CN111044908B - 一种基于微片段数据和电压滤波的ocv在线计算方法 - Google Patents
一种基于微片段数据和电压滤波的ocv在线计算方法 Download PDFInfo
- Publication number
- CN111044908B CN111044908B CN201911349423.3A CN201911349423A CN111044908B CN 111044908 B CN111044908 B CN 111044908B CN 201911349423 A CN201911349423 A CN 201911349423A CN 111044908 B CN111044908 B CN 111044908B
- Authority
- CN
- China
- Prior art keywords
- ocv
- data
- voltage
- value
- filtering
- 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.)
- Active
Links
- 238000001914 filtration Methods 0.000 title claims abstract description 65
- 238000004364 calculation method Methods 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 230000010354 integration Effects 0.000 claims abstract description 9
- 239000012634 fragment Substances 0.000 claims description 16
- 238000012216 screening Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 230000010287 polarization Effects 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 4
- 230000007704 transition Effects 0.000 claims description 4
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 claims description 3
- 229910052744 lithium Inorganic materials 0.000 claims description 3
- 230000006855 networking Effects 0.000 claims description 2
- 238000012360 testing method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 2
- 239000000178 monomer Substances 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005070 sampling Methods 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种基于微片段数据和电压滤波的OCV在线计算方法。该方法为：首先收集温度大于0℃的行车数据，将数据划分为微数据片段，将放电电流值转换为倍率形式，计算方差，标记出方差大于设定阈值M的微数据片段，并对标记的微数据片段进行内阻辨识；然后对放电电压数据进行滤波，当滤波进行到被标记的数据段时，采用Kalman滤波算法；当滤波进行到非标记的数据段时，采用状态方程算法；最后将所有OCV片段转化为“OCV‑斜率”曲线片段，并采用统计方式融合为一条，最后利用积分得到新的OCV曲线。本发明具有成本低、计算简单、准确性高、鲁棒性高的优点。
Description
技术领域
本发明涉及新能源汽车和储能的电池管理系统技术领域，特别是一种基于微片段数据和电压滤波的OCV在线计算方法。
背景技术
电池管理系统作为电动汽车的一个重要组成部分，其难点在于荷电状态SOC的准确估算，而SOC计算离不开开路电压曲线(OCV)。SOC-OCV曲线是电池在SOC标定过程中非常重要的一条曲线，通常在电动汽车运行了一段时间后，在车辆静置一段时间后，BMS会调用这个曲线，对SOC值进行矫正。
传统获得OCV方法是进行开路电压实验测试，整个测试比较繁琐，会消耗许多人力和时间，而且每次测试的结果只能得到特定单体电池在测试环境下的OCV状态曲线。一般在电芯出厂时，每一节单体电池的OCV曲线比较接近，但是随着电池的老化，电池OCV曲线会发生变化，同时由于每一节电池所处的环境不同，每一节电池的OCV曲线会出现差异。
OCV对SOC、SOE、SOP的计算都具有重要的作用，由于OCV会随着电池使用而逐渐出现变化，且传统测试方法必须离线测试，因此亟需一种能够在线获取OCV的方法。
发明内容
本发明的目的在于提供一种成本低、计算简单、准确性高、鲁棒性高的基于微片段数据和电压滤波的OCV在线计算方法。
实现本发明目的的技术解决方案为：一种基于微片段数据和电压滤波的OCV在线计算方法，包括以下步骤：
