FR3121754A1 - MOTOR VEHICLE TRACTION BATTERY CHARGE STATE ESTIMATION SYSTEM, METHOD AND VEHICLE COMPRISING SUCH A SYSTEM - Google Patents
MOTOR VEHICLE TRACTION BATTERY CHARGE STATE ESTIMATION SYSTEM, METHOD AND VEHICLE COMPRISING SUCH A SYSTEM Download PDFInfo
- Publication number
- FR3121754A1 FR3121754A1 FR2103591A FR2103591A FR3121754A1 FR 3121754 A1 FR3121754 A1 FR 3121754A1 FR 2103591 A FR2103591 A FR 2103591A FR 2103591 A FR2103591 A FR 2103591A FR 3121754 A1 FR3121754 A1 FR 3121754A1
- Authority
- FR
- France
- Prior art keywords
- charge
- current
- state
- battery
- estimation
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 210000002569 neuron Anatomy 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 description 14
- 150000002500 ions Chemical class 0.000 description 7
- 239000002245 particle Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000005096 rolling process Methods 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 238000007430 reference method Methods 0.000 description 2
- 238000004146 energy storage Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000945 filler Substances 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training 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]
- G01R31/367—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
- G01R31/3828—Arrangements for monitoring battery or accumulator variables, e.g. SoC using current integration
- G01R31/3832—Arrangements for monitoring battery or accumulator variables, e.g. SoC using current integration without measurement of battery voltage
- G01R31/3833—Arrangements for monitoring battery or accumulator variables, e.g. SoC using current integration without measurement of battery voltage using analog integrators, e.g. coulomb-meters
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
L’invention concerne un système d’estimation (3a) d’un état de charge d’une batterie de traction (1) de véhicule automobile (5), le système comprenant - des données expérimentales de paramètres de fonctionnement de la batterie (1), et d’états de charges correspondants ; - un modèle d’estimation de l’état de charge actuel à partir d’un état de charge précédent, de paramètres de fonctionnement actuels de batterie (1) et desdites données expérimentales, les paramètres de fonctionnement comprenant une intégrale de courant sur un horizon passé. L’invention porte en outre sur un procédé et véhicule comprenant un tel système. Figure 1 The invention relates to a system for estimating (3a) a state of charge of a traction battery (1) of a motor vehicle (5), the system comprising - experimental data on battery operating parameters (1), and corresponding states of charge; - a model for estimating the current state of charge from a previous state of charge, current battery operating parameters (1) and said experimental data, the operating parameters comprising a current integral over a past horizon. The invention further relates to a method and vehicle comprising such a system. Figure 1
Description
L’invention se rapporte au domaine des systèmes et procédés d’estimation d’état de charge de batterie, en particulier pour une batterie de traction de véhicule automobile, plus particulièrement pour un véhicule hybride ou électrique.The invention relates to the field of battery charge state estimation systems and methods, in particular for a motor vehicle traction battery, more particularly for a hybrid or electric vehicle.
Les véhicules automobiles comportant une batterie de traction ont besoin d’une gestion poussée de l’autonomie. Ainsi, une estimation au plus juste de l’état de charge est un point crucial pour l’utilisateur, notamment en termes de confort, d’utilisation d’autres dispositifs électriques du véhicule automobile, et d’estimation précise du vieillissement de la batterie.Motor vehicles with a traction battery need advanced range management. Thus, an accurate estimation of the state of charge is a crucial point for the user, in particular in terms of comfort, use of other electrical devices of the motor vehicle, and precise estimation of the aging of the battery. .
À l’heure actuelle, deux mécanismes permettent l’estimation de l’état de charge. Le premier mécanisme a trait à une estimation en cours de fonctionnement. Lorsque le véhicule est en fonctionnement, on intègre le courant de charge ou de décharge de la batterie. Le résultat de l’intégrale donne la variation d’énergie dans la batterie, et donc l’état de charge actuel du véhicule (ou SOC : State of Charge en anglais).At present, two mechanisms allow the estimation of the state of charge. The first mechanism relates to in-run estimation. When the vehicle is in operation, the charging or discharging current of the battery is integrated. The result of the integral gives the variation in energy in the battery, and therefore the current state of charge of the vehicle (or SOC: State of Charge in English).
Cependant les incertitudes de mesures de courant induisent des erreurs d’estimation d’état de charge non négligeables.However, current measurement uncertainties induce significant state of charge estimation errors.
