CN110261779B - 一种三元锂电池荷电状态与健康状态在线协同估计方法 - Google Patents
一种三元锂电池荷电状态与健康状态在线协同估计方法 Download PDFInfo
- Publication number
- CN110261779B CN110261779B CN201910555791.7A CN201910555791A CN110261779B CN 110261779 B CN110261779 B CN 110261779B CN 201910555791 A CN201910555791 A CN 201910555791A CN 110261779 B CN110261779 B CN 110261779B
- Authority
- CN
- China
- Prior art keywords
- state
- lithium battery
- ternary lithium
- soc
- current
- 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.)
- Expired - Fee Related
Links
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 112
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 112
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000036541 health Effects 0.000 title claims abstract description 22
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 47
- 230000010287 polarization Effects 0.000 claims abstract description 16
- 238000005070 sampling Methods 0.000 claims abstract description 16
- 238000013507 mapping Methods 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 34
- 238000005259 measurement Methods 0.000 claims description 14
- 238000002474 experimental method Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 8
- 230000007423 decrease Effects 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000011426 transformation method Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims 2
- 125000004432 carbon atom Chemical group C* 0.000 claims 1
- 238000004364 calculation method Methods 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 2
- 230000032683 aging Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 239000003990 capacitor Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 229910001416 lithium ion Inorganic materials 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 101000802640 Homo sapiens Lactosylceramide 4-alpha-galactosyltransferase Proteins 0.000 description 1
- 102100035838 Lactosylceramide 4-alpha-galactosyltransferase Human genes 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000035882 stress Effects 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]
- 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]
- G01R31/382—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]
- G01R31/385—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
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
- Tests Of Electric Status Of Batteries (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开了一种三元锂电池荷电状态与健康状态在线协同估计方法，该方法对Thevenin等效电路模型进行了改进，根据电路关系得到了改进后的Thevenin等效电路模型的状态空间方程，并进一步得到了OCV与SOC的映射关系，利用FFRLS算法通过采集外部电压电流值实时辨识得到每个采样点处的极化电阻、极化电容和内阻的具体数值，在每次计算SOC和SOH的前一刻根据BMS的运行状态实时更新Thevenin等效电路模型的参数值，确保了BMS对SOC和SOH的预测更加精准，该方法在实现对三元锂电池SOC和SOH高精度估计时，外部电路简单，仅用常规的BMS采集电压、电流和时间数值即可，另外，该方法具有极强的收敛性，对错误初值具有较强的鲁棒性且仍采用迭代循环计算的方法，所以对BMS的采样精度要求可适当降低。
Description
技术领域
本发明涉及一种电池荷电状态与健康状态估计方法，具体涉及一种三元锂电池荷电状态与健康状态在线协同估计方法，属于电池管理技术领域。
背景技术
随着人类能源消费结构的转变，可再生的清洁能源备受人们关注。其中，三元锂电池因具有高能量密度、长循环寿命、使用安全和自放电率低等优点，已经开始广泛的应用于纯电动汽车和规模化储能等领域。在此过程中，只有实现对电池良好的管理才能使电池工作在极佳状态，并同时延长电池的使用寿命。因此，如何快速准确的确定电池的工作状态(剩余电量)和使用寿命是电池管理系统(BatteryManagement System，BMS)的关键技术之一，BMS性能的好坏直接影响动力设备的运行质量。
三元锂电池状态主要包括两个最为重要的方面——荷电状态(State of Charge，SOC)和健康状态(State of Health，SOH)。
SOC反映出电池当前剩余电量的多少，是实现三元锂电池组能量均衡技术的重要前提，也是BMS监视中最为重要的参数之一。
SOH反映出电池当前的使用寿命，也叫作电池的老化程度，SOH值的大小通常直接决定了设备是否需要进行三元锂电池更换的操作。
目前，常用的锂电池SOC、SOH估算方法大都将两个状态变量独立估计。
现有的锂电池SOC估计方法有：安时积分法、内阻测量法、开路电压法等。
现有的锂电池SOH估计方法有：容量比值法、内阻测量法、电化学模型估计法等。
虽然目前估计锂电池SOC与SOH的方法有很多，但是BMS需要根据电池的类型与型号、电池组配置、运行工况、工作环境等因素单独设计SOC和SOH估算系统以及估计算法，由于锂电池数量多、结构复杂，单独设计SOC和SOH估算系统以及估计算法不仅工作量很大，而且估算的精度也不高。一旦动力锂电池更换，原有的SOC与SOH估算系统和估计算法都将重新设计，导致BMS整体运行和使用效率偏低，且对于不同锂电池的通用性和稳定性较差。
中国专利《一种动力电池组SOC和SOH的自适应估计方法》(CN201710141906)，将通过电池ID特性数据输入模块读取动力电池的电芯材料及出厂特性测试数据，完成动力电池SOC和SOH的初始化计算并通过自适应SOC和SOH估计系统用近期的动力电池历史数据进行状态估算。由于自适应SOC和SOH估计系统需要不断存储较新的数据作为下次估算的初始值，所以增加了BMS的复杂度，提高了BMS的研发成本，并且在使用算法时可能由于读取的初始值与当前BMS实际状态不匹配而造成算法不收敛或估算失效现象的产生。
中国专利《一种锂离子电池的SOC和SOH联合估计方法》(CN201710308354)，构建了锂离子电池离线等效电路模型，对所建立模型的参数运用离线最小二乘法辨识得到，并基于离线数据的滚动时域在一定范围内更新模型参数，完成对于SOC和SOH的联合估计。该方法虽然能完成锂电池SOC和SOH的联合估计，但模型参数是基于离线条件下特定工况获得的，当运行工况和环境发生变化时，不能实时更新模型参数，因此对于不同运行工况和环境的适用性较低，误差较大。
发明内容
为解决现有技术的不足，本发明的目的在于提供一种联合算法，在电池模型已知但模型参数未知的情况下，实现三元锂电池SOC与SOH协同在线估计，并进一步提高锂电池SOC和SOH在线估计精度、增强BMS对不同类型锂电池的通用性和稳定性。
为了实现上述目标，本发明采用如下的技术方案：
一种三元锂电池荷电状态与健康状态在线协同估计方法，其特征在于，基于FFRLS算法和改进的EKF算法实现三元锂电池荷电状态与健康状态在线协同估计，具体包括以下步骤：
步骤1：在传统Thevenin等效电路模型的基础上增加一个浓差极化网络，依据所建立的改进后的Thevenin等效电路模型得到其连续变化的数学表达式，具体如下：
Uo(t)＝E(t)-U1(t)-U2(t)-i×R0 (1)
其中，E代表电池电动势，RC和RE均为极化电阻，CC和CE则对应为极化电容，i为流过负载的实际电流，R0为电池的欧姆内阻，Uo为电池端电压，U1和U2分别为两个RC网络的端电压，τ1和τ2分别为两个RC网络的时间常数；
步骤2：建立三元锂电池SOC与电流i、库伦效率η、温度补偿系数KT、额定容量QN、时间t之间的数学关系，具体如下：
步骤3：建立三元锂电池SOH与电池当前内阻R0、电池寿命结束时的内阻Rov、新电池的内阻Rne之间的数学关系，具体如下：
步骤4：根据式(1)至式(4)，推导出离散化后的三元锂电池状态空间方程
和
具体如下：
Uo(k)＝E[SOC(k)]-U1(k)-U2(k)-i(k)×R0 (7)
其中，T为采样周期，E[SOC(k)]是电池SOC与开路电压的映射关系，λ(k)和γ(k)分别为BMS噪声和测量噪声，协方差分别为Qrk和Rrk；
步骤5：绘制OCV-SOC拟合曲线图；
步骤6：推导出改进后的Thevenin等效电路模型的传递函数，利用双线性变换法将三元锂电池模型由s平面映射到z平面，令
得：
其中，ci(i＝1,2,3,4,5)是三元锂电池模型相关的常数系数，离散化后可得：
y(k)＝c1y(k-1)+c2y(k-2)+c3I(k)+c4I(k-1)+a5I(k-2) (12)
利用FFRLS算法，设计三元锂电池模型如下：
其中，
为三元锂电池模型输入输出矩阵向量；
为包含与三元锂电池模型相关的常数系数
e0(k)为BMS的采样误差；
由系数相等求得三元锂电池模型参数如下：
通过以上算式即得到三元锂电池模型的R、C参数；
步骤7：将步骤6中k点处辨识结束的三元锂电池模型的R、C参数带入步骤4的离散化后的三元锂电池状态空间方程中，并设定状态变量初始值如下：
上式中，
为描述电池内阻变化的状态向量；
为电池内阻的误差协方差矩阵；Qrk和Qk表示系统噪声协方差；Rrk和Rk表示测量噪声协方差；
为描述SOC变化的状态向量；Px为关于SOC的误差协方差矩阵；
步骤8：三元锂电池模型状态方程系统矩阵、输入矩阵、测量矩阵分别如下：
给三元锂电池模型状态方程系统矩阵、输入矩阵、测量矩阵赋初值，分别如下：
步骤9：根据卡尔曼滤波公式，建立离散化时间迭代方程和离散化状态迭代方程，离散化时间迭代方程具体如下：
时间迭代方程根据三元锂电池模型及参数值计算当前时刻的估计值，并计算估计误差值；
离散化状态迭代方程具体如下：
状态迭代方程首先计算卡尔曼滤波增益Kk，根据误差最小原则求解得到，其次计算k时刻的开路电压yk与观测量h的差值，利用增益和当前时刻的预测值得到当前时刻的最优估计值，最后计算误差矩阵，从而得到当前时刻状态变量SOC和R0的最优估计值。
前述的三元锂电池荷电状态与健康状态在线协同估计方法，其特征在于，在步骤2中，KT＝[1+0.008×(T0-25)]，T0为环境温度。
前述的三元锂电池荷电状态与健康状态在线协同估计方法，其特征在于，在步骤4中，Qrk和Rrk的取值大小通常由实际BMS的状态决定，通常情况下，Qrk的取值在0.0001～0.01这个范围内，Rrk的取值在0.5～1这个范围内。
前述的三元锂电池荷电状态与健康状态在线协同估计方法，其特征在于，在步骤5中，绘制OCV-SOC拟合曲线图之前，先对三元锂电池进行混合动力脉冲能力特性实验，步骤具体如下：
(1)将三元锂电池充至满电，静置30min后测得开路电压值，并标定此时SOC为1；
(2)根据三元锂电池的实测容量设定可编程电子负载恒流放电电流，放电时以10Hz频率采集电压、电流数据；
(3)设定放电时间，放电时间到则停止放电，并静置5min，静置期间依然以10Hz频率采集电压、电流数据；
(4)重复步骤(2)至步骤(3)，直至SOC为0。
前述的三元锂电池荷电状态与健康状态在线协同估计方法，其特征在于，混合动力脉冲能力特性实验结束后，选择SOC下降梯度为每5％时的数据集合进行记录，然后将OCV与SOC拟合，获得OCV-SOC曲线图。
前述的三元锂电池荷电状态与健康状态在线协同估计方法，其特征在于，在步骤9中，得到当前时刻状态变量SOC和R0的最优估计值后，结合当前时刻的最优估计值和采集下一个采样点处的电压、电流值辨识得到下一时刻的Thevenin等效电路模型参数值，更新当前时刻的模型参数值，之后算法依次循环交替计算时间迭代方程和状态迭代方程，如此往复循环下去。
本发明的有益之处在于：
(1)本发明提供的三元锂电池SOC和SOH在线协同估计方法，对Thevenin等效电路模型进行了改进，根据电路关系得到了改进后的Thevenin等效电路模型的状态空间方程，并进一步得到了开路电压(Open circuit voltage，OCV)与SOC的映射关系，利用FFRLS算法通过采集外部电压电流值实时辨识得到每个采样点处的极化电阻、极化电容和内阻的具体数值，在每次计算SOC和SOH的前一刻根据BMS的运行状态实时更新Thevenin等效电路模型的参数值，确保了BMS对SOC和SOH的预测更加精准；
(2)本发明提供的三元锂电池SOC和SOH在线协同估计方法，在实现对三元锂电池SOC和SOH高精度估计时，外部电路简单，仅用常规的BMS采集电压、电流和时间数值即可，大大简化了BMS外围电路的复杂性；同时，由于改进后的EKF算法对SOC和SOH的估计仍采用迭代循环计算的方法，且具有极强的收敛性、对错误初值具有较强的鲁棒性，所以对BMS的采样精度要求可适当降低，这进一步降低了BMS的硬件成本，也缩短了BMS的开发周期，便于后期维护BMS；
(3)本发明提供的三元锂电池SOC和SOH在线协同估计方法，由于采用FFRLS算法对离散后的Thevenin等效电路模型参数进行辨识，辨识结果充分考虑了当前BMS的运行状态和周围环境的影响，将辨识后的参数值带入Thevenin等效电路模型后得到平均误差不足0.5％，利用该辨识参数通过改进的EKF算法求得的SOC和SOH值与理论值的相对误差低于1.5％；
(4)本发明提供的三元锂电池SOC和SOH在线协同估计方法，将电池内阻值作为SOH(实际容量)的表征量，在BMS运行时可实时迭代更新三元锂电池的内阻大小，继而不断修正电池的实际容量值，在一定程度上提高了算法计算结果的准确性和可靠性；
(5)本发明提供的三元锂电池SOC和SOH在线协同估计方法，适用于所有型号的锂电池，在各类BMS和所有的实际运行工况下都可以完成锂电池SOC和SOH的协同在线估算，很大程度上提高了BMS的兼容性、通用性和稳定性，并在SOC和SOH估算精度提高的同时，也有效解决了由于外部环境突变、运行工况不确定、电池自身老化、电池自放电等现象引起的SOC和SOH估计失效等问题。
附图说明
图1是改进后的Thevenin等效电路模型；
图2是OCV-SOC拟合曲线图；
图3是基于FFRLS算法进行在线参数辨识的流程图；
图4是基于FFRLS算法的电池模型的响应电压与设备实测电压的曲线图；
图5是基于FFRLS算法的电池模型相对误差曲线图；
图6是基于FFRLS算法和改进的EKF算法的SOC与SOH在线协同估计流程图；
图7是SOC估算实验结果图；
图8是SOC估算相对误差百分比图；
图9是SOH估算实验结果图；
图10是SOH估算相对误差百分比图；
图11是错误初值下算法收敛性验证结果图。
具体实施方式
以下结合附图和具体实施例对本发明作具体的介绍。
本发明提供的三元锂电池荷电状态与健康状态在线协同估计方法，基于FFRLS算法和改进的EKF算法实现三元锂电池荷电状态与健康状态在线协同估计，具体包括以下步骤：
步骤1：改进Thevenin等效电路模型
在传统Thevenin等效电路模型的基础上，增加一个浓差极化网络(RC网络)，改进后的Thevenin等效电路模型由三部分组成：电压源、欧姆内阻以及RC网络，其中，RC网络具有两个，一个用于模拟电池的电化学极化现象，另一个用于模拟电池的浓差极化现象。
参照图1，在改进后的Thevenin等效电路模型中，E代表电池电动势，RC和RE均为极化电阻，CC和CE则对应为极化电容，i为流过负载的实际电流，R0为电池的欧姆内阻，Uo为电池端电压。
对于第一个RC网络(位于左边的RC网络)，该RC网络的端电压为U1、时间常数为τ1，其中，τ1是用来描述电化学极化过程的，该过程进行缓慢，故τ1通常较大。
对于第二个RC网络(位于右边的RC网络)，该RC网络的端电压为U2、时间常数为τ2，其中，τ2是用来描述电池工作时双电层部分的电荷变化过程的，该过程进行迅速，故τ2通常较小。
依据所建立的改进后的Thevenin等效电路模型，我们可以得到该改进后的Thevenin等效电路模型连续变化的数学表达式，具体如下：
Uo(t)＝E(t)-U1(t)-U2(t)-i×R0 (1)
步骤2：建立三元锂电池SOC与相关影响参数的数学关系
建立三元锂电池SOC与电流i、库伦效率η、温度补偿系数KT、额定容量QN、时间t之间的数学关系，具体如下：
其中，KT＝[1+0.008×(T0-25)]，T0为环境温度。
步骤3：建立三元锂电池SOH与电阻参数的数学关系
建立三元锂电池SOH与电池当前内阻R0、电池寿命结束时的内阻Rov、新电池的内阻Rne之间的数学关系，具体如下：
步骤4：推导出离散化后的三元锂电池状态空间方程
根据式(1)至式(4)，推导出离散化后的三元锂电池状态空间方程
和
具体如下：
Uo(k)＝E[SOC(k)]-U1(k)-U2(k)-i(k)×R0 (7)
其中，T为采样周期，E[SOC(k)]是电池SOC与开路电压(opencircuit voltage，OCV)的映射关系。
其中，λ(k)和γ(k)分别为BMS噪声和测量噪声，协方差分别为Qrk和Rrk，Qrk和Rrk的取值大小通常由实际BMS的状态决定，通常情况下，Qrk的取值在0.0001～0.01这个范围内，Rrk的取值在0.5～1这个范围内。
步骤5：绘制OCV-SOC拟合曲线图
实验用三元锂电池的参数见表1。
表1 实验用三元锂电池参数
对三元锂电池进行混合动力脉冲能力特性实验(Hybrid PulsePowerCharacteristic，HPPC)，步骤具体如下：
(1)将三元锂电池充至满电，静置30min后测得开路电压值，并标定此时SOC为1；
(2)根据三元锂电池的实测容量(8.3Ah)设定可编程电子负载恒流放电电流(8.3A)，放电时以10Hz频率采集电压、电流数据；
(3)设定放电时间(3min，根据SOC每下降5％时计算得到的时间)，放电时间到则停止放电，并静置5min，静置期间依然以10Hz频率采集电压、电流数据；
(4)重复步骤(2)至步骤(3)，直至SOC为0。
接下来，筛选实验数据，具体的，选择SOC下降梯度为每5％时的数据集合进行记录，记录结果见表2。
表2 三元锂电池OCV-SOC对应关系表
最后，将OCV与SOC拟合，获得OCV-SOC曲线图，见图2。
步骤6：利用FFRLS算法辨识模型参数
根据已建立的改进后的Thevenin等效电路模型，推导出该改进后的Thevenin等效电路模型的传递函数为：
利用双线性变换法将三元锂电池模型由s平面映射到z平面，可令
得：
在式(11)中，ci(i＝1,2,3,4,5)是三元锂电池模型相关的常数系数，离散化后可得：
y(k)＝c1y(k-1)+c2y(k-2)+c3I(k)+c4I(k-1)+a5I(k-2) (12)
利用FFRLS算法，设计三元锂电池模型如下：
其中，
为三元锂电池模型输入输出矩阵向量；
为包含与三元锂电池模型相关的常数系数
e0(k)为BMS的采样误差。
基于FFRLS算法进行在线参数辨识的流程如图3所示。
在图3所示的算法中，K(k)为增益因子；ff为遗忘因子(取值为0.96～1)；P(k)为估计值的误差协方差矩阵；
为常数系数的初始值，一般取任意值；
为误差协方差矩阵的初始值，取值较大，一般取10000I，I为5维单位矩阵。由系数相等求得三元锂电池模型参数如下：
通过以上算式即得到三元锂电池模型的R、C参数，实现任意工况下对三元锂电池模型参数的实时动态测量更新。
在混合动力脉冲能力特性试验下将FFRLS算法辨识得到的三元锂电池模型的R、C参数带入三元锂电池模型后，在相同脉冲电流的激励下三元锂电池模型的响应电压与设备实测电压的曲线如图4所示，基于FFRLS算法的三元锂电池模型相对误差曲线如图5所示。
分析图4和图5可知，基于FFRLS算法辨识得到的三元锂电池模型精度非常高，平均误差0.4974％，优于目前常见的离线固定参数的辨识结果。
步骤7：状态变量初始化
将步骤6中k点处辨识结束的三元锂电池模型的R、C参数带入步骤4的离散化后的三元锂电池状态空间方程中，并设定状态变量初始值如下：
上式中，
为描述电池内阻变化的状态向量；
为电池内阻的误差协方差矩阵；Qrk和Qk表示系统噪声协方差；Rrk和Rk表示测量噪声协方差；
为描述SOC变化的状态向量；Px为关于SOC的误差协方差矩阵。
步骤8：给状态空间方程系数矩阵赋初值
三元锂电池模型状态方程系统矩阵、输入矩阵、测量矩阵分别如下：
给三元锂电池模型状态方程系统矩阵、输入矩阵、测量矩阵赋初值，分别如下：
步骤9：建立离散化时间迭代方程和状态迭代方程
根据卡尔曼滤波公式，建立离散化时间迭代方程，具体如下：
时间迭代方程根据三元锂电池模型及参数值计算当前时刻的估计值，并计算估计误差值。
根据卡尔曼滤波公式，建立离散化状态迭代方程，具体如下：
状态迭代方程首先计算卡尔曼滤波增益Kk，根据误差最小原则求解得到，其次计算k时刻的开路电压yk与观测量h的差值，利用增益和当前时刻的预测值得到当前时刻的最优估计值，最后计算误差矩阵，从而得到当前时刻状态变量SOC和R0的最优估计值。最后结合当前时刻的最优估计值和采集下一个采样点处的电压、电流值辨识得到下一时刻的Thevenin等效电路模型参数值更新当前时刻的模型参数值，之后算法会依次循环交替计算时间迭代方程和状态迭代方程，如此往复循环下去，便可以得到电池状态变量SOC和R0在每个采样点的动态更新最优估计值。
图6是基于FFRLS算法和改进的EKF算法的SOC与SOH在线协同估计流程图。
参照图6，利用SOC和内阻R0构建的状态方程和测量方程，结合改进后的扩展卡尔曼滤波算法，利用上一时刻R0的估计值，结合卡尔曼滤波器1计算出当前时刻状态变量xk的最优估计值，再利用该状态变量的估计值作为已知量，运用卡尔曼滤波器2估算出内阻R0的当前最优估计值，最后结合当前时刻的最优估计值和采集下一个采样点处的电压、电流值辨识得到下一时刻的三元锂电池模型的参数值更新当前时刻的三元锂电池模型的参数值，如此往复循环下去，便可以得到电池状态变量SOC和内阻R0在每个采样点的动态更新最优估计值，再利用式(5)即可得到SOH预测值。
在改进后的扩展卡尔曼滤波算法中，滤波器1完成了对电池状态变量SOC的估算，滤波器2完成了对电池状态量内阻R0的最优估计。根据FFRLS算法和改进的EKF算法编写程序对三元锂电池进行动态应力测试工况实验(Dynamic Stress Test，DST)，SOC估算实验结果如图7所示，实验相对误差如图8所示；SOH估算实验结果如图9所示，实验相对误差如图10所示。
由图7、图8、图9和图10可知，FFRLS算法和改进的EKF算法的结合，不仅能够完成三元锂电池SOC与SOH协同在线预测，而且预测结果准确度非常高，SOC估计平均误差百分比为0.945％，SOH估计平均误差百分比为0.471％。
错误初值下算法收敛性验证结果如图11所示。
由图11可看出，在算法初值与实际测量值误差较大的情况下，改进后的算法收敛速度明显加快，100s内即可收敛至理论值附近，这说明改进后的算法鲁棒性较强。
需要说明的是，上述实施例不以任何形式限制本发明，凡采用等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。
Claims (6)
1.一种三元锂电池荷电状态与健康状态在线协同估计方法，其特征在于，基于FFRLS算法和改进的EKF算法实现三元锂电池荷电状态与健康状态在线协同估计，具体包括以下步骤：
步骤1：在传统Thevenin等效电路模型的基础上增加一个浓差极化网络，依据所建立的改进后的Thevenin等效电路模型得到其连续变化的数学表达式，具体如下：
Uo(t)＝E(t)-U1(t)-U2(t)-i×R0 (1)
其中，E代表电池电动势，RC和RE均为极化电阻，CC和CE则对应为极化电容，i为流过负载的实际电流，R0为电池的欧姆内阻，Uo为电池端电压，U1和U2分别为两个RC网络的端电压；
步骤2：建立三元锂电池SOC与电流i、库伦效率η、温度补偿系数KT、额定容量QN、时间t之间的数学关系，具体如下：
步骤3：建立三元锂电池SOH与电池当前内阻R0、电池寿命结束时的内阻Rov、新电池的内阻Rne之间的数学关系，具体如下：
步骤4：根据式(1)至式(4)，推导出离散化后的三元锂电池状态空间方程
和
具体如下：
Uo(k)＝E[SOC(k)]-U1(k)-U2(k)-i(k)×R0 (7)
其中，τ1和τ2分别为两个RC网络的时间常数，T为采样周期，E[SOC(k)]是电池SOC与开路电压的映射关系，λ(k)和γ(k)分别为系统噪声和测量噪声；
步骤5：绘制OCV-SOC拟合曲线图；
步骤6：推导出改进后的Thevenin等效电路模型的传递函数，利用双线性变换法将三元锂电池模型由s平面映射到z平面，令
得：
其中，ci(i＝1,2,3,4,5)是三元锂电池模型相关的常数系数，离散化后可得：
y(k)＝c1y(k-1)+c2y(k-2)+c3I(k)+c4I(k-1)+c5I(k-2) (12)
利用FFRLS算法，设计三元锂电池模型如下：
其中，
为三元锂电池模型输入输出矩阵向量；
为包含与三元锂电池模型相关的常数系数
e0(k)为BMS的采样误差；
由系数相等求得三元锂电池模型参数如下：
通过以上算式即得到三元锂电池模型的R、C参数；
步骤7：将步骤6中k点处辨识结束的三元锂电池模型的R、C参数带入步骤4的离散化后的三元锂电池状态空间方程中，并设定状态变量初始值如下：
上式中，
为描述电池内阻变化的状态向量；
为电池内阻的误差协方差矩阵；Qrk和Qk表示系统噪声协方差；Rrk和Rk表示测量噪声协方差；
为描述SOC变化的状态向量；Px为关于SOC的误差协方差矩阵；
步骤8：三元锂电池模型状态方程系统矩阵、输入矩阵、测量矩阵分别如下：
给三元锂电池模型状态方程系统矩阵、输入矩阵、测量矩阵赋初值，分别如下：
步骤9：根据卡尔曼滤波公式，建立离散化时间迭代方程和离散化状态迭代方程，离散化时间迭代方程具体如下：
时间迭代方程根据三元锂电池模型及参数值计算当前时刻的估计值，并计算估计误差值；
离散化状态迭代方程具体如下：
状态迭代方程首先计算卡尔曼滤波增益Kk，根据误差最小原则求解得到，其次计算k时刻的开路电压yk与观测量h的差值，利用增益和当前时刻的预测值得到当前时刻的最优估计值，最后计算误差矩阵，从而得到当前时刻状态变量SOC和R0的最优估计值。
2.根据权利要求1所述的三元锂电池荷电状态与健康状态在线协同估计方法，其特征在于，在步骤2中，KT＝[1+0.008×(T0-25)]，T0为环境温度。
3.根据权利要求1所述的三元锂电池荷电状态与健康状态在线协同估计方法，其特征在于，在步骤4中，Qrk和Rrk的取值大小由实际BMS的状态决定， Qrk的取值在0.0001～0.01这个范围内，Rrk的取值在0.5～1这个范围内。
4.根据权利要求1所述的三元锂电池荷电状态与健康状态在线协同估计方法，其特征在于，在步骤5中，绘制OCV-SOC拟合曲线图之前，先对三元锂电池进行混合动力脉冲能力特性实验，步骤具体如下：
(1)将三元锂电池充至满电，静置30min后测得开路电压值，并标定此时SOC为1；
(2)根据三元锂电池的实测容量设定可编程电子负载恒流放电电流，放电时以10Hz频率采集电压、电流数据；
(3)设定放电时间，放电时间到则停止放电，并静置5min，静置期间依然以10Hz频率采集电压、电流数据；
(4)重复步骤(2)至步骤(3)，直至SOC为0。
5.根据权利要求4所述的三元锂电池荷电状态与健康状态在线协同估计方法，其特征在于，混合动力脉冲能力特性实验结束后，选择SOC下降梯度为每5％时的数据集合进行记录，然后将OCV与SOC拟合，获得OCV-SOC曲线图。
6.根据权利要求1所述的三元锂电池荷电状态与健康状态在线协同估计方法，其特征在于，在步骤9中，得到当前时刻状态变量SOC和R0的最优估计值后，结合当前时刻的最优估计值和采集下一个采样点处的电压、电流值辨识得到下一时刻的Thevenin等效电路模型参数值，更新当前时刻的模型参数值，之后算法依次循环交替计算时间迭代方程和状态迭代方程，如此往复循环下去。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910555791.7A CN110261779B (zh) | 2019-06-25 | 2019-06-25 | 一种三元锂电池荷电状态与健康状态在线协同估计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910555791.7A CN110261779B (zh) | 2019-06-25 | 2019-06-25 | 一种三元锂电池荷电状态与健康状态在线协同估计方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110261779A CN110261779A (zh) | 2019-09-20 |
| CN110261779B true CN110261779B (zh) | 2021-07-27 |
Family
ID=67921349
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910555791.7A Expired - Fee Related CN110261779B (zh) | 2019-06-25 | 2019-06-25 | 一种三元锂电池荷电状态与健康状态在线协同估计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110261779B (zh) |
Families Citing this family (31)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110286325B (zh) * | 2019-07-29 | 2021-07-20 | 四川嘉垭汽车科技有限公司 | 一种锂离子电池的局部敏感度分析方法 |
| CN112763914A (zh) * | 2019-11-06 | 2021-05-07 | 罗伯特·博世有限公司 | 用于测定电的能量存储单元的荷电状态的方法 |
| CN110888058B (zh) * | 2019-12-02 | 2021-12-31 | 西安科技大学 | 一种基于动力电池soc和soh联合估计的算法 |
| FR3104728B1 (fr) * | 2019-12-11 | 2021-12-10 | Electricite De France | Diagnostic de systèmes de stockage d’énergie en opération |
| CN110888064B (zh) * | 2019-12-20 | 2021-10-08 | 厦门金龙联合汽车工业有限公司 | 一种评估电池系统电芯容量分布区间的算法 |
| CN111337832B (zh) * | 2019-12-30 | 2023-01-10 | 南京航空航天大学 | 一种动力电池多维度融合soc和soh在线联合估算的方法 |
| CN113138340B (zh) * | 2020-01-17 | 2022-11-11 | 华为技术有限公司 | 电池等效电路模型的建立方法、健康状态估算方法及装置 |
| CN111239610B (zh) * | 2020-03-16 | 2021-05-25 | 上海交通大学 | 基于电化学模型的动力锂电池状态估计构建系统及方法 |
| CN111487549B (zh) * | 2020-04-01 | 2022-04-12 | 浙江大学城市学院 | 一种用于小型旋转翼纯电动无人机的锂电池状态估计方法 |
| CN111581904B (zh) * | 2020-04-17 | 2024-03-22 | 西安理工大学 | 考虑循环次数影响的锂电池soc及soh协同估算方法 |
| CN111581906B (zh) * | 2020-05-27 | 2023-09-12 | 广州小鹏汽车科技有限公司 | 一种基于属性的电芯布设方法和装置 |
| CN111856286A (zh) * | 2020-07-14 | 2020-10-30 | 欣旺达电动汽车电池有限公司 | 基于dp-rc模型的电池功率估计方法及装置 |
| CN114580253B (zh) * | 2020-11-30 | 2024-10-29 | 北京昇科能源科技有限责任公司 | 一种电池管理系统更新包生成方法、云平台及系统 |
| CN112946481A (zh) * | 2021-01-29 | 2021-06-11 | 南京邮电大学 | 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系统 |
| CN113176505B (zh) * | 2021-04-30 | 2022-10-04 | 重庆长安新能源汽车科技有限公司 | 车载动力电池荷电状态与健康状态在线估算方法、装置及存储介质 |
| CN113820603B (zh) * | 2021-08-29 | 2023-05-30 | 西北工业大学 | 一种预测锂电池组可输出能量的方法 |
| CN113805062B (zh) * | 2021-08-30 | 2023-10-24 | 西安理工大学 | 锂电池等效电路模型参数在线鲁棒自适应辨识方法 |
| CN113884915A (zh) * | 2021-11-11 | 2022-01-04 | 山东省科学院自动化研究所 | 用于锂离子电池荷电状态和健康状态预测的方法及系统 |
| CN114355193A (zh) * | 2021-11-22 | 2022-04-15 | 深圳锂安技术有限公司 | 电池放电安全预警方法、电子设备及存储介质 |
| CN114611443B (zh) * | 2022-02-21 | 2024-07-12 | 浙江大学 | 一种基于等效电路空间映射的片上滤波器逆向设计方法 |
| CN114818561B (zh) * | 2022-04-11 | 2024-02-09 | 合肥工业大学 | 一种锂离子电池荷电状态多环模型估计方法 |
| CN114755595A (zh) * | 2022-04-18 | 2022-07-15 | 智光研究院(广州)有限公司 | 一种云端储能全量电芯内阻计算和评估方法 |
| CN115166564A (zh) * | 2022-08-24 | 2022-10-11 | 厦门金龙联合汽车工业有限公司 | 一种在线量化评估磷酸铁锂电池微短路程度的方法 |
| CN115469230A (zh) * | 2022-09-27 | 2022-12-13 | 华电内蒙古能源有限公司 | Ocv-soc在线估计方法、装置和计算机设备与存储介质 |
| CN115656839A (zh) * | 2022-12-21 | 2023-01-31 | 四川帝威能源技术有限公司 | 基于bp-dekf算法的电池状态参量协同估算方法 |
| CN116224099B (zh) * | 2023-05-06 | 2023-07-21 | 力高(山东)新能源技术股份有限公司 | 一种动态自适应估算电池soc的方法 |
| CN116754961B (zh) * | 2023-07-07 | 2024-01-30 | 中国人民解放军国防科技大学 | 开路电压估计方法、系统及存储介质 |
| CN116736141A (zh) * | 2023-08-10 | 2023-09-12 | 锦浪科技股份有限公司 | 一种锂电池储能安全管理系统及方法 |
| CN116736150B (zh) * | 2023-08-16 | 2023-11-03 | 杭州高特电子设备股份有限公司 | 一种电池异常检测方法、电池系统和计算机程序 |
| CN118625184B (zh) * | 2024-08-02 | 2024-10-29 | 聊城大学 | 一种基于开路电压斜率的电池荷电状态估计方法及系统 |
| CN119619869A (zh) * | 2025-02-14 | 2025-03-14 | 深圳市钜力能科技有限公司 | 扫地车动力电池状态估算方法、装置及设备 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103926538A (zh) * | 2014-05-05 | 2014-07-16 | 山东大学 | 基于aic准则的变阶数rc等效电路模型及实现方法 |
| CN104698382A (zh) * | 2013-12-04 | 2015-06-10 | 东莞钜威新能源有限公司 | 一种电池组的soc与soh的预测方法 |
| CN105301509A (zh) * | 2015-11-12 | 2016-02-03 | 清华大学 | 锂离子电池荷电状态、健康状态与功率状态的联合估计方法 |
| CN105548898A (zh) * | 2015-12-25 | 2016-05-04 | 华南理工大学 | 一种离线数据分段矫正的锂电池soc估计方法 |
| CN106021738A (zh) * | 2016-05-23 | 2016-10-12 | 山东大学 | 非均一多个体混联的电池组分布式模型建立系统及方法 |
| CN106646265A (zh) * | 2017-01-22 | 2017-05-10 | 华南理工大学 | 一种锂电池soc估计方法 |
