• 四川郎酒股份有限公司获第十二届人民企业社会责任奖年度环保奖 2019-05-13
  • 银保监会新规剑指大企业多头融资和过度融资 2019-05-12
  • 韩国再提4国联合申办世界杯 中国网友无视:我们自己来 2019-05-11
  • 中国人为什么一定要买房? 2019-05-11
  • 十九大精神进校园:风正扬帆当有为 勇做时代弄潮儿 2019-05-10
  • 粽叶飘香幸福邻里——廊坊市举办“我们的节日·端午”主题活动 2019-05-09
  • 太原设禁鸣路段 设备在测试中 2019-05-09
  • 拜耳医药保健有限公司获第十二届人民企业社会责任奖年度企业奖 2019-05-08
  • “港独”没出路!“梁天琦们”该醒醒了 2019-05-07
  • 陈卫平:中国文化内涵包含三方面 文化复兴表现在其中 2019-05-06
  • 人民日报客户端辟谣:“合成军装照”产品请放心使用 2019-05-05
  • 【十九大·理论新视野】为什么要“建设现代化经济体系”?   2019-05-04
  • 聚焦2017年乌鲁木齐市老城区改造提升工程 2019-05-04
  • 【专家谈】上合组织——构建区域命运共同体的有力实践者 2019-05-03
  • 【华商侃车NO.192】 亲!楼市火爆,别忘了买车位啊! 2019-05-03
    • / 12
    • 下载费用:30 金币  

    重庆时时彩2018新公式: 一种电池组的SOC与SOH的预测方法.pdf

    摘要
    申请专利号:

    重庆时时彩单双窍门 www.4mum.com.cn CN201310648596.1

    申请日:

    2013.12.04

    公开号:

    CN104698382A

    公开日:

    2015.06.10

    当前法律状态:

    驳回

    有效性:

    无权

    法律详情: 发明专利申请公布后的驳回IPC(主分类):H01M 10/42申请公布日:20150610|||专利申请权的转移IPC(主分类):G01R 31/36登记生效日:20160705变更事项:申请人变更前权利人:东莞钜威新能源有限公司变更后权利人:东莞钜威动力技术有限公司变更事项:地址变更前权利人:523808 广东省东莞市松山湖科技产业园区生产力大厦401-403室变更后权利人:523808 广东省东莞市松山湖高新技术产业开发区工业北路七号力优科技中心1栋3楼B区|||实质审查的生效IPC(主分类):G01R 31/36申请日:20131204|||公开
    IPC分类号: G01R31/36 主分类号: G01R31/36
    申请人: 东莞钜威新能源有限公司
    发明人: 林田生; 郑庆飞
    地址: 523808广东省东莞市松山湖科技产业园区生产力大厦401-403室
    优先权:
    专利代理机构: 深圳市威世博知识产权代理事务所(普通合伙)44280 代理人: 何青瓦; 李庆波
    PDF完整版下载: PDF下载
    法律状态
    申请(专利)号:

    CN201310648596.1

    授权公告号:

    |||||||||

    法律状态公告日:

    2018.11.02|||2016.07.27|||2015.07.08|||2015.06.10

    法律状态类型:

    发明专利申请公布后的驳回|||专利申请权、专利权的转移|||实质审查的生效|||公开

    摘要

    本发明提供了一种电池组的SOC和SOH的预测方法。该预测方法包括步骤:将多个单体电池串联,以得到电池组模型;选择电池组的SOC作为状态变量,单体电池的负载电压的最小值作为输出变量,电池组的电流作为输入变量,并结合卡尔曼滤波算法,建立计算状态变量的第一方程和输出变量的第二方程;对第一方程和第二方程运用自适应卡尔曼滤波算法,以预测电池组的SOC,并运用安时法预测电池组的SOH。本发明采用具有变量参数线性化优势的单体电池串联模型,性能稳定,预测结果最优,并且预测时的滤波过程简化,计算量较小,同时自适应卡尔曼滤波算法的运用还能抑制滤波发散,提高预测结果的准确性。

    权利要求书

    权利要求书
    1.  一种电池组的SOC和SOH的预测方法,其特征在于,所述预测 方法包括步骤:
    将多个单体电池串联,以得到电池组模型;
    选择所述电池组的SOC作为状态变量,所述电池组内单体电池的负 载电压的最小值作为输出变量,所述电池组的电流作为输入变量,并结 合卡尔曼滤波算法,建立计算所述状态变量的第一方程和所述输出变量 的第二方程;
    对所述第一方程和所述第二方程运用自适应卡尔曼滤波算法,以预 测所述电池组的SOC,并根据所述电池组的SOC,运用安时法预测所述 电池组的SOH。

    2.  根据权利要求1所述的预测方法,其特征在于,定义所述电池组 的SOC为所述电池组的当前剩余容量与实际可用容量的比,对应建立的 所述状态变量的第一方程为:
    SOC ( t ) = SOC ( 0 ) - ∫ 0 t ηI ( t ) dt Ca ]]>
    其中,Ca表示所述实际可用容量,η表示库伦效率,I(t)表示t时刻 所述电池组中的电流,SOC(t)表示t时刻所述电池组的SOC,SOC(0) 表示初始时刻所述电池组的SOC。

    3.  根据权利要求1所述的预测方法,其特征在于,建立的所述输出 变量的第二方程为:
    V min ( t ) = K 0 - K 1 SOC ( t ) - K 2 × SOC ( t ) + K 3 × ln [ SOC ( t ) ] + K 4 × ln [ 1 - SOC ( t ) ] - R × I ( t ) ]]>
    其中,Vmin(t)表示所述电池组内单体电池的负载电压的最小值,K0、 K1、K2、K3、K4表示模型系数,R表示所述电池组的内阻。

    4.  根据权利要求2和3所述的预测方法,其特征在于,采用最小二 乘法预测所述库伦效率η以及所述模型系数K0、K1、K2、K3、K4。

    5.  根据权利要求4所述的预测方法,其特征在于,对所述第一方程 和所述第二方程运用自适应卡尔曼滤波算法,以预测所述电池组的SOC 的步骤包括:
    运用自适应卡尔曼滤波算法,将所述第一方程和所述第二方程离散 化,以得到所述电池组的线性离散模型:
    x k + 1 = x k - η × Δt Ca × u k + w k z k = K 0 - K 1 x k - K 2 × x k + K 3 × ln ( x k ) + K 4 × ln ( 1 - x k ) - R × u k + v k ]]>
    其中,xk,xk+1表示k、k+1时刻的状态变量,uk表示k时刻的输 入变量,wk表示过程噪声,Δt表示采样周期,zk表示k时刻的输出变 量,vk表示测量噪声。

    6.  根据权利要求5所述的预测方法,其特征在于,得到所述电池组 的线性离散模型的步骤之后包括:
    a、初始状态k=0时,预设所述状态变量的估计值和误差的协方 差P0为:
    x 0 ~ = E [ x 0 ] ]]>
    P 0 = E [ ( x 0 - x 0 ~ ) × ( x 0 - x 0 ~ ) T ] ; ]]>
    b、在k=1,2,…时刻,由k-1时刻的状态变量和误差的协方差矩阵对 k时刻的状态变量和误差的协方差矩阵进行时间更新:
    x k | k - 1 = x k - 1 | k - 1 - η × Δt Ca × u k - 1 + q k ]]>
    Pk|k-1=Ak×Pk-1|k-1×AkT+Qk=Pk-1|k-1+Qk
    其中,Ak表示系统矩阵,qk表示所述过程噪声wk的平均值,Qk表 示所述过程噪声wk的方差;
    c、采用测量矩阵Hk,并通过一阶泰勒公式展开得到:
    H k = ∂ g ( x k , u k ) ∂ x k | x k = x k | k - 1 = K 1 ( x k | k - 1 ) 2 - K 2 + K 3 x k | k - 1 - K 4 1 - x k | k - 1 ; ]]>
    d、得到增益矩阵Kk为:
    Kk=Pk|k-1×HkT×(Hk×Pk|k-1×HkT+Rk)-1
    其中,Rk表示所述测量噪声vk的方差;
    e、采用t时刻测量的所述输出变量对所述状态变量和所述误差的协 方差矩阵进行更新:
    z k ~ = z k - g ( x k , u k ) - r k ]]>
    x k | k = x k | k - 1 + K k × z k ~ ]]>
    Pk|k=(I-Kk×Hk)×Pk|k-1=(1-Kk×Hk)×Pk|k-1
    其中,I为1的矩阵,且I=1,rk表示所述测量噪声vk的平均值;
    f、对所述过程噪声wk和测量噪声vk进行更新,以抑制滤波发散:
    rk+1=(1-dk)×rk+dk×[zk+1-g(xk,uk)]
    R k + 1 = ( 1 - d k ) × R k + d k × ( z k + 1 ~ × z k + 1 ~ T - H k + 1 × P k + 1 | k × H k + 1 T ) ]]>
    q k + 1 = ( 1 - d k ) × q k + d k × ( x k + 1 | k - A k + 1 × x k | k - B k + 1 × u k ) = ( 1 - d k ) × q k + d k × ( x k + 1 | k - x k | k + η × Δt Ca × u k ) ]]>
    Q k + 1 = ( 1 - d k ) × Q k + d k × ( K k + 1 × z k + 1 ~ × z k + 1 ~ T + P k + 1 | k + 1 - A k + 1 × P k | k × A k + 1 T ) = ( 1 - d k ) × Q k + d k × ( K k + 1 × z k + 1 ~ × z k + 1 ~ T + P k + 1 | k + 1 - P k | k ) ]]>
    其中,b为遗忘因子,且0<b<1。

    7.  根据权利要求1所述的预测方法,其特征在于,运用安时法预测 所述电池组的SOH的步骤包括:
    定义所述电池组模型的SOH为所述电池组的实际可用容量与额定 容量的比,建立计算所述电池组的SOH的第三方程为:
    SOH = Ca Cn × 100 % ]]>
    其中,Cn表示所述额定容量。

    8.  根据权利要求7所述的预测方法,其特征在于,预定义所述电池 组的实际可用容量在当前时刻的估计值等于上一时刻的估计值,则根据 所述电池组的SOC在采样周期Δt内的容量变化,可建立第四方程:
    &Integral; t 1 t 1 + Δt - η × I ( t ) dt = Ca × [ SOC ( t 1 + Δt ) - SOC ( t 1 ) ] ]]>
    根据所述第四方程获得所述实际可用容量的值,并结合所述第三方 程得到所述电池组的SOH的值。

    9.  根据权利要求8所述的预测方法,其特征在于,获得所述实际可 用容量的值的步骤之后还包括:
    将所述第四方程离散化,以得到方程
    并根据所述方程得到所述实际可用容量的值。

    10.  根据权利要求8所述的预测方法,其特征在于,根据所述实际 可用容量得到所述电池组的SOH的值的步骤中,若所述实际可用容量 的值由于误差大于所述额定容量的值,则将所述电池组的SOH的值转 换为100%。

    说明书

    说明书一种电池组的SOC与SOH的预测方法
    技术领域
    本发明涉及电池管理技术领域,具体而言涉及一种电池组的SOC 与SOH的预测方法。
    背景技术
    电池组的内部状态包括SOC(荷电状态)和SOH(健康状态),SOC 指电池组使用一段时间或长期搁置不用后的剩余容量与其完全充电时 的额定容量的比值,常用百分数表示,SOC=100%即表示充满状态, SOC=0%即表示放空状态,SOC能否准确预测是研究电池管理技术领域 的重点以及难点。目前,SOC的预测方法主要有放电试验法、内阻法、 开路电压测试法、安时法、电池数学模型法、模糊推理和神经网络法以 及卡尔曼滤波算法。
    SOH是电池组或单体电池的一个品质因数,用以表示当前电池组所 处的状态,主要表现在电池组内部某些参数(如内阻、容量等)的变化 上,从而判断电池组的剩余容量及使用寿命。SOH是一个相对主观的概 念,不同的电池管理系统(BMS)在不同应用场景下其各自的SOH定 义均有所不同。
    当前,对于电池组的SOC和SOH,一般基于非线性的电池模型(例 如,戴维南电池等效模型),通过选取参数变量建立方程,并对方程运 用卡尔曼滤波算法等其他算法进行预测。然而,非线性的电池模型在供 电测试时各个变量参数的变化性能不稳定,无法确保测试结果能够达到 最优。并且,传统的卡尔曼滤波算法在预测电池组的SOC时需要设定白 噪声为零,且其噪声方差为已知,但实际上白噪声是不存在的,由于噪 声统计特性的不确定性极易引起滤波发散,影响预测结果的准确性,同 时预测时的滤波过程繁琐,计算量较大。
    综上所述,有必要提供一种电池组的SOC与SOH的预测方法,以 解决上述问题。
    发明内容
    本发明主要解决的技术问题是提供一种电池组的SOC与SOH的预 测方法,以有效的提高电池组的SOC和SOH的预测精度,计算量小且 预测结果最优。
    为解决上述技术问题,本发明采用的一个技术方案是:提供一种电 池组的SOC和SOH的预测方法,包括步骤:将多个单体电池串联,以 得到电池组模型;选择电池组的SOC作为状态变量,电池组内单体电池 的负载电压的最小值作为输出变量,电池组的电流作为输入变量,并结 合卡尔曼滤波算法,建立计算状态变量的第一方程和输出变量的第二方 程;对第一方程和第二方程运用自适应卡尔曼滤波算法,以预测电池组 的SOC,并根据电池组的SOC,运用安时法预测电池组的SOH。
    其中,定义电池组的SOC为电池组的当前剩余容量与实际可用容量 的比,对应建立的状态变量的第一方程为:
    SOC ( t ) = SOC ( 0 ) - &Integral; 0 t ηI ( t ) dt Ca ]]>
    其中,Ca表示实际可用容量,η表示库伦效率,I(t)表示t时刻电池 组中的电流,SOC(t)表示t时刻电池组的SOC,SOC(0)表示初始 时刻电池组的SOC。
    其中,建立的输出变量的第二方程为:
    V min ( t ) = K 0 - K 1 SOC ( t ) - K 2 × SOC ( t ) + K 3 × ln [ SOC ( t ) ] + K 4 × ln [ 1 - SOC ( t ) ] - R × I ( t ) ]]>
    其中,Vmin(t)表示电池组内单体电池的负载电压的最小值,K0、 K1、K2、K3、K4表示模型系数,R表示电池组的内阻。
    其中,采用最小二乘法预测库伦效率η以及模型系数K0、K1、K2、 K3、K4。
    其中,对第一方程和第二方程运用自适应卡尔曼滤波算法,以预测 电池组的SOC的步骤包括:运用自适应卡尔曼滤波算法,将第一方程和 第二方程离散化,以得到电池组的线性离散模型:
    x k + 1 = x k - η × Δt Ca × u k + w k z k = K 0 - K 1 x k - K 2 × x k + K 3 × ln ( x k ) + K 4 × ln ( 1 - x k ) - R × u k + v k ]]>
    其中,xk、xk+1表示k、k+1时刻的状态变量,uk表示k时刻的输 入变量,wk表示过程噪声,Δt表示采样周期,zk表示k时刻的输出变 量,vk表示测量噪声。
    其中,得到电池组的线性离散模型的步骤之后包括:
    a、初始状态k=0时,预设状态变量的估计值和误差的协方差P0 为:
    x 0 ~ = E [ x 0 ] ]]>
    P 0 = E [ ( x 0 - x 0 ~ ) × ( x 0 - x 0 ~ ) T ] ; ]]>
    b、在k=1,2,…时刻,由k-1时刻的状态变量和误差的协方差矩阵对 k时刻的状态变量和误差的协方差矩阵进行时间更新:
    x k | k - 1 = x k - 1 | k - 1 - η × Δt Ca × u k - 1 + q k ]]>
    Pk|k-1=Ak×Pk-1|k-1×AkT+Qk=Pk-1|k-1+Qk
    其中,Ak表示系统矩阵,qk表示过程噪声wk的平均值,Qk表示过 程噪声wk的方差;
    c、采用测量矩阵Hk,并通过一阶泰勒公式展开得到:
    H k = &PartialD; g ( x k , u k ) &PartialD; x k | x k = x k | k - 1 = K 1 ( x k | k - 1 ) 2 - K 2 + K 3 x k | k - 1 - K 4 1 - x k | k - 1 ; ]]>
    d、得到增益矩阵Kk为:
    Kk=Pk|k-1×HkT×(Hk×Pk|k-1×HkT+Rk)-1
    其中,Rk表示测量噪声vk的方差;
    e、采用t时刻测量的输出变量对状态变量和误差的协方差矩阵进行 更新:
    z k ~ = z k - g ( x k , u k ) - r k ]]>
    x k | k = x k | k - 1 + K k × z k ~ ]]>
    Pk|k=(I-Kk×Hk)×Pk|k-1=(1-Kk×Hk)×Pk|k-1
    其中,I为1的矩阵,且I=1,rk表示测量噪声vk的平均值;
    f、对过程噪声wk和测量噪声vk进行更新,以抑制滤波发散:
    rk+1=(1-dk)×rk+dk×[zk+1-g(xk,uk)]
    R k + 1 = ( 1 - d k ) × R k + d k × ( z k + 1 ~ × z k + 1 ~ T - H k + 1 × P k + 1 | k × H k + 1 T ) ]]>
    q k + 1 = ( 1 - d k ) × q k + d k × ( x k + 1 | k - A k + 1 × x k | k - B k + 1 × u k ) = ( 1 - d k ) × q k + d k × ( x k + 1 | k - x k | k + η × Δt Ca × u k ) ]]>
    Q k + 1 = ( 1 - d k ) × Q k + d k × ( K k + 1 × z k + 1 ~ × z k + 1 ~ T + P k + 1 | k + 1 - A k + 1 × P k | k × A k + 1 T ) = ( 1 - d k ) × Q k + d k × ( K k + 1 × z k + 1 ~ × z k + 1 ~ T + P k + 1 | k + 1 - P k | k ) ]]>
    其中,b为遗忘因子,且0<b<1。
    其中,运用安时法预测电池组的SOH的步骤包括:定义电池组模 型的SOH为电池组的实际可用容量与额定容量的比,建立计算电池组 的SOH的第三方程为:
    SOH = Ca Cn × 100 % ]]>
    其中,Cn表示额定容量。
    其中,预定义电池组的实际可用容量在当前时刻的估计值等于上一 时刻的估计值,则根据电池组的SOC在采样周期Δt内的容量变化,可 建立第四方程:
    &Integral; t 1 t 1 + Δt - η × I ( t ) dt = Ca × [ SOC ( t 1 + Δt ) - SOC ( t 1 ) ] ]]>
    根据第四方程获得实际可用容量的值,并结合第三方程得到电池组 的SOH的值。
    其中,获得实际可用容量的值的步骤之后还包括:将第四方程离散 化,以得到方程
    并根据方程得到实际可用容量的值。
    其中,根据实际可用容量得到电池组的SOH的值的步骤中,若实 际可用容量的值由于误差大于额定容量的值,则将电池组的SOH的值 转换为100%。
    本发明的有益效果是:本发明设计采用多个单体电池串联的电池组 模型,并在运用卡尔曼滤波算法时选择电池组的SOC作为状态变量、单 体电池的负载电压的最小值作为输出变量、电池组的电流作为输入变量, 建立计算状态变量的第一方程和输出变量的第二方程,而后对第一方程 和第二方程运用自适应卡尔曼滤波算法,以预测电池组的SOC,并运用 安时法预测电池组的SOH,通过上述方式,能够使得电池组模型具有变 量参数线性化优势,性能稳定,保证预测结果能够达到最优,并且还能 简化预测时的滤波过程,减少计算量,同时自适应卡尔曼滤波算法的运 用还能抑制滤波发散,提高预测结果的准确性。
    附图说明
    图1是本发明SOC和SOH的预测方法一实施例的流程图;
    图2是本发明电池组模型一实施例的等效电路图。
    具体实施方式
    本发明全文所提及的单体电池、电池组可为采用锂离子或锂聚合物 化学电池,其可向电动汽车产品、电动摩托车产品、储能电站产品等负 载进行供电,当然并不限于上述举例。
    下面结合附图1~2和实施例对本发明进行详细说明。
    图1是本发明SOC和SOH的预测方法一实施例的流程图。如图1 所示,本实施例的预测方法包括以下步骤:
    步骤S11:将多个单体电池串联,以得到电池组模型。
    图2是本发明电池组模型一实施例的等效电路图。参阅图2,电池 组模型200是由多个(例如几十节乃至上百节)单体电池b1,b2…bn串 联组成,在充电或对负载进行供电时,每一单体电池的电池容量的差异 会随着电池组的工作循环次数的增加而逐渐增大,进而导致各个单体电 池b1,b2…bn的SOC不尽相同。因此,本实施例中建立电池组模型200 并对其进行预测,而非直接对每个单体电池建立模型,技术上能够实现 并且易于实现。
    另外,对于电池组模型(或电池组)200中的单体电池b1,b2…bn, 由于串联连接的木桶效应(即,无论其他单体电池b2…bn的负载电压 为多大,电池组200的SOC取决于其中负载电压最小的单体电池,例如 单体电池b1),导致其负载电压的最小值与电池组200的SOC存在单调 对应的函数关系,从而单体电池b1,b2…bn的负载电压的最小值的变化 直接体现了电池组200的SOC,因此本实施例的电池组模型200具有变 量参数线性化的优势,测量性能较好,可以使SOC的预测结果达到最优。
    步骤S12:选择电池组的SOC作为状态变量,电池组内单体电池的 负载电压的最小值作为输出变量,电池组的电流作为输入变量,并结合 卡尔曼滤波算法,建立计算状态变量的第一方程和输出变量的第二方程。
    由于卡尔曼滤波算法是根据电池组200的输出量对状态量进行预测, 并且单体电池b1,b2…bn的负载电压的最小值与电池组200的SOC存在 单调对应的函数关系,因此本实施例选择单体电池b1,b2…bn的负载电 压的最小值Vmin作为输出变量,电池组200的电流作为输入变量,电 池组200的SOC作为状态变量。
    在本实施例中,定义电池组200的SOC为电池组200的当前剩余容 量与实际可用容量的比,通过对电池组200的容量进行在线预测,利用 容量的实时预测值更新数据建模计算中的相关参数,对应建立的用以计 算状态变量,即电池组200的SOC,的第一方程为:
    SOC ( t ) = SOC ( 0 ) - &Integral; 0 t ηI ( t ) dt Ca ]]>
    其中,Ca表示电池组200实际可用容量,η表示库伦效率且在充电 时η=1,放电时η<1,I(t)表示t时刻电池组200中的电流且在放电时 为正值,在充电时为负值,SOC(t)表示t时刻电池组200的SOC,SOC (0)表示初始时刻电池组200的SOC。
    对应建立的用以计算输出变量,即单体电池b1,b2…bn的负载电压 的最小值Vmin,的第二方程为:
    V min ( t ) = K 0 - K 1 SOC ( t ) - K 2 × SOC ( t ) + K 3 × ln [ SOC ( t ) ] + K 4 × ln [ 1 - SOC ( t ) ] - R × I ( t ) ]]>
    其中,Vmin(t)表示t时刻电池组200内单体电池b1,b2…bn的负载 电压的最小值,R表示电池组200的内阻,K0、K1、K2、K3、K4表示 数学建模(电池组模型200)的模型系数,能够使得计算时模型与变量 参数更好的匹配。并且,上述η、K0、K1、K2、K3、K4以及R可通过 对电池组200的多次充放电实验,根据实验数据并采用最小二乘法预测 得到具体的数值。
    步骤S13:对第一方程和第二方程运用自适应卡尔曼滤波算法,以 预测电池组的SOC,并根据电池组的SOC,运用安时法预测电池组的 SOH。
    本实施例采用的现有技术中的自适应卡尔曼滤波算法的模型为:
    x k + 1 = A k x k + B k u k + w k z k = g ( x k , u k ) + v k ]]>
    其中,xk、xk+1表示k、k+1时刻的状态变量,Ak、Bk表示系统 矩阵,uk表示k时刻的输入变量,wk表示过程噪声,g表示该模型定 义的非线性方程,zk表示k时刻的输出变量,vk表示测量噪声。
    结合步骤S12中选择单体电池b1,b2…bn的负载电压的最小值Vmin 作为输出变量,电池组200的电流作为输入变量,电池组200的SOC 作为状态变量,即令xk=SOC(t),uk=I(t),并将第一方程和第二方程 离散化,以得到电池组200的线性离散模型:
    x k + 1 = x k - η × Δt Ca × u k + w k z k = K 0 - K 1 x k - K 2 × x k + K 3 × ln ( x k ) + K 4 × ln ( 1 - x k ) - R × u k + v k ]]>
    采用上述线性离散模型获得的状态变量SOC的测量值是具有误差 的,因此本实施例还需要更新过程噪声wk和测量噪声vk,用以抑制预 测过程中的滤波发散,具体采用如下a-f的数学计算方法:
    a、初始状态k=0时,预设状态变量SOC的估计值和误差的协方 差P0为:
    x 0 ~ = E [ x 0 ] ]]>
    P 0 = E [ ( x 0 - x 0 ~ ) × ( x 0 - x 0 ~ ) T ] . ]]>
    b、在k=1,2,…时刻,由k-1时刻的状态变量SOC和误差的协方差 矩阵对k时刻的状态变量SOC和误差的协方差矩阵进行时间更新:
    x k | k - 1 = x k - 1 | k - 1 - η × Δt Ca × u k - 1 + q k ]]>
    Pk|k-1=Ak×Pk-1|k-1×AkT+Qk=Pk-1|k-1+Qk
    其中,qk表示过程噪声wk的平均值,Qk表示过程噪声wk的方差。
    c、采用测量矩阵Hk,并通过一阶泰勒公式展开得到:
    H k = &PartialD; g ( x k , u k ) &PartialD; x k | x k = x k | k - 1 = K 1 ( x k | k - 1 ) 2 - K 2 + K 3 x k | k - 1 - K 4 1 - x k | k - 1 . ]]>
    d、得到增益矩阵Kk为:
    Kk=Pk|k-1×HkT×(Hk×Pk|k-1×HkT+Rk)-1
    其中,Rk表示测量噪声vk的方差。
    e、采用t时刻测量的输出变量对状态变量SOC和误差的协方差矩 阵进行更新:
    z k ~ = z k - g ( x k , u k ) - r k ]]>
    x k | k = x k | k - 1 + K k × z k ~ ]]>
    Pk|k=(I-Kk×Hk)×Pk|k-1=(1-Kk×Hk)×Pk|k-1
    其中,I为1的矩阵,且I=1,rk表示测量噪声vk的平均值。
    f、对过程噪声wk和测量噪声vk进行更新,以抑制滤波发散:
    rk+1=(1-dk)×rk+dk×[zk+1-g(xk,uk)]
    R k + 1 = ( 1 - d k ) × R k + d k × ( z k + 1 ~ × z k + 1 ~ T - H k + 1 × P k + 1 | k × H k + 1 T ) ]]>
    q k + 1 = ( 1 - d k ) × q k + d k × ( x k + 1 | k - A k + 1 × x k | k - B k + 1 × u k ) = ( 1 - d k ) × q k + d k × ( x k + 1 | k - x k | k + η × Δt Ca × u k ) ]]>
    Q k + 1 = ( 1 - d k ) × Q k + d k × ( K k + 1 × z k + 1 ~ × z k + 1 ~ T + P k + 1 | k + 1 - A k + 1 × P k | k × A k + 1 T ) = ( 1 - d k ) × Q k + d k × ( K k + 1 × z k + 1 ~ × z k + 1 ~ T + P k + 1 | k + 1 - P k | k ) ]]>
    其中,b为遗忘因子,且0<b<1。
    需要说明的是,由于电池组200在对负载供电的过程中,会随着工 作循环次数的增加而导致实际可用容量Ca以及其他相关参数的不断变 化,进而导致电池组200的SOC不尽相同,因此抑制滤波发散是个循环 的计算过程,即上述步骤a-f是循环运行的。
    通过上述方式,本实施例利用电池组200实际可用容量的实时预测 更新线性离散模型中的相关参数,抑制滤波发散,使电池组200的SOC 预测值更加接近于真实值,提高预测结果的准确性。
    本实施例根据上述预测出的电池组200的SOC,并运用安时法预测 电池组200的SOH。首先,定义电池组模型200的SOH为电池组200 的实际可用容量与额定容量的比,建立计算电池组200的SOH的第三 方程为:
    SOH = Ca Cn × 100 % ]]>
    其中,Cn表示电池组200的额定容量,优选为常温25℃下测量获 得的。并且由于Cn已知,因此只要计算得出Ca即可预测电池组200 的SOH。
    值得注意的是,由于电池组200的实际可用容量Ca相对于SOC以 及其它状态变量,在电池组200的整个使用寿命过程中,其变化极为缓 慢,因此本实施例预定义电池组200的实际可用容量Ca在当前时刻的 估计值等于上一时刻的估计值,则根据电池组200的SOC在采样周期 Δt内的容量变化,可建立第四方程:
    &Integral; t 1 t 1 + Δt - η × I ( t ) dt = Ca × [ SOC ( t 1 + Δt ) - SOC ( t 1 ) ] ]]>
    而后,将第四方程离散化,以得到方程:
    Ca = η × Δt × u k x k | k - x k + 1 | k ]]>
    根据该方程即可得到电池组200的实际可用容量Ca的值。继而结 合第三方程即可得到电池组200的SOH的值。
    需要说明的是,在在实际预测过程中,误差(包括过程噪声wk和 测量噪声vk)是不可能完全消除的,因此会出现计算出的实际可用容量 Ca的值由于误差稍稍大于额定容量Cn的值,对应地根据第三方程计算 出的电池组200的SOH的值将大于100%,此时本发明将电池组200的 SOH的值转换为100%。
    综上所述,本发明设计采用多个单体电池串联的电池组模型,并在 运用卡尔曼滤波算法时选择电池组的SOC作为状态变量、单体电池的负 载电压的最小值作为输出变量、电池组的电流作为输入变量,建立计算 状态变量的第一方程和输出变量的第二方程,而后对第一方程和第二方 程运用自适应卡尔曼滤波算法,以预测电池组的SOC,并运用安时法预 测电池组的SOH。本发明能够使得电池组模型具有变量参数线性化优势, 性能稳定,保证预测结果能够达到最优,并且还能简化预测时的滤波过 程,减少计算量,同时自适应卡尔曼滤波算法的运用还能抑制滤波发散, 提高预测结果的准确性。
    以上所述仅为本发明的实施例,并非因此限制本发明的专利范围, 凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或 直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保 护范围内。