Le deuxième mécanisme a trait à une estimation à l’arrêt du véhicule. En effet, l’état de charge est l’image de la concentration moyenne d’ions au sein des particules constituant des électrodes. La tension est l’image de la concentration d’ions en surface de ces particules. Lors du fonctionnement, la concentration est inhomogène et varie d’abord sur une couche périphérique de ces particules constituant des électrodes, avant que la variation ne se diffuse vers l’intérieur. Lors de l’arrêt du véhicule, il n’y a plus de sollicitation de la batterie et la concentration en ions s’homogénéise spatialement dans les électrodes. La concentration surfacique devient alors progressivement égale à la concentration moyenne, qui est l’image de l’état de charge.The second mechanism relates to an estimate when the vehicle is stationary. Indeed, the state of charge is the image of the average concentration of ions within the particles constituting the electrodes. The voltage is the image of the concentration of ions on the surface of these particles. During operation, the concentration is inhomogeneous and varies first on a peripheral layer of these particles constituting electrodes, before the variation diffuses inwards. When the vehicle stops, there is no longer any demand on the battery and the concentration of ions is spatially homogenized in the electrodes. The surface concentration then gradually becomes equal to the average concentration, which is the image of the state of charge.
Lors de ce phénomène physique, la tension que l’on mesure aux bornes d’une cellule va varier pour converger vers une valeur fixe : la tension en circuit ouvert (OCV : open-circuit voltage). Ce phénomène est appelé « relaxation de la tension ». À l’issue de la relaxation, la concentration en ions s’est totalement homogénéisée dans chacune des électrodes, et la concentration surfacique est devenue égale à la concentration moyenne. À partir de cet instant, il est possible d’estimer l’état de charge (image de la concentration moyenne) en mesurant la tension en circuit ouvert (OCV - image de la concentration surfacique) et en se référant à une cartographie liant tension et état de charge propre à la batterie, connu au préalable.During this physical phenomenon, the voltage measured at the terminals of a cell will vary to converge towards a fixed value: the open-circuit voltage (OCV: open-circuit voltage). This phenomenon is called “tension relaxation”. At the end of the relaxation, the ion concentration is completely homogenized in each of the electrodes, and the surface concentration has become equal to the average concentration. From this moment, it is possible to estimate the state of charge (image of the average concentration) by measuring the open circuit voltage (OCV - image of the surface concentration) and by referring to a map linking voltage and state of charge specific to the battery, known beforehand.
Le défaut de cette méthode est qu’elle ne peut être appliquée qu’après l’arrêt du véhicule en patientant potentiellement plusieurs minutes. Cependant, la précision de la mesure de la tension selon cette deuxième méthode est meilleure que celle du courant selon la première méthode.The drawback of this method is that it can only be applied after stopping the vehicle, potentially waiting several minutes. However, the precision of the voltage measurement according to this second method is better than that of the current according to the first method.
Malheureusement, l’intégration du courant pendant le roulage selon la première méthode présente un problème de précision. L’estimation de l’état de charge (SOC) par la mesure de la tension en circuit ouvert (OCV) selon la deuxième méthode ne peut être réalisée qu’après relaxation de la tension, et ne peut donc pas être utilisée en cours de roulage.Unfortunately, the integration of the current during taxiing according to the first method presents an accuracy problem. Estimation of the state of charge (SOC) by measuring the open circuit voltage (OCV) according to the second method can only be carried out after relaxation of the voltage, and therefore cannot be used during rolling.
Un premier objectif de la présente invention est de proposer une solution permettant d’avoir une estimation de l’état de charge précise quelle que soit la situation du véhicule automobile, en particulier en cours de fonctionnement.A first objective of the present invention is to propose a solution making it possible to have an estimate of the precise state of charge whatever the situation of the motor vehicle, in particular during operation.
Un deuxième objectif est de proposer une méthode simple d’estimation de l’état de charge de la batterie complète tenant compte de la concentration à la surface et à l’intérieur de la batterie.A second objective is to propose a simple method for estimating the state of charge of the complete battery taking into account the concentration on the surface and inside the battery.
Pour atteindre ces objectifs, l’invention propose un système d’estimation d’un état de charge d’une batterie de traction, de véhicule automobile, le système comprenant
- des données expérimentales de paramètres de fonctionnement de la batterie, et d’états de charges correspondants ;
- un modèle d’estimation de l’état de charge actuel à partir d’un état de charge précédent, de paramètres de fonctionnement actuels de batterie et desdites données expérimentales,
les paramètres de fonctionnement comprenant une intégrale de courant sur un horizon passé.To achieve these objectives, the invention proposes a system for estimating a state of charge of a motor vehicle traction battery, the system comprising
- experimental data on battery operating parameters, and corresponding states of charge;
- a model for estimating the current state of charge from a previous state of charge, current battery operating parameters and said experimental data,
the operating parameters comprising a current integral over a past horizon.
En particulier, l’invention propose d’appliquer un modèle pour estimer l’état de charge dans la batterie sur la base d’une une méthode de type statistique : après un apprentissage sur une quantité suffisante de données, un algorithme est capable d’estimer l’état de charge courant du véhicule à partir de certaines informations sur le fonctionnement du véhicule.In particular, the invention proposes to apply a model to estimate the state of charge in the battery on the basis of a statistical type method: after learning on a sufficient quantity of data, an algorithm is capable of estimating the current state of charge of the vehicle from certain information on the operation of the vehicle.
Avantageusement, la prise en compte de l’intégrale du courant sur un horizon passé permet d’inclure le comportement complet de la batterie dans l’estimation, et tenir compte de manière simple des changements de concentrations en ions à la surface et à l’intérieur de la batterie.Advantageously, taking into account the integral of the current over a past horizon makes it possible to include the complete behavior of the battery in the estimate, and to take into account in a simple way the changes in ion concentrations at the surface and at the inside the battery.
Selon d’autres aspects pris isolément, ou combinés selon toutes les combinaisons techniquement réalisables :
- les paramètres de fonctionnement de la batterie sont en outre choisis parmi une tension, une dérivée de la tension, un courant, une dérivée du courant, un paramètre ambiant tel que la température ou plusieurs de ces paramètres ; et/ou
- l’intégrale de courant sur l’horizon passé est relative à environ 120 secondes ; et/ou
- ledit modèle est choisi parmi des modèles basés sur une chaîne de Markov, des cartographies, des fonctions polynomiales ou une combinaison d’au moins deux de ces modèles ; et/ou
- ledit modèle est un modèle d’apprentissage automatique par réseau de neurones ; et/ou
- le modèle d’apprentissage automatique comprend une couche cachée à au moins cinq neurones ; et/ou
- le modèle d’apprentissage automatique comprend trente neurones.According to other aspects taken in isolation, or combined according to all technically feasible combinations:
- the battery operating parameters are also chosen from among a voltage, a derivative of the voltage, a current, a derivative of the current, an ambient parameter such as the temperature or several of these parameters; and or
- the current integral over the past horizon is relative to about 120 seconds; and or
- said model is chosen from models based on a Markov chain, maps, polynomial functions or a combination of at least two of these models; and or
- said model is a neural network machine learning model; and or
- the automatic learning model comprises a hidden layer with at least five neurons; and or
- the machine learning model includes thirty neurons.
L’invention porte en outre sur un procédé d’estimation d’un état de charge d’une batterie de traction de véhicule automobile, le procédé comprenant des étapes pour
- réaliser un modèle d’estimation d’état de charge à partir de données expérimentales de paramètres de fonctionnement de la batterie, et d’états de charges correspondants ;
- mettre en œuvre ledit modèle d’estimation pour estimer un état de charge actuel à partir d’un état de charge précédent, de paramètres de fonctionnement actuels de batterie et desdites données expérimentales,
les paramètres de fonctionnement comprenant une intégrale de courant sur un horizon passé.The invention further relates to a method for estimating a state of charge of a motor vehicle traction battery, the method comprising steps for
- produce a state of charge estimation model from experimental data of operating parameters of the battery, and corresponding states of charge;
- implementing said estimation model to estimate a current state of charge from a previous state of charge, current battery operating parameters and said experimental data,
the operating parameters comprising a current integral over a past horizon.
Un autre objet de l’invention concerne un programme d’ordinateur comprenant des instructions de code de programme pour l’exécution des étapes du procédé d’estimation selon l’invention, lorsque ledit programme fonctionne sur un ordinateur.Another object of the invention relates to a computer program comprising program code instructions for the execution of the steps of the estimation method according to the invention, when said program is running on a computer.
L’invention porte également sur un véhicule automobile comprenant un système d’estimation selon l’invention.The invention also relates to a motor vehicle comprising an estimation system according to the invention.
L’invention sera davantage détaillée par la description de modes de réalisation non limitatifs, et sur la base des figures annexées illustrant des variantes de l’invention, dans lesquelles :
-
-
-
-
-
-
-
-
L’invention concerne un système d’estimation 3a d’un état de charge d’une batterie 1, en particulier une batterie de traction de véhicule automobile 5. Il s’agit par exemple d’un véhicule hybride ou électrique.The invention relates to a system 3a for estimating a state of charge of a battery 1, in particular a motor vehicle traction battery 5. This is for example a hybrid or electric vehicle.
