System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及锂电池,尤其涉及一种基于卡尔曼滤波的电池soc与soe联合估计方法。
技术介绍
1、电池管理系统是电动汽车动力系统的核心组成部分,可以实时监测电池的电压、温度和电流等,对车载动力电池进行有效控制和管理,从而有效提高电池组使用寿命,提高电动汽车的续航里程,对于电动汽车行业发展至关重要。其功能应该包括电池状态估算、均衡控制、热管理、安全管理、参数检测等等。其中状态估算通常包括电池荷电状态(soc)估算和电池能量状态(soe)估算。
2、目前,现有锂电池的电池荷电状态(soc)估算和电池能量状态(soe)估算技术多是基于等效电路模型,而相较于锂电池p2d模型,等效电路模型无法描述内部电化学反应过程,因此很难用于电池老化机理建模或电池寿命预测等,模型扩展性不高,也会导致估算结果精度不高。
3、因此,现有技术中在对锂电池进行状态估计的过程中,存在估计结果精度低的问题。
技术实现思路
1、有鉴于此,有必要提供一种基于卡尔曼滤波的电池soc与soe联合估计方法,用以解决现有技术中在对锂电池进行状态估计的过程中,存在的估计结果精度低的问题。
2、为了解决上述问题,本专利技术提供一种基于卡尔曼滤波的电池soc与soe联合估计方法,包括:
3、构建简化p2d模型,并基于简化p2d模型获取预设放电倍率下的端电压数据;
4、获取预设放电倍率下的端电压实验值,并根据预设放电倍率、端电压数据和端电压实验值,确定电压修正因子;
6、联合自适应扩展卡尔曼滤波算法对修正后的状态方程和修正后的观测方程进行迭代计算,确定电池soc和电池soe。
7、进一步地,简化p2d模型包括锂离子动力电池端电压计算公式,锂离子动力电池端电压计算公式为:
8、
9、其中,vt(t)为锂离子动力电池端电压,eocv(t)为开路电势,ηe为液相过电势,ηp(l,t)为电池正极端点处固体颗粒表面的过电势,ηn(0,t)为电池负极端点处固体颗粒表面的过电势,为sei膜膜阻造成的压降。
10、进一步地,获取预设放电倍率下的端电压实验值,并根据预设放电倍率、端电压数据和端电压实验值,确定电压修正因子,包括:
11、设置多个预设放电倍率,并基于锂离子动力电池端电压计算公式计算多个预设放电倍率对应的多个端电压数据;
12、分别获取多个预设放电倍率对应的多个端电压实验值;
13、根据多个预设放电倍率、多个端电压数据、液相过电势和多个端电压实验值,通过电压修正因子计算公式确定多个预设放电倍率对应的电压修正因子。
14、进一步地,电压修正因子计算公式为:
15、
16、其中,αc为电压修正因子,下标c为预设放电倍率,vexp(t)为预设放电倍率下t时刻的端电压实验值,ηe(t)为t时刻的液相过电势,vt(t)为t时刻的端电压数据,表示x的平均值。
17、进一步地,修正后的状态方程为:
18、
19、修正后的观测方程为:
20、
21、其中,xk和xk+1分别为k时刻和(k+1)时刻的系统状态变量,δt为离散尺度,δt=tk+1-tk,t1,i、t2,i(i=n,p)分别为利用遗传算法找到的最优简化模型参数,一般取下标n、p分别表示负极、正极区域,rs,i(i=n,p)为固相颗粒的半径,vt(t)为t时刻的端电压数据,jn,i(i=n,p)表示正负极区域锂离子流量密度,cs,n.soc=100%为soc在100%时的电池负极颗粒锂离子浓度,cs,n,soc=0%为soc在0%时的电池负极颗粒锂离子浓度,eocv(t)为开路电势,ηp(l,t)、ηn(0,t)分别为电池正负极端点处固体颗粒表面的过电势,rsei,i(i=n,p)代表sei膜膜阻。
22、进一步地,联合自适应扩展卡尔曼滤波算法对修正后的状态方程和修正后的观测方程进行迭代计算,确定电池soc和电池soe,包括:
23、设置初始系统状态变量,联合自适应扩展卡尔曼滤波算法进行迭代计算和自适应调整,确定电池soc和电池soe;
24、其中,初始系统状态变量为:
25、x=[soc soe w1,n w1,p w2,n w2,p]t
26、w1,i(i=n,p)为过程变量1,w2,i(i=n,p)为过程变量2,下标n、p分别表示负极、正极区域;
27、迭代计算的过程为:
28、
29、
30、
31、
32、
33、其中,
34、
35、
36、自适应调整的过程为:
37、
38、
39、
40、