| CN106918789A (zh) * | 2017-05-10 | 2017-07-04 | 成都理工大学 | 一种soc‑soh联合在线实时估计和在线修正方法 |
| CN109870651A (zh) * | 2019-01-22 | 2019-06-11 | 重庆邮电大学 | 一种电动汽车动力电池系统soc和soh联合在线估算方法 |
-
2019
- 2019-06-25 CN CN201910555791.7A patent/CN110261779B/zh not_active Expired - Fee Related
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104698382A (zh) * | 2013-12-04 | 2015-06-10 | 东莞钜威新能源有限公司 | 一种电池组的soc与soh的预测方法 |
| CN103926538A (zh) * | 2014-05-05 | 2014-07-16 | 山东大学 | 基于aic准则的变阶数rc等效电路模型及实现方法 |
| CN105301509A (zh) * | 2015-11-12 | 2016-02-03 | 清华大学 | 锂离子电池荷电状态、健康状态与功率状态的联合估计方法 |
| CN105548898A (zh) * | 2015-12-25 | 2016-05-04 | 华南理工大学 | 一种离线数据分段矫正的锂电池soc估计方法 |
| CN106021738A (zh) * | 2016-05-23 | 2016-10-12 | 山东大学 | 非均一多个体混联的电池组分布式模型建立系统及方法 |
| CN106646265A (zh) * | 2017-01-22 | 2017-05-10 | 华南理工大学 | 一种锂电池soc估计方法 |
| CN106918789A (zh) * | 2017-05-10 | 2017-07-04 | 成都理工大学 | 一种soc‑soh联合在线实时估计和在线修正方法 |
| CN109870651A (zh) * | 2019-01-22 | 2019-06-11 | 重庆邮电大学 | 一种电动汽车动力电池系统soc和soh联合在线估算方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110261779A (zh) | 2019-09-20 |
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 | |
| CN109946623B (zh) | 一种锂电池的soc在线估测方法 | |
| CN111337832B (zh) | 一种动力电池多维度融合soc和soh在线联合估算的方法 | |
| CN105301509B (zh) | 锂离子电池荷电状态、健康状态与功率状态的联合估计方法 | |
| CN107402353B (zh) | 一种对锂离子电池的荷电状态进行滤波估计的方法及系统 | |
| CN109633454B (zh) | 一种实现锂离子电池等效温度在线估计的方法 | |
| CN104267261B (zh) | 基于分数阶联合卡尔曼滤波的二次电池简化阻抗谱模型参数在线估计方法 | |
| CN105334462B (zh) | 电池容量损失在线估算方法 | |
| 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 | |
| CN110687462B (zh) | 一种动力电池soc与容量全生命周期联合估计方法 | |
| CN110208703A (zh) | 基于温度修正的复合等效电路模型对荷电状态估计的方法 | |
| CN111581904A (zh) | 考虑循环次数影响的锂电池soc及soh协同估算方法 | |
| CN106324521B (zh) | 一种联合估计动力电池系统参数与荷电状态的方法 | |
| CN108445402A (zh) | 一种锂离子动力电池荷电状态估计方法及系统 | |
| CN111190109B (zh) | 一种无电流传感器的锂电池荷电状态估计方法 | |
| CN105548896A (zh) | 基于n-2rc模型的动力电池soc在线闭环估计方法 | |
| CN106772067A (zh) | 多时间尺度iapf滤波估计动力电池荷电状态与健康状态的方法 | |
| CN114740385B (zh) | 一种自适应的锂离子电池荷电状态估计方法 | |
| CN109669132A (zh) | 一种基于变分贝叶斯滤波的电池荷电状态估计方法 | |
| CN104267354A (zh) | 一种动力电池的峰值功率预测方法 | |
| CN113567861B (zh) | 一种动力电池健康状态的估算方法 | |
| CN107167741A (zh) | 一种基于神经网络的锂电池soc观测方法 | |
| 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系统 | |
| CN111060822A (zh) | 一种基于模型切换及融合的荷电状态估计方法 | |
| CN109752660B (zh) | 一种无电流传感器的电池荷电状态估计方法 |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210727 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |