CN101964018A - 一种电动车电池soc的估计方法 - Google Patents

Abstract

一种电动车电池SOC的估计方法。它主要是用于解决电池安全流通以及动力电池SOC估算算法等技术问题。其技术方案是在对电池流通时的认证需求和对神经网络SOC估算方法标准模型分析的基础上，提出了在普通电池组中植入信息芯片和一种基于电池类型和寿命因子的电动车电池SOC神经网络估计方法。信息芯片确保生产厂商、充电站、电动汽车三者与电池组的兼容性和高度的安全性，避免伪劣电池进入流通领域，易于构建统一的电池的网络管理信息平台，形成一个稳定的电池使用管理市场方案；通过电池中信息芯片获取电池类型以及记录最近几次的充放电数据及循环次数，与芯片中记录的额定容量输入到寿命因子分析模块后判断出电池的生命状态，在神经网络标准模型中将电压、电流和温度作为输入的基础上增加电池类型和寿命因子作为输入，实现对电动车电池荷电状态的精确估计。

Description

一种电动车电池SOC的估计方法

技术领域

本发明涉及一种电动车电池SOC的估计方法。

背景技术

随着面向高压能源、工业和汽车领域的能源储存应用如风力发电、光伏电池和混合动力汽车的发展，锂电池的应用日益普遍，进而刺激了对更安全、更高性能电池监控和保护系统的需求。为确保电池性能良好，延长电池使用寿命，必须对电池进行合理有效的管理和控制。动力电池的荷电状态SOC是表征电池状态的重要参数之一，因此准确计量SOC是电池安全和优化控制充放电能量的保证。

在车辆运行时，SOC是电池管理系统向整车管理系统(Vehicle Management System，VMS)传输的重要信息之一，VMS根据当前电池的SOC来决定从电池中获得多少能量，或者向电池反馈多少能量。同时，对于电池本身来说，电池的一些电特性也与SOC密切相关，比如电池的内阻在中等SOC下较小，但当SOC接近于0％或100％时有较大幅度的增加，因此，SOC的准确估计将影响到车辆的动力表现，甚至安全性的好坏，意义十分重大。进一步深入开展SOC估算的基础性研究和工程实现研究，是电池管理系统的核心技术之一，对电动汽车动力系统技术发展具有十分积极的意义。

由于电动车电池在使用过程中表现的高度非线性，使得对SOC的准确估计具有很大难度。电池的荷电状态跟放电电流、工作温度、老化程度及自放电特性等主要参数有关系，但无法由一个精确的数学模型定义。传统的SOC基本估算方法有开路电压法、内阻法和安时法等。近年来又相继研发出许多对电池SOC的新型算法，例如模糊逻辑算法模型、自适应神经模糊推断模型、卡尔曼滤波估计模型算法以及新出现的线性模型法和阻抗光谱法等。开路电压法适用于测试稳定状态下的电池SOC，在电动汽车行驶过程中不宜单独使用。内阻法是根据蓄电池的内阻与SOC之间的联系来预测SOC。但电池的内阻受多方面的因素影响，测量结果易受干扰，可信度不高。再加上这种方法比较复杂，计算量大，因此在实际应用中比较困难。安时法通过对电流积分的方法记录从蓄电池输出的能量或者输入蓄电池的能量，再根据充放电的起始SOC状态，就可以计算出蓄电池的SOC。该方法最为直接明显，而且简单易行，在短时间内具有较高精度，但长时间工作时有较大的累积误差。

目前电动车充电的解决方案都是直接在充电站采用大电流快速充电实现，这种方法的缺点是充电时间长，对电池损害大，电网负载过重。为此，我们可以采用更换电池的方案来解决电动车的充电问题，此方案的优点是更换速度快，夜间充电避免电网用电高峰，专业的设备充电以及维护。但是该方案会面临一些问题：1)如何保证电池的安全流通，避免伪劣电池流入市场。2)电池类型繁多，如何设计出通用的电动车电池SOC算法，实现对电池放电时SOC的精确估计。

发明内容

本发明的目的是提出一种基于SOC神经网络标准模型估计的改进算法，模型中除电压、电流和温度基本输入外，提出将电池类型和寿命因子也作为输入的电动车电池SOC神经网络估计方法。

本发明解决其技术难题所采用的方案是：采用在普通电池组中植入可读写信息芯片，让电池组不再依赖电池管理系统存储信息，而是具有信息载体功能的智能电子设备，该芯片可以记录两类信息：一是电池类型、额定容量等出厂固定信息；二是记录电池组循环使用次数以及最近几次充放电电量信息。

本发明的有益效果是，首先解决了电池的身份问题，便于市场流通，确保生产厂商、充电站、电动汽车三者与电池组的兼容性和高度的安全性，避免伪劣电池进入流通领域，易于构建电池的网络管理信息平台，实时跟踪电池的使用情况，便于对电池进行统一实时维修，方便形成一个稳定的电池使用管理市场方案。其次本发明提出的新型SOC神经网络估计模型在原有标准模型的基础上增加电池类型和寿命因子作为SOC估计模型的输入，实现了电动车对各种类型电池的兼容，考虑了电池老化对SOC估计的影响，提高了SOC的估计精度。

附图说明

下面结合图和具体实施方式对本发明作进一步说明。

图1本发明中基于类型和寿命因子的神经网络模型结构图。

图2本发明中的芯片读写过程框图。

图3本发明中寿命因子预测模块示意图。

图中1.主处理器，2.预警模块，3.故障诊断模块，4.充放电控制模块，5.电压、电流、温度采集模块，6.神经网络模块，7.寿命因子预测模块，8.芯片读写模块，9.信息芯片模块，10.SHA-1引擎，11.固有信息读取模块，12.EEPROM存储模块，13.缓冲存储器，14.认证输入模块，15.数据检测分析模块，16.处理模块。

具体实施方式

实施例1，由图1可知，电动车在运行时，采集模块5从电池组采集电压、电流、温度等数据，通过A/D变换将数据传递给神经网络模块6作为输入；而由于电池信息芯片9中保存有电池的一些固有信息和电池进入使用时的一些载入的信息，将电池类型作为神经网络模块6的输入；同时，将Q(电量)、L(循环使用次数)、C(标称容量)作为寿命因子预测模块7的输入，通过分析运算得到寿命因子BLF，将寿命因子也作为神经网络模块6的输入。这样，就使得对SOC估算要比仅以采集模块5所得电压、电流、温度作为输入的常规SOC估计要精确的多。通过一定的输入输出样本来训练神经网络，得到性能良好的神经网络估算策略，在电动车运行时，神经网络模块6输出精确的SOC值到主处理器1，主处理器1对SOC信息进行处理，并将处理后的信号传递给充放电控制模块4，有充放电控制模块4控制电动车运行时对电池组的充放电控制。当电动车电池出现有温度、电流、电压异常时，通过故障诊断模块3诊断处理，发出报警信号；当电池深放电、过放电，电池管理系统则将异常信号传递给预警模块2，通过预警模块2发出预警信号，同时主处理器1发出相关指令到整车管理系统来控制电动车的运行。

实施例2，由图1，图2可知，当电动车运行时，芯片读写模块8将读取电池信息芯片9中的电池的固有信息和电池进入使用时载入的信息，包括电池的已循环使用次数和预计使用次数、前几次充满电后电池电量值、电池的标称容量等，将数据存入缓冲存储器13，数据在经过处理后再存入EEPROM存储模块12，从而寿命因子模块7可以读取存储模块的数据，某些数据也可以直接从缓冲存储器13中读取。固有信息读取模块11从电池芯片9中读取数据并将独一无二的电池ID号，即电池类型，输出到神经网络模块6，并将其信息也输出到SHA-1引擎10，同时，认证输入模块14装载8字节密码和DS2432常数，亦将输入数据块传送到SHA-1引擎10，计算得出20字节信息认证码，并通过写认证输入一起作用实现电池的质询-响应认证。同时，还可在EEPROM存储模块12中存储独立的配置信息以防止非法篡改，达到采用电子标牌的形式实现电池的标识功能。这样，就解决了电池的身份问题，确保生产厂商、充电站、电动汽车三者与电池组的兼容性和高度的安全性，避免伪劣电池进入流通领域。

实施例3，由图2，图3可知，数据检测分析模块15检测读入芯片读写模块8中的电池标称容量、已循环使用次数、预测使用次数和最近几次充放电记录等一系列数据，分析数据，将预处理后的数据块传送到处理模块16，寿命因子处理模块16按照既定的处理算法对数据进行处理，得到电池的寿命因子BLF，输出BLF到神经网络模块6，以实现对SOC值的精确估计。

Claims (5)

1.一种电动车电池SOC的估计方法，它是基于神经网络标准模型基础上的改进算法，电池管理系统中的芯片读写模块读取植入在普通电池组内信息芯片保存的电池类型以及最近几次充放电量记录值，通过寿命因子分析模块处理后得出寿命因子，模型中除电压、电流和温度输入外，提出将电池类型和寿命因子作为输入的电动车电池SOC神经网络估计方法。

2.根据权利要求1所述的神经网络类型模型，其特征在于除了将当前时刻的电压、电流和温度测量值作为输入以外，还将电池信息芯片中记录的类型作为参数输入，如铅酸电池取参数K1，镍氢电池取参数K2，铁锂电池取参数K3等等。其类型模型的函数关系为SOC_t＝f(V_t，I_t，T_t，K_n)。该方法具有自适应的特性，新的数据可以重新用于网络的训练，从而实现对新的电池类型的兼容。

3.根据权利要求1所述的神经网络寿命因子模型，其特征是：通过电池芯片记录额定容量C、循环使用次数L以及最近几次充放电的电量值Q，将这些电量值与额定容量以及循环次数作为寿命因子分析模块的输入，即可判断出电池所处的生命状态。寿命因子模型的函数关系为

$\mathrm{BLF}=K\frac{{\mathrm{\ΔQ}}_{n-1}-{\mathrm{\ΔQ}}_{n-2}}{{\mathrm{\ΔQ}}_n-{\mathrm{\ΔQ}}_{n-1}}\left(\frac{1-\frac{L}{L_{\mathrm{Max}}}+\frac{C_M}{C_N}}{2}\right),$ 其中ΔQ_n＝Q_n-Q_n-1，

SOC_t＝f(V_t，I_t，T_t，BLF)

4.根据权利要求1中的数据来源和权利要求2及权利要求3所述的模型结构，电池本身要具有存储数据功能，其特征是：提出在普通电池组中植入信息芯片的方法，将电池作为信息载体的智能电子设备。

5.根据权利要求2及权利要求3所述的神经网络扩展模型，提出类型—寿命因子模型。其特征是：同时考虑到电池类型和寿命因子，综合考虑两者对电池SOC估计的影响，得出基于类型和寿命因子的电动车电池SOC神经网络估计方法的输入输出关系为：SOC_t＝f(V_t，I_t，T_t，K_n，BLF)。

Images