步骤1、数据筛选：收集温度大于0℃的行车数据；
步骤2、数据标记：将数据划分为微数据片段，将放电电流值转换为倍率形式，计算方差，标记出方差大于设定阈值M的微数据片段；
步骤3、内阻辨识：对标记的微数据片段进行内阻辨识；
步骤4、OCV片段获取：对放电电压数据进行滤波，当滤波进行到被标记的数据段时，采用Kalman滤波算法；当滤波进行到非标记的数据段时，采用状态方程算法；
步骤5、计算OCV：将OCV片段转化为“OCV-斜率”曲线片段，并统计融合为一条完整“OCV-斜率”曲线，最后利用积分得到新的OCV曲线。
进一步地，步骤1所述的数据筛选：收集温度大于0℃的行车数据，具体如下：
步骤1.1、车联网时，将电芯实时的电压、电流数据实时上传到云端存储；
步骤1.2、选取近两个月总放电量超过10*额定容量的数据，若两个月总放电量不足10*额定容量，则扩大选取的时间范围；
步骤1.3、剔除温度小于0℃的放电数据；
步骤1.4、剔除BMS上报采集异常的数据。
进一步地，步骤2所述的数据标记：将数据划分为微数据片段，将放电电流值转换为倍率形式，计算方差，标记出方差大于设定阈值M的微数据片段，具体如下：
步骤2.1、初始放电时间5min以内的数据不需要被标记，将放电的电流数据划分为30s的微数据片段；
步骤2.2、将电流转化为倍率形式，计算公式为(1-1)，其中I是电流，Ca是电芯额定容量，IC是倍率值：
步骤2.3、计算微数据片段的平均倍率，平均倍率小于0.1C和倍率大于0.7C的微数据片段不需要被标记；
步骤2.4、计算剩余微数据片段的方差值，对方差大于阈值M的数据片段进行标记，阈值M的取值范围为0.1-0.5。
进一步地，步骤3所述的内阻辨识：对标记的微数据片段进行内阻辨识，具体如下：
步骤3.1、在标记的微数据片段中，SOC引起的OCV变化能够忽略，即微数据片段中的OCV保持不变，所以该数据片段内，电池输出电压的变化是由放电倍率变化引起的，因此得到等价电池模型为：
V＝I*r+OCV (1-2)
式中，r为电池当前内阻值，该内阻包含极化内阻与欧姆内阻影响，I是汽车电池输出的电流值，OCV是锂电池的开路电压，V为电池输出电压；
步骤3.2、基于上述公式，采用最小二乘法计算每一个被标记的微数据片段对应的内阻r。
进一步地，步骤4所述的OCV片段获取：对放电电压数据进行滤波，当滤波进行到被标记的数据段时，采用Kalman滤波算法；当滤波进行到非标记的数据段时，采用状态方程算法，具体如下：
步骤4.1、根据Ah积分公式，建立OCV的状态方程：
式中，OCVk为需要计算的OCV变量，下标k表示时刻，OCVk-1为上一时刻的OCV变量；Ik-1为上一时刻电流的输入量，Δt为计算周期，Ca为电芯额定容量，SOH0是初始预估的SOH值，OCV是SOC的函数，HSOC是OCV相对于SOC的斜率，ηT为温度影响容量的系数；
步骤4.2、根据电池的等价电池模型，建立OCV计算的观测方程：
Vk＝OCVk+Rk*Ik
Vk是电池当前电压，Ik、Rk分别为当前的电流和当前的内阻；
步骤4.3、在一段完整的放电数据滤波过程中，当滤波进行到非标记数据片段时，采用状态方程算法计算OCV，公式为：
式中，k表示时刻；
当滤波进行到标记数据片段时，采用Kalman的滤波公式计算OCV，公式为：
式中，Q为预估的状态方程的误差的协方差，R为预估的测量方程的误差的协方差，P0＝0，OCV0电压刚上电时的单体电压值，Vk是当前的单体电压采集值，rk是标记数据片段辨识的内阻值，Ik是当前的采集电流值，
和
分别表示OCVk和Pk的过渡值；
步骤4.4、重复步骤4.1～步骤4.3直到电芯放电数据的所有放电曲线被滤波完成，得到不同电压区间范围的OCV数据段。
进一步地，步骤5所述的计算OCV：将OCV片段转化为“OCV-斜率”曲线片段，并统计融合为一条完整“OCV-斜率”曲线，最后利用积分得到新的OCV曲线，具体如下：
步骤5.1、将根据电芯厂家提供的原始OCV曲线，转化为一条“OCV-斜率”曲线片段，纵坐标为容量相对于OCV的斜率值，横坐标为OCV，该OCV的最小值为起始OCV点，最大值为终止OCV点；
步骤5.2、选择一条滤波的OCV片段，通过计算每个电压点的容量-OCV斜率值，将OCV片段转化为“OCV-斜率”曲线片段，具体如下：
步骤5.2.1、在一条OCV片段数据中，选定电压点，该电压点对应时间节点为t，从该时间点向前累计1％的额定容量的电量对应的电压为Vu，向后累计1％的额定容量的电量对应的电压为Vd，则该时间点斜率计算公式为：
式中，Ct即为选中的电压点的斜率值；
步骤5.2.2、通过公式(1-3)计算每个电压点的平均斜率的方式，将一条OCV片段转化为一条“OCV-斜率”曲线片段；
步骤5.3、重复步骤5.2，将所有的OCV片段转化为“OCV-斜率”曲线片段；
步骤5.4、通过计算每个电压点的斜率值平均值，采用将多条“OCV-斜率”曲线片段融合为一条完整的“OCV-斜率”曲线；
步骤5.5、根据融合后的“OCV-斜率”曲线，在起始OCV点到终止OCV点区间范围内积分，得到容量值AhCa；
步骤5.6、当积分的容量值达到AhCa*5％、AhCa*10％、AhCa*15％......AhCa*100％时，记录对应的电压点，此时这些电压点分别对应SOC的5％，10％、15％.....100％，再添加起始OCV点对应SOC为0％，得到新的OCV曲线。
本发明与现有技术相比，其显著优点在于：(1)可以在线计算OCV，不需要对电池包进行拆解，不需要大量测试设备和环境，只需要收集汽车实时运行的数据，方法简单，计算成本低；(2)通过在线计算OCV，可以实时更新每一节电池的当前OCV的情况，为SOX准确性预估提供辅助，准确性高；(3)逻辑简单，采用统计方法处理大量数据，OCV计算结果稳定，鲁棒性高。
附图说明
图1是本发明基于微片段数据和电压滤波的OCV在线计算方法的流程示意图。
图2为本发明实施例中放电电压数据滤波前后的波形图。
图3为本发明实施例中多条OCV片段示意图。
图4为本发明实施例中电芯厂家提供的原始OCV曲线转换的“OCV-斜率”曲线片段图。
图5为本发明实施例中“OCV-斜率”曲线片段图。
图6为本发明实施例中融合后的“OCV-斜率”曲线图。
图7为本发明实施例中“OCV-斜率”曲线的积分图。
具体实施方式
本发明基于微片段数据和电压滤波的OCV在线计算方法，包括以下步骤：
步骤1、数据筛选：收集温度大于0℃的行车数据；
步骤2、数据标记：将数据划分为微数据片段，将放电电流值转换为倍率形式，计算方差，标记出方差大于设定阈值M的微数据片段；
步骤3、内阻辨识：对标记的微数据片段进行内阻辨识；
步骤4、OCV片段获取：对放电电压数据进行滤波，当滤波进行到被标记的数据段时，采用Kalman滤波算法；当滤波进行到非标记的数据段时，采用状态方程算法；
步骤5、计算OCV：将OCV片段转化为“OCV-斜率”曲线片段，并统计融合为一条完整“OCV-斜率”曲线，最后利用积分得到新的OCV曲线。
进一步地，步骤1所述的数据筛选：收集温度大于0℃的行车数据，具体如下：
步骤1.1、车联网时，将电芯实时的电压、电流数据实时上传到云端存储；
步骤1.2、选取近两个月总放电量超过10*额定容量的数据，若两个月总放电量不足10*额定容量，则扩大选取的时间范围；
步骤1.3、剔除温度小于0℃的放电数据；
步骤1.4、剔除BMS上报采集异常的数据。
进一步地，步骤2所述的数据标记：将数据划分为微数据片段，将放电电流值转换为倍率形式，计算方差，标记出方差大于设定阈值M的微数据片段，具体如下：
步骤2.1、初始放电时间5min以内的数据不需要被标记，将放电的电流数据划分为30s的微数据片段；
步骤2.2、将电流转化为倍率形式，计算公式为(1-1)，其中I是电流，Ca是电芯额定容量，IC是倍率值：
步骤2.3、计算微数据片段的平均倍率，平均倍率小于0.1C和倍率大于0.7C的微数据片段不需要被标记；
步骤2.4、计算剩余微数据片段的方差值，对方差大于阈值M的数据片段进行标记，阈值M的取值范围为0.1-0.5。
进一步地，步骤3所述的内阻辨识：对标记的微数据片段进行内阻辨识，具体如下：
步骤3.1、在标记的微数据片段中，SOC引起的OCV变化能够忽略，即微数据片段中的OCV保持不变，所以该数据片段内，电池输出电压的变化是由放电倍率变化引起的，因此得到等价电池模型为：
V＝I*r+OCV (1-2)
式中，r为电池当前内阻值，该内阻包含极化内阻与欧姆内阻影响，I是汽车电池输出的电流值，OCV是锂电池的开路电压，V为电池输出电压；
步骤3.2、基于上述公式，采用最小二乘法计算每一个被标记的微数据片段对应的内阻r。
进一步地，步骤4所述的OCV片段获取：对放电电压数据进行滤波，当滤波进行到被标记的数据段时，采用Kalman滤波算法；当滤波进行到非标记的数据段时，采用状态方程算法，具体如下：
步骤4.1、根据Ah积分公式，建立OCV的状态方程：
式中，OCVk为需要计算的OCV变量，下标k表示时刻，OCVk-1为上一时刻的OCV变量；Ik-1为上一时刻电流的输入量，Δt为计算周期，Ca为电芯额定容量，SOH0是初始预估的SOH值，OCV是SOC的函数，HSOC是OCV相对于SOC的斜率，ηT为温度影响容量的系数；
步骤4.2、根据电池的等价电池模型，建立OCV计算的观测方程：
Vk＝OCVk+Rk*Ik
Vk是电池当前电压，Ik、Rk分别为当前的电流和当前的内阻；
步骤4.3、在一段完整的放电数据滤波过程中，当滤波进行到非标记数据片段时，采用状态方程算法计算OCV，公式为：
式中，k表示时刻；
当滤波进行到标记数据片段时，采用Kalman的滤波公式计算OCV，公式为：
式中，Q为预估的状态方程的误差的协方差，R为预估的测量方程的误差的协方差，P0＝0，OCV0电压刚上电时的单体电压值，Vk是当前的单体电压采集值，rk是标记数据片段辨识的内阻值，Ik是当前的采集电流值，
和
分别表示OCVk和Pk的过渡值；
步骤4.4、重复步骤4.1～步骤4.3直到电芯放电数据的所有放电曲线被滤波完成，得到不同电压区间范围的OCV数据段。
进一步地，步骤5所述的计算OCV：将OCV片段转化为“OCV-斜率”曲线片段，并统计融合为一条完整“OCV-斜率”曲线，最后利用积分得到新的OCV曲线，具体如下：
步骤5.1、将根据电芯厂家提供的原始OCV曲线，转化为一条“OCV-斜率”曲线片段，纵坐标为容量相对于OCV的斜率值，横坐标为OCV，该OCV的最小值为起始OCV点，最大值为终止OCV点；
步骤5.2、选择一条滤波的OCV片段，通过计算每个电压点的容量-OCV斜率值，将OCV片段转化为“OCV-斜率”曲线片段，具体如下：
步骤5.2.1、在一条OCV片段数据中，选定电压点，该电压点对应时间节点为t，从该时间点向前累计1％的额定容量的电量对应的电压为Vu，向后累计1％的额定容量的电量对应的电压为Vd，则该时间点斜率计算公式为：
式中，Ct即为选中的电压点的斜率值；
步骤5.2.2、通过公式(1-3)计算每个电压点的平均斜率的方式，将一条OCV片段转化为一条“OCV-斜率”曲线片段；
步骤5.3、重复步骤5.2，将所有的OCV片段转化为“OCV-斜率”曲线片段；
步骤5.4、通过计算每个电压点的斜率值平均值，采用将多条“OCV-斜率”曲线片段融合为一条完整的“OCV-斜率”曲线；
步骤5.5、根据融合后的“OCV-斜率”曲线，在起始OCV点到终止OCV点区间范围内积分，得到容量值AhCa；
步骤5.6、当积分的容量值达到AhCa*5％、AhCa*10％、AhCa*15％......AhCa*100％时，记录对应的电压点，此时这些电压点分别对应SOC的5％，10％、15％.....100％，再添加起始OCV点对应SOC为0％，得到新的OCV曲线。
下面结合附图和具体实施例对本发明作进一步的详细说明。
实施例
结合图1，本实施例一种基于微片段数据和电压滤波的OCV在线计算方法，包括以下步骤：
步骤1、数据筛选：收集温度大于0℃的行车数据，具体如下：
步骤1.1、车联网时，将某汽车电芯实时的电压、电流数据实时上传到云端存储；
步骤1.2、从云端提取最近两个月的电芯数据，包括电流、单体电压、温度数据，累计剩余数据的放电电量，如果累计电量超过额定容量*10，表示选取的电芯数据有效；如果累计电量小于额定容量*10，则适当扩大选取的时间范围；
步骤1.3、剔除温度小于0℃的放电数据；
步骤1.4、剔除BMS上报采集异常的数据。在汽车行车时，若温度比较低，汽车会启动加热机制，给电池加热，因此大部分行车工况数据是大于0℃的，BMS数据采集异常的情况也是非常罕见情况，因此，虽然筛选数据的过程中会剔除数据，但是剔除的并不多。
步骤2、数据标记：将数据划分为30s的微数据片段，将放电电流值转换为倍率形式，计算方差，标记出方差大于设定阈值M的微数据片段，具体如下：
步骤2.1、筛选目标单体电芯的数据，按照时间，将选取的数据，划分成30s范围的微片段。初始放电时间5min以内的数据，因为初始放电极化内阻并没有完全充分表现出其分压能力，所以要该时间段电池数据不进行标记。
步骤2.2、将电流转化为倍率形式，计算公式为(1-1)，其中I是电流，Ca是电芯额定容量，IC是倍率值：
步骤2.3、为消除放电倍率过高和过低对内阻辨识的影响，因此平均倍率较大和倍率较小的微数据片段不进行标记。计算微数据片段的平均倍率，倍率小于0.1C和倍率大于0.7C的数据片段不进行标记；
步骤2.4、计算剩余微数据片段的方差值，方差越大表示该小段数据越复杂，表现出的电池特性越充分，则内阻值辨识的越准确。对方差大于阈值M的数据片段进行标记，阈值M的取值范围为0.1-0.5。
电动汽车正常使用情况下，绝大部分的行车工况在0.1—0.7C之间，且由于行车工况复杂性，因此每一段完整放电数据中，会有许多的微数据片段被标记出来。
步骤3所述的内阻辨识：对标记的微数据片段进行内阻辨识，具体如下：
步骤3.1、被标记的微数据片段的时间范围是30s，由于存在大于M的方差，该数据片段的平均倍率会在0.5C以下，因此SOC变化率不会超过0.42％。由于SOC变化幅度小，在标记的微数据片段中，SOC引起的OCV变化可以忽略，即微数据片段中的OCV保持不变，所以该数据片段内，电池输出电压的变化是由放电倍率变化引起的。因此可以采用下述的公式做为等价电池模型：
V＝I*r+OCV (1-2)
式中，r为电池当前内阻值，该内阻包含极化内阻与欧姆内阻影响，I是汽车电池的输出电流值，V是电池输出电压；
步骤3.2、基于上述公式，采用最小二乘法计算每一个被标记的微数据片段对应的内阻r，上述公式的拟合也会直接得到该数据片段的OCV值，但是这种OCV波动性较大，不能采用。
步骤4、OCV片段获取：对放电电压数据进行滤波，当滤波进行到被标记的数据段时，采用Kalman滤波算法；当滤波进行到非标记的数据段时，采用状态方程算法，具体如下：
步骤4.1、根据Ah积分公式，建立OCV的状态方程：
式中，OCVk为需要计算的OCV变量，下标k表示时刻，OCVk-1为上一时刻的OCV变量；Ik-1为上一时刻电流为输入量，Δt为计算周期，Ca为额定容量值，SOH0为初始预估的SOH值，OCV(开路电压)是SOC的函数，HSOC是OCV相对于SOC的斜率，ηT为温度影响容量的系数；
步骤4.2、根据电池的等价电池模型，建立OCV计算的观测方程：
Vk＝OCVk+Rk*Ik
式中，Vk为电池当前电压，Ik、Rk分别为当前的电流和内阻；
步骤4.3、在一段完整的放电数据滤波过程中，，当滤波进行到非标记数据片段时，仅仅采用状态方程去滤波计算OCV，公式为：
式中，k表示时刻；
步骤4.4、当滤波进行到标记数据片段时，采用Kalman的滤波公式计算OCV，公式为：
式中，Q为预估的状态方程的误差的协方差，R为预估的测量方程的误差的协方差，P0＝0，OCV0电压刚上电时的单体电压值，Vk是当前的单体电压采集值，rk是标记数据片段辨识的内阻值，Ik是当前的采集电流值，
和
分别表示OCVk和Pk的过渡值；一段完整的放电数据被滤波前后，形式如图2所示。
步骤4.5、重复步骤4.1～步骤4.4直到该电芯数据的所有放电曲线被滤波完成，得到不同区间范围的OCV数据段，如图3所示。
步骤5所述的计算OCV：将OCV片段转化为“OCV-斜率”曲线片段，并统计融合为一条完整“OCV-斜率”曲线，最后利用积分得到新的OCV曲线，具体如下：
步骤5.1、根据电芯厂家提供的OCV曲线，制作第一条“OCV-斜率”曲线，形式如图4所示；
步骤5.2、选择一条滤波的OCV片段，通过计算每个电压点的“容量-OCV”斜率值，将OCV片段转化为“OCV-斜率”曲线片段，结合图5，具体如下：
步骤5.2.1、在一条OCV片段数据中，选定电压点，该电压点对应时间节点为t，从该时间点向前累计1％的额定容量的电量对应的电压为Vu，向后累计1％的额定容量的电量对应的电压为Vd，则该时间点斜率计算公式为：
式中，Ct即为选中的电压点的斜率值；
步骤5.2.2、通过公式(1-3)计算每个电压点的平均斜率的方式，将一条OCV片段转化为一条“OCV-斜率”曲线片段。
步骤5.3、重复步骤5.2～步骤5.2.2，将所有的OCV片段转化为“OCV-斜率”曲线片段，最终结果如图5所示，其中曲线①是厂家提供的OCV曲线转化成的斜率曲线，曲线②-⑤是滤波得到的OCV片段转化的斜率曲线；
步骤5.4、通过计算每个电压点的斜率值平均值，采用将多条“OCV-斜率”曲线片段融合为一条完整的“OCV-斜率”曲线，如图6所示。
步骤5.5、根据融合后的“OCV-斜率”曲线，在起始OCV点到终止OCV点区间范围内积分，得到容量值AhCa。设融合后的“OCV-斜率”曲线，起始OCV电压点为3.205,终止OCV电压点4.156。从电压点3.205开始对斜率曲线进行积分，积分到电压点4.156，此时的积分值为AhCa，该值可以认为是电池在采样周期中内的平均容量，如图7所示。
步骤5.6、设AhCa＝145Ah，当积分的容量值达到AhCa*5％、AhCa*10％、AhCa*15％......AhCa*100％时，记录对应的电压点，此时这些电压点分别对应SOC的5％，10％、15％.....100％，再添加起始OCV点对应SOC为0％，得到新的OCV曲线，具体如下：
计算AhCa的5％：145*0.05＝7.25Ah
计算AhCa的10％为：145*0.1＝14.5Ah
…
计算AhCa的100％为：145*1＝145Ah
根据融合后的“OCV-斜率”曲线片段，从起始OCV点3.205开始积分，积分量为7.25Ah时，OCV电压点为3.275，对应SOC为5％；
积分量为14.5Ah时，OCV电压点为3.32，对应SOC为10％；
…
积分量为145Ah时，OCV电压点为4.156，对应SOC为100％。
结合起始OCV点3.205，对应SOC为0％，绘制最新的OCV曲线，结果如表1所示。
表1 OCV曲线
| SOC | OCV |
| 0％ | 3.205 |
| 5％ | 3.275 |
| 10％ | 3.32 |
| 15％ | 3.357 |
| 20％ | 3.388 |
| 25％ | 3.418 |
| 30％ | 3.435 |
| 35％ | 3.449 |
| 40％ | 3.466 |
| 45％ | 3.489 |
| 50％ | 3.538 |
| 55％ | 3.57 |
| 60％ | 3.624 |
| 65％ | 3.676 |
| 70％ | 3.74 |
| 75％ | 3.782 |
| 80％ | 3.842 |
| 85％ | 3.915 |
| 90％ | 3.962 |
| 95％ | 4.023 |
| 100％ | 4.156 |
综上所述，本发明可以在线计算OCV，不需要对电池包进行拆解，不需要大量测试设备和环境，只需要收集汽车实时运行的数据，方法简单，计算成本低；通过在线计算OCV，可以实时更新每一节电池的当前OCV的情况，为SOX准确性预估提供辅助，准确性高；逻辑简单，采用统计方法处理大量数据，OCV计算结果稳定，鲁棒性高。
Claims (5)
1.一种基于微片段数据和电压滤波的OCV在线计算方法，其特征在于，包括以下步骤：
步骤1、数据筛选：收集温度大于0℃的行车数据；
步骤2、数据标记：将数据划分为微数据片段，将放电电流值转换为倍率形式，计算方差，标记出方差大于设定阈值M的微数据片段；
步骤3、内阻辨识：对标记的微数据片段进行内阻辨识；
步骤4、OCV片段获取：对放电电压数据进行滤波，当滤波进行到被标记的数据段时，采用Kalman滤波算法；当滤波进行到非标记的数据段时，采用状态方程算法；
步骤5、计算OCV：将OCV片段转化为“OCV-斜率”曲线片段，并统计融合为一条完整“OCV-斜率”曲线，最后利用积分得到新的OCV曲线，具体如下：
步骤5.1、将根据电芯厂家提供的原始OCV曲线，转化为一条“OCV-斜率”曲线片段，纵坐标为容量相对于OCV的斜率值，横坐标为OCV，该OCV的最小值为起始OCV点，最大值为终止OCV点；
步骤5.2、选择一条滤波的OCV片段，通过计算每个电压点的容量-OCV斜率值，将OCV片段转化为“OCV-斜率”曲线片段，具体如下：
步骤5.2.1、在一条OCV片段数据中，选定电压点，该电压点对应时间节点为t，从该时间点向前累计1％的额定容量的电量对应的电压为Vu，向后累计1％的额定容量的电量对应的电压为Vd，则该时间点斜率计算公式为：
式中，Ct即为选中的电压点的斜率值；
步骤5.2.2、通过公式(1-3)计算每个电压点的平均斜率的方式，将一条OCV片段转化为一条“OCV-斜率”曲线片段；
步骤5.3、重复步骤5.2，将所有的OCV片段转化为“OCV-斜率”曲线片段；
步骤5.4、通过计算每个电压点的斜率值平均值，采用将多条“OCV-斜率”曲线片段融合为一条完整的“OCV-斜率”曲线；
步骤5.5、根据融合后的“OCV-斜率”曲线，在起始OCV点到终止OCV点区间范围内积分，得到容量值AhCa；
步骤5.6、当积分的容量值达到AhCa*5％、AhCa*10％、AhCa*15％......AhCa*100％时，记录对应的电压点，此时这些电压点分别对应SOC的5％，10％、15％.....100％，再添加起始OCV点对应SOC为0％，得到新的OCV曲线。
2.根据权利要求1所述的基于微片段数据和电压滤波的OCV在线计算方法，其特征在于，步骤1所述的数据筛选：收集温度大于0℃的行车数据，具体如下：
步骤1.1、车联网时，将电芯实时的电压、电流数据实时上传到云端存储；
步骤1.2、选取近两个月总放电量超过10*额定容量的数据，若两个月总放电量不足10*额定容量，则扩大选取的时间范围；
步骤1.3、剔除温度小于0℃的放电数据；
步骤1.4、剔除BMS上报采集异常的数据。
3.根据权利要求1所述的基于微片段数据和电压滤波的OCV在线计算方法，其特征在于，步骤2所述的数据标记：将数据划分为微数据片段，将放电电流值转换为倍率形式，计算方差，标记出方差大于设定阈值M的微数据片段，具体如下：
步骤2.1、初始放电时间5min以内的数据不需要被标记，将放电的电流数据划分为30s的微数据片段；
步骤2.2、将电流转化为倍率形式，计算公式为(1-1)，其中I是电流，Ca是电芯额定容量，IC是倍率值：
步骤2.3、计算微数据片段的平均倍率，平均倍率小于0.1C和倍率大于0.7C的微数据片段不需要被标记；
步骤2.4、计算剩余微数据片段的方差值，对方差大于阈值M的数据片段进行标记，阈值M的取值范围为0.1-0.5。
4.根据权利要求1所述的基于微片段数据和电压滤波的OCV在线计算方法，其特征在于，步骤3所述的内阻辨识：对标记的微数据片段进行内阻辨识，具体如下：
步骤3.1、在标记的微数据片段中，SOC引起的OCV变化能够忽略，即微数据片段中的OCV保持不变，所以该数据片段内，电池输出电压的变化是由放电倍率变化引起的，因此得到等价电池模型为：
V＝I*r+OCV (1-2)
式中，r为电池当前内阻值，该内阻包含极化内阻与欧姆内阻影响，I是汽车电池输出的电流值，OCV是锂电池的开路电压，V为电池输出电压；
步骤3.2、基于上述公式，采用最小二乘法计算每一个被标记的微数据片段对应的内阻r。
5.根据权利要求1所述的基于微片段数据和电压滤波的OCV在线计算方法，其特征在于，步骤4所述的OCV片段获取：对放电电压数据进行滤波，当滤波进行到被标记的数据段时，采用Kalman滤波算法；当滤波进行到非标记的数据段时，采用状态方程算法，具体如下：
步骤4.1、根据Ah积分公式，建立OCV的状态方程：
式中，OCVk为需要计算的OCV变量，下标k表示时刻，OCVk-1为上一时刻的OCV变量；Ik-1为上一时刻电流的输入量，Δt为计算周期，Ca为电芯额定容量，SOH0是初始预估的SOH值，OCV是SOC的函数，HSOC是OCV相对于SOC的斜率，ηT为温度影响容量的系数；
步骤4.2、根据电池的等价电池模型，建立OCV计算的观测方程：
Vk＝OCVk+Rk*Ik
Vk是电池当前电压，Ik、Rk分别为当前的电流和当前的内阻；
步骤4.3、在一段完整的放电数据滤波过程中，当滤波进行到非标记数据片段时，采用状态方程算法计算OCV，公式为：
式中，k表示时刻；
当滤波进行到标记数据片段时，采用Kalman的滤波公式计算OCV，公式为：
式中，Q为预估的状态方程的误差的协方差，R为预估的测量方程的误差的协方差，P0＝0，OCV0电压刚上电时的单体电压值，Vk是当前的单体电压采集值，rk是标记数据片段辨识的内阻值，Ik是当前的采集电流值，
和
分别表示OCVk和Pk的过渡值；
步骤4.4、重复步骤4.1～步骤4.3直到电芯放电数据的所有放电曲线被滤波完成，得到不同电压区间范围的OCV数据段。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911349423.3A CN111044908B (zh) | 2019-12-24 | 2019-12-24 | 一种基于微片段数据和电压滤波的ocv在线计算方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911349423.3A CN111044908B (zh) | 2019-12-24 | 2019-12-24 | 一种基于微片段数据和电压滤波的ocv在线计算方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111044908A CN111044908A (zh) | 2020-04-21 |
| CN111044908B true CN111044908B (zh) | 2022-06-14 |
Family
ID=70239090
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911349423.3A Active CN111044908B (zh) | 2019-12-24 | 2019-12-24 | 一种基于微片段数据和电压滤波的ocv在线计算方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111044908B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114779111B (zh) * | 2022-04-29 | 2024-10-01 | 重庆长安新能源汽车科技有限公司 | 电池静态开路电压有效性的判断方法、装置、计算机可读存储介质及车辆 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008298786A (ja) * | 2001-08-13 | 2008-12-11 | Hitachi Maxell Ltd | 電池容量検出方法 |
| CN103941196A (zh) * | 2014-05-07 | 2014-07-23 | 吉林大学 | 锂离子电池荷电状态估计方法 |
| CN104656030A (zh) * | 2015-02-02 | 2015-05-27 | 王金全 | 一种适合液流电池soc-ocv曲线标定的方法 |
| CN105301510A (zh) * | 2015-11-12 | 2016-02-03 | 北京理工大学 | 一种电池老化参数辨识方法 |
| CN105319512A (zh) * | 2014-07-30 | 2016-02-10 | 三星电子株式会社 | 用于估计电池的状态的方法和设备 |
| 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 |
| CN107102268A (zh) * | 2017-04-24 | 2017-08-29 | 国网江苏省电力公司泰州供电公司 | 一种电池管理系统的电池充电倍率估算方法 |
| CN107741569A (zh) * | 2017-11-16 | 2018-02-27 | 温州大学 | 一种基于分段扩展卡尔曼滤波的锂电池荷电状态的估算方法 |
| CN108802621A (zh) * | 2018-05-08 | 2018-11-13 | 中国电力科学研究院有限公司 | 一种基于大数据对电池的状态进行评估的方法及系统 |
| CN109669134A (zh) * | 2019-02-27 | 2019-04-23 | 浙江科技学院 | 一种基于卡尔曼滤波法的soc的估算方法 |
| CN109901083A (zh) * | 2019-04-01 | 2019-06-18 | 北京理工大学 | 一种动力电池ocv曲线在线重构方法 |
| CN109975713A (zh) * | 2019-04-12 | 2019-07-05 | 苏州正力蔚来新能源科技有限公司 | 一种考虑多因素影响的动力电池soh估算方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100804698B1 (ko) * | 2006-06-26 | 2008-02-18 | 삼성에스디아이 주식회사 | 배터리 ｓｏｃ 추정 방법 및 이를 이용하는 배터리 관리시스템 및 구동 방법 |
| CN100492751C (zh) * | 2007-03-09 | 2009-05-27 | 清华大学 | 基于标准电池模型的镍氢动力电池荷电状态的估计方法 |
| KR101767635B1 (ko) * | 2014-10-24 | 2017-08-14 | 주식회사 엘지화학 | 이차 전지의 충전 상태 추정 장치 및 그 방법 |
| KR102356475B1 (ko) * | 2015-02-06 | 2022-01-27 | 삼성전자주식회사 | 배터리의 충전 전압 데이터에 기반한 배터리 상태 추정 방법 및 장치 |
| CN105158698B (zh) * | 2015-08-28 | 2017-12-22 | 江苏大学 | 基于充电电压曲线的电池组健康状态在线估算方法 |
| CN110596606B (zh) * | 2019-08-23 | 2021-07-20 | 中国科学院电工研究所 | 一种锂电池剩余电量估计方法、系统及装置 |
-
2019
- 2019-12-24 CN CN201911349423.3A patent/CN111044908B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008298786A (ja) * | 2001-08-13 | 2008-12-11 | Hitachi Maxell Ltd | 電池容量検出方法 |
| CN103941196A (zh) * | 2014-05-07 | 2014-07-23 | 吉林大学 | 锂离子电池荷电状态估计方法 |
| CN105319512A (zh) * | 2014-07-30 | 2016-02-10 | 三星电子株式会社 | 用于估计电池的状态的方法和设备 |
| CN104656030A (zh) * | 2015-02-02 | 2015-05-27 | 王金全 | 一种适合液流电池soc-ocv曲线标定的方法 |
| CN105301510A (zh) * | 2015-11-12 | 2016-02-03 | 北京理工大学 | 一种电池老化参数辨识方法 |
| 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 |
| CN107102268A (zh) * | 2017-04-24 | 2017-08-29 | 国网江苏省电力公司泰州供电公司 | 一种电池管理系统的电池充电倍率估算方法 |
| CN107741569A (zh) * | 2017-11-16 | 2018-02-27 | 温州大学 | 一种基于分段扩展卡尔曼滤波的锂电池荷电状态的估算方法 |
| CN108802621A (zh) * | 2018-05-08 | 2018-11-13 | 中国电力科学研究院有限公司 | 一种基于大数据对电池的状态进行评估的方法及系统 |
| CN109669134A (zh) * | 2019-02-27 | 2019-04-23 | 浙江科技学院 | 一种基于卡尔曼滤波法的soc的估算方法 |
| CN109901083A (zh) * | 2019-04-01 | 2019-06-18 | 北京理工大学 | 一种动力电池ocv曲线在线重构方法 |
| CN109975713A (zh) * | 2019-04-12 | 2019-07-05 | 苏州正力蔚来新能源科技有限公司 | 一种考虑多因素影响的动力电池soh估算方法 |
Non-Patent Citations (3)
| Title |
|---|
| An improved adaptive estimator for state-of-charge estimation of lithium-ion batteries;Wenjie Zhang et.al;《Journal of Power Sources》;20181231;第402卷;第422-433页 * |
| 基于KF的锂离子电池SOC估计的模型误差研究;穆嘉毅;《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》;20191115(第11期);第C035-366页 * |
| 基于数据片段的电动车锂电池参数辨识方法;高玮;《中国优秀博硕士学位论文全文数据库(博士)工程科技Ⅱ辑》;20190915(第09期);第C035-20页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111044908A (zh) | 2020-04-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108732503B (zh) | 一种电池健康状态与电池容量检测方法及装置 | |
| CN103472403B (zh) | 一种基于pngv等效电路模型的动力电池soc复合估计方法 | |
| CN108717164B (zh) | 电池的荷电状态soc标定方法及系统 | |
| CN104678316B (zh) | 锂离子电池荷电状态估算方法和装置 | |
| WO2016134496A1 (zh) | 锂离子电池荷电状态估算方法和装置 | |
| CN109669131B (zh) | 一种工况环境下动力电池soc估算方法 | |
| CN109031133B (zh) | 一种动力电池的soc修正方法 | |
| CN109358293B (zh) | 基于ipf的锂离子电池soc估计方法 | |
| CN105353313A (zh) | 电池荷电状态的估算方法和装置 | |
| CN105021996A (zh) | 储能电站bms的电池soh估算方法 | |
| CN110967638A (zh) | 电池的剩余可用能量估算方法、装置、系统和存储介质 | |
| CN103797374A (zh) | 用于电池监控的系统和方法 | |
| CN112158105A (zh) | 新能源汽车动力电池soh评估装置、方法及系统 | |
| CN112540318B (zh) | 一种起动内燃机的铅酸蓄电池健康状态估算方法 | |
| CN107783057B (zh) | 一种动力电池soc估算方法及估算系统 | |
| CN111190109A (zh) | 一种无电流传感器的锂电池荷电状态估计方法 | |
| CN110687462A (zh) | 一种动力电池soc与容量全生命周期联合估计方法 | |
| CN105891723A (zh) | 一种基于有效可充放电容量的电池soc计算方法 | |
| CN111044907B (zh) | 一种基于微片段数据和电压滤波的soh统计方法 | |
| Qiu et al. | Battery hysteresis modeling for state of charge estimation based on Extended Kalman Filter | |
| CN109298340B (zh) | 一种基于可变时间尺度的电池容量在线估计方法 | |
| CN113125967A (zh) | 一种基于温升预测的锂电池soe计算方法 | |
| CN110716141A (zh) | 一种基于扩展卡尔曼滤波的电池荷电状态估计方法 | |
| CN110632520A (zh) | 一种动力电池soc的估算装置及其估算方法 | |
| CN113740735A (zh) | 一种锂离子电池soc估计的方法 |
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 |