CN117110891A - 锂离子电池荷电状态估计值的计算方法和计算装置 - Google Patents
锂离子电池荷电状态估计值的计算方法和计算装置 Download PDFInfo
- Publication number
- CN117110891A CN117110891A CN202311071246.3A CN202311071246A CN117110891A CN 117110891 A CN117110891 A CN 117110891A CN 202311071246 A CN202311071246 A CN 202311071246A CN 117110891 A CN117110891 A CN 117110891A
- Authority
- CN
- China
- Prior art keywords
- charge
- state
- model
- value
- battery
- 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
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 title claims abstract description 42
- 229910001416 lithium ion Inorganic materials 0.000 title claims abstract description 42
- 238000004364 calculation method Methods 0.000 title claims abstract description 28
- 239000011159 matrix material Substances 0.000 claims abstract description 64
- 238000005259 measurement Methods 0.000 claims abstract description 34
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 32
- 238000001228 spectrum Methods 0.000 claims abstract description 15
- 238000001914 filtration Methods 0.000 claims abstract description 11
- 230000004044 response Effects 0.000 claims abstract description 9
- 238000000034 method Methods 0.000 claims description 45
- 238000003860 storage Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 15
- 238000004422 calculation algorithm Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 12
- 238000012545 processing Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 230000010287 polarization Effects 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 5
- 230000003595 spectral effect Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000009792 diffusion process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000003190 augmentative effect Effects 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000004146 energy storage Methods 0.000 description 2
- 230000008713 feedback mechanism Effects 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000001453 impedance spectrum Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 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]
- G01R31/367—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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Secondary Cells (AREA)
Abstract
本公开提供了锂离子电池荷电状态估计值的计算方法和计算装置，涉及动力电源装设备状态检测领域。一种具体实现方案为：首先，基于锂离子电池的充放电电流‑端电压响应，建立初始电池模型，其次，对初始电池模型添加作用于初始电池模型输出的荷电状态SOC估计值的建模噪声，以及电流测量噪声、电压测量噪声，建立SOC估计模型，最后，对SOC估计模型进行基于矩阵谱分解的中心差分卡尔曼滤波CDFK，计算荷电状态估计值。
Description
技术领域
本公开涉及动力电源装设备状态检测领域，尤其涉及一种锂离子电池荷电状态估计值的计算方法、装置、电子设备及存储介质。
背景技术
锂离子电池因其充放电效率高、功率密度大、自放电率小、循环寿命好等优势,应用广泛。从携行式电子产品的供电电源到新能源电动汽车的动力来源，甚至在大型储能***的储能装备上都有锂离子电池的应用。
在军事蓄电池领域，作为携行装设备的典型供电电源，锂离子电池的占比也在持续增大。但是，锂离子电池是复杂的电化学***，其非线性、时变性等特点，使对其状态检测难度加大，也给供电保障带来巨大的安全隐患。在社会生产实践中，人们重点关注的是锂离子电池的健康状态(state of health,SOH)和荷电状态(state of charge,SOC)。其中，SOC类似于汽车燃油表，直接反映电动汽车或各类型装设备的续航能力。汽车燃油表具有精确的汽油液位传感器，但目前，尚没有可用于测量SOC的传感器。
因此，必须建立精确的电池模型，结合电池电流、电压、温度等测量结果，利用一定的算法来计算SOC的估计值。锂离子电池荷电状态(SOC)估计技术，也是电池管理***(BMS)的重要组成部分，对于军事电源供电保障，具有十分重要的意义。
目前，基于戴维南等效电路模型的卡尔曼滤波算法已广泛应用于锂离子电池SOC估计，但在实践中，由于算法计算量大(涉及大量的矩阵运算)且容易出现病态数据(大数减小数、小数除大数等)，影响了算法的实时性、稳定性与电池状态估计精度，严重时还会造成电池管理***死机。究其原因，常规的以负载电流测量误差作为电池模型唯一过程噪声的建模方式，在同一时间步长内，引入了方差数量级相差巨大的过程噪声与测量噪声(电流测量误差在转换成SOC状态误差方差时，需除以最大容量，在由电流单位mA向容量单位mAh统一时，还需除以3600)，使模型计算过程中出现的协方差矩阵元素间的数量级相差巨大(扩散电流和SOC的估计协方差、SOC的估计方差与测量噪声方差之间相差1010-1014倍)，恶化了数值计算环境。以负载电流测量误差充当电池模型过程噪声，还忽略了由于模型本身的不精确性给SOC估计结果带来的误差。由于卡尔曼滤波法以电池端电压测量值与端电压预测值之差为反馈校正SOC估计结果，当模型的不精确性影响了端电压预测值时，这种反馈校正机制给SOC估计带来的误差也是不能忽视的。此外，在中心差分卡尔曼滤波(centraldifference Kalman filter，CDFK)的协方差矩阵分解步骤中，常用的乔列斯基分解法需要协方差矩阵正定,不适用于电池静置时间较长，用户根据开路电压法可以很有信心地对SOC进行初始化的场景，或者电池已经完成标准充电或核对性放电，SOC可以标定为100％或0％的场景。在此类情景中，电池状态的协方差矩阵为半正定。
发明内容
本公开提供了一种锂离子电池荷电状态估计值的计算方法、装置、电子设备及可读存储介质。
根据本公开的一方面，提供了一种锂离子电池荷电状态估计值的计算方法，包括：
基于锂离子电池的充放电电流-端电压响应，建立初始电池模型；
对所述初始电池模型添加作用于所述初始电池模型输出的荷电状态(State OfCharge，SOC)估计值的建模噪声，和电流测量噪声以及电压测量噪声，建立SOC估计模型；
对所述SOC估计模型进行基于矩阵谱分解的中心差分卡尔曼滤波(centraldifference Kalman filter，CDFK)，计算荷电状态估计值。
可选地，获取锂离子电池在不同荷电状态下的小电流充放电的端电压平均值，建立电池的荷电状态与开路电压的对应关系；
基于电池的荷电状态与开路电压的对应关系，进行所述电池模型的参数辨识，并建立所述初始电池模型。
可选地，对所述SOC估计模型的***状态进行预处理，使增广后的***状态包含噪声；
基于***状态增广后的所述SOC估计模型，在当前采样时刻分别计算SOC估计模型的***状态预测值和***输出预测值；
基于所述***状态预测值和所述***输出预测值，计算所述SOC估计模型对应的卡尔曼增益矩阵，并基于所述卡尔曼增益矩阵、***输出预测值与***输出测量值之差，更新所述***状态预测值和所述***状态预测值对应的协方差矩阵，获得所述***状态估计值和所述***状态估计值对应的协方差矩阵，荷电状态估计值即包含于***状态估计值中；基于更新后的所述***状态估计值和所述***状态估计值对应的协方差矩阵，迭代计算下一时刻的所述荷电状态估计值。
可选地，进一步包括：
对与所述***状态估计值相关的增广后的协方差矩阵进行基于矩阵谱分解的中心差分卡尔曼滤波，并计算下一时刻的所述***状态预测值。
可选地，进一步包括：
对与所述***状态预测值相关的协方差矩阵进行基于矩阵谱分解的中心差分卡尔曼滤波，并计算下一时刻的所述***输出预测值。
根据本公开的再一方面，提供了一种锂离子电池荷电状态估计值的计算装置，包括：
第一模型建立单元，用于基于锂离子电池的充放电电流-端电压响应，建立初始电池模型；
第二模型建立单元，用于对所述初始电池模型添加作用于所述初始电池模型输出的荷电状态(State Of Charge，SOC)估计值的建模噪声，和电流测量噪声以及电压测量噪声，建立SOC估计模型；
计算单元，用于对所述SOC估计模型进行基于矩阵谱分解的中心差分卡尔曼滤波(central difference Kalman filter，CDFK)，计算荷电状态估计值。
可选地，第一模型建立单元还用于：
获取锂离子电池在不同荷电状态下小电流充放电的端电压平均值，建立电池的荷电状态与开路电压的对应关系；
基于电池的荷电状态与开路电压的对应关系，进行所述电池模型的参数辨识，并建立所述初始电池模型。
根据本公开的又一方面，提供了一种电子设备，包括：
至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上所述的方面和任一可能的实现方式的方法。根据本公开的又一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行如上所述的方面和任一可能的实现方式的方法。
根据本公开的又一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现如上所述的方面和任一可能的实现方式的方法。
由上述技术方案可知，本公开实施例通过以建模噪声直接作用于SOC估计值，替代可能造成数值计算环境恶化的电流测量噪声的思路，同时在协方差矩阵分解运算中，使用谱分解代替了需要协方差矩阵严格正定的乔列斯基分解法，消除了在矩阵分解时因为不满足计算条件使算法中止的可能，提高了算法的稳定性，同时，也提升了SOC估计值的精度。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是根据本公开第一实施例的示意图；
图2是根据本公开第一实施例中的建立初始电池模型中的戴维南等效电路模型的示意图；
图3a是根据本公开第一实施例中的电池组动态工况拟合的实验数据的示意图；
图3b是根据本公开第一实施例中的单体电池动态工况拟合的实验数据的示意图；
图4a至图4d是根据本公开第一实施例中的SOC估计模型进行电池组SOC在线估计的效果示意图；
图5a至图5d是根据本公开第一实施例中的SOC估计模型进行单体电池SOC在线估计的效果示意图；
图6是根据本公开第二实施例的示意图；
图7是用来实现本公开实施例的锂离子电池荷电状态估计值的计算方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
显然，所描述的实施例是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的全部其他实施例，都属于本公开保护的范围。
需要说明的是，本公开实施例中所涉及的终端设备可以包括但不限于手机、个人数字助理(Personal Digital Assistant，PDA)、无线手持设备、平板电脑(TabletComputer)等智能设备；显示设备可以包括但不限于个人电脑、电视等具有显示功能的设备。
另外，本文中术语“和/或”，仅仅是一种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这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
针对现有技术中对锂离子电池荷电状态估计值的不精确及计算量大的问题，本公开提供一种实时、高效、稳定的锂离子电池SOC在线估计算法。首先采用电池慢充慢放实验和动态工况实验数据，对锂离子电池进行戴维南等效电路模型参数辨识，建立初始电池模型；然后对初始电池模型施加直接作用于SOC估计值的建模噪声，与电流测量噪声同时作为过程噪声作用于初始电池模型的状态方程，并对输出(端电压)方程添加电压测量噪声，建立含噪声的SOC估计模型；最后，利用基于矩阵谱分解的中心差分卡尔曼滤波(centraldifference Kalman filter，CDFK)对SOC进行实时的在线估计。
图1是根据本公开第一实施例的示意图，如图1所示。
步骤101，基于锂离子电池的充放电电流-端电压响应，建立初始电池模型。
步骤102，对初始电池模型添加作用于初始电池模型输出的荷电状态SOC估计值的建模噪声，和电流测量噪声以及电压测量噪声，建立SOC估计模型。
步骤103，对SOC估计模型进行基于矩阵谱分解的中心差分卡尔曼滤波CDFK，计算荷电状态估计值。
具体地，步骤101中基于锂离子电池的充放电电流-端电压响应，建立初始电池模型的步骤具体包括：
步骤1011，获取锂离子电池在不同荷电状态下小电流充放电的端电压平均值，建立电池的荷电状态与开路电压的对应关系；
其中，利用戴维南等效电路模型以及对应的二阶等效电路模型***离散方程，建立初始电池模型。
图2是根据本公开第一实施例中的建立初始电池模型中的戴维南等效电路模型的示意图。具体地，戴维南等效电路模型是应用较广泛的一种锂离子电池模型，它结合了内阻模型以及阻抗谱模型。图2中的UOC为电池开路电压，R0为电池欧姆内阻，n(这里n＝2)个RC并联电路模拟电池的动态特性，包括电化学极化效应、浓差极化效应。二阶等效电路模型由欧姆内阻及表征电池内部极化反应的两RC回路组成，强化对电池实际电特性的还原，提高了精度，同时保持计算简便性。R1和C1分别为电池电化学极化内阻和电化学极化电容；R2和C2分别为电池浓差极化电阻及浓差极化电容。
在不同温度条件下对锂离子电池进行慢充慢放(电流为25-50小时率)实验，取相应SOC时的端电压平均值(充放电时的极化效应相互抵消)，建立电池的荷电状态SOC与OCV(开路电压)对应关系OCV(z,T)。
步骤1012，基于电池的荷电状态与开路电压的对应关系，进行电池模型的参数辨识，并建立初始电池模型。
利用不同温度下的动态工况实验数据与最小二乘法，辨识二阶等效电路模型参数R0、Rn(n＝1,2)、时间常数τn(n＝1,2,τn＝RnCn)，最大容量Q可以近似地取为电池的额定容量，所带来的SOC估计值误差可以依托卡尔曼滤波算法的反馈机制进行矫正。
二阶等效电路模型***离散方程包括如公式1的状态方程和如公式2的输出方程：
其中，K为***的采样时刻，利用不同温度下的锂离子单体电池动态工况实验数据与最小二乘法，辨识二阶等效电路模型***离散方程中R0、Rn(n＝1,2)、时间常数τn(n＝1,2,τn＝RnCn)，最大容量Q可以近似地取为电池的额定容量，所带来的SOC估计值误差可以依托卡尔曼滤波算法的反馈机制进行矫正。
由前述二阶等效电路模型***离散方程构成初始电池模型。
进一步地，为克服常规的以负载电流测量误差作为电池模型唯一过程噪声的建模方式，在同一时间步长内，引入了方差数量级相差巨大的过程噪声与测量噪声而造成的SOC估计值的误差，在本实施例的一个可能的实现方式中，如步骤102，对初始电池模型添加作用于初始电池模型输出的荷电状态(State Of Charge，SOC)估计值的建模噪声，和电流测量噪声以及电压测量噪声，建立SOC估计模型。
具体地，首先，可以对初始电池模型施加直接作用于SOC估计值结果的建模噪声、对扩散电流产生影响的电流测量噪声、作用于端电压测量结果的电压测量噪声，建立含噪声的SOC估计模型。其中，在如公式1的状态方程和如公式2的输出方程基础上构建如公式3和公式4组成的SOC估计模型：
其中，wz代表直接作用于SOC估计值的建模噪声，wi和v分别为***的电流测量噪声与电压测量噪声，均假设为高斯白噪声，均值为0，且wz、wi和v相互独立。
进一步地，为克服在中心差分卡尔曼滤波(central difference Kalman filter，CDFK)的协方差矩阵分解步骤中，常用的乔列斯基分解法需要协方差矩阵正定,不适用于电池静置时间较长的场景的问题，在本实施例的一个可能的实现方式中，如步骤103，对SOC估计模型进行基于矩阵谱分解的中心差分卡尔曼滤波(central difference Kalmanfilter，CDFK)，并计算荷电状态估计值。
可选地，步骤1031，对SOC估计模型进行***状态预处理；
具体地，先对SOC估计模型的***状态进行增广，如(5)。
这里，w[k]＝[wz[k]wi[k]]T为过程噪声向量。
基于此，SOC估计模型可以改写为如公式(6)和公式(7)的表达：
x[k]＝f(xa[k-1],i[k-1]) 公式(6)
y[k]＝g(xa[k],i[k]) 公式(7)
步骤1032，基于***状态预处理后的SOC估计模型，在当前采样时刻分别计算SOC估计模型的***状态预测值和***输出预测值；
步骤1033，基于***状态预测值和***输出预测值，计算SOC估计模型对应的卡尔曼增益矩阵，并基于卡尔曼增益矩阵、***输出预测值与***输出测量值之差，更新***状态预测值和***状态预测值对应的协方差矩阵，获得***状态估计值和***状态估计值对应的协方差矩阵，荷电状态估计值即包含于***状态估计值中；
可选地，对与***状态估计值相关的协方差矩阵进行基于矩阵谱分解的中心差分卡尔曼滤波，并计算下一时刻的***状态预测值。
可选地，对与***状态预测值相关的协方差矩阵进行基于矩阵谱分解的中心差分卡尔曼滤波，并计算下一时刻的***输出预测值。
可选地，步骤1033-1，预测***状态。
设已知上一采样时刻k-1，***状态x[k-1]的估计值(均值)为估计协方差矩阵为/>由于wz、wi和v互不相关，因此，增广状态xa[k-1]的估计值(均值)、估计协方差矩阵分别为：
其中，过程噪声的协方差矩阵为：
而
其中，公式9协方差矩阵的矩阵谱分解，λ1,n和αn分别为特征值和对应的标准特征向量。构建离散随机变量分布如下：
该离散随机向量变量与xa[k-1]具有相同的一阶和二阶数字特征(均值、协方差矩阵)，可利用其近似替代xa[k-1]向前(下一采样时刻k)推理。因此，根据公式6，下一采样时刻的***状态预测值为：
可选地，步骤1033-2，计算***状态预测值的协方差矩阵。
具体地，采样时刻k的***状态预测值的协方差矩阵为：
可选地，步骤1033-3，预测***的输出。
其中，根据目前的信息，有：
同时引入欧姆内阻自适应机制以跟踪电池老化、外界环境变化对R0产生的影响。当电流的变化大于一阈值时，启动欧姆内阻更新算法。
经滤波，有其中，一般取α＝0.999。当电流的变化没有超过阈值时，对R0不予更新。
按照与公式9相同的方式，对公式12中的协方差矩阵进行矩阵谱分解：
与步骤301中类似地，构建一个离散随机变量与xa[k]具有相同的一阶和二阶数字特征(均值、协方差矩阵)，可利用其近似替代xa[k]向前(下一离散时刻k)推理。
进一步地，根据公式7，预测***输出：
可选地，步骤1033-4，计算卡尔曼增益矩阵Lk
其中，是/>的前3行。
步骤1033-5至1033-6，基于卡尔曼增益矩阵、输出测量值与预测值之差，更新***状态预测值和对应的协方差矩阵，获得***状态估计值(含荷电状态估计值)和***状态估计值对应的协方差矩阵，并迭代计算下一时刻的荷电状态估计值。
其中，步骤1033-5，更新***状态预测值，获得***状态估计值：
可选地，步骤1033-6，更新***状态预测值的协方差矩阵，获得***状态估计值对应的协方差矩阵
令k＝k+1，回到步骤1033-1，重复执行前述步骤，SOC估计模型迭代计算下一时刻的荷电状态估计值。
本公开实施例基于前述方案，在SOC估计模型中引入描述模型不精确性的建模噪声作为过程噪声的一部分，替代对数值计算产生消极影响的负载电流测量噪声，直接作用于SOC估计值，这种改变可以解耦状态向量中的SOC与扩散电流，降低状态协方差矩阵分解运算复杂度，同时可以避免协方差矩阵元素间数量级过于悬殊的情况，改善模型算法的数值计算环境，有利于BMS实时高效运行。而在协方差矩阵分解运算中，采用矩阵谱分解，可以放宽对协方差矩阵的要求(由正定放宽为半正定)，提高***算法的稳定性。
进一步地，在本实施例的一个可能的实现方式中，对以上锂离子电池荷电状态估计值的计算方法进行实验验证，如下所示：
如图3a，描述了本公开第一实施例中的电池组动态工况实验数据的模型拟合效果，如图3b,描述了本公开第一实施例中的单体电池动态工况实验数据的模型拟合效果。其中，以某款汽车动力电池组(8并144串)在室温下进行测试，单体电池为18650型三元锂离子电池，额定电压为3.6V，额定容量为2000mAh。运用最小二乘法对单体电池及电池组进行动态工况下的参数辨识，效果图如图3a和图3b。其中，电池组数据拟合平均绝对误差为2.0909V，单体电池数据拟合平均绝对误差为11.0324mV。
施加建模高斯白噪声即由于建模不精确，在每个采样间隔内，给SOC估计值带来标准差为0.1％的扰动。为了便于计算，实验中忽略电流测量噪声的影响(即)。利用基于矩阵谱分解的CDKF对动力电池组SOC进行实时在线估计，估计效果如图4a-图4d,其中，图4a为电池组验证工况(负载电流)，图4b为电池组验证工况(端电压)，图4c为电池组SOC估计效果图，图4d为电池组SOC估计效果图(动态阶段)。SOC估计值的平均绝对误差为0.6722％。
利用基于矩阵谱分解的CDKF对动力电池组单体电池SOC进行实时在线估计，单体电池出厂后的第41-50循环充放电实验的SOC估计效果如图5a-图5d,其中，图5a为单体电池验证工况(负载电流)，图5b为单体电池验证工况(端电压)，图5c为单体电池SOC估计效果图，图5d为单体电池SOC估计误差。SOC估计值的最大误差为4.32％，SOC估计值的平均绝对误差为1.0968％。
需要说明的是，本公开中前述步骤的执行主体的部分或全部可以为位于本地终端的应用，或者还可以为设置在位于本地终端的应用中的插件或软件开发工具包(SoftwareDevelopment Kit，SDK)等功能单元，或者还可以为位于网络侧服务器中的处理引擎，或者还可以为位于网络侧的分布式***，例如，网络侧的视频处理平台中的处理引擎或者分布式***等，本实施例对此不进行特别限定。
可以理解的是，所述应用可以是安装在本地终端上的本地程序(nativeApp)，或者还可以是本地终端上的浏览器的一个网页程序(webApp)，本实施例对此不进行限定。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本公开并不受所描述的动作顺序的限制，因为依据本公开，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本公开所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
图6是根据本公开第二实施例的示意图，如图6所示。本实施例的锂离子电池荷电状态估计值的计算装置600可以包括第一模型建立单元601、第一模型建立单元602和计算单元603。其中，第一模型建立单元，用于基于锂离子电池的充放电电流-端电压响应，建立初始电池模型；第二模型建立单元，用于对初始电池模型添加作用于初始电池模型输出的荷电状态(State Of Charge，SOC)估计值的建模噪声，和电流测量噪声以及电压测量噪声，建立SOC估计模型；计算单元，用于对SOC估计模型进行基于矩阵谱分解的中心差分卡尔曼滤波(central difference Kalman filter，CDFK)，计算荷电状态估计值。
需要说明的是，本实施例的锂离子电池荷电状态估计值的计算装置的部分或全部可以为位于本地终端的应用，或者还可以为设置在位于本地终端的应用中的插件或软件开发工具包(Software Development Kit，SDK)等功能单元，本实施例对此不进行特别限定。
可以理解的是，所述应用可以是安装在本地终端上的本地程序(nativeApp)，或者还可以是本地终端上的浏览器的一个网页程序(webApp)，本实施例对此不进行限定。
可选地，在本实施例的一个可能的实现方式中，第一模型建立单元还用于：
获取锂离子电池在不同荷电状态下小电流充放电的端电压平均值，建立电池的荷电状态与开路电压的对应关系；
基于电池的荷电状态与开路电压的对应关系，进行电池模型的参数辨识，并建立初始电池模型。
本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图7示出了可以用来实施本公开的实施例的示例电子设备700的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图7所示，电子设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM 703中，还可存储电子设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
电子设备700中的多个部件连接至I/O接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许电子设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理，例如网页相似度模型的计算方法、网页相似度的预测方法。例如，在一些实施例中，网页相似度模型的计算方法、网页相似度的预测方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到电子设备700上。当计算机程序加载到RAM 703并由计算单元701执行时，可以执行上文描述的网页相似度模型的计算方法、网页相似度的预测方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行网页相似度模型的计算方法、网页相似度的预测方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的***和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如，作为数据服务器)、或者包括中间件部件的计算***(例如，应用服务器)、或者包括前端部件的计算***(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将***的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式***的服务器，或者是结合了区块链的服务器。
Claims (10)
1.一种锂离子电池荷电状态估计值的计算方法，包括：
基于锂离子电池的充放电电流-端电压响应，建立初始电池模型；
对所述初始电池模型添加作用于所述初始电池模型输出的荷电状态SOC估计值的建模噪声，和电流测量噪声以及电压测量噪声，建立SOC估计模型；
对所述SOC估计模型进行基于矩阵谱分解的中心差分卡尔曼滤波CDFK，计算荷电状态估计值。
2.根据权利要求1所述的计算方法，其中，所述基于锂离子电池的充放电电流-端电压响应，建立初始电池模型的步骤，包括：
获取锂离子电池在不同荷电状态下的小电流充放电的端电压平均值，建立电池的荷电状态与开路电压的对应关系；
基于电池的荷电状态与开路电压的对应关系，进行所述电池模型的参数辨识，并建立所述初始电池模型。
3.根据权利要求1所述的计算方法，其中，所述对所述SOC估计模型进行基于矩阵谱分解的中心差分卡尔曼滤波CDFK，计算荷电状态估计值的步骤，包括：
对所述SOC估计模型的***状态进行预处理，使增广后的***状态包含噪声；
基于***状态增广后的所述SOC估计模型，在当前采样时刻分别计算SOC估计模型的***状态预测值和***输出预测值；
基于所述***状态预测值和所述***输出预测值，计算所述SOC估计模型对应的卡尔曼增益矩阵，并基于所述卡尔曼增益矩阵、***输出预测值与***输出测量值之差，更新所述***状态预测值和所述***状态预测值对应的协方差矩阵，获得所述***状态估计值和所述***状态估计值对应的协方差矩阵，荷电状态估计值即包含于***状态估计值中；
基于更新后的所述***状态估计值和所述***状态估计值对应的协方差矩阵，迭代计算下一时刻的所述荷电状态估计值。
4.根据权利要求3所述的计算方法，其中，所述对所述SOC估计模型进行基于矩阵谱分解的中心差分卡尔曼滤波CDFK，计算荷电状态估计值的步骤，进一步包括：
对与所述***状态估计值相关的增广后的协方差矩阵，进行基于矩阵谱分解的中心差分卡尔曼滤波，并计算下一时刻的所述***状态预测值。
