[k]分别表示离散后Uel、Uet、SOC在k时刻的值;
电池模型参数辨识子步骤S142:
定义电池模型负载电压Uw和开路电压UOC的差值为E,其在k时刻的表达式为:
E(k)=UOC[k]-Uw[k] (9)
结合式(7)、式(8),将式(9)写成如下所示的递推形式:
E(k)=α1E(k-1)+α2E(k-2)+α3Im(k)+α4Im(k-1)+α5Im(k-2) (10)
其中,α1、α2、α3、α4、α5为待识别的参数;
基于观测器的SOC计算步骤S150:
电池模型k时刻的内部压降Uin[k]计算子步骤S151:
将辨识得到的参数Rin、Rel、Ret、Cel、Cet代入电池的等效电路模型,计算k时刻模型内部的压降Uin[k],
模型的内部总压降Uin[k]为
Uin[k]=Uet[k]+Uel[k]+Im[k]Rin (17)
电池模型k时刻的负载电压Uw[k]计算子步骤S152:
对于上个周期得到的SOC数值SOC[k-1],与k时刻的电流Im[k]经安时积分运算后,经式(2)得到k时刻的SOC数值SOCU[k],通过步骤S120中的电压外特性曲线(COV),得到对应的k时刻电池模型开路电压UOC[k],与子步骤S151中获得的等效电路模型的内部压降Uin[k]相减,得到模型的负载电压,即估计负载电压Uw[k],
Uw[k]=UOC[k]-Uin[k] (18)
电压偏差计算子步骤S153:
将估计负载电压Uw[k]与在电池包上实际测得的负载电压Vm[k]相减,得到电压偏差eU[k],计算式如下:
eU[k]=Vm[k]-Uw[k] (19)
电池SOC数值计算子步骤S154:
将计算得到的k时刻的电压偏差eU[k]输入模型在环观测算法,计算得到k时刻的SOC值SOC[k];
SOC估计循环子步骤S155:
对于得到的k时刻的SOC[k],经过延时环节得到k-1时刻的SOC[k-1],通过安时积分环节得到k时刻的SOC数值SOCU[k],将SOCU[k]代入电压外特性曲线(COV),重复子步骤S152-S155,开始下一轮的SOC估计,当循环得到的估计负载电压Uw与实际测得的负载电压Vm相等时,停止SOC估计,获得准确的SOC值。
3.根据权利要求1所述的锂离子电池荷电状态多环模型估计方法,其特征在于,
在电压外特性曲线(COV)建立步骤S130中,能够对电压外特性曲线进行更新,具体为:
将k-1时刻的电池实测负载电压值Vm[k-1]与k-1时刻的电池模型内部电压Uin[k-1]相减,得到k-1时刻的电池开路电压UOCC[k-1],将获得的开路电压UOCC[k-1]和k-1时刻SOC值SOC[k-1]的输入COV更新算法,得到一组{SOCC,UOCC}数据,将其传输入电压外特性曲线,实现电压外特性曲线中参数的更新。
4.根据权利要求1所述的锂离子电池荷电状态多环模型估计方法,其特征在于,
在电池模型参数辨识步骤S140中,
所述电池模型参数辨识方法为递推最小二乘法,遗传算法和粒子群算法。
5.根据权利要求4所述的锂离子电池荷电状态多环模型估计方法,其特征在于,
γk为k时刻的输出矢量,φk为k时刻的测量值,θk为代求的参数矩阵,εk为k时刻传感器的采样误差,
具体的迭代格式为:
(1)根据经验对初始参数值P0,θ0赋值;
(2)确定输入值φk、输出值γk和参数矩阵θk;
(3)确定增益Kk和误差协方差Pk;
式中,λ表示遗忘因子,范围为0.95~1,
(4)参数在线辨识
确定参数矩阵θk即α1、α2、α3、α4、α5的数值,
通过式(10)得到Rin、Rel、Rec、Cel、Cec与α1、α2、α3、α4、α5的关系,为
将α1、α2、α3、α4、α5的值代入(14)式中,得到2阶RC等效电路模型中Rin、Rel、Rec、Cel、Cec的数值。
6.根据权利要求1所述的锂离子电池荷电状态多环模型估计方法,其特征在于,
在电池模型参数辨识步骤S140中,对电池模型参数值进行更新,具体为:
通过电池模型获得k时刻电池模型中的电极极化电压和电解液极化电压值{Uet[k],Uel[k]},延时后获得k-1时刻的数值{Uet[k-1],Uel[k-1]},将计算得到的k-1时刻电池模型内部电压Uinp[k-1],k-1时刻的数值{Uet[k-1],Uel[k-1]}和k-1时刻电池负载电流Im[k-1]输入电池模型参数辨识方法,得到更新的电池模型参数值,Uinp[k-1]=Uocp[k-1]-Vm[k-1](15)
其中,Uinp[k-1]为计算得到的k-1时刻电池模型内部电压,Vm[k-1]为k-1时刻的电池负载电压,Uocp[k-1]为查OCV表获得的k-1时刻的电池模型开路电压。
7.根据权利要求1所述的锂离子电池荷电状态多环模型估计方法,其特征在于,
在基于观测器的SOC计算步骤S150中,
所述模型在环观测算法为PI观测器或滑模观测器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210375574.1A CN114818561B (zh) | 2022-04-11 | 2022-04-11 | 一种锂离子电池荷电状态多环模型估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210375574.1A CN114818561B (zh) | 2022-04-11 | 2022-04-11 | 一种锂离子电池荷电状态多环模型估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114818561A true CN114818561A (zh) | 2022-07-29 |
CN114818561B CN114818561B (zh) | 2024-02-09 |
Family
ID=82534314
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210375574.1A Active CN114818561B (zh) | 2022-04-11 | 2022-04-11 | 一种锂离子电池荷电状态多环模型估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114818561B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015188610A1 (zh) * | 2014-06-11 | 2015-12-17 | 北京交通大学 | 电池荷电状态估算方法和装置 |
WO2016134496A1 (zh) * | 2015-02-28 | 2016-09-01 | 北京交通大学 | 锂离子电池荷电状态估算方法和装置 |
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 |
CN110261779A (zh) * | 2019-06-25 | 2019-09-20 | 西安石油大学 | 一种三元锂电池荷电状态与健康状态在线协同估计方法 |
CN110275113A (zh) * | 2019-06-25 | 2019-09-24 | 内蒙古工业大学 | 一种锂电池荷电状态估计方法 |
CN111190109A (zh) * | 2020-01-07 | 2020-05-22 | 西北工业大学 | 一种无电流传感器的锂电池荷电状态估计方法 |
CN111707953A (zh) * | 2019-11-24 | 2020-09-25 | 华南理工大学 | 一种基于后向平滑滤波框架的锂电池soc在线估计方法 |
CN113777510A (zh) * | 2021-09-07 | 2021-12-10 | 国网江苏省电力有限公司电力科学研究院 | 一种锂电池荷电状态估计方法及装置 |
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
- 2022-04-11 CN CN202210375574.1A patent/CN114818561B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015188610A1 (zh) * | 2014-06-11 | 2015-12-17 | 北京交通大学 | 电池荷电状态估算方法和装置 |
WO2016134496A1 (zh) * | 2015-02-28 | 2016-09-01 | 北京交通大学 | 锂离子电池荷电状态估算方法和装置 |
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 |
CN110261779A (zh) * | 2019-06-25 | 2019-09-20 | 西安石油大学 | 一种三元锂电池荷电状态与健康状态在线协同估计方法 |
CN110275113A (zh) * | 2019-06-25 | 2019-09-24 | 内蒙古工业大学 | 一种锂电池荷电状态估计方法 |
CN111707953A (zh) * | 2019-11-24 | 2020-09-25 | 华南理工大学 | 一种基于后向平滑滤波框架的锂电池soc在线估计方法 |
CN111190109A (zh) * | 2020-01-07 | 2020-05-22 | 西北工业大学 | 一种无电流传感器的锂电池荷电状态估计方法 |
CN113777510A (zh) * | 2021-09-07 | 2021-12-10 | 国网江苏省电力有限公司电力科学研究院 | 一种锂电池荷电状态估计方法及装置 |
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 (3)
Title |
---|
何明芳;王顺利;于春梅;蒋聪;王露;: "基于改进PNGV建模的锂电池SOC估算研究", 自动化仪表, no. 06, 20 June 2020 (2020-06-20) * |
宋轩宇;黄敬尧;段俊强;: "基于自适应递推最小二乘法与无迹卡尔曼滤波的电池SOC估算", 电力科学与工程, no. 12, 28 December 2019 (2019-12-28) * |
李博文;王顺利;于春梅;李建超;谢伟;: "在线参数辨识和扩展卡尔曼算法的锂离子电池SOC估算研究", 自动化仪表, no. 03, 20 March 2020 (2020-03-20) * |
Also Published As
Publication number | Publication date |
---|---|
CN114818561B (zh) | 2024-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110261779B (zh) | 一种三元锂电池荷电状态与健康状态在线协同估计方法 | |
Lin et al. | State of charge estimation with the adaptive unscented Kalman filter based on an accurate equivalent circuit model | |
CN109061520B (zh) | 一种动力电池健康与功率状态在线估算方法及*** | |
CN111581904B (zh) | 考虑循环次数影响的锂电池soc及soh协同估算方法 | |
CN105319515B (zh) | 锂离子电池荷电状态和健康状态联合估算方法 | |
He et al. | Online model-based estimation of state-of-charge and open-circuit voltage of lithium-ion batteries in electric vehicles | |
CN111060820B (zh) | 一种基于二阶rc模型的锂电池soc和sop估计方法 | |
Takyi‐Aninakwa et al. | A strong tracking adaptive fading‐extended Kalman filter for the state of charge estimation of lithium‐ion batteries | |
CN111505506A (zh) | 一种多尺度卡尔曼滤波与无迹卡尔曼滤波融合的电池soc估算方法 | |
US11965935B2 (en) | Method and apparatus for operating a system for providing predicted states of health of electrical energy stores for a device using machine learning methods | |
CN113156321B (zh) | 一种锂离子电池荷电状态soc的估算方法 | |
CN109991548A (zh) | 一种ocv-soc标定实验方法、电池等效模型参数辨识方法及soc估算方法 | |
CN105425154B (zh) | 一种估计电动汽车的动力电池组的荷电状态的方法 | |
Li et al. | A novel parameter and state-of-charge determining method of lithium-ion battery for electric vehicles | |
CN111983457A (zh) | 一种基于lstm神经网络的电池组soh估算方法 | |
CN108445422B (zh) | 基于极化电压恢复特性的电池荷电状态估算方法 | |
Wei et al. | Lyapunov-based state of charge diagnosis and health prognosis for lithium-ion batteries | |
CN112989690B (zh) | 一种混合动力汽车锂电池多时间尺度荷电状态估计方法 | |
JP2015524048A (ja) | バッテリの充電状態の推定 | |
CN110673037B (zh) | 基于改进模拟退火算法的电池soc估算方法及*** | |
CN112269133B (zh) | 一种基于预充电路模型参数识别的soc估计方法 | |
CN115629314B (zh) | 基于改进Jaya的电池参数与状态联合估计方法及*** | |
Ren et al. | Novel strategy based on improved Kalman filter algorithm for state of health evaluation of hybrid electric vehicles Li-ion batteries during short-and longer term operating conditions | |
CN112946481A (zh) | 基于联合h∞滤波的滑模观测器锂离子电池soc估计方法及电池管理*** | |
CN113420444A (zh) | 一种基于参数在线辨识的锂离子电池soc估计方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |