亚洲成年人黄色一级片,日本香港三级亚洲三级,黄色成人小视频,国产青草视频,国产一区二区久久精品,91在线免费公开视频,成年轻人网站色直接看

電池荷電狀態(tài)的估計(jì)方法與流程

文檔序號:11132164閱讀:755來源:國知局
電池荷電狀態(tài)的估計(jì)方法與制造工藝

本發(fā)明涉及一種電池荷電狀態(tài)估算方法領(lǐng)域,尤其涉及一種電池荷電狀態(tài)的估計(jì)方法。



背景技術(shù):

電動(dòng)汽車以電能為能量驅(qū)動(dòng)電動(dòng)機(jī)駕駛,替代以汽油為能量來源的傳統(tǒng)汽車,是未來汽車的發(fā)展趨勢,又是國家目前大力發(fā)展的技術(shù),對環(huán)境自然保護(hù)和能源的可持續(xù)利用具有重大意義。

BMS(Battery Management System,電池管理系統(tǒng))作為電動(dòng)汽車的核心,電動(dòng)汽車的“大腦”,是電動(dòng)汽車安全穩(wěn)定運(yùn)行的重要保障。

隨著電池SOH(State Of Health,健康狀態(tài))下降,電池的模型參數(shù)會(huì)隨著發(fā)生變化,內(nèi)部直流阻抗會(huì)變大。而在同一電池組中,各個(gè)單體電池的健康狀態(tài)SOH存在差異性,因此,其內(nèi)部阻抗差異也較大,在電池的某一個(gè)SOH狀態(tài)下測取的電池參數(shù)所建立的電池模型,只能較為精確的預(yù)測當(dāng)前電池的SOH狀態(tài)下所對應(yīng)的荷電狀態(tài)值,無法精準(zhǔn)預(yù)測下一個(gè)SOH狀態(tài)下所對應(yīng)的荷電狀態(tài)值,若采用同一電池模型參數(shù)進(jìn)行卡爾曼濾波算法,會(huì)增大算法的誤差,無法獲得較為精準(zhǔn)的計(jì)算結(jié)果。



技術(shù)實(shí)現(xiàn)要素:

為克服現(xiàn)有技術(shù)存在的不足,本發(fā)明提供一種基于多模型的擴(kuò)展卡爾曼濾波算法的電池荷電狀態(tài)的估計(jì)方法。

本發(fā)明解決技術(shù)問題的技術(shù)方案是提供1.一種電池荷電狀態(tài)的估計(jì)方法,其包括以下的步驟:基于擴(kuò)展卡爾曼濾波算法建立至少兩個(gè)在不同電池SOH下的估計(jì)模型;對所述在不同電池SOH下的估計(jì)模型,進(jìn)行擴(kuò)展卡爾曼濾波算法計(jì)算,獲得與所述在不同電池SOH下的估計(jì)模型對應(yīng)的電池荷電狀態(tài)估計(jì)值;及基于所述電池荷電狀態(tài)估計(jì)值獲得一時(shí)刻在不同電池SOH下的估計(jì)模型各自的權(quán)重值,以得到該時(shí)刻所述電池荷電狀態(tài)的最優(yōu)估計(jì)。

優(yōu)選地,基于擴(kuò)展卡爾曼濾波算法建立至少兩個(gè)在不同電池SOH下的估計(jì)模型具體包括以下步驟:建立基于擴(kuò)展卡爾曼濾波算法的在一電池SOH下的估計(jì)模型;測量獲得至少兩個(gè)不同電池SOH下對應(yīng)的電池參數(shù);將所述電池參數(shù)代入并獲得所需至少兩個(gè)在不同電池SOH下的估計(jì)模型。

優(yōu)選地,基于擴(kuò)展卡爾曼濾波算法的在一電池SOH下的估計(jì)模型為一階RC模型或二階RC模型。

優(yōu)選地,基于擴(kuò)展卡爾曼濾波算法的在一電池SOH下的估計(jì)模型具體表示為:

其中,在公式(Ⅰ)C表示為電容值,R1表示為電容阻抗,ik表示為k時(shí)刻的電流,Δt表示為采樣時(shí)間間隔,ηi表示為庫倫效率,Cn表示為電池的總?cè)萘?,xk可表示為SOCk進(jìn)一步表示為k時(shí)刻的電池荷電狀態(tài),v1,進(jìn)一步表示為t=k時(shí)刻的電池的電容電壓,wk表示為所述電池在測量過程中的噪聲;在公式(Ⅱ)中OCV(SOCk)表示為電池開路電壓與k時(shí)刻的電池荷電狀態(tài)的關(guān)系,vC1,k表示為k時(shí)刻電池的電容電壓,R0表示為電池內(nèi)部的直流內(nèi)阻,qk表示為電池電壓的測量誤差。

優(yōu)選地,所述測量獲得至少兩個(gè)在不同電池SOH下對應(yīng)的電池參數(shù)具體包括以下步驟:確立電池開路電壓和電池荷電狀態(tài)的函數(shù)關(guān)系;基于所述函數(shù)關(guān)系,測量獲得在不同電池SOH下所述電池的內(nèi)部參數(shù)。

優(yōu)選地,所述電池的內(nèi)部參數(shù)包括電池內(nèi)部的直流內(nèi)阻、極化電容或電壓中的一種或多種。

優(yōu)選地,對所述在不同電池SOH下的估計(jì)模型,進(jìn)行擴(kuò)展卡爾曼濾波算法計(jì)算的具體步驟為:分別對在不同電池SOH下的多個(gè)時(shí)刻電池荷電狀態(tài)估計(jì)進(jìn)行迭代運(yùn)算。

優(yōu)選地,對所述在不同電池SOH下的估計(jì)模型,進(jìn)行擴(kuò)展卡爾曼濾波算法計(jì)算的具體步驟為:并行對在不同電池SOH下的多個(gè)時(shí)刻電池荷電狀態(tài)估計(jì)進(jìn)行迭代運(yùn)算。

優(yōu)選地,在對所述在不同電池SOH下的估計(jì)模型,并行進(jìn)行擴(kuò)展卡爾曼濾波算法計(jì)算之后,且在獲得所述在不同電池SOH下的估計(jì)模型中各自的權(quán)重值之前,進(jìn)一步包括:對并行進(jìn)行的擴(kuò)展卡爾曼濾波算法計(jì)算結(jié)果進(jìn)行誤差分析。

優(yōu)選地,在獲得在不同電池SOH下的估計(jì)模型中各自的權(quán)重值之后,通過加權(quán)運(yùn)算得到該時(shí)刻所述電池荷電狀態(tài)的最優(yōu)估計(jì)。

與現(xiàn)有技術(shù)相比,本發(fā)明所提供的一種電池荷電狀態(tài)的估計(jì)方法具有以下的有益效果:

本發(fā)明所提供的電池荷電狀態(tài)的估計(jì)方法其包括先建立至少兩個(gè)在不同電池SOH下的估計(jì)模型,并對該模型進(jìn)行擴(kuò)展卡爾曼濾波算法計(jì)算,獲得在不同電池SOH下的估計(jì)模型對應(yīng)的電池荷電狀態(tài)估計(jì)值,進(jìn)一步獲得某一時(shí)刻在不同電池SOH下的估計(jì)模型各自的權(quán)重值,以得到該時(shí)刻所述電池荷電狀態(tài)的最優(yōu)估計(jì)。采用本發(fā)明所提供的電池荷電狀態(tài)的估計(jì)方法可有效避免現(xiàn)有采用同一電池模型參數(shù)進(jìn)行卡爾曼濾波算法,從而使算法誤差較大的問題,還可進(jìn)一步克服采用同一算法估計(jì)電池組中在不同電池SOH下的電池荷電狀態(tài)造成的準(zhǔn)確度漂移的問題,以增加電池荷電狀態(tài)算法的穩(wěn)定性和可靠性。

【附圖說明】

圖1為本發(fā)明第一實(shí)施例電池荷電狀態(tài)的估計(jì)方法的流程示意圖。

圖2是圖1中所示步驟S101的具體步驟流程示意圖。

圖3是本發(fā)明中所提供的一階RC模型的簡化電路示意圖。

圖4是圖2中所示步驟Q101的具體步驟流程示意圖。

圖5是本發(fā)明中電池開路電壓與電池荷電狀態(tài)之間的函數(shù)關(guān)系曲線示意圖。

圖6是本發(fā)明中所示在一電池SOH下脈沖放電中時(shí)間與對應(yīng)電阻電壓差之間的關(guān)系曲線示意圖。

圖7是本發(fā)明中不同電池SOH下的電池的內(nèi)部參數(shù)之間關(guān)系列表的示意圖。

圖8是本發(fā)明中所提供在不同電池SOH下多模型的電池模型示意圖。

【具體實(shí)施方式】

為了使本發(fā)明的目的,技術(shù)方案及優(yōu)點(diǎn)更加清楚明白,以下結(jié)合附圖及實(shí)施實(shí)例,對本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說明。應(yīng)當(dāng)理解,此處所描述的具體實(shí)施例僅僅用以解釋本發(fā)明,并不用于限定本發(fā)明。

請參閱圖1,本發(fā)明第一實(shí)施例提供一種電池荷電狀態(tài)的估計(jì)方法S10,其包括如下的步驟:

步驟S101,基于擴(kuò)展卡爾曼濾波算法建立至少兩個(gè)不同電池SOH的估計(jì)模型;

步驟S102,對所述在不同電池SOH下的估計(jì)模型,進(jìn)行擴(kuò)展卡爾曼濾波算法計(jì)算,獲得與所述在不同電池SOH下的估計(jì)模型對應(yīng)的電池荷電狀態(tài)估計(jì)值;

步驟S103,基于所述電池荷電狀態(tài)估計(jì)值獲得一時(shí)刻在不同電池SOH下的估計(jì)模型各自的權(quán)重值,以得到該時(shí)刻所述電池荷電狀態(tài)的最優(yōu)估計(jì)。

在本發(fā)明中,所述電池可為如二次鋰離子電池包、鉛酸蓄電池、金屬氫化物/鎳電池、燃料電池等充電裝置中的任一種,在一些優(yōu)選的實(shí)施例中,本發(fā)明所述電池優(yōu)選為二次鋰離子電池。

請參閱圖2,在本發(fā)明一些較為優(yōu)選的實(shí)施例中,上述步驟S101中,具體包括以下步驟:

步驟Q101,建立基于擴(kuò)展卡爾曼濾波算法的在一電池SOH下的估計(jì)模型;

步驟Q102,測量獲得至少兩個(gè)不同電池SOH下對應(yīng)的電池參數(shù);

步驟Q103,將所述電池參數(shù)代入并獲得所需至少在兩個(gè)不同電池SOH下的估計(jì)模型。

在本發(fā)明上述步驟S101中,建立基于擴(kuò)展卡爾曼濾波算法的在某一電池SOH下的估計(jì)模型一般采用戴維寧等效電路,所述基于擴(kuò)展卡爾曼濾波算法的電池荷電狀態(tài)估計(jì)模型具體可為一階RC模型或二階RC模型。

在本發(fā)明一些較為優(yōu)選的實(shí)施例中,為了簡化多模型算法計(jì)算量,采用一階RC模型,如圖3,根據(jù)電路的基爾霍夫定律(Kirchhoff’s Law),電容電壓v1(t)可通過如下微分方程(1)來表示:

解上述微分方程(1)并獲得如下公式(2):

上述公式(2),在t=k時(shí)刻離散化為如下的公式(3):

其中,v1,k+1表示為t=k+1時(shí)刻的電池的電容電壓,C表示為電容值,R1表示為電容阻抗,ik表示為k時(shí)刻的電流,Δt表示為采樣時(shí)間間隔。

電池荷電狀態(tài)對應(yīng)的數(shù)學(xué)模型公式表示為如下公式(4):

上述公式(4)可進(jìn)一步簡化為離散方程:

其中,在上述離散方程(5)中,SOCk表示為k時(shí)刻的電池荷電狀態(tài),SOCk+1表示為k+1時(shí)刻的電池荷電狀態(tài),范圍為0~100%;ηi表示為庫倫效率,一般為取1;Cn表示為電池的總?cè)萘?,單位為mAh。利用SOCk+1和v1,k+1以表示電池待估計(jì)的荷電狀態(tài)狀態(tài)xk+1,并進(jìn)一步向量化為如下公式(6):

其中,在上述公式(6)中,xk可表示為v1,k表示為t=k時(shí)刻的電池的電容電壓,wk表示為所述電池在測量過程中的噪聲,在本發(fā)明中,wk是一個(gè)必然存在的噪聲誤差。

根據(jù)電路的基爾霍夫定律,在本發(fā)明中,所述電池內(nèi)部等效電路模型的對外表現(xiàn)的總電壓為v,對應(yīng)方程為如下公式(7):

v(t)=OCV(SOC(t))-v1(t)-R0i(t) (7)

離散化后為如下公式(8):

vk+1=OCV(SOCk)-vC1,k-R0ik+qk (8)

其中,OCV(SOCk)表示為電池開路電壓與k時(shí)刻的電池荷電狀態(tài)的關(guān)系,在本發(fā)明中所述電池的開路電壓與k時(shí)刻的電池荷電狀態(tài)是一個(gè)可靠穩(wěn)定的關(guān)系,同樣也是電池的重要參數(shù),可對所述電池進(jìn)行測試得出;vC1,k表示為k時(shí)刻電池的電容電壓;R0表示為電池內(nèi)部的直流內(nèi)阻;qk表示為電池電壓的測量誤差,其中,電池電壓v(t)的測量誤差vk是無法避免及消除的,只可能盡量減少。

基述公式(1)-公式(8),可建立獲得在某一SOH狀態(tài)下,所述電池的一階RC等效電路模型,即基于擴(kuò)展卡爾曼濾波算法的在一電池SOH下的估計(jì)模型可具體地表示為如下公式:

如圖4中所示,在本發(fā)明上述步驟Q101中,利用所述估計(jì)模型,測量獲得不同電池SOH下的電池參數(shù)具體可包括如下的步驟:

步驟T101,確立電池開路電壓和電池荷電狀態(tài)的函數(shù)關(guān)系;

步驟T102,基于所述函數(shù)關(guān)系,測量在不同的SOH下所述電池的內(nèi)部參數(shù)。

在本發(fā)明一些具體的實(shí)施例中,所述步驟T101中確立電池開路電壓和電池荷電狀態(tài)之間函數(shù)關(guān)系的步驟具體可為:在所述電池充滿的情況下,以1/20C的電流放電,每次放所述電池中初始充滿狀態(tài)電量的5%后,使所述電池轉(zhuǎn)至開路一次,測量此時(shí)所述電池的開路電壓,得到第一個(gè)記錄數(shù)據(jù)點(diǎn);采用上述方式逐次將所述電池初始充滿的電量完全放完后,記錄得到20個(gè)記錄數(shù)據(jù)點(diǎn);然后同樣以1/20C的電流充電,每次充5%的電量后,使所述電池轉(zhuǎn)至開路一次,測量此時(shí)所述電池的開路電壓,記錄一次數(shù)據(jù)點(diǎn),將同一荷電狀態(tài)的所述電池充電和放電的開路電壓數(shù)據(jù)去平均值得到20個(gè)數(shù)據(jù)點(diǎn),最后將此數(shù)據(jù)用多項(xiàng)式擬合成如圖5中所示的曲線,所述曲線可表示為如擬合成如下公式(9)的多項(xiàng)式形式:

OCV(SOC)=a1SOC4+a2SOC3+a3SOC2+a4SOC+a5 (9)

通過上述的方法,可消除電池極化效應(yīng)的影響,從而獲得準(zhǔn)確度更高的電池開路電壓與電池荷電狀態(tài)之間的關(guān)系。

在本發(fā)明一些實(shí)施例中,所述步驟T102中,所述電池的內(nèi)部參數(shù)包括電池內(nèi)部的直流內(nèi)阻、極化電容、電壓等參數(shù)。

在本發(fā)明一些具體的實(shí)施例中,上述步驟P101可進(jìn)一步為:提供一額定容量為2250mAh的電池,采用小電流放電1/20C,其中,具體的放電電流為112mAh,放電截止到電流小于50mAh為止,此時(shí)可采用安時(shí)積分法計(jì)算出電池的總?cè)萘俊?/p>

在本發(fā)明一些具體的實(shí)施例中,上述步驟P102進(jìn)一步包括選定電池SOH的幾個(gè)狀態(tài),如所述電池SOH狀態(tài)為100%、95%、90%、85%、80%等,在每個(gè)狀態(tài)下測量所述電池的內(nèi)部參數(shù),具體地,在某一個(gè)選定的電池SOH下,采用脈沖放電的形式,如圖6中所示可計(jì)算獲得如下公式(10)與公式(11):

其中,時(shí)間常數(shù)表示τ,△V0表示為電阻R0的電壓差,△V1表示為電阻R1的電壓差。而所述電池的電容可進(jìn)一步表示為在所述電池不同的SOH下重復(fù)相同的實(shí)驗(yàn),可測得其在不同電池SOH下的電池的內(nèi)部參數(shù),具體如圖7中所示。

由于卡爾曼濾波算法相當(dāng)依賴算法模型的準(zhǔn)確性,而算法模型的誤差增大也會(huì)嚴(yán)重影響算法的精度和可靠性;而所述電池內(nèi)部的直流內(nèi)阻和極化電容等參數(shù)都會(huì)隨著電池健康狀態(tài)(SOH)變化,而在電池不同SOH下測量其電池內(nèi)部參數(shù),可有效解決上述的問題,從而提高擴(kuò)展卡爾曼濾波算法的精度和可靠性。

在本發(fā)明一些實(shí)施例中,所述步驟S102中,對所述在不同電池SOH下的估計(jì)模型,進(jìn)行擴(kuò)展卡爾曼濾波算法計(jì)算,獲得與所述在不同電池SOH下估計(jì)模型對應(yīng)的電池荷電狀態(tài)估計(jì)值,具體包括以下的步驟:

本發(fā)明具體采用多模型下的擴(kuò)展卡爾曼濾波算法,其中,所述多模型指在多個(gè)不同電池SOH下測得電池模型參數(shù)。在本發(fā)明中,可獲得在不同電池SOH下對應(yīng)的估計(jì)模型1-m。

具體來說,在不同電池SOH下多模型的電池模型如圖8,yk和ik為k時(shí)刻系統(tǒng)的觀測值,分別為k時(shí)刻的電池電壓和電流。

將上述步驟S101中所獲得的一階RC模型

進(jìn)一步簡化為:

其中,Dk=-R0,yk為k時(shí)刻電池測量電壓,wk和qk為噪聲系數(shù)。

上述算法模型的迭代運(yùn)算過程為:表示為k時(shí)刻電池的先驗(yàn)估計(jì),表示為k時(shí)刻電池的后驗(yàn)估計(jì),其中,后驗(yàn)估計(jì)即為在該k時(shí)刻下電池電荷狀態(tài)的最優(yōu)估計(jì)。

具體地,k=0時(shí)表示所述電池為初始化狀態(tài)。

當(dāng)k=0時(shí)刻,所述電池尚未開始運(yùn)行時(shí),取等于任意的猜測值為最優(yōu)估計(jì),如可為此時(shí)刻依據(jù)擴(kuò)展卡爾曼濾波算法將協(xié)誤差陣的后驗(yàn)估計(jì)取任意較小的數(shù),如可為對所述電池的初始化,這里按實(shí)際情況去猜測值,之后進(jìn)行上述模型的算法迭代會(huì)慢慢收斂到真實(shí)值。

當(dāng)k=1,2,3,……時(shí)刻:

k時(shí)刻電池的狀態(tài)先驗(yàn)估計(jì)更新為:其中為k-1時(shí)刻的后驗(yàn)估計(jì)。

k時(shí)刻的協(xié)方差誤差矩陣的后驗(yàn)估計(jì)更新為:

其中為k-1時(shí)刻的協(xié)方誤差矩陣的后驗(yàn)估計(jì),Σw為則表示為所述電池的過程噪聲的協(xié)方誤差矩陣。

在獲得k時(shí)刻的協(xié)方差誤差矩陣的后驗(yàn)估計(jì)更新之后進(jìn)一步進(jìn)行獲得卡爾曼增益:

其中,Lk為k時(shí)刻的卡爾曼增益,Σv為測量噪聲的協(xié)方誤差矩陣,表示為k時(shí)刻的協(xié)方誤差矩陣的先驗(yàn)估計(jì)。

k時(shí)刻的電池后驗(yàn)估計(jì)狀態(tài)更新為:

通過獲得k時(shí)刻的電池狀態(tài)先驗(yàn)估計(jì)、卡爾曼增益和k時(shí)刻的電壓電流的測量值將更新系統(tǒng)的后驗(yàn)狀態(tài)協(xié)方差后驗(yàn)更新為:

以上5個(gè)方程為擴(kuò)展卡爾曼濾波算法的基本算法過程,基于上述的5個(gè)方程式,可獲得單一與所述在不同電池SOH下的估計(jì)模型對應(yīng)的電池荷電狀態(tài)估計(jì)值。

在本發(fā)明一些實(shí)施例中,對所述在不同電池SOH下的估計(jì)模型,進(jìn)行擴(kuò)展卡爾曼濾波算法計(jì)算的具體步驟為:分別對在不同電池SOH下的多個(gè)時(shí)刻電池荷電狀態(tài)估計(jì)進(jìn)行迭代運(yùn)算;或并行對在不同電池SOH下的多個(gè)時(shí)刻電池荷電狀態(tài)估計(jì)進(jìn)行迭代運(yùn)算。

在本發(fā)明一些優(yōu)選的實(shí)施例中,在對所述在不同電池SOH下的估計(jì)模型,并行進(jìn)行擴(kuò)展卡爾曼濾波算法計(jì)算之后,且在獲得所述在不同電池SOH下的估計(jì)模型中各自的權(quán)重值之前,進(jìn)一步包括:對并行進(jìn)行的擴(kuò)展卡爾曼濾波算法計(jì)算結(jié)果進(jìn)行誤差分析。

基于上述的說明,在本發(fā)明較優(yōu)的實(shí)施例中,對算法模型1-m,同時(shí)輸入k時(shí)刻的觀測值進(jìn)行擴(kuò)展卡爾曼濾波算法并行計(jì)算,然后通過誤差分析,計(jì)算各自的權(quán)重值P(θi|yk),最后通過加權(quán)得到所述電池荷電狀態(tài)的最優(yōu)估計(jì):

其中,表示為第m個(gè)模型的擴(kuò)展卡爾曼濾波算法的估計(jì)值。

在本發(fā)明中,上述步驟S103進(jìn)一步包括在獲得多個(gè)不同電池SOH下的估計(jì)模型對應(yīng)的電池荷電狀態(tài)估計(jì)值之后,基于所述電池荷電狀態(tài)估計(jì)值獲得一時(shí)刻在不同電池SOH下的估計(jì)模型各自的權(quán)重值,以得到該時(shí)刻所述電池荷電狀態(tài)的最優(yōu)估計(jì)。其中,所述步驟S103中所獲得的所述電池荷電狀態(tài)的最優(yōu)估計(jì)為最接近真實(shí)的電池荷電狀態(tài)。在本發(fā)明中,對在不同電池SOH下的估計(jì)模型對應(yīng)的每個(gè)時(shí)刻,對多種模型并行計(jì)算其后驗(yàn)狀態(tài)和后驗(yàn)協(xié)方差誤差殘差定義為算法的估計(jì)值和測量值之差,具體可表示為殘差表示為算法估計(jì)值和真實(shí)值的接近程度,殘差越小,越接近真實(shí)的電池狀態(tài)。

由條件概率公式可知:

其中,為第i個(gè)算法模型的條件概率密度函數(shù),它的值可進(jìn)一步由殘差和后驗(yàn)協(xié)誤差矩陣得出:

求得k時(shí)刻下不同電池SOH對應(yīng)的各個(gè)模型的權(quán)值后,就可通過加權(quán)得到此時(shí)刻系統(tǒng)的最優(yōu)估計(jì):

進(jìn)一步地,因而此時(shí)刻的基于多模型擴(kuò)展卡爾曼濾波算法獲得的電池的最優(yōu)估計(jì)為SOCk,best,即獲得所述電池的最優(yōu)荷電狀態(tài)估計(jì)。

與現(xiàn)有技術(shù)相比,本發(fā)明所提供的電池荷電狀態(tài)的估計(jì)方法具有如下的優(yōu)點(diǎn):

(1)本發(fā)明所提供的電池荷電狀態(tài)的估計(jì)方法其包括先建立至少兩個(gè)在不同電池SOH下的估計(jì)模型,并對該模型進(jìn)行擴(kuò)展卡爾曼濾波算法計(jì)算,獲得在不同電池SOH下估計(jì)模型對應(yīng)的電池荷電狀態(tài)估計(jì)值,進(jìn)一步獲得某一時(shí)刻在不同電池SOH下的估計(jì)模型各自的權(quán)重值,以得到該時(shí)刻所述電池荷電狀態(tài)的最優(yōu)估計(jì)。采用本發(fā)明所提供的電池荷電狀態(tài)的估計(jì)方法可有效避免現(xiàn)有采用同一電池模型參數(shù)進(jìn)行卡爾曼濾波算法,從而使算法誤差較大的問題,還可進(jìn)一步克服采用同一算法估計(jì)電池組中在不同電池SOH下的電池荷電狀態(tài)造成的準(zhǔn)確度漂移的問題,以增加電池荷電狀態(tài)算法的穩(wěn)定性和可靠性。

(2)在本發(fā)明中,建立至少兩個(gè)在不同電池SOH下的估計(jì)模型包括先基于擴(kuò)展卡爾曼濾波算法建立一通用的估計(jì)模型,再經(jīng)過測量獲得不同電池SOH狀態(tài)下的具體電池內(nèi)部參數(shù)后,將所述電池內(nèi)部參數(shù)代入所述估計(jì)模型中,從而獲得算法準(zhǔn)確度較高的多組不同電池SOH狀態(tài)下的估計(jì)模型。

(3)在本發(fā)明中,為了使所述基于擴(kuò)展卡爾曼濾波算法的在不同電池SOH下的估計(jì)模型運(yùn)算更為簡單,所述估計(jì)模型優(yōu)選為一階RC模型或二階RC模型。更進(jìn)一步地,在本發(fā)明中對在不同電池SOH下的估計(jì)模型采用公式(Ⅰ)及公式(Ⅱ)進(jìn)行了具體的限定,以簡化所述估計(jì)模型的算法計(jì)算量,加快所述估計(jì)模型的計(jì)算速率及其準(zhǔn)確度。

(4)進(jìn)一步地,為了獲得更為準(zhǔn)確的運(yùn)算結(jié)果,對測量獲得所述電池的內(nèi)部參數(shù)的具體步驟也進(jìn)行了限定,即先確定電池開路電壓和電池荷電狀態(tài)的函數(shù)關(guān)系后,基于該函數(shù)關(guān)系,獲得所需在不同電池SOH下所述電池的內(nèi)部參數(shù)。其中,所述電池的內(nèi)部參數(shù)包括直流內(nèi)阻、極化電容或電壓中的一種或多種,可依據(jù)不同運(yùn)算要求選用不同的參數(shù),從而擴(kuò)大所述電池荷電狀態(tài)的估計(jì)方法的適用范圍。

(5)在本發(fā)明中,對所述在不同電池SOH下的估計(jì)模型,進(jìn)行擴(kuò)展卡爾曼濾波算法計(jì)算包括分別或并行對在不同電池SOH下的多個(gè)時(shí)刻的電池荷電狀態(tài)估計(jì)進(jìn)行迭代運(yùn)算,可根據(jù)不同運(yùn)算要求,從而采用不同的迭代運(yùn)算方式。

(6)在采用并行進(jìn)行擴(kuò)展卡爾曼濾波算法計(jì)算過程中,可對其計(jì)算結(jié)果進(jìn)行誤差分析,從而使獲得的估計(jì)值更接近與真實(shí)值,從而獲得精準(zhǔn)的運(yùn)算電池荷電狀態(tài)的估算結(jié)果。

(7)在本發(fā)明中,在求得某一時(shí)刻的在不同電池SOH下的估計(jì)模型中各自的權(quán)重值之后,可以通過加權(quán)得到該時(shí)刻所述電池荷電狀態(tài)的最優(yōu)估計(jì),上述加權(quán)的結(jié)果是基于各個(gè)估計(jì)模型而獲得的,可使獲得的所述電池荷電狀態(tài)的最優(yōu)估計(jì)更為準(zhǔn)確、可靠性更高。

以上所述僅為本發(fā)明較佳實(shí)施例而已,并不用以限制本發(fā)明,凡在本發(fā)明原則之內(nèi)所作的任何修改,等同替換和改進(jìn)等均應(yīng)包含本發(fā)明的保護(hù)范圍之內(nèi)。

當(dāng)前第1頁1 2 3 
網(wǎng)友詢問留言 已有0條留言
  • 還沒有人留言評論。精彩留言會(huì)獲得點(diǎn)贊!
1