5.根据权利要求3所述的计算方法，其中，所述对所述SOC估计模型进行基于矩阵谱分解的中心差分卡尔曼滤波CDFK，计算荷电状态估计值的步骤，进一步包括：
对与所述***状态预测值相关的协方差矩阵进行基于矩阵谱分解的中心差分卡尔曼滤波，并计算下一时刻的所述***输出预测值。
6.一种锂离子电池荷电状态估计值的计算装置，包括：
第一模型建立单元，用于基于锂离子电池的充放电电流-端电压响应，建立初始电池模型；
第二模型建立单元，用于对所述初始电池模型添加作用于所述初始电池模型输出的荷电状态SOC估计值的建模噪声，和电流测量噪声以及电压测量噪声，建立SOC估计模型；
计算单元，用于对所述SOC估计模型进行基于矩阵谱分解的中心差分卡尔曼滤波CDFK，计算荷电状态估计值。
7.根据权利要求6所述的计算装置，其中，第一模型建立单元还用于：
获取锂离子电池在不同荷电状态下的小电流充放电的端电压平均值，建立电池的荷电状态与开路电压的对应关系；
基于电池的荷电状态与开路电压的对应关系，进行所述电池模型的参数辨识，并建立所述初始电池模型。
8.一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行根据权利要求1-5中任一项所述的方法。
9.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-5中任一项所述的方法。
10.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-5中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311071246.3A CN117110891A (zh) | 2023-08-24 | 2023-08-24 | 锂离子电池荷电状态估计值的计算方法和计算装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311071246.3A CN117110891A (zh) | 2023-08-24 | 2023-08-24 | 锂离子电池荷电状态估计值的计算方法和计算装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117110891A true CN117110891A (zh) | 2023-11-24 |
Family
ID=88807025
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311071246.3A Pending CN117110891A (zh) | 2023-08-24 | 2023-08-24 | 锂离子电池荷电状态估计值的计算方法和计算装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117110891A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117310521A (zh) * | 2023-11-29 | 2023-12-29 | 深圳市普裕时代新能源科技有限公司 | 锂离子电池的充电状态校准方法、***、设备及存储介质 |
| CN117420447A (zh) * | 2023-12-18 | 2024-01-19 | 四川华泰电气股份有限公司 | 考虑噪声偏差补偿的锂电池soc估算方法、***和电子装置 |
-
2023
- 2023-08-24 CN CN202311071246.3A patent/CN117110891A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117310521A (zh) * | 2023-11-29 | 2023-12-29 | 深圳市普裕时代新能源科技有限公司 | 锂离子电池的充电状态校准方法、***、设备及存储介质 |
| CN117310521B (zh) * | 2023-11-29 | 2024-02-20 | 深圳市普裕时代新能源科技有限公司 | 锂离子电池的充电状态校准方法、***、设备及存储介质 |
| CN117420447A (zh) * | 2023-12-18 | 2024-01-19 | 四川华泰电气股份有限公司 | 考虑噪声偏差补偿的锂电池soc估算方法、***和电子装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chen et al. | State-of-charge estimation of lithium-ion battery using an improved neural network model and extended Kalman filter | |
| Shen et al. | A novel online method for predicting the remaining useful life of lithium-ion batteries considering random variable discharge current | |