41、其中,qv和rw分别为过程噪声协方差和量测噪声协方差;pk为k时刻的误差协方差;yk为k时刻的系统观测量的实际观测值;为k时刻的系统观测量的预测值;kk为k时刻的卡尔曼增益,ek为k时刻的观测变量预测值与实际测量值的差值;为k时刻的ek的协方差极大似然最优估计;和分别为k时刻的过程噪声协方差和量测噪声协方差;m为移动平均窗口长度。
42、进一步地,电池soc估计值为迭代计算后的第一个系统状态变量值,电池soe估计值为迭代计算后的第二个系统状态变量值。
43、为了解决上述问题,本专利技术还提供一种基于卡尔曼滤波的电池soc与soe联合估计系统,包括:
44、端电压数据获取模块,用于构建简化p2d模型,并基于简化p2d模型获取预设放电倍率下的端电压数据;
45、电压修正因子确定模块,用于获取预设放电倍率下的端电压实验值,并根据预设放电倍率、端电压数据和端电压实验值,确定电压修正因子;
46、简化p2d模型修正模块,用于根据电压修正因子对简化p2d模型进行修正,得到修正后的状态方程和修正后的观测方程;
47、电池soc与soe估计模块,用于联合自适应扩展卡尔曼滤波算法对修正后的状态方程和修正后的观测方程进行迭代计算,确定电池soc和电池soe。
48、为了解决上述问题,本专利技术还提供一种基于卡尔曼滤波的电池soc与soe联合估计设备,包括存储器和处理器,其中,
49、存储器,用于存储程序;
50、处理器,与存储器耦合,用于执行存储器中存储的程序,以实现如上文所述的基于卡尔曼滤波的电池soc与soe联合估计方法中的步骤。
51、为了解决上述问题,本专利技术还提供一种计算机可读存储介质,用于存储计算机可读取的程序或指令,程序或指令被处理器执行时能够实现如上文所述的基于卡尔曼滤波的电池soc与soe联合估计方法中的步骤。
52、采用上述实本文档来自技高网...
【技术保护点】
1.一种基于卡尔曼滤波的电池SOC与SOE联合估计方法,其特征在于,包括:
2.根据权利要求1所述的基于卡尔曼滤波的电池SOC与SOE联合估计方法,其特征在于,所述简化P2D模型包括锂离子动力电池端电压计算公式,所述锂离子动力电池端电压计算公式为:
3.根据权利要求2所述的基于卡尔曼滤波的电池SOC与SOE联合估计方法,其特征在于,所述获取所述预设放电倍率下的端电压实验值,并根据所述预设放电倍率、所述端电压数据和所述端电压实验值,确定电压修正因子,包括:
4.根据权利要求3所述的基于卡尔曼滤波的电池SOC与SOE联合估计方法,其特征在于,所述电压修正因子计算公式为:
5.根据权利要求4所述的基于卡尔曼滤波的电池SOC与SOE联合估计方法,其特征在于,所述修正后的状态方程为:
6.根据权利要求5所述的基于卡尔曼滤波的电池SOC与SOE联合估计方法,其特征在于,所述联合自适应扩展卡尔曼滤波算法对所述修正后的状态方程和所述修正后的观测方程进行迭代计算,确定电池SOC和电池SOE,包括:
7.根据权利要求6所述的基于
8.一种基于卡尔曼滤波的电池SOC与SOE联合估计系统,其特征在于,包括:
9.一种基于卡尔曼滤波的电池SOC与SOE联合估计设备,其特征在于,包括存储器和处理器,其中,
10.一种计算机可读存储介质,其特征在于,用于存储计算机可读取的程序或指令,所述程序或指令被处理器执行时能够实现上述权利要求1至7中任意一项所述的基于卡尔曼滤波的电池SOC与SOE联合估计方法中的步骤。
...【技术特征摘要】
1.一种基于卡尔曼滤波的电池soc与soe联合估计方法,其特征在于,包括:
2.根据权利要求1所述的基于卡尔曼滤波的电池soc与soe联合估计方法,其特征在于,所述简化p2d模型包括锂离子动力电池端电压计算公式,所述锂离子动力电池端电压计算公式为:
3.根据权利要求2所述的基于卡尔曼滤波的电池soc与soe联合估计方法,其特征在于,所述获取所述预设放电倍率下的端电压实验值,并根据所述预设放电倍率、所述端电压数据和所述端电压实验值,确定电压修正因子,包括:
4.根据权利要求3所述的基于卡尔曼滤波的电池soc与soe联合估计方法,其特征在于,所述电压修正因子计算公式为:
5.根据权利要求4所述的基于卡尔曼滤波的电池soc与soe联合估计方法,其特征在于,所述修正后的状态方程为:
6.根据权利要求5所述的基于卡尔曼滤波的...
【专利技术属性】
技术研发人员:康健强,何益盼,王菁,王茜,朱国荣,
申请(专利权)人:武汉理工大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。