CN117092539A - 一种锂电池末端局部soc动态校准方法、装置和*** - Google Patents
一种锂电池末端局部soc动态校准方法、装置和*** Download PDFInfo
- Publication number
- CN117092539A CN117092539A CN202310913903.8A CN202310913903A CN117092539A CN 117092539 A CN117092539 A CN 117092539A CN 202310913903 A CN202310913903 A CN 202310913903A CN 117092539 A CN117092539 A CN 117092539A
- Authority
- CN
- China
- Prior art keywords
- battery
- soc
- voltage
- cluster
- terminal
- 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
- 238000000034 method Methods 0.000 title claims abstract description 71
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 35
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 35
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 41
- 238000001914 filtration Methods 0.000 claims abstract description 25
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 12
- 239000000178 monomer Substances 0.000 claims description 11
- 230000004044 response Effects 0.000 claims description 9
- 239000003990 capacitor Substances 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 6
- 238000007621 cluster analysis Methods 0.000 claims description 6
- 230000002349 favourable effect Effects 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 14
- 238000003860 storage Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000036755 cellular response Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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]
- G01R31/389—Measuring internal impedance, internal conductance or related 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]
- G01R31/3644—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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
- G01R31/387—Determining ampere-hour charge capacity or SoC
- G01R31/388—Determining ampere-hour charge capacity or SoC involving voltage measurements
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明实施例提供一种锂电池末端局部SOC动态校准方法、装置和***,属于电池技术领域。所述方法包括:获取各单体电池在不同温度下的参数,以得到在不同温度下的电池模型参数表,用于卡尔曼滤波算法估计电池SOC;判断所述单体电池是否进入电池末端;在所述单体电池进入电池末端时,通过卡尔曼滤波算法估计所述电池SOC。该方法可以在电池末端应用卡尔曼滤波算法,有利于减小累计误差,使得算法结果不易发散,提高电池SOC估计值的准确性。
Description
技术领域
本发明涉及电池技术领域,具体地涉及一种锂电池末端局部SOC动态校准方法、装置和***
背景技术
近年来电动汽车及相关技术飞速发展。电池荷电状态的估计(State-of-Charge,SOC)是电池管理***的重要组成部分,准确的SOC估计有利于充分发挥电池***的动力性能、防止动力电池过充和过放、保障动力电池的使用寿命和使用过程中的安全性。
目前常用的的SOC估计方法有安时积分法、开路电压法、神经网络法及卡尔曼滤波法。其中,安时积分法成本较低、实现方法简单,但是需要借助其他方法确定SOC初始值且由于电流的测量误差,长时间运行会造成较大的累积误差;开路电压法将电动汽车长时间静置后的端电压作为开路电压,通过开路电压与SOC的对应关系确定校准值,在实际运行过程中难以实现动态估算;神经网络属于人工智能领域,通过大量的训练数据获得输入与输出的映射关系,动力电池作为复杂的非线性***采用神经网络的方法估算SOC,可以实现较高的精度,但是由于计算复杂且需要大量的数据存储空间,在单片机上难以实现;卡尔曼滤波法估计SOC以电池等效电路模型为基础,通过***状态方程计算出SOC估计值,再根据当前电压测量值对估计值进行修正,实现对***状态做出最小方差估计的过程。利用卡尔曼滤波法估算电池运行全过程的SOC时,可能会出现误差累计的情况,使得算法结果发散,SOC的估算准确性可能不足。
发明内容
本发明实施例的目的是提供一种锂电池末端局部SOC动态校准方法、装置和***,该方法可以在电池末端应用卡尔曼滤波算法,有利于减小累计误差,使得算法结果不易发散,提高电池SOC估计值的准确性。
为了实现上述目的,一方面,本发明实施例提供一种锂电池末端局部SOC动态校准方法,所述方法包括:
获取各单体电池在不同温度下的参数,以得到在不同温度下的电池模型参数表,用于卡尔曼滤波算法估计电池SOC;
判断所述单体电池是否进入电池末端;
在所述单体电池进入电池末端时,通过卡尔曼滤波算法估计所述电池SOC。
可选的,所述获取各单体电池在不同温度下的参数,以得到在不同温度下的电池模型参数表,用于卡尔曼滤波算法估计电池SOC包括:
获取各单体电池在预设温度下电池的HPPC试验数据,并建立各单体电池的二阶RC等效电路模型;
获取HPPC脉冲数据的温度、电流、电压及时间;
根据在一定温度下所述单体电池的电流随时间的变化趋势识别SOC断点;
根据所述SOC断点划分数据子集,所述数据子集包括与所述SOC断点对应的温度、电流、电压及时间;
在每个所述数据子集中对电池响应状态曲线进行数据拟合,以得到不同电池SOC对应的电池参数;
将静置一定时间得到的端电压作为当前电池SOC对应的开路电压;
对开路电压和电池SOC的函数关系进行n阶多项式拟合;
汇总得到各单体电池在不同温度下的模型参数随电池SOC变化的参数表和OCV-SOC函数关系。
可选的,所述在每个所述数据子集中对电池响应状态曲线进行数据拟合,以得到不同电池SOC对应的电池参数包括:
将所述单体电池响应状态曲线进行数据拟合;
获取在拟合曲线中所述单体电池的相邻的两个SOC断点;
获取相邻的两个SOC断点对应的电压参数,根据公式(1)获取单体电池的欧姆内阻:
其中,R0表示欧姆内阻,VA表示第一断点对应的高电压,VB表示第一断点对应的低电压,VD表示第二断点对应的高电压,VC表示第二断点对应的低电压,I表示单体电池的电流;
极化所述单体电池对应的二阶RC等效电路模型中的第一电阻、第二电阻、第一电容和第二电容;
根据所述单体电池的参数并通过公式(2)得到所述拟合曲线中后半段曲线的函数关系:
其中,UL为等效电压,Uoc为开路电压,R1为第一电阻,R2为第二电阻,C1为第一电容,C2为第二电容,t为时间。
可选的,所述判断所述单体电池是否进入电池末端包括:
按照等时间间隔采集所述电流、所述个单体电池的端电压和温度;
以所述端电压为数据特征,对所述各个单体电池进行聚类分析,从而确定表征动力电池组SOC的单体簇;
获取所述单体簇中最小的簇电压;
判断所述簇电压是否小于等于预设阈值;
当所述簇电压小于等于所述预设阈值时,则获取该簇电压对应的单体簇内的单体号,并确定进入电池末端。
可选的,所述判断所述单体电池是否进入电池末端包括:
当所述簇电压大于所述预设阈值时,返回按照等时间间隔采集所述电流、所述个单体电池的端电压和温度的步骤。
可选的,所述以所述端电压为数据特征,对所述各个单体电池进行聚类分析,从而确定表征动力电池组SOC的单体簇包括:
获取电池组中的端电压的单体电压最大值、单体电压最小值以及所述单体电压最大值和单体电压最小值的平均值作为3个簇中心的初值;
遍历所有所述端电压,计算每个所述单体电池的端电压与各个簇中心的距离;
将所述单体电池分配至与其端电压距离最近的所述簇中心;
判断所述簇中心是否发生改变;
当所述簇中心没有发生变化时,对各簇内的单体电池取端电压的均值表示该簇的簇电压,并记录簇内的单体号。
可选的,所述以所述端电压为数据特征,对所述各个单体电池进行聚类分析,从而确定表征动力电池组SOC的单体簇包括:
当所述簇中心发生变化时,将每个所述簇中心更新为所分配的单体电池的电压的平均值,然后返回执行遍历所有所述端电压,计算每个所述单体电池的端电压与各个簇中心的距离的步骤。
可选的,所述在所述单体电池进入电池末端时,通过卡尔曼滤波算法估计所述电池SOC包括:
获取最小的簇电压对应的单体号,以获取相应的所述单体电池和相应的参数表;
根据所述单体电池的参数作为输入状态量和所述单体电池对应的二阶RC等效电路方程作为输出方程,设定初始状态估计值并通过前验估计得到误差协方差预估矩阵;
得到卡尔曼增益矩阵;
更新状态量和误差协方差矩阵,通过卡尔曼滤波算法估计得到最小的簇电压中的各单体电池的电池SOC,取最小值作为卡尔曼滤波算法的估计值;
对比当前表显SOC和所述电池SOC的估计值并修正。
另一方面,本发明还提供一种锂电池末端局部SOC动态校准装置,所述装置包括处理器,所述处理器被配置为执行如上述所述的一种锂电池末端局部SOC动态校准方法。
在一方面,本发明还提供一种锂电池末端局部SOC动态校准***,所述***包括:
锂电池组;
如上述所述的一种锂电池末端局部SOC动态校准装置。
通过上述技术方案,本发明提供的一种锂电池末端局部SOC动态校准方法、装置和***,通过获取各单体电池在不同温度下的参数,以得到在不同温度下的电池模型参数表,该电池模型参数表可以用于卡尔曼滤波算法估计电池SOC,可以判断单体电池是否进入到电池末端。当该单体电池进入到电池末端时,可以通过卡尔曼滤波算法估计单体电池的电池SOC。因为该卡尔曼滤波算法是在该单体电池进入电池末端时进行电池SOC估计,有利于减小累计误差,使得算法结果不易发散,提高电池SOC估计值的准确性。
本发明实施例的其它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发明实施例的进一步理解,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发明实施例,但并不构成对本发明实施例的限制。在附图中:
图1是根据本发明的一个实施方式的一种锂电池末端局部SOC动态校准方法的流程图;
图2是根据本发明的一个实施方式的一种锂电池末端局部SOC动态校准方法的获取单体电池的参数的第一流程图;
图3是根据本发明的一个实施方式的一种锂电池末端局部SOC动态校准方法的获取单体电池的参数的第二流程图;
图4是根据本发明的一个实施方式的一种锂电池末端局部SOC动态校准方法的判断是否进入电池末端的流程图;
图5是根据本发明的一个实施方式的一种锂电池末端局部SOC动态校准方法的确定单体簇的流程图;
图6是根据本发明的一个实施方式的一种锂电池末端局部SOC动态校准方法的估算电池SOC的流程图;
图7是根据本发明的一个实施方式的一种锂电池末端局部SOC动态校准方法的二阶RC等效电路模型;
图8是根据本发明的一个实施方式的一种锂电池末端局部SOC动态校准方法的HPPC实验数据及部分子数据集;
图9是根据本发明的一个实施方式的一种锂电池末端局部SOC动态校准方法的最小的簇电压的单体簇内某一单体电池的SOC的估计结果;
图10是根据本发明的一个实施方式的一种锂电池末端局部SOC动态校准方法的最小的簇电压的单体簇内某一单体电池的SOC的估计结果--初始误差10%。
具体实施方式
以下结合附图对本发明实施例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发明实施例,并不用于限制本发明实施例。
图1是根据本发明的一个实施方式的一种锂电池末端局部SOC动态校准方法的流程图。在本发明中,校准该电池SOC的流程可以包括:
在步骤S1中,获取各单体电池在不同温度下的参数,以得到在不同温度下的电池模型参数表,用于卡尔曼滤波算法估计电池SOC。
在步骤S2中,判断单体电池是否进入电池末端。
在步骤S3中,在单体电池进入电池末端时,通过卡尔曼滤波算法估计电池SOC。
在本申请中,该对单体电池进行电池板SOC预测时,可以分为实验阶段和在线运行阶段,在试验阶段可以通过多次重复的试验获取单体电池的各项参数,然后在判断单体电池进入电池末端时,可以通过试验阶段获取的电池的参数对电池SOC进行估计。在将试验阶段,可以获取各个单体电池在不同温度下的参数,从而可以得到在不同温度下的电池模型参数表,该电池模型参数表可以用于卡尔曼滤波算法估计单体电池的电池SOC。然后可以判断单体电池是否进入到电池末端。当单体电池进入到电池末端时,此时可以通过卡尔曼滤波算法估计单体电池的电池SOC。因为在判断单体电池进入到电池末端时采用卡尔曼滤波算法估计电池SOC,此时采用卡尔曼滤波算法的校准效果更好,有利于减小累计误差,使得算法结果不易发散,进而可以提高电池SOC估计值的准确性。
在本发明的一个实施方式中,如图2所示,获取单体电池的参数的第一流程可以包括:
在步骤S4中,获取各单体电池在预设温度下电池的HPPC试验数据,并建立各单体电池的二阶RC等效电路模型。
在步骤S5中,获取HPPC脉冲数据的温度、电流、电压及时间。
在步骤S6中,根据在一定温度下单体电池的电流随时间的变化趋势识别SOC断点。
在步骤S7中,根据SOC断点划分数据子集,数据子集包括与SOC断点对应的温度、电流、电压及时间。
在步骤S8中,在每个数据子集中对电池响应状态曲线进行数据拟合,以得到不同电池SOC对应的电池参数。
在步骤S9中,将静置一定时间得到的端电压作为当前电池SOC对应的开路电压。
在步骤S10中,对开路电压和电池SOC的函数关系进行n阶多项式拟合。
在步骤S11中,汇总得到各单体电池在不同温度下的模型参数随电池SOC变化的参数表和OCV-SOC函数关系。
在本发明中,在试验阶段可以通过各项试验获取各单体电池的参数,从而可以将单体电池的参数带入到后续的电池SOC估计方法中,以估计电池SOC。在获取单体电池的参数时,可以通过HPPC试验获取各个单体电池在预设温度下的电池的HPPC试验数据,并且可以建立各个单体电池的二阶RC等效电路模型,如图7所示。通过建立二阶RC等效电路模型,然后通过二阶RC等效电路模型的方程可以得到需要的各个单体电池的参数。在进行HPPC试验后,可以获取HPPC脉冲数据的温度、电流、电压和时间。将各个单体电池的参数统计入随时间变化的表中,可以得到在一定温度下单体电池的各项参数随时间变化的趋势,单体电池的电流不是一成不变的,电流可能会突然拔高或者突然降低,因此可以根据在一定温度下单体电池的电流随时间的趋势识别SOC断点。两个SOC断点之间可以是一个趋势,在该趋势范围内,电流的变化相较于其余部分的电流变化更为剧烈,因此,在SOC断点处可以出现顶点和谷底。在得到SOC断点后,可以根据SOC断点划分数据子集,划分的数据子集可以包括SOC断点对应的温度、电流、电压和时间。在得到数据子集后,可以在每个数据子集中对电池响应状态曲线进行数据拟合,如图8所示,从而得到不同的电池SOC对应的电池参数。在得到电池参数后,可以将静置一定时间的单体电池的端电压作为当前电池SOC对应的开路电压,然后可以将开路电路和电池SOC的函数关系进行n阶多项式拟合,从而可以得到OCV-SOC函数关系。在得到各项单体电池的各项参数后,可以汇总得到各个单体电池在不同温度下的模型参数随电池SOC变化的参数表和OVC-SOC函数关系,从而可以为后续的电池SOC估计做准备。
在本发明的一个实施方式中,如图3所示,获取单体电池的参数的第二流程可以包括:
在步骤S12中,将所述单体电池响应状态曲线进行数据拟合。
在步骤S13中,获取在拟合曲线中所述单体电池相邻的两个SOC断点。
在步骤S14中,获取相邻的两个SOC断点对应的电压参数,根据公式(1)获取单体电池的欧姆内阻:
其中,R0表示欧姆内阻,VA表示第一断点对应的高电压,VB表示第一断点对应的低电压,VD表示第二断点对应的高电压,VC表示第二断点对应的低电压,I表示单体电池的电流。
在步骤S15中,极化所述单体电池对应的二阶RC等效电路模型中的第一电阻、第二电阻、第一电容和第二电容。
在步骤S16中,根据所述单体电池的参数并通过公式(2)得到所述拟合曲线中后半段曲线的函数关系:
其中,UL为等效电压,Uoc为开路电压,R1为第一电阻,R2为第二电阻,C1为第一电容,C2为第二电容,t为时间。
在本发明中,在将单体电池响应状态曲线进行数据拟合后,可以获取在拟合曲线中单体电池的相邻的两个SOC断点,如图8所示,可以获取相邻的两个SOC断点对应的电压参数,然后可以根据公式1获取单体电池的欧姆内阻。VA表示第一断点对应的高电压,VB表示第一断点对应的低电压,VD表示第二断点对应的高电压,VC表示第二断点对应的低电压,其中VA、VB、VC、VD对应的点均可以在图8中找到。在得到欧姆内阻后,可以极化单体电池对应的二阶RC等效电路模型中的第一电阻、第二电阻、第一电容和第二电容。然后可以通过该单体电池的参数并且可以通过公式(2)得到拟合曲线中后半段曲线的函数关系,如图8中DE段函数关系可以通过公式(2)表示。通过上述方法可以得到单体电池的各项参数,以便于后续的电池SOC估计。
在本发明的一个实施方式中,如图4所示,判断是否进入电池末端的流程可以包括:
在步骤S17中,按照等时间间隔采集电流、个单体电池的端电压和温度。
在步骤S18中,以端电压为数据特征,对各个单体电池进行聚类分析,从而确定表征动力电池组SOC的单体簇。
在步骤S19中,获取单体簇中最小的簇电压。
在步骤S20中,判断簇电压是否小于等于预设阈值。
在步骤S21中,当簇电压小于等于预设阈值时,则获取该簇电压对应的单体簇内的单体号,并确定进入电池末端。
在本发明中,需要在判断单体电池进入电池末端后才会采用卡尔曼滤波算法估计电池SOC,在判断单体电池是否进入到电池末端时,可以按照等时间间隔采集电流、单体电池的端电压和温度。可以以端电压为数据特征,对该各个单体电池进行聚类分析,从而可以确定表征动力电池组SOC的单体簇,相对于单体电池,单体簇可以更好的表征电池组的变化趋势。在得到单体簇后,可以获取所有的单体簇中的最小的簇电压和与其对应的单体簇,该簇电压可以表示该电池组中最早进入电池末端的电压,如果该单体簇的簇电压没有进入到电池末端,则说明该整个电池组可能均未进入到电池末端。因此,在得到单体簇中最小的簇电压和与其对应的单体簇后,可以判断该簇电压是否小于等于该预设阈值,如果可以该簇电压小于等于预设阈值,可以说明该簇电压对应的单体簇可能进入到电池末端,因此可以获取簇电压对应的单体簇内的单体号,以获取该单体簇中的单体电池的各项参数信息。
在本发明中,当簇电压大于预设阈值时,返回步骤S17。
如果单体簇中最小的簇电压大于预设阈值时,可以说明此时该簇电压对应的单体簇可能未进入到电池末端,又因为该簇电压为最低,则其余的簇电压对应的单体簇也不会进入到电池末端,因此可以继续等间隔时间采集电流、端电压和温度,然后再次判断单体簇中最小的簇电压是否小于等于预设阈值。
在本发明的一个实施方式中,如图5所示,确定单体簇的流程可以包括:
在步骤S22中,获取电池组中的端电压的单体电压最大值、单体电压最小值以及单体电压最大值和单体电压最小值的平均值作为3个簇中心的初值。
在步骤S23中,遍历所有端电压,计算每个单体电池的端电压与各个簇中心的距离。
在步骤S24中,将单体电池分配至与其端电压距离最近的簇中心。
在步骤S25中,判断簇中心是否发生改变。
在步骤S26中,当簇中心没有发生变化时,对各簇内的单体电池取端电压的均值表示该簇的簇电压,并记录簇内的单体号。
在本发明中,在对单体电池进行聚类时,单体电池的簇中心可以取3个。单体电池可以分为3类,即端电压较高的单体电池、端电压较低的单体电池和端电压正常的单体电池。可以获取电池组中的端电压的单体电压最大值、单体电压最小值和单体电压最大值和单体电压最小值的平均值作为3个簇中心的初值。在得到簇中心的初值后,可以遍历所有的端电压,计算每个单体电池的端电压与各个簇中心的距离,然后将单体电池分配到与其端电压距离最近的簇中心,从而可以将电池组中的所有的单体电池进行分类。在将单体电池分配后,可以判断分配后的簇中心是否发生变化,如果簇中心没有发生变化时,可以对个簇内的单体电池的取端电压的均值表示该簇的簇电压,并且可以记录该簇内的单体号。在得到各个簇的簇电压后,可以取最小的簇电压进行判断单体电池是否进入到电池末端,然后可以再进行电池SOC的校准。
在本发明中,如图5所示,在簇中心发生变化时,可以进行的步骤包括:
在步骤S27中,当所述簇中心发生变化时,将每个所述簇中心更新为所分配的单体电池的电压的平均值,然后返回执行步骤S23。
当分配后的簇中心发生变化时,可以重新更新新的簇中心,可以将每个簇中心更新为分配后的单体电池的低压的平均值,然后得到新的簇中心,可以再次计算电池组中的所有的单体电池的端电压和新的簇中心的距离,并继续后续的步骤,直到簇中心不再发生变化。
在本发明的一个实施方式中,如图6所示,估算电池SOC的流程可以包括:
在步骤S28中,获取最小的簇电压对应的单体号,以获取相应的单体电池和相应的参数表。
在步骤S29中,根据单体电池的参数作为输入状态量和单体电池对应的二阶RC等效电路方程作为输出方程,设定初始状态估计值并通过前验估计得到误差协方差预估矩阵。
在步骤S30中,得到卡尔曼增益矩阵。
在步骤S31中,更新状态量和误差协方差矩阵,通过卡尔曼滤波算法估计得到最小的簇电压中的各单体电池的电池SOC,取最小值作为卡尔曼滤波算法的估计值。
在步骤S32中,对比当前表显SOC和电池SOC的估计值并修正。
在本发明中,在进行电池SOC估计时,可以获取最小的簇电压对应的单体号,然后可以获取相应的单体电池和相应的参数表。可以将得到的单体电池的参数作为输入状态量,将单体电池对应的二级RC等效电路方程作为输出方程,从而可以设定电池SOC的初始状态估计值,并且可以通过前验估计得到误差协方差预估矩阵,得到卡尔曼增益举证。在进行预估电池SOC时,可以通过安时积分法进行初步预估,然后通过卡尔曼滤波算法进行校正。得到卡尔曼增益矩阵和误差协方差预估矩阵后,可以更新状态量和误差协方差举证,然后可以通过该算法得到最小的簇电压的各个单体电池的电池SOC,然后可以取最小值作为该卡尔曼滤波算法的估计值,并且可以对比当前表显SOC和得到的电池SOC的估计值并进行修正,如图9所示。如果将初始SOC至误差设置为10%,经过局部卡尔曼滤波算法估计后,误差可以收敛至5%以内,如图10所示。
另一方面,本发明可以提供一种锂电池末端局部SOC动态校准装置,该装置可以包括处理器,处理器可以被配置为执行如上述所述的一种锂电池末端局部SOC动态校准方法。
再一方面,本发明还可以提供一种锂电池末端局部SOC动态校准***,该***可以包括:锂电池组,该锂电池组可以为车辆供电。如上述所述的一种锂电池末端局部SOC动态校准装置。
通过上述技术方案,本发明提供的一种锂电池末端局部SOC动态校准方法、装置和***,通过获取各单体电池在不同温度下的参数,以得到在不同温度下的电池模型参数表,该电池模型参数表可以用于卡尔曼滤波算法估计电池SOC,以判断单体电池是否进入到电池末端。当该单体电池进入到电池末端时,可以通过卡尔曼滤波算法估计单体电池的电池SOC。因为该卡尔曼滤波算法是在该单体电池进入电池末端时进行电池SOC估计,有利于减小累计误差,使得算法结果不易发散,提高电池SOC估计值的准确性。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(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)、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、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备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。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种锂电池末端局部SOC动态校准方法,其特征在于,所述方法包括:
获取各单体电池在不同温度下的参数,以得到在不同温度下的电池模型参数表,用于卡尔曼滤波算法估计电池SOC;
判断所述单体电池是否进入电池末端;
在所述单体电池进入电池末端时,通过卡尔曼滤波算法估计所述电池SOC。
2.根据权利要求1所述的方法,其特征在于,所述获取各单体电池在不同温度下的参数,以得到在不同温度下的电池模型参数表,用于卡尔曼滤波算法估计电池SOC包括:
获取各单体电池在预设温度下电池的HPPC试验数据,并建立各单体电池的二阶RC等效电路模型;
获取HPPC脉冲数据的温度、电流、电压及时间;
根据在一定温度下所述单体电池的电流随时间的变化趋势识别SOC断点;
根据所述SOC断点划分数据子集,所述数据子集包括与所述SOC断点对应的温度、电流、电压及时间;
在每个所述数据子集中对电池响应状态曲线进行数据拟合,以得到不同电池SOC对应的电池参数;
将静置一定时间得到的端电压作为当前电池SOC对应的开路电压;
对开路电压和电池SOC的函数关系进行n阶多项式拟合;
汇总得到各单体电池在不同温度下的模型参数随电池SOC变化的参数表和OCV-SOC函数关系。
3.根据权利要求2所述的方法,其特征在于,所述在每个所述数据子集中对电池响应状态曲线进行数据拟合,以得到不同电池SOC对应的电池参数包括:
将所述单体电池响应状态曲线进行数据拟合;
获取在拟合曲线中所述单体电池的相邻的两个SOC断点;
获取相邻的两个SOC断点对应的电压参数,根据公式(1)获取单体电池的欧姆内阻:
其中,R0表示欧姆内阻,VA表示第一断点对应的高电压,VB表示第一断点对应的低电压,VD表示第二断点对应的高电压,VC表示第二断点对应的低电压,I表示单体电池的电流;
极化所述单体电池对应的二阶RC等效电路模型中的第一电阻、第二电阻、第一电容和第二电容;
根据所述单体电池的参数并通过公式(2)得到所述拟合曲线中后半段曲线的函数关系:
其中,UL为等效电压,Uoc为开路电压,R1为第一电阻,R2为第二电阻,C1为第一电容,C2为第二电容,t为时间。
4.根据权利要求2所述的方法,其特征在于,所述判断所述单体电池是否进入电池末端包括:
按照等时间间隔采集所述电流、所述个单体电池的端电压和温度;
以所述端电压为数据特征,对所述各个单体电池进行聚类分析,从而确定表征动力电池组SOC的单体簇;
获取所述单体簇中最小的簇电压;
判断所述簇电压是否小于等于预设阈值;
当所述簇电压小于等于所述预设阈值时,则获取该簇电压对应的单体簇内的单体号,并确定进入电池末端。
5.根据权利要求4所述的方法,其特征在于,所述判断所述单体电池是否进入电池末端包括:
当所述簇电压大于所述预设阈值时,返回按照等时间间隔采集所述电流、所述个单体电池的端电压和温度的步骤。
6.根据权利要求4所述的方法,其特征在于,所述以所述端电压为数据特征,对所述各个单体电池进行聚类分析,从而确定表征动力电池组SOC的单体簇包括:
获取电池组中的端电压的单体电压最大值、单体电压最小值以及所述单体电压最大值和单体电压最小值的平均值作为3个簇中心的初值;
遍历所有所述端电压,计算每个所述单体电池的端电压与各个簇中心的距离;
将所述单体电池分配至与其端电压距离最近的所述簇中心;
判断所述簇中心是否发生改变;
当所述簇中心没有发生变化时,对各簇内的单体电池取端电压的均值表示该簇的簇电压,并记录簇内的单体号。
7.根据权利要求6所述的方法,其特征在于,所述以所述端电压为数据特征,对所述各个单体电池进行聚类分析,从而确定表征动力电池组SOC的单体簇包括:
当所述簇中心发生变化时,将每个所述簇中心更新为所分配的单体电池的电压的平均值,然后返回执行遍历所有所述端电压,计算每个所述单体电池的端电压与各个簇中心的距离的步骤。
8.根据权利要求4所述的方法,其特征在于,所述在所述单体电池进入电池末端时,通过卡尔曼滤波算法估计所述电池SOC包括:
获取最小的簇电压对应的单体号,以获取相应的所述单体电池和相应的参数表;
根据所述单体电池的参数作为输入状态量和所述单体电池对应的二阶RC等效电路方程作为输出方程,设定初始状态估计值并通过前验估计得到误差协方差预估矩阵;
得到卡尔曼增益矩阵;
更新状态量和误差协方差矩阵,通过卡尔曼滤波算法估计得到最小的簇电压中的各单体电池的电池SOC,取最小值作为卡尔曼滤波算法的估计值;
对比当前表显SOC和所述电池SOC的估计值并修正。
9.一种锂电池末端局部SOC动态校准装置,其特征在于,所述装置包括处理器,所述处理器被配置为执行如权利要求1-8任一项所述的一种锂电池末端局部SOC动态校准方法。
10.一种锂电池末端局部SOC动态校准***,其特征在于,所述***包括:
锂电池组;
如权利要求9所述的一种锂电池末端局部SOC动态校准装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310913903.8A CN117092539A (zh) | 2023-07-21 | 2023-07-21 | 一种锂电池末端局部soc动态校准方法、装置和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310913903.8A CN117092539A (zh) | 2023-07-21 | 2023-07-21 | 一种锂电池末端局部soc动态校准方法、装置和*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117092539A true CN117092539A (zh) | 2023-11-21 |
Family
ID=88776140
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310913903.8A Pending CN117092539A (zh) | 2023-07-21 | 2023-07-21 | 一种锂电池末端局部soc动态校准方法、装置和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117092539A (zh) |
-
2023
- 2023-07-21 CN CN202310913903.8A patent/CN117092539A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111707951B (zh) | 一种电池组一致性评估方法及*** | |
CN110988720B (zh) | 电池荷电状态确定方法、装置、管理***以及存储介质 | |
CN109557477B (zh) | 一种电池***健康状态估算方法 | |
CN111679199B (zh) | 一种锂离子电池soc估计方法及装置 | |
CN111736083B (zh) | 一种电池健康状态获取方法及装置、存储介质 | |
US20210173012A1 (en) | Method and system for estimation of open circuit voltage of a battery cell | |
CN112698218B (zh) | 一种电池健康状态获取方法及装置、存储介质 | |
US11073567B2 (en) | Vehicle battery diagnosis method and apparatus | |
CN113219351B (zh) | 动力电池的监控方法及装置 | |
CN112213659B (zh) | 电池容量修正方法及测试*** | |
CN111679200B (zh) | 一种电池荷电状态的校准方法、装置和车辆 | |
CN115327403A (zh) | 基于新能源汽车大数据的动力电池安全性评价方法及装置 | |
CN115248379A (zh) | 一种基于多场景融合的动力电池微短路诊断方法及*** | |
CN108693473B (zh) | 电池健康状态soh的检测方法及装置 | |
CN112816880B (zh) | 电池寿命预测的方法、装置及存储介质 | |
CN112415399B (zh) | 电池单体ocv-soc曲线修正方法、设备及存储介质 | |
CN117368782A (zh) | 数据分析方法、电池soh估算方法及装置 | |
CN112230152B (zh) | 测量单体电芯内阻增量的方法及*** | |
CN114636936B (zh) | 一种铅酸电池充电阶段soc预测曲线的修正方法及装置 | |
CN117092539A (zh) | 一种锂电池末端局部soc动态校准方法、装置和*** | |
CN110850304A (zh) | 一种满充电检测方法、装置和存储介质 | |
US11460513B2 (en) | Assessment of cell group health in a battery pack | |
CN113567864A (zh) | 电池荷电状态的确定方法、装置、计算机设备及存储介质 | |
CN111469712A (zh) | 一种电池均衡方法、装置和车辆 | |
CN114935722B (zh) | 基于数字孪生的锂电池边端协同管理方法 |
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 |