一种基于马尔科夫的锂离子电池状态预测方法和预测装置制造方法及图纸

一种基于马尔科夫的锂离子电池状态预测方法和预测装置，涉及锂离子电池管理及控制领域。本发明专利技术针对现有的电池模型单一，影响电池的动态响应性能的问题。本发明专利技术根据电池的工作工况建立至少两个状态模型，根据马尔科夫过程得到各状态模型之间的转移概率矩阵；设定各状态模型的隶属度数值，进而得到隶属度矩阵，根据隶属度矩阵和所述转移概率矩阵估算初始模糊概率矩阵P0；根据模糊初始概率估算下一时刻的模糊概率矩阵，进而确定锂离子电池在下一时刻的状态模型。本发明专利技术解决了以二阶RC等效电路模型作为单一模型时，SOC以及SOH的误差较大问题，以及尝试提出模拟复杂工况下运行，其电流变化剧烈，达到较好的模拟电池动态响应性能。达到较好的模拟电池动态响应性能。达到较好的模拟电池动态响应性能。

【技术实现步骤摘要】
一种基于马尔科夫的锂离子电池状态预测方法和预测装置


[0001]本专利技术涉及锂离子电池管理及控制领域，特别是涉及一种基于马尔科夫的锂离子电池状态预测方法和预测装置。

技术介绍

[0002]新能源汽车在全球的发展势头正在处于火热阶段，随着新能源汽车的迅速崛起，车用动力电池的管理和控制技术成为研究热点。据电池应用的需要，研究人员对电池模型进行了全面的研究。研究发现，电池模型无疑直接影响电动汽车电池荷电状态(SOC)估计、电池管理系统和健康状态(SOC)估算的精确度。对锂离子动力电池的安全以及性能，都会有极大的影响。
[0003]目前常见的电池模型有5种：电化学模型、热模型、耦合模型、性能模型和等效电路模型。电化学模型通过复杂的非线性偏微分代数方程来表达基本的电化学反应，虽然可以准确地捕获电池的各类特性，但需要大量的复杂计算来获得方程的解，对处理器的计算能力要求很高，因此这类模型一般适用于电池设计而非系统级仿真。
[0004]热模型研究电池的生热和传热过程，耦合模型是电化学过程和生热与传热过程相互影响的模型，性能模型描述电池工作时的外特性。
[0005]等效电路模型将复杂的内部电化学反应抽象化，并分别用简单的电子元器件表征它们，更加适用于电路仿真软件和嵌入式微控制器，而等效电路模型的精度很大程度上取决于模型的结构和模型参数辨识的准确度。
[0006]理论上讲，更高阶的等效电路模型能够表征更多种类的电池，生成更精确的电压估计值，但缺点也随之暴露，计算成本的增加和电池状态参数估计数值稳定性的降低。因此，目前国内外综合考虑模型精度、计算负担和数值稳定性3个方面。在阶数上，基本采用二阶及以内的阻容(RC)等效电路模型作为研究对象。
[0007]锂离子动力电池模型是描述电池的影响因素与它的工作特性之间的关系。建立准确有效的电池模型具有十分重要的意义。一方面，电池SOC的准确估算很大程度上取决于电池模型的准确程度；另一方面，在所建立电池模型的基础上，可以对电池工作中的各种表现进行估计，从而能研究分析所建电池管理策略的有效性。

技术实现思路

[0008]为了解决上述问题，本专利技术提供了一种基于马尔科夫的锂离子电池状态预测方法和预测装置，解决了传统的电池等效模型单一造成模拟电池动态响应性能较差的问题。
[0009]本专利技术第一方面提供了一种基于马尔科夫的锂离子电池状态预测方法，包括如下步骤：
[0010]S1、根据电池的工作工况建立至少两个状态模型，根据马尔科夫过程得到各状态模型之间的转移概率矩阵；
[0011]S2、设定各状态模型的隶属度数值，进而得到隶属度矩阵，根据隶属度矩阵和所述
转移概率矩阵估算初始模糊概率矩阵；
[0012]S3、根据所述模糊初始概率估算下一时刻的模糊概率矩阵，进而确定锂离子电池在下一时刻的状态模型；
[0013]S4、将该时刻的模糊概率矩阵作为初始模糊概率矩阵，重复执行步骤S2。
[0014]进一步的，所述状态模型根据放电电流的放电倍率划分。
[0015]进一步的，所述状态模型包括大电流模型、中电流模型和小电流模型。
[0016]进一步的，所述下一时刻的模糊概率矩阵的估算方法包括：
[0017]所述初始模糊概率矩阵P0为：P0＝u
·
P。
[0018]第k时刻的模糊概率矩阵为：
[0019]P
k
＝P
k
‑1·
P＝P0·
P
k
；
[0020]其中，u为隶属度矩阵，P
k
和P
k
‑1分别为k时刻和k
‑
1时刻的模糊概率矩阵，P为转移概率矩阵。
[0021]步骤S3包括：根据最大隶属度原则，得到下一时刻的模糊概率矩阵中概率最大的模型，该模型为锂离子电池下一时刻的状态模型。
[0022]本专利技术第二方面公开了一种基于马尔科夫的锂离子电池状态预测模型，包括：
[0023]马尔科夫链模块，所述马尔科夫链模块包括至少两个状态模型，根据马尔科夫过程得到各状态模型之间的转移概率矩阵；
[0024]估算模块，设定各状态模型的隶属度数值，进而得到隶属度矩阵，根据隶属度矩阵和所述转移概率矩阵估算初始模糊概率矩阵；
[0025]预测模块，根据所述模糊初始概率估算下一时刻的模糊概率矩阵，进而判定锂离子电池在下一时刻的状态模型；
[0026]反馈模块，并将该时刻的模糊概率矩阵作为初始模糊概率矩阵，重复执行估算模块。
[0027]如上所述，本专利技术提供的一种基于马尔科夫的锂离子电池模型及其预测方法，具有如下效果：
[0028]1、本专利技术聚焦于电池模型的单一化问题，单一化无法模拟复杂的工况，这是尝试模型的预测，解决等效模型单一化难题，可以有效地提高电池管理系统以及电动汽车电池荷电状态(SOC)估计和健康状态(SOH)估算的精确度。对锂离子动力电池的安全以及性能，都会有极大的影响。
[0029]2、本专利技术采用模糊马尔科夫过程，对于解决复杂系统的不确定性和关联性具有很大的优势，相比传统的马尔科夫，模糊马尔科夫链的模型进一步考虑了未知因素对复杂系统的影响程度，进一步增加了预测模型选择的可靠性。
附图说明
[0030]图1是本专利技术的流程示意图；
[0031]图2为本专利技术具体实施例中，采用传统马尔科夫方法和本申请模糊马尔科夫估算电池SOC在不同区间的误差比较图；
具体实施方式
[0032]以下通过特定的具体实例说明本专利技术的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本专利技术的其他优点与功效。本专利技术还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本专利技术的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
[0033]需要说明的是，以下实施例中所提供的图示仅以示意方式说明本专利技术的基本构想，遂图示中仅显示与本专利技术中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
[0034]基于所述一种基于马尔科夫的锂离子电池模型的预测方法，包括如下步骤：
[0035]S1、根据电池的工作工况建立至少两个状态模型，根据马尔科夫过程得到各状态模型之间的转移概率矩阵；
[0036]本实施例中，以二阶RC等效电路作为参考模型，建立三种不同工况下模型，基于电动汽车在复杂的工况下运行，其电流变化剧烈，由于电流的变化引起电池内部参数变化明显，当汽车处于加速状态，车载电池需要放出大电流来支持电动汽车完成加速过程，此时需要进行大倍率电流放电。汽车匀速运行时，此时电池处于最佳放电状态，电池内部参数处于稳定状态。当汽车处于减速状态时，电池处于小电流放电状态，其内部参数也会发生变化，一般情本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于马尔科夫的锂离子电池状态预测方法，其特征在于，包括如下步骤：S1、根据电池的工作工况建立至少两个状态模型，根据马尔科夫过程得到各状态模型之间的转移概率矩阵；S2、设定各状态模型的隶属度数值，进而得到隶属度矩阵，根据隶属度矩阵和所述转移概率矩阵估算初始模糊概率矩阵P0；S3、根据所述模糊初始概率估算下一时刻的模糊概率矩阵，进而确定锂离子电池在下一时刻的状态模型；S4、将该时刻的模糊概率矩阵作为初始模糊概率矩阵，重复执行步骤S2。2.根据权利要求1所述一种基于马尔科夫的锂离子电池模型的预测方法，其特征在于，所述状态模型根据放电电流的放电倍率划分。3.根据权利要求2所述一种基于马尔科夫的锂离子电池模型的构建方法，其特征在于，所述状态模型包括大电流模型、中电流模型和小电流模型。4.根据权利要求1所述一种基于马尔科夫的锂离子电池模型的预测方法，其特征在于，所述初始模糊概率矩阵P0为：P0＝u
·
P。5.根据权利要求4所述一种基于马尔科夫的锂离子电池模型的预测方法，其特征在于，第k时刻的模糊概率矩阵为：P
k<...

【专利技术属性】
技术研发人员：李然，贾述茗，张济麟，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：