Le système 3a est basé sur un modèle d’estimation qui peut être ou comprendre un modèle statistique donné tel qu’un modèle basé sur une chaîne de Markov, une ou plusieurs cartographies ou des fonctions polynomiales.System 3a is based on an estimation model which can be or include a given statistical model such as a model based on a Markov chain, one or more maps or polynomial functions.
De préférence, le modèle d’estimation est ou comprend un modèle d’apprentissage automatique par réseau de neurones. En particulier, il s’agit d’un modèle d’apprentissage automatique qui comprend une couche cachée à au moins cinq neurones, de préférence de trente neurones.Preferably, the estimation model is or includes a neural network machine learning model. In particular, it is a machine learning model that includes a hidden layer with at least five neurons, preferably thirty neurons.
Le modèle d’estimation peut être une combinaison d’au moins deux de ces modèles, c'est-à-dire que le résultat obtenu avec deux modèles (ou plus) est corrigé ou moyenné pour augmenter davantage la précision. L’invention peut être utilisée conjointement à un autre système d’estimation par exemple basé sur un filtre de Kalman.The estimation model can be a combination of at least two of these models, i.e. the result obtained with two (or more) models is corrected or averaged to further increase the precision. The invention can be used in conjunction with another estimation system, for example based on a Kalman filter.
Le modèle d’estimation est réalisé à partir de données d’entrée qui sont liées aux paramètres de fonctionnement de la batterie 1. Ces paramètres peuvent comprendre une tension, une dérivée de la tension, un courant, une dérivée du courant, un paramètre ambiant tel que la température, une intégrale de courant pendant un temps passé donné (ou horizon passé).The estimation model is produced from input data which are linked to the operating parameters of the battery 1. These parameters may comprise a voltage, a derivative of the voltage, a current, a derivative of the current, an ambient parameter such as temperature, a current integral over a given past time (or past horizon).
L’invention peut être mise en œuvre avec des paramètres supplémentaires liés au fonctionnement de la batterie 1 et/ou des paramétrées ambiants supplémentaires liés à l’environnement de la batterie 1. Les paramètres listés ci-dessus ont l’avantage de pouvoir être facilement mesurés avec précision dans le véhicule automobile 5 (ou issus de mesures dans le véhicule 5).The invention can be implemented with additional parameters linked to the operation of the battery 1 and/or additional ambient parameters linked to the environment of the battery 1. The parameters listed above have the advantage of being able to be easily measured with precision in the motor vehicle 5 (or derived from measurements in the vehicle 5).
Des variations de ces paramètres permettent d’obtenir des données expérimentales portant sur les paramètres de fonctionnement de la batterie 1, ainsi que les états de charge correspondants.Variations of these parameters make it possible to obtain experimental data relating to the operating parameters of the battery 1, as well as the corresponding states of charge.
Une fois les données expérimentales obtenues, elles sont prises en compte dans la mise en œuvre du modèle d’estimation en utilisation dans un véhicule automobile 5 correspondant aux expérimentations.Once the experimental data have been obtained, they are taken into account in the implementation of the estimation model in use in a motor vehicle 5 corresponding to the experiments.
Ainsi, sur la base d’un état de charge précédent, le modèle d’estimation détermine un état de charge actuel, en prenant en compte les paramètres de fonctionnement actuels de batterie 1 et lesdites données expérimentales.Thus, based on a previous state of charge, the estimation model determines a current state of charge, taking into account the current operating parameters of battery 1 and said experimental data.
Selon l’invention, les paramètres de fonctionnement comprenant une intégrale de courant sur un horizon passé, de préférence de 120 secondes.According to the invention, the operating parameters comprising a current integral over a past horizon, preferably 120 seconds.
En particulier, l’invention propose d’appliquer un modèle pour estimer l’état de charge dans la batterie 1 sur la base d’une une méthode de type statistique : après un apprentissage sur une quantité suffisante de données, un algorithme est capable d’estimer l’état de charge courant du véhicule 5 à partir de certaines informations sur le fonctionnement du véhicule 5, en particulier l’état de charge à l’instant précédent, la tension, la dérivée de la tension, le courant et la température à l’instant courant, ainsi que l’intégrale du courant sur les 120 dernières secondes.In particular, the invention proposes to apply a model to estimate the state of charge in the battery 1 on the basis of a method of the statistical type: after learning on a sufficient quantity of data, an algorithm is capable of estimating the current state of charge of the vehicle 5 from certain information on the operation of the vehicle 5, in particular the state of charge at the previous instant, the voltage, the derivative of the voltage, the current and the temperature at the current instant, as well as the integral of the current over the last 120 seconds.
Avantageusement, la prise en compte de l’intégrale du courant sur un horizon passé permet d’inclure le comportement complet de la batterie 1 dans l’estimation, et de tenir compte de manière simple des changements de concentrations en ions à la surface et à l’intérieur de la batterie 1.Advantageously, taking into account the integral of the current over a past horizon makes it possible to include the complete behavior of the battery 1 in the estimate, and to take account in a simple manner of the changes in ion concentrations at the surface and at inside the battery 1.
Plutôt que de se baser uniquement sur la mesure de la tension ou l’intégrale du courant, le système combine ces deux principes de mesure pour obtenir une estimation précise (plus que par l’intégration du courant) et disponible en cours de roulage (contrairement à la mesure de la tension après relaxation).Rather than relying solely on the measurement of the voltage or the integral of the current, the system combines these two measurement principles to obtain an estimate that is precise (more than by integrating the current) and available while driving (unlike to the measurement of tension after relaxation).
Ainsi, la connaissance plus précise de l’état de charge de la batterie 1, permet non seulement davantage de confort pour l’utilisateur, mais également une amélioration de certains aspects du fonctionnement du véhicule 5 par le biais d’un meilleur fonctionnement des algorithmes embarqués, notamment l’estimation de l’autonomie restante, les profils de charge ou encore une amélioration de l’estimation du taux de vieillissement.Thus, the more precise knowledge of the state of charge of the battery 1, allows not only more comfort for the user, but also an improvement of certain aspects of the operation of the vehicle 5 by means of a better operation of the algorithms embedded devices, in particular the estimation of the remaining autonomy, the load profiles or even an improvement in the estimation of the rate of aging.
La
Le système de contrôle 3 comprenant un ou plusieurs calculateurs a pour fonction de contrôler (Ct) la machine électrique 2 sur la base de la demande en couple du conducteur (et sur la base de la consigne fournie par la gestion d’énergie dans le cadre d’un véhicule hybride). Il a également pour fonction de gérer la batterie 1 et notamment d’estimer la charge restante. Il inclut donc le système d’estimation 3a de l’invention.The control system 3 comprising one or more computers has the function of controlling (Ct) the electric machine 2 on the basis of the torque demand of the driver (and on the basis of the setpoint supplied by the energy management within the framework of a hybrid vehicle). It also has the function of managing battery 1 and in particular of estimating the remaining charge. It therefore includes the estimation system 3a of the invention.
Il est possible d’intégrer un courantIà chaque instant pour en déduire la quantité d’énergie prélevée au fur et à mesure par la batterie 1 : c’est la méthode coulombmétrique. Cependant, l’imprécision sur la mesure du courant peut se traduire par une erreur sur l’estimation de l’état de charge pouvant être de l’ordre du pourcent ou plus. Pour améliorer ce résultat, il est possible de prendre en compte l’information fournie par la mesure de tension.It is possible to integrate a current I at each instant to deduce therefrom the quantity of energy gradually drawn off by the battery 1: this is the coulombmetric method. However, the inaccuracy in the measurement of the current can result in an error in the estimation of the state of charge which can be of the order of a percent or more. To improve this result, it is possible to take into account the information provided by the voltage measurement.
La concentration en ions des électrodes va varier dans le temps lors de la charge ou la décharge de la batterie 1. La concentration n’est pas homogène spatialement : en fonctionnement, la concentration va d’abord varier en surface des particules constituant les électrodes, avant de diffuser vers l’intérieur de ces particules. La tension est fonction des concentrations surfaciques des particules constituant les électrodes, et l’état de charge est fonction des concentrations moyennes. S’il est donc impossible en fonctionnement d’estimer l’état de charge de la batterie 1 directement à partir de la mesure de la tension, cette mesure porte toutefois une information pertinente et peut donc être intégrée dans une estimation statistique de l’état de charge selon l’invention.The ion concentration of the electrodes will vary over time when charging or discharging battery 1. The concentration is not spatially homogeneous: in operation, the concentration will first vary at the surface of the particles constituting the electrodes, before diffusing inwards from these particles. The voltage is a function of the surface concentrations of the particles constituting the electrodes, and the state of charge is a function of the average concentrations. If it is therefore impossible in operation to estimate the state of charge of the battery 1 directly from the measurement of the voltage, this measurement nevertheless carries relevant information and can therefore be integrated into a statistical estimate of the state. filler according to the invention.
Le modèle d’estimation peut être réutilisé pour d’autres situations, notamment pour réaliser un apprentissage sur des données de charge ou de charge rapide pour estimer les tensions en circuit ouvert et les états de charge.The estimation model can be reused for other situations, in particular to perform training on charging or fast charging data to estimate open circuit voltages and states of charge.
L’invention concerne également un procédé d’estimation correspondant.The invention also relates to a corresponding estimation method.
Le procédé comprend une étape pour réaliser un modèle d’estimation d’état de charge à partir de données expérimentales de paramètres de fonctionnement de la batterie 1, et d’états de charges correspondants.The method comprises a step for producing a state of charge estimation model from experimental data of operating parameters of the battery 1, and of corresponding states of charge.
Le modèle peut être un modèle du type mathématique et statistique pour estimer l’état de charge à partir d’entrées suivantes correspondant aux paramètres de fonctionnement et d’environnement ambiant de la batterie :
- L’état de charge à l’instant précédent,
- La tension à l’instant présent,
- La dérivée de la tension à l’instant présent,
- Le courant à l’instant présent,
- La température à l’instant présent,
- L’intégrale du courant sur un horizon du passé proche (de préférence d’environ 120s).The model can be a mathematical and statistical type model for estimating the state of charge from the following inputs corresponding to the operating and ambient environment parameters of the battery:
- The state of charge at the previous moment,
- The tension at the present moment,
- The derivative of the tension at the present moment,
- The current at the present moment,
- The temperature at the present moment,
- The integral of the current over a horizon of the near past (preferably around 120s).
Pour réaliser l’apprentissage du modèle on a besoin de données. Pour les obtenir on peut utiliser un modèle haute-fidélité qui est très précis :
- On génère N profils de courants, par exemple en piochant de manière aléatoire des séquences issues de roulages réels ;
- Une fois ces profils générés, on les simule à l’aide du modèle haute-fidélité ;
- À l’issue des N simulations, on a donc N combinaisons d’entrées telles que décrites précédemment, associées à N états de charge correspondants, en sortie.To train the model, we need data. To obtain them, we can use a high-fidelity model which is very precise:
- N current profiles are generated, for example by randomly picking sequences from real rolling;
- Once these profiles have been generated, they are simulated using the high-fidelity model;
- At the end of the N simulations, there are therefore N combinations of inputs as described above, associated with N corresponding states of charge, at the output.
Une fois ces données obtenues, il est possible d’utiliser une méthode d’apprentissage donnée pour réaliser un estimateur de l’état de charge.Once these data are obtained, it is possible to use a given learning method to perform a state of charge estimator.
Ainsi, le procédé comprend une étape pour mettre en œuvre ledit modèle d’estimation pour estimer un état de charge actuel à partir d’un état de charge précédent, de paramètres de fonctionnement actuels de batterie 1 et desdites données expérimentales. Les paramètres de fonctionnement comprennent une intégrale de courant sur un horizon passé comme expliqué plus haut.Thus, the method comprises a step for implementing said estimation model to estimate a current state of charge from a previous state of charge, current operating parameters of battery 1 and said experimental data. The operating parameters include a current integral over a past horizon as explained above.
Une étude a été réalisée avec comme modèle un réseau de neurones avec une couche cachée à 5 neurones, en simulant 500 nouveaux profils de charge, qui n’ont donc pas servi à l’apprentissage. Dans le cadre des essais une erreur de mesure surévaluant le courant de 1% est appliquée.A study was carried out with a model of a neural network with a hidden layer of 5 neurons, by simulating 500 new load profiles, which were therefore not used for learning. As part of the tests, a measurement error overestimating the current by 1% is applied.
La
Malgré l’incertitude de mesure, la quasi-totalité des estimations sont en-dessous de 1% d’erreur. Deux tiers des erreurs sont inférieurs à 0,5% de SOC, ce qui en fait un très bon résultat.Despite the measurement uncertainty, almost all estimates are below 1% error. Two thirds of the errors are less than 0.5% of SOC, which makes it a very good result.
La
La
La méthode de référence coulombmétrique, qui vise uniquement à intégrer le courant rentrant ou sortant de la batterie 1 pour obtenir l’état de charge, accumule les erreurs liées à la mesure et à la modélisation et diverge légèrement au cours de la décharge. De la même façon, cette méthode de référence ne sera pas capable de corriger une erreur dans l’estimation initiale de l’état de charge. Ce point est illustré dans la
L’invention porte également sur un véhicule automobile 5 comprenant un système d’estimation 3a tel que décrit précédemment. Il s’agit par exemple d’un véhicule électrique ou d’un véhicule hybride.The invention also relates to a motor vehicle 5 comprising an estimation system 3a as described above. This is for example an electric vehicle or a hybrid vehicle.
Par ailleurs, le système et le procédé permettent d’estimer un état de charge d’une batterie auxiliaire de véhicule équipé d’une pile à combustible.Furthermore, the system and the method make it possible to estimate a state of charge of an auxiliary battery of a vehicle equipped with a fuel cell.
Claims (10)
- des données expérimentales de paramètres de fonctionnement de la batterie (1), et d’états de charges correspondants ;
- un modèle d’estimation de l’état de charge actuel à partir d’un état de charge précédent, de paramètres de fonctionnement actuels de batterie (1) et desdites données expérimentales,
les paramètres de fonctionnement comprenant une intégrale de courant sur un horizon passé.System for estimating (3a) a state of charge of a traction battery (1) of a motor vehicle (5), the system comprising
- experimental data of operating parameters of the battery (1), and corresponding states of charge;
- a model for estimating the current state of charge from a previous state of charge, current battery operating parameters (1) and said experimental data,
the operating parameters comprising a current integral over a past horizon.
- réaliser un modèle d’estimation d’état de charge à partir de données expérimentales de paramètres de fonctionnement de la batterie (1), et d’états de charges correspondants ;
- mettre en œuvre ledit modèle d’estimation pour estimer un état de charge actuel à partir d’un état de charge précédent, de paramètres de fonctionnement actuels de batterie (1) et desdites données expérimentales,
les paramètres de fonctionnement comprenant une intégrale de courant sur un horizon passé.Method for estimating a state of charge of a traction battery (1) of a motor vehicle (5), the method comprising steps for
- produce a state of charge estimation model from experimental data of operating parameters of the battery (1), and corresponding states of charge;
- implementing said estimation model to estimate a current state of charge from a previous state of charge, current operating parameters of battery (1) and said experimental data,
the operating parameters comprising a current integral over a past horizon.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR2103591A FR3121754A1 (en) | 2021-04-08 | 2021-04-08 | MOTOR VEHICLE TRACTION BATTERY CHARGE STATE ESTIMATION SYSTEM, METHOD AND VEHICLE COMPRISING SUCH A SYSTEM |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR2103591 | 2021-04-08 | ||
| FR2103591A FR3121754A1 (en) | 2021-04-08 | 2021-04-08 | MOTOR VEHICLE TRACTION BATTERY CHARGE STATE ESTIMATION SYSTEM, METHOD AND VEHICLE COMPRISING SUCH A SYSTEM |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| FR3121754A1 true FR3121754A1 (en) | 2022-10-14 |
Family
ID=76283934
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| FR2103591A Withdrawn FR3121754A1 (en) | 2021-04-08 | 2021-04-08 | MOTOR VEHICLE TRACTION BATTERY CHARGE STATE ESTIMATION SYSTEM, METHOD AND VEHICLE COMPRISING SUCH A SYSTEM |
Country Status (1)
| Country | Link |
|---|---|
| FR (1) | FR3121754A1 (en) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102008041300A1 (en) * | 2008-08-18 | 2010-02-25 | Robert Bosch Gmbh | Method and device for determining the state of charge of a rechargeable battery |
| EP3207388A1 (en) * | 2014-10-17 | 2017-08-23 | Jaguar Land Rover Limited | Battery condition monitoring |
| EP3623829A1 (en) * | 2017-10-10 | 2020-03-18 | LG Chem, Ltd. | Apparatus for estimating state-of-charge of secondary battery and method thereof |
| US20200355749A1 (en) * | 2018-01-11 | 2020-11-12 | Semiconductor Energy Laboratory Co., Ltd. | Device detecting abnormality of secondary battery, abnormality detection method, and program |
-
2021
- 2021-04-08 FR FR2103591A patent/FR3121754A1/en not_active Withdrawn
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102008041300A1 (en) * | 2008-08-18 | 2010-02-25 | Robert Bosch Gmbh | Method and device for determining the state of charge of a rechargeable battery |
| EP3207388A1 (en) * | 2014-10-17 | 2017-08-23 | Jaguar Land Rover Limited | Battery condition monitoring |
| EP3623829A1 (en) * | 2017-10-10 | 2020-03-18 | LG Chem, Ltd. | Apparatus for estimating state-of-charge of secondary battery and method thereof |
| US20200355749A1 (en) * | 2018-01-11 | 2020-11-12 | Semiconductor Energy Laboratory Co., Ltd. | Device detecting abnormality of secondary battery, abnormality detection method, and program |
Non-Patent Citations (1)
| Title |
|---|
| ISMAIL MAHMOUD ET AL: "Battery state of charge estimation using an Artificial Neural Network", 2017 IEEE TRANSPORTATION ELECTRIFICATION CONFERENCE AND EXPO (ITEC), IEEE, 22 June 2017 (2017-06-22), pages 342 - 349, XP033129435, DOI: 10.1109/ITEC.2017.7993295 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| FR2956486A1 (en) | IN SITU DIAGNOSTIC METHOD OF BATTERIES BY SPECTROSCOPY OF ELECTROCHEMICAL IMPEDANCE | |
| EP2434304A1 (en) | System and method of in situ battery diagnosis by electrochemical impedance spectroscopy | |
| EP4111219B1 (en) | Method for estimating the state of health of a battery | |
| CA3164286A1 (en) | Evaluation of the maximum real range of an electric vehicle | |
| WO2017207891A1 (en) | Method for estimating the state of health of a battery | |
| EP2775313A1 (en) | Method of determining the residual capacity of a battery | |
| EP3667345A1 (en) | Method for determining the state of health of the cells of a battery | |
| EP2001074B1 (en) | System and method to determine the loss in capacity and energy of a battery determining the output capacity of a battery | |
| EP3870985B1 (en) | Method for determining the state of charge and state of ageing of an electrochemical battery as a function of a mapping of the open circuit voltage | |
| WO2023111409A1 (en) | Method for resetting the state of charge of a battery system | |
| FR3121754A1 (en) | MOTOR VEHICLE TRACTION BATTERY CHARGE STATE ESTIMATION SYSTEM, METHOD AND VEHICLE COMPRISING SUCH A SYSTEM | |
| FR3016219A1 (en) | METHOD FOR ESTIMATING THE SUITABILITY OF A BATTERY FOR PROVIDING A PREDETERMINED POWER PROFILE | |
| FR3121643A1 (en) | AUTOMOBILE VEHICLE TRACTION BATTERY OPEN CIRCUIT VOLTAGE ESTIMATION SYSTEM, METHOD AND VEHICLE COMPRISING SUCH A SYSTEM | |
| WO2023156216A1 (en) | Method for estimating the state of health of an electric or hybrid vehicle battery | |
| EP4445158A1 (en) | Method for determining and resetting the state of charge of the batteries of a hybrid vehicle | |
| FR3009754A1 (en) | DIAGNOSIS OF THE INTERNAL RESISTANCE OF AN ELECTRIC BATTERY | |
| FR3130039A1 (en) | ESTIMATING CELLULAR BATTERY INFORMATION | |
| EP2259080A1 (en) | System and procedure for determining the loss of capacity of a battery | |
| FR3135145A1 (en) | SYSTEM FOR EVALUATING THE STATE OF CHARGE OR VOLTAGE IN AN OPEN CIRCUIT OF A MOTOR VEHICLE BATTERY, METHOD AND PROGRAM BASED ON SUCH A SYSTEM | |
| FR2965361A1 (en) | Method for estimating state of health of lithium-ion battery in e.g. hybrid motor vehicle, involves verifying that variation in voltage is strictly increased or decreased during considered time interval | |
| EP3254885A1 (en) | Method for determining physical features of batteries on board an electric vehicle in accordance with the missions to be carried out | |
| FR3045217A1 (en) | CHARACTERIZATION OF AN ELECTROCHEMICAL BATTERY CELL IN AGING | |
| EP2947471B1 (en) | Method and device for diagnosing the regeneration ability of a battery | |
| FR3152597A1 (en) | METHOD FOR BACKING UP AND RESTORING A BATTERY MANAGEMENT SYSTEM, VEHICLE AND PROGRAM BASED ON SUCH A METHOD | |
| WO2024133725A1 (en) | Predicting the state of health of a battery |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PLFP | Fee payment |
Year of fee payment: 2 |
|
| PLSC | Publication of the preliminary search report |
Effective date: 20221014 |
|
| PLFP | Fee payment |
Year of fee payment: 3 |
|
| ST | Notification of lapse |
Effective date: 20241205 |