CN116224099A - 一种动态自适应估算电池soc的方法 - Google Patents

一种动态自适应估算电池soc的方法 Download PDF

Info

Publication number
CN116224099A
CN116224099A CN202310498571.1A CN202310498571A CN116224099A CN 116224099 A CN116224099 A CN 116224099A CN 202310498571 A CN202310498571 A CN 202310498571A CN 116224099 A CN116224099 A CN 116224099A
Authority
CN
China
Prior art keywords
battery
gain matrix
error
value
soc
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
Application number
CN202310498571.1A
Other languages
English (en)
Other versions
CN116224099B (zh
Inventor
李�杰
王云
姜明军
沈永柏
孙艳
江梓贤
刘欢
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ligao Shandong New Energy Technology Co ltd
Original Assignee
Ligao Shandong New Energy Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ligao Shandong New Energy Technology Co ltd filed Critical Ligao Shandong New Energy Technology Co ltd
Priority to CN202310498571.1A priority Critical patent/CN116224099B/zh
Publication of CN116224099A publication Critical patent/CN116224099A/zh
Application granted granted Critical
Publication of CN116224099B publication Critical patent/CN116224099B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/382—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
    • 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
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/04—Ageing analysis or optimisation against ageing
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Secondary Cells (AREA)

Abstract

本发明公开了一种动态自适应估算电池SOC的方法，涉及汽车BMS技术领域，本发明建立电池的状态观测器，通过误差反馈进行状态观测器的自适应修正，实时对状态观测器的增益矩阵进行迭代优化，引入基于误差的动态自适应估算方法，在不断的迭代更新过程中，使得增益矩阵的选择过程和寻优过程都随电池的变化不断进行自动调整，提高电池状态的估计速度和估计精度，同时具有更强的收敛性，且具有较高鲁棒性和稳定性。本发明随着电池的变化自适应调节增益矩阵，达到最优的观测效果，解决电池老化后模型参数不匹配，SOC估算无法实现高精度的问题。

Description

一种动态自适应估算电池SOC的方法
技术领域
本发明涉及汽车BMS技术领域，尤其是一种动态自适应估算电池SOC的方法。
背景技术
SOC是指电池的荷电状态，用来反映电池的剩余容量，其数值上定义为剩余容量占电池容量的比值，常用百分数表示；其取值范围为[0,1]，当SOC=0时表示电池完全放电，当SOC=1时表示电池完全充满。电池SOC不能直接测量，只能通过电池端电压、充放电电流及内阻等参数来估算其大小。
锂电池作为清洁高效的能源，在生产生活中广泛应用，锂电池的SOC估算受到开路电压、瞬时电流、充放电倍率、环境温度、电池温度、停放时间、自放电率、库伦效率、电阻特性、SOC初值、DOD等外在特性的非线性影响，而且这些外在特性之间彼此影响，且彼此也受锂电池的不同材料、不同工艺等因素的影响，电池模型存在不确定性的问题，导致SOC估算精度不高且难以稳定，可靠性和鲁棒性较差。
发明内容
为了克服上述现有技术中的缺陷，本发明提供一种动态自适应估算电池SOC的方法，建立电池的状态观测器，针对电池的自身时变参数，随着电池的变化自适应调节状态观测器的增益矩阵，以达到最优的观测效果，解决电池老化后模型参数不匹配、SOC估算无法实现高精度的问题。
为实现上述目的，本发明采用以下技术方案，包括：
一种动态自适应估算电池SOC的方法，包括以下步骤：
S1，建立电池的等效电路模型；
S2，获取等效电路模型的模型参数；
S2，将等效电路模型转换成状态方程，根据模型参数得到电池的实际状态值x；
S4，建立电池的状态观测器，状态观测器用于输出电池的估计状态值px，并将实际状态值x与估计状态值px之间的误差e反馈给状态观测器，用于对状态观测器进行校正；校正的具体方式为：对状态观测器的增益矩阵L进行配置，使得误差e最小化，此时配置得到的增益矩阵L即为初始的最优增益矩阵L(0)，基于最优增益矩阵L(0)，状态观测器输出的估计状态值px与实际状态值x之间的误差为e(0)；
S5，定义尺度因子λ，误差e与尺度因子λ成正比，即误差e越大，尺度因子λ越大，0≤λ≤1；
S6，随着电池的使用变化，不断对状态观测器的增益矩阵L进行迭代优化；其中，第t次迭代的方式为：
以最优增益矩阵L(0)为迭代中心，并用尺度因子λ进行约束，得到第t次迭代的增益矩阵L(t)：
L(t)=L(0)+λ[L(t-1)-L(0)]；
其中，L(t)为第t次迭代的增益矩阵；L(t-1)为上一次即第t-1次迭代的增益矩阵；
将第t次迭代的增益矩阵L(t)代入状态观测器中，计算第t次迭代后的状态观测器输出的估计状态值px与实际状态值x之间的误差e(t)；
若误差e(t)比基于迭代中心即最优增益矩阵L(0)计算得到的误差e(0)小，即e(t)<e(0)，则将最优增益矩阵L(0)更新为第t次迭代的增益矩阵L(t)，得到更新后的最优增益矩阵L(0)，然后以更新后的最优增益矩阵L(0)为迭代中心，按照步骤S6的方式，继续进行下一次迭代；
否则，不对最优增益矩阵L(0)进行更新，继续以未更新的最优增益矩阵L(0)为迭代中心，按照步骤S6的方式，进行下一次迭代；
S7，利用步骤S6的迭代过程中实时得到的最优增益矩阵L(0)，代入状态观测器中，实时得到电池的估计状态值px。
优选的，步骤S1中，电池的等效电路模型，如下式所示：
Figure SMS_1
。
式中，U(t)表示电池在t时刻的端电压值；Uocv(SOC)为电池的SOC值所对应的开路电压值；R0表示等效电路的内阻；i(t)表示电池在t时刻的电流值；T表示周期，即公式运算的时间周期；Rk表示第k阶RC网络的电阻值；τk表示第k阶RC网络的时间系数；
k为RC网络的阶数标号，表示第k阶RC网络，k=1,2,...,K，等效电路模型共包括K阶RC网络。
优选的，步骤S3中，将等效电路模型转换成状态方程，状态方程如下所示：
y=Cx；
d(x)=Ax+Bu；
式中，
Figure SMS_2
；/>
Figure SMS_3
；/>
Figure SMS_4
；
Figure SMS_5
；
其中，u表示输入，具体为电池的电流值；x表示输出，具体为等效电路模型的状态值即实际状态值；d(x)为实际状态值x的导数；Uk为第k阶RC网络的电压值，k=1,2,...,K；SOC为电池的SOC值；y为电池的端电压值即实际端电压；Q表示电池容量；A、B、C均为系数。
优选的，步骤S4中，状态观测器的模型公式如下所示：
d(px)=Apx+Bu+L(y-py)=Apx+Bu+L(y-Cpx)=(A-LC)px+Bu+Ly；
其中，px为状态观测器输出的估计状态值，d(px)为估计状态值px的导数；py为电池的估计端电压，py=Cpx。
优选的，步骤S4中，实际状态值x与估计状态值px之间的误差e=x-px，得到：
d(e)=d(x)-d(px)=Ax+Bu-[(A-LC)px+Bu+Ly]=Ax-(A-LC)px-LCx=(A-LC)e；
其中，e为状态观测器的误差，d(e)为误差e的导数。
优选的，步骤S2中，通过实验获取等效电路模型的模型参数；模型参数包括：等效电路的内阻R0，等效电路中第k阶RC网络的电阻Rk，等效电路中第k阶RC网络的时间系数τk。
优选的，步骤S5中，定义自适应因子σ，0≤σ≤1，自适应因子σ的计算方式如下所示：
若abs(e)≤thr，则σ=1/[abs(e)+1]；
若abs(e)>thr，则σ=0；
其中，thr为设定的误差上限；abs()为取绝对值函数；e为实际状态值x与估计状态值px之间的误差；
尺度因子λ=1-σ。
本发明的优点在于：
（1）本发明建立电池的状态观测器，针对电池的自身时变参数，随着电池的变化自适应调节状态观测器的增益矩阵，以达到最优的观测效果，解决电池老化后模型参数不匹配、SOC估算无法实现高精度的问题。
（2）本发明引入基于误差的动态自适应估算方法，在不断的迭代更新过程中，使得增益矩阵的选择过程和寻优过程都随电池的变化不断进行自动调整，提高电池状态的估计速度和估计精度。
（3）本发明中，在误差e偏大时，得到的尺度因子λ变大，相当于邻域搜索步伐大，以提高搜索速度；在误差e偏小时，得到的尺度因子λ变小，相当于邻域搜索步伐变小，以提高搜索精度。
（4）本发明的动态自适应估算方法适合电动车这类充放电随机、电流电压均剧烈波动的应用，结合高精度的SOC-OCV曲线，且多尺度地考虑了温度、电流、电池内阻、总容量、传感器漂移等多方面的影响因素，并通过实际端电压与估计端电压的误差反馈进行状态观测器的自适应修正，实时对状态观测器的增益矩阵进行迭代优化，实现电池状态即SOC的高精度估算，同时具有更强的稳定性和收敛性，即使SOC误差较大时，SOC估算值也能短时间内快速收敛，达到较高的精度内，且具有较高鲁棒性和稳定性。
（5）本发明建立高精度的SOC动态自适应估算方法，实现了在5分钟以内，能够根据初始误差将SOC的估算精度修正在2%以内。
附图说明
图1为本发明的一种动态自适应估算电池SOC的方法流程图。
图2为锂电池的等效电路图。
图3为锂电池的状态方程和状态观测器的示意图。
图4为状态观测器的误差反馈示意图。
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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
根据锂电池的原理，电池模型可分为电化学模型、神经网络模型和等效电路模型。电化学模型主要用于描述电池的内部机理，涉及电池内部化学和材料方面的参数较多，运算量巨大，模型极其复杂。神经网络模型则将电池看做一个黑盒，不关注电池的内部机理，只关注电池的外部特性和输入之间的映射关系，在电池建模中往往需要大量的数据去训练神经网络模型。目前被广泛使用的电池模型是等效电路模型，等效电路模型是使用电阻、电容、电压源等基本电路元件组成的等效电路图来描述电池的动态特性。图2为本实施例的锂电池的等效电路图，包括3阶RC网络。