    关 键 词:
    一种 电池组 SOC SOH 预测 方法
      专利查询网所有资源均是用户自行上传分享,仅供网友学习交流,未经上传用户书面授权,请勿作他用。
    关于本文
    本文标题:一种电池组的SOC与SOH的预测方法.pdf
    链接地址://www.4mum.com.cn/p-5890459.html
    关于我们 - 网站声明 - 网站地图 - 资源地图 - 友情链接 - 网站客服客服 - 联系我们

    [email protected] 2017-2018 www.4mum.com.cn网站版权所有
    经营许可证编号:粤ICP备17046363号-1 
     


    收起
    展开
  • 四川郎酒股份有限公司获第十二届人民企业社会责任奖年度环保奖 2019-05-13
  • 银保监会新规剑指大企业多头融资和过度融资 2019-05-12
  • 韩国再提4国联合申办世界杯 中国网友无视:我们自己来 2019-05-11
  • 中国人为什么一定要买房? 2019-05-11
  • 十九大精神进校园:风正扬帆当有为 勇做时代弄潮儿 2019-05-10
  • 粽叶飘香幸福邻里——廊坊市举办“我们的节日·端午”主题活动 2019-05-09
  • 太原设禁鸣路段 设备在测试中 2019-05-09
  • 拜耳医药保健有限公司获第十二届人民企业社会责任奖年度企业奖 2019-05-08
  • “港独”没出路!“梁天琦们”该醒醒了 2019-05-07
  • 陈卫平:中国文化内涵包含三方面 文化复兴表现在其中 2019-05-06
  • 人民日报客户端辟谣:“合成军装照”产品请放心使用 2019-05-05
  • 【十九大·理论新视野】为什么要“建设现代化经济体系”?   2019-05-04
  • 聚焦2017年乌鲁木齐市老城区改造提升工程 2019-05-04
  • 【专家谈】上合组织——构建区域命运共同体的有力实践者 2019-05-03
  • 【华商侃车NO.192】 亲!楼市火爆,别忘了买车位啊! 2019-05-03