| Wang et al. | An adaptive working state iterative calculation method of the power battery by using the improved Kalman filtering algorithm and considering the relaxation effect | |
| Dong et al. | A method for state of energy estimation of lithium-ion batteries based on neural network model | |
| Zhao et al. | Elman neural network using ant colony optimization algorithm for estimating of state of charge of lithium-ion battery | |
| US11156668B2 (en) | Method for iteratively identifying parameters of equivalent circuit model of battery | |
| US10310020B2 (en) | Method, device and system for estimating the charge state of a battery | |
| CN117110891A (zh) | 锂离子电池荷电状态估计值的计算方法和计算装置 | |
| CN114705990B (zh) | 电池簇荷电状态的估计方法及***、电子设备及存储介质 | |
| CN111142025A (zh) | 一种电池soc估算方法、装置、存储介质及电动汽车 | |
| 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 | |
| Kong et al. | A novel parameter adaptive method for state of charge estimation of aged lithium batteries | |
| Li et al. | A novel Co-estimation framework of state-of-charge, state-of-power and capacity for lithium-ion batteries using multi-parameters fusion method | |
| CN115932634A (zh) | 一种对电池健康状态评估的方法、装置、设备及存储介质 | |
| 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*** | |
| CN114814591A (zh) | 一种锂电池soe估算方法、装置及*** | |
| Hu et al. | A parameter identification and state of charge estimation method of lithium-ion battery considering temperature bias | |
| CN112946480B (zh) | 一种提高soc估计实时性的锂电池电路模型简化方法 | |
| CN117420447A (zh) | 考虑噪声偏差补偿的锂电池soc估算方法、***和电子装置 | |
| CN117074955A (zh) | 一种基于云-端修正ocv的锂电池状态联合估计方法 | |
| CN115808624A (zh) | 一种电池的健康度检测方法、设备和存储介质 | |
| Wang et al. | Multi-interest adaptive unscented Kalman filter based on improved matrix decomposition methods for lithium-ion battery state of charge estimation | |
| CN115128474A (zh) | 一种动力电池soc估算方法、***、设备及存储介质 | |
| Wang et al. | A novel weight coefficient calculation method for the real‐time state monitoring of the lithium‐ion battery packs under the complex current variation working conditions | |
| Lin et al. | Parameter adaptive joint estimation of state of charge and available capacity based on multi-innovation-state estimator fusion |
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 |