由图1所示，本发明的一种动态自适应估算电池SOC的方法，包括以下步骤：
S1，根据图2所示的锂电池的等效电路，得到电池的等效电路模型，具体如下式所示：
Figure SMS_6
。
式中，U(t)表示电池在t时刻的端电压值；Uocv(SOC)为电池在t时刻的SOC值所对应的开路电压值，利用SOC-OCV曲线可知；i(t)表示电池在t时刻的电流值；k为RC网络的阶数标号，表示第k阶RC网络，本实施例中，k=1,2,3；Rk表示第k阶RC网络的电阻值；τk表示第k阶RC网络的时间系数，τk=Rk×Ck，Ck表示第k阶RC网络的电容值；R0表示等效电路的内阻；T表示周期，即公式运算的时间周期。
S2，通过负荷脉冲功率特性测试工况离线实验(hybrid pulse powercharacterization test，HPPC)，获取等效电路模型的模型参数。
所述模型参数包括：R0、R1、τ1、R2、τ2、R3、τ3。
S3，将电池的等效电路模型转换成状态方程，具体如下式所示：
y=Cx；
d(x)=Ax+Bu；
式中，
Figure SMS_7
；/>
Figure SMS_8
；/>
Figure SMS_9
；
Figure SMS_10
；
其中，u表示输入，具体为电池的电流值；x表示输出，具体为等效电路模型的状态值即实际状态值，d(x)为实际状态值x的导数；U1、U2、U3分别为第1阶、第2阶、第3阶RC网络的电压值；SOC为电池的SOC值；y为电池的端电压值即实际端电压；Q表示电池容量；A、B、C均为系数。
S4，建立电池的状态观测器，状态观测器用于输出估计状态值px。将实际状态值x与估计状态值px之间的误差e反馈给状态观测器，通过误差反馈来校正状态观测器。校正的具体方式为：对状态观测器的增益矩阵L进行配置，使得误差e最小化，使得状态观测器输出的估计状态值px逼近实际状态值x，此时配置得到的增益矩阵L即为初始的最优增益矩阵L(0)，基于最优增益矩阵L(0)，状态观测器输出的估计状态值px与实际状态值x之间的误差为e(0)。
本实施例的校正过程中，还可以使得误差e具有合适的衰减率，衰减率是误差不断变小的倍率，衰减率越大，误差变小的速度越快。
状态方程和状态观测器的示意如图3所示。状态观测器的校正即误差反馈***的示意如图4所示。
L为状态观测器的增益矩阵，状态观测器的模型公式具体如下式所示：
d(px)=Apx+Bu+L(y-py)=Apx+Bu+L(y-Cpx)=(A-LC)px+Bu+Ly；
其中，px为状态观测器输出的估计状态值，d(px)为估计状态值px的导数；py为电池的估计端电压，py=Cpx。
根据估计状态值px和实际状态值x，计算误差e，e=x-px，并得到：
d(e)=d(x)-d(px)=Ax+Bu-[(A-LC)px+Bu+Ly]=Ax-(A-LC)px-LCx=(A-LC)e；
其中，e为状态观测器的误差，d(e)为误差e的导数。
由于电池的自身时变参数是随着使用不断变化的，因此状态观测器的增益矩阵L也应随着电池的变化进行自适应调节，从而达到最优的观测效果。
S5，定义自适应因子σ，0≤σ≤1，自适应因子σ的计算方式如下所示：
若abs(e)≤thr，则σ=1/[abs(e)+1]；若abs(e)>thr，则σ=0。
其中，thr为设定的误差上限；abs()为取绝对值函数；e为实际状态值x与估计状态值px之间的误差。
即，若误差e大于设定的误差上限thr，则认为该增益矩阵L不合适，应该舍去并重新配置增益矩阵L；若误差e小于等于设定的误差上限thr，则认为在误差上限thr内，误差e越大表示该增益矩阵L是最优修正的概率越小，且得到的自适应因子σ越小，后续得到的尺度因子λ越大。
定义尺度因子λ，0≤λ≤1，误差e与尺度因子λ成正比，即误差e越大，尺度因子λ越大；尺度因子λ由自适应因子σ计算得到，计算方式为：λ=1-σ。
S6，随着电池的使用变化，不断对状态观测器的增益矩阵L进行迭代优化；其中，第t次迭代的方式为：
以最优增益矩阵L(0)为迭代中心，并用尺度因子λ进行约束，得到第t次迭代的增益矩阵L(t)：
L(t)=L(0)+λ[L(t-1)-L(0)]；
其中，L(t)为第t次迭代的增益矩阵；L(t-1)为上一次即第t-1次迭代的增益矩阵。
将第t次迭代的增益矩阵L(t)代入状态观测器中，计算第t次迭代后的状态观测器输出的估计状态值px与实际状态值x之间的误差e(t)；
若误差e(t)比基于迭代中心即最优增益矩阵L(0)计算得到的误差e(0)更小，即e(t)<e(0)，则将最优增益矩阵L(0)更新为第t次迭代的增益矩阵L(t)，得到更新后的最优增益矩阵L(0)，然后以更新后的最优增益矩阵L(0)为迭代中心，按照步骤S6的方式，继续进行下一次迭代；
否则，不对最优增益矩阵L(0)进行更新，继续以未更新的最优增益矩阵L(0)为迭代中心，按照步骤S6的方式，进行下一次迭代。
在运行过程中不断迭代寻找最优增益矩阵L(0)。
S7，利用步骤S6的迭代过程中实时得到的最优增益矩阵L(0)，代入状态观测器中，实时得到电池的估计状态值px。
本发明中，在误差e偏大时，得到的自适应因子σ较小，尺度因子λ变大，相当于邻域搜索步伐大，以提高搜索速度；在误差e偏小时，得到的自适应因子σ较大，尺度因子λ变小，相当于邻域搜索步伐变小，以提高搜索精度。
本发明引入基于误差的动态自适应估算方法，在不断的迭代更新过程中，使得增益矩阵的选择过程和寻优过程都随电池的变化不断进行自动调整，提高电池状态的估计速度和估计精度。
本发明根据电池的温度、电流及电压特性，建立电池单体或电池模组的多阶RC电路模型，根据电池的动态实验数据，建立电池的状态观测器，并在运行过程中在线使用递归最小二乘法辨识，识别电芯老化后阻值变化或异常后的电池等效参数，进行不断迭代更新，使用自适应修正，实时根据电池实际端电压与估计端电压的差异，动态自适应的调节状态观测器的增益矩阵，对电池的SOC估算进行迭代快速修正，在短时间内快速收敛。
本发明的动态自适应估算方法适合电动车这类充放电随机、电流电压均剧烈波动的应用，结合高精度的SOC-OCV曲线，且多尺度地考虑了温度、电流、电池内阻、总容量、传感器漂移等多方面的影响因素，并通过实际端电压与估计端电压的误差反馈进行状态观测器的自适应修正，实时对状态观测器的增益矩阵进行迭代优化，实现SOC的高精度估算，同时具有更强的稳定性和收敛性，即使SOC误差较大时，SOC估算值也能短时间内快速收敛，即SOC误差越大，反馈修正的值就越大，修正的速度就越大，不仅能达到较高的精度，还具有较高鲁棒性和稳定性。
基于本发明的一种动态自适应估算电池SOC的方法，能够进一步提升SOC估算精度，将全工况全寿命的SOC估算精度提升到±2%以内。显著减少因SOC估算不准导致的行驶中趴车，甚至过充过放、寿命缩减等问题，提升客户满意度和用户使用体验，提高产品竞争力。本发明能够将SOC估算精度修正在2%以内，目前同领域的国内外现有技术仅能将SOC估算精度修正在5%-3%的范围内，相比于国内外现有技术，本发明的SOC估算精度至少提升了33%，计算方式为(3%-2%)/3%=33%。
本发明中的相关英文简称词语的含义说明如下所示：
BMS指电池管理***。
SOC是指电池的荷电状态，用来反映电池的剩余容量，其数值上定义为电池的剩余容量占电池总容量的比值。
DOD是指电池的放电深度，其数值上定义为电池的放电量占电池总容量的比值。
Uocv指电池的开路电压值。
SOC-OCV曲线指电池的SOC值与电池的开路电压值之间的关系曲线。
Uocv(SOC)指电池的SOC值所对应的开路电压值。
RC网络指电阻器、电容器组成的电路网络。
以上仅为本发明创造的较佳实施例而已，并不用以限制本发明创造，凡在本发明创造的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明创造的保护范围之内。

Claims (7)

1.一种动态自适应估算电池SOC的方法，其特征在于，包括以下步骤：
S1，建立电池的等效电路模型；
S2，获取等效电路模型的模型参数；
S2，将等效电路模型转换成状态方程，根据模型参数得到电池的实际状态值x；
S4，建立电池的状态观测器，状态观测器用于输出电池的估计状态值px，并将实际状态值x与估计状态值px之间的误差e反馈给状态观测器，用于对状态观测器进行校正；校正的具体方式为：对状态观测器的增益矩阵L进行配置，使得误差e最小化，此时配置得到的增益矩阵L即为初始的最优增益矩阵L(0)，基于最优增益矩阵L(0)，状态观测器输出的估计状态值px与实际状态值x之间的误差为e(0)；
S5，定义尺度因子λ，误差e与尺度因子λ成正比，即误差e越大，尺度因子λ越大，0≤λ≤1；
S6，随着电池的使用变化，不断对状态观测器的增益矩阵L进行迭代优化；其中，第t次迭代的方式为：
以最优增益矩阵L(0)为迭代中心，并用尺度因子λ进行约束，得到第t次迭代的增益矩阵L(t)：
L(t)=L(0)+λ[L(t-1)-L(0)]；
其中，L(t)为第t次迭代的增益矩阵；L(t-1)为上一次即第t-1次迭代的增益矩阵；
将第t次迭代的增益矩阵L(t)代入状态观测器中，计算第t次迭代后的状态观测器输出的估计状态值px与实际状态值x之间的误差e(t)；
若误差e(t)比基于迭代中心即最优增益矩阵L(0)计算得到的误差e(0)小，即e(t)<e(0)，则将最优增益矩阵L(0)更新为第t次迭代的增益矩阵L(t)，得到更新后的最优增益矩阵L(0)，然后以更新后的最优增益矩阵L(0)为迭代中心，按照步骤S6的方式，继续进行下一次迭代；
否则，不对最优增益矩阵L(0)进行更新，继续以未更新的最优增益矩阵L(0)为迭代中心，按照步骤S6的方式，进行下一次迭代；
S7，利用步骤S6的迭代过程中实时得到的最优增益矩阵L(0)，代入状态观测器中，实时得到电池的估计状态值px。
2.根据权利要求1所述的一种动态自适应估算电池SOC的方法，其特征在于，步骤S1中，电池的等效电路模型，如下式所示：
Figure QLYQS_1
；
式中，U(t)表示电池在t时刻的端电压值；Uocv(SOC)为电池的SOC值所对应的开路电压值；R0表示等效电路的内阻；i(t)表示电池在t时刻的电流值；T表示周期，即公式运算的时间周期；Rk表示第k阶RC网络的电阻值；τk表示第k阶RC网络的时间系数；
k为RC网络的阶数标号，表示第k阶RC网络，k=1,2,...,K，等效电路模型共包括K阶RC网络。
3.根据权利要求2所述的一种动态自适应估算电池SOC的方法，其特征在于，步骤S3中，将等效电路模型转换成状态方程，状态方程如下所示：
y=Cx；
d(x)=Ax+Bu；
式中，
Figure QLYQS_2
；/>
Figure QLYQS_3
；/>
Figure QLYQS_4
；
Figure QLYQS_5
；其中，u表示输入，具体为电池的电流值；x表示输出，具体为等效电路模型的状态值即实际状态值；d(x)为实际状态值x的导数；Uk为第k阶RC网络的电压值，k=1,2,...,K；SOC为电池的SOC值；y为电池的端电压值即实际端电压；Q表示电池容量；A、B、C均为系数。
4.根据权利要求3所述的一种动态自适应估算电池SOC的方法，其特征在于，步骤S4中，状态观测器的模型公式如下所示：
d(px)=Apx+Bu+L(y-py)=Apx+Bu+L(y-Cpx)=(A-LC)px+Bu+Ly；
其中，px为状态观测器输出的估计状态值，d(px)为估计状态值px的导数；py为电池的估计端电压，py=Cpx。
5.根据权利要求4所述的一种动态自适应估算电池SOC的方法，其特征在于，步骤S4中，实际状态值x与估计状态值px之间的误差e=x-px，得到：
d(e)=d(x)-d(px)=Ax+Bu-[(A-LC)px+Bu+Ly]=Ax-(A-LC)px-LCx=(A-LC)e；
其中，e为状态观测器的误差，d(e)为误差e的导数。
6.根据权利要求2或3所述的一种动态自适应估算电池SOC的方法，其特征在于，步骤S2中，通过实验获取等效电路模型的模型参数；模型参数包括：等效电路的内阻R0，等效电路中第k阶RC网络的电阻Rk，等效电路中第k阶RC网络的时间系数τk。
7.根据权利要求1所述的一种动态自适应估算电池SOC的方法，其特征在于，步骤S5中，定义自适应因子σ，0≤σ≤1，自适应因子σ的计算方式如下所示：
若abs(e)≤thr，则σ=1/[abs(e)+1]；
若abs(e)>thr，则σ=0；
其中，thr为设定的误差上限；abs()为取绝对值函数；e为实际状态值x与估计状态值px之间的误差；
尺度因子λ=1-σ。
CN202310498571.1A 2023-05-06 2023-05-06 一种动态自适应估算电池soc的方法 Active CN116224099B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310498571.1A CN116224099B (zh) 2023-05-06 2023-05-06 一种动态自适应估算电池soc的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310498571.1A CN116224099B (zh) 2023-05-06 2023-05-06 一种动态自适应估算电池soc的方法

Publications (2)

Publication Number Publication Date
CN116224099A true CN116224099A (zh) 2023-06-06
CN116224099B CN116224099B (zh) 2023-07-21

Family

ID=86571658

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310498571.1A Active CN116224099B (zh) 2023-05-06 2023-05-06 一种动态自适应估算电池soc的方法

Country Status (1)

Country Link
CN (1) CN116224099B (zh)

Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH04218719A (ja) * 1991-03-29 1992-08-10 Nippon Telegr & Teleph Corp <Ntt> 状態観測方法
JPH08129420A (ja) * 1994-11-02 1996-05-21 Nippon Telegr & Teleph Corp <Ntt> トンネルロボットの方向・位置制御装置及びｎ次元線形離散時間系確率モデルの構成方法
US20090048793A1 (en) * 2004-07-23 2009-02-19 Eberhard Schoch State and parameter estimator having integral and differential components for electrical energy accumulators
CN205898985U (zh) * 2016-07-15 2017-01-18 南京航空航天大学 一种纯电动汽车用动力锂电池soc估计***
CN108594135A (zh) * 2018-06-28 2018-09-28 南京理工大学 一种用于锂电池均衡充放电控制的soc估算方法
JP2018163395A (ja) * 2017-03-24 2018-10-18 富士通株式会社 制御方法、制御装置及び制御プログラム
CN108872865A (zh) * 2018-05-29 2018-11-23 太原理工大学 一种防滤波发散的锂电池soc估算方法
JP2019132666A (ja) * 2018-01-30 2019-08-08 プライムアースＥｖエナジー株式会社 組電池の状態推定装置及び組電池の状態推定方法
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
CN111812530A (zh) * 2020-06-22 2020-10-23 南京邮电大学 一种锂电池荷电状态估测方法
CN111830418A (zh) * 2020-07-09 2020-10-27 南京航空航天大学 一种考虑软包电池外部环境影响的soc估计方法
CN112310991A (zh) * 2020-11-30 2021-02-02 上海海事大学 基于扰动观测的储能变换器改进有限集模型预测控制方法
KR20210133744A (ko) * 2020-04-29 2021-11-08 한국전력공사 외란 추정 장치 및 방법
CN113702838A (zh) * 2021-08-27 2021-11-26 四川长虹电源有限责任公司 基于扰动观测器的锂离子电池荷电状态估算方法
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
CN114910796A (zh) * 2022-05-31 2022-08-16 上海电机学院 基于miaukf算法的锂离子电池荷电状态估计方法
CN115902647A (zh) * 2023-02-23 2023-04-04 新乡医学院 一种电池状态智能监测方法

Patent Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH04218719A (ja) * 1991-03-29 1992-08-10 Nippon Telegr & Teleph Corp <Ntt> 状態観測方法
JPH08129420A (ja) * 1994-11-02 1996-05-21 Nippon Telegr & Teleph Corp <Ntt> トンネルロボットの方向・位置制御装置及びｎ次元線形離散時間系確率モデルの構成方法
US20090048793A1 (en) * 2004-07-23 2009-02-19 Eberhard Schoch State and parameter estimator having integral and differential components for electrical energy accumulators
CN205898985U (zh) * 2016-07-15 2017-01-18 南京航空航天大学 一种纯电动汽车用动力锂电池soc估计***
JP2018163395A (ja) * 2017-03-24 2018-10-18 富士通株式会社 制御方法、制御装置及び制御プログラム
JP2019132666A (ja) * 2018-01-30 2019-08-08 プライムアースＥｖエナジー株式会社 組電池の状態推定装置及び組電池の状態推定方法
CN108872865A (zh) * 2018-05-29 2018-11-23 太原理工大学 一种防滤波发散的锂电池soc估算方法
CN108594135A (zh) * 2018-06-28 2018-09-28 南京理工大学 一种用于锂电池均衡充放电控制的soc估算方法
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
KR20210133744A (ko) * 2020-04-29 2021-11-08 한국전력공사 외란 추정 장치 및 방법
CN111812530A (zh) * 2020-06-22 2020-10-23 南京邮电大学 一种锂电池荷电状态估测方法
CN111830418A (zh) * 2020-07-09 2020-10-27 南京航空航天大学 一种考虑软包电池外部环境影响的soc估计方法
CN112310991A (zh) * 2020-11-30 2021-02-02 上海海事大学 基于扰动观测的储能变换器改进有限集模型预测控制方法
CN113702838A (zh) * 2021-08-27 2021-11-26 四川长虹电源有限责任公司 基于扰动观测器的锂离子电池荷电状态估算方法
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
CN114910796A (zh) * 2022-05-31 2022-08-16 上海电机学院 基于miaukf算法的锂离子电池荷电状态估计方法
CN115902647A (zh) * 2023-02-23 2023-04-04 新乡医学院 一种电池状态智能监测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
SHIPENG LI 等: "A state-of-charge uniformity control method for energy storage batteries based on distributed cooperative control", 《2021 CHINA AUTOMATION CONGRESS (CAC)》 *
叶丽华 等: "IPSO-EKF融合算法的SOC估算研究", 《重庆理工大学学报(自然科学)》, vol. 35, no. 12 *

Also Published As

Publication number Publication date
CN116224099B (zh) 2023-07-21

Similar Documents

Publication Publication Date Title
CN106918789B (zh) 一种soc-soh联合在线实时估计和在线修正方法
CN110221222B (zh) 电池安全截止电压预测方法、装置及电池管理***
CN107368619B (zh) 一种扩展卡尔曼滤波soc估算方法
CN111007399B (zh) 基于改进生成对抗网络的锂电池荷电状态预测方法
CN105425153B (zh) 一种估计电动车辆的动力电池的荷电状态的方法
CN109633479B (zh) 基于嵌入式容积卡尔曼滤波的锂电池soc在线估算方法
CN111913109B (zh) 一种电池峰值功率的预测方法及装置
CN114355211A (zh) 一种锂离子动力电池剩余电量估计方法
CN112557906A (zh) 一种动力电池全生命周期内soc和容量在线联合估计方法
CN112858920B (zh) 一种基于自适应无迹卡尔曼滤波的全钒液流电池融合模型的soc估算方法
CN116113837A (zh) 用于估计电池的荷电状态的方法
CN114371408B (zh) 电池荷电状态的估算方法、充电曲线的提取方法及装置
CN111914485B (zh) 一种基于分数阶技术的自适应动力电池soc估计方法及***
CN112327183A (zh) 一种锂离子电池soc估算方法和装置
CN112462282A (zh) 基于机理模型的用于确定电池组实时荷电状态的方法
Goh et al. Successive-approximation algorithm for estimating capacity of Li-ion batteries
CN113011012A (zh) 一种基于Box-Cox变化的储能电池剩余寿命预测方法
CN114217234B (zh) 一种基于ide-asrckf的锂离子电池参数辨识与soc估计方法
CN106772097B (zh) 一种利用充电机矫正soc的方法
CN112147514A (zh) 基于rls的锂电池全工况自适应等效电路模型
CN115656838A (zh) 一种基于布谷鸟算法的电池soc估算方法
Baba et al. State of charge estimation of lithium-ion battery using Kalman filters
Bobobee et al. Improved fixed range forgetting factor-adaptive extended Kalman filtering (FRFF-AEKF) algorithm for the state of charge estimation of high-power lithium-ion batteries
CN112881918A (zh) 一种铅酸电池soc估计方法
CN116224099B (zh) 一种动态自适应估算电池soc的方法

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