CN102062841B - 动力电池荷电状态的估测方法及系统 - Google Patents

Abstract

本发明公开了一种动力电池荷电状态的估测方法，包括：采用电量累计法估算出动力电池的电量累计法荷电状态估计值SOC2；采用Sigma点卡尔曼滤波器作为基本估测工具，并采用双RC回路电池模型作为Sigma点卡尔曼滤波器的时间更新、测量更新引擎，估算出动力电池的卡尔曼滤波法荷电状态估计值SOC1；将电量累计法荷电状态估计值SOC2和卡尔曼滤波法荷电状态估计值SOC1通过加权平均获得最终荷电状态估计值SOC。相应地，本发明还公开了一种动力电池荷电状态的估测系统。借此，本发明SOC估测具备高精确度，运行稳定、便于实时估测等优点，适用于需要使用动力电池的纯电动车和混合动力电动车。

Description

动力电池荷电状态的估测方法及系统

技术领域

本发明涉及一种精确度较高的动力电池SOC(State of Charge，荷电状态)的估测方法及系统，适用于所有需要使用动力电池的车辆，尤其是需要实时估测动力电池SOC的车辆。

背景技术

随着能源危机的不断深化，它也越来越影响到人们的生产和消费观念，清洁、环保的纯电动车(Electric Vehicle，EV)、混合动力电动车(Hybrid ElectricVehicle，HEV)也日益受到人们的喜爱。

纯电动车的驾驶员需要实时获知动力电池SOC，以确定自己的行程以及是否需要为车载动力电池进行充电以及何时充电。混合动力电动车的电池管理系统(Battery Management System，BMS)需要准确地实时获知动力电池SOC，以确定何时可以进行能量回馈，何时可以进行辅助动力输出。由于现阶段动力电池技术的限制，电池的一致性还较低，因此无论是纯电动车还是混合动力电动车，其电池管理系统都需要知道准确的SOC以确定何时进行电池单体的电量均衡，以及均衡到何种程度为止。

传统动力电池SOC的估测方法包括电量累计法(即安时计量法)、开路电压法、神经网络法、模糊逻辑法等，它们均因存在这样或那样的问题而导致使用效果不理想或不能实时使用。也有研究人员采用扩展卡尔曼滤波(Extended Kalman Filter，EKF)方法进行实时估测的，但是其往往采用了简单的电池模型或采用任意指定的SOC初值，导致卡尔曼滤波器不能收敛甚至发生振荡，导致SOC的估测值可能大幅偏离真值，即使采用了精确的电池模型及有效SOC初值的卡尔曼滤波器，由于扩展卡尔曼滤波器本身的缺点，其算法可能在某些情况下运行不稳定，不太适合在可靠性要求相对较高的车辆中使用。

综上可知，现有动力电池SOC的估测技术在实际使用上，显然存在不便与缺陷，所以有必要加以改进。

发明内容

针对上述的缺陷，本发明的目的在于提供一种动力电池SOC的估测方法及系统，其具有高精确度，运行稳定、便于实时估测等优点。

为了实现上述目的，本发明提供一种动力电池SOC的估测方法，用于电池管理系统，所述估测方法包括：

电量累计法估算步骤，采用电量累计法估算出动力电池的电量累计法荷电状态估计值SOC2；

Sigma点卡尔曼滤波法估算步骤，采用Sigma点卡尔曼滤波器作为基本估测工具，并采用双RC回路电池模型作为所述Sigma点卡尔曼滤波器的时间更新、测量更新引擎，估算出动力电池的卡尔曼滤波法荷电状态估计值SOC1；

加权平均步骤，将所述电量累计法荷电状态估计值SOC2和卡尔曼滤波法荷电状态估计值SOC1通过第一加权平均获得最终荷电状态估计值SOC，

第一加权平均公式为：SOC＝αSOC1+(1-α)SOC2

式中系数α大于等于0且小于等于1，并且所述系数α值大小与所述电池管理系统的运行时间长短有关，其在系统运行初期一小时内与运行时间成正比，而在系统运行一小时后等于1。

根据本发明的估测方法，所述电池管理系统的运行初期，所述系数α的取值范围是0～0.6；所述电池管理系统的运行中后期，所述系数α的取值范围是0.6～1。

根据本发明的估测方法，所述电量累计法估算步骤通过输入电量累计法荷电状态估计值SOC2的初值SOC0、电池电压、过程噪声、测量噪声来估算出动力电池的电量累计法荷电状态估计值SOC2；

所述Sigma点卡尔曼滤波法估算步骤通过输入卡尔曼滤波法荷电状态估计值SOC1的初值SOC0、电池电压、过程噪声、测量噪声来估算出动力电池的卡尔曼滤波法荷电状态估计值SOC1。

根据本发明的估测方法，所述电量累计法荷电状态估计值SOC2和卡尔曼滤波法荷电状态估计值SOC1的初值SOC0分别采用所述电池管理系统启动时保存的历史荷电状态数值SOC_h和开路电压修正值SOC_ocv进行第二加权平均获得，

第二加权平均公式为：SOC0＝βSOC_h+(1-β)SOC_ocv

式中系数β大于等于0且小于等于1，并且所述系数β大小与动力电池的开路搁置时间长短有关。

根据本发明的估测方法，所述动力电池的开路搁置时间小于1分钟时，所述系数β为1；所述动力电池的开路搁置时间大于4小时时，所述系数β为0；所述动力电池的开路搁置时间在1分钟至4小时之间时，所述系数β取0～1之间的值，且与搁置时间成反比。

根据本发明的估测方法，所述Sigma点卡尔曼滤波法包括Unscented卡尔曼滤波算法，中心差分Sigma点卡尔曼滤波算法，Unscented卡尔曼滤波算法平方根形式或者中心差分Sigma点卡尔曼滤波算法平方根形式。

根据本发明的估测方法，所述双RC回路电池模型包括一用于描述所述动力电池常态特性的常态特性部分和一用于描述所述动力电池暂态特性的暂态特性部分。

根据本发明的估测方法，所述双RC回路电池模型的常态特性部分包括并联一自放电电阻Rsd、一模拟电池容量的电容Ccap以及一可控电流源；所述双RC回路电池模型的暂态特性部分包括串联一描述动力电池的浓差极化阻抗特性的第一RC回路、一描述动力电池的电化学阻抗特性的第二RC回路、一模拟动力电池的欧姆电阻R、一电池的输入电流以及一可控电压源；所述第一RC回路包括并联一模拟电池浓差极化的阻抗Rl和一模拟电池长期滞后特性的电容Cl；所述第二RC回路包括并联一模拟电池电化学的阻抗Rs和一模拟电池短期滞后特性的电容Cs。

根据本发明的估测方法，所述双RC回路电池模型的暂态特性部分的描述方程组为：

$x_{k+1}=\left(\begin{array}{ccc}1& 0& 0\\ 0& 1-\frac{\mathrm{Ts}}{R_s{C}_s}& 0\\ 0& 0& 1-\frac{\mathrm{Ts}}{R_l{C}_l}\end{array}\right)x_k+\left(\begin{array}{c}\frac{-\mathrm{\ηTs}}{C_{\mathrm{cap}}}\\ \frac{\mathrm{Ts}}{C_s}\\ \frac{\mathrm{Ts}}{C_l}\end{array}\right)I_k$

V_k＝h(SOC_K)-(V_s)_k-(V_l)_k-RI_k

所述方程组中第一个式子为所述电池模型的状态方程，第二个式子为所述电池模型的量测方程；式中 $x=\left(\begin{array}{c}\mathrm{SOC}\\ \mathrm{Vs}\\ \mathrm{Vl}\end{array}\right)$ 为所述电池管理系统的状态向量，V为所述电池管理系统的量测向量；电池模型参数R，Rs，Rl，Cs，Cl均为荷电状态的函数，Ts为采样周期，k为各采样时刻，η为充放电效率，Vs为模拟电池短期滞后特性的电压；V1为模拟电池长期滞后特性的电压。

本发明还提供一种动力电池SOC的估测系统，包括：

电量累计法估算模块，采用电量累计法估算出动力电池的电量累计法荷电状态估计值SOC2；

Sigma点卡尔曼滤波法估算模块，包括Sigma点卡尔曼滤波器和双RC回路电池模型，采用所述Sigma点卡尔曼滤波器作为基本估测工具，并采用所述双RC回路电池模型作为所述Sigma点卡尔曼滤波器的时间更新、测量更新引擎，估算出动力电池的卡尔曼滤波法荷电状态估计值SOC1；

加权平均模块，将所述电量累计法荷电状态估计值SOC2和卡尔曼滤波法荷电状态估计值SOC1通过第一加权平均获得最终荷电状态估计值SOC，

第一加权平均公式为：SOC＝αSOC1+(1-α)SOC2

式中系数α大于等于0且小于等于1，并且所述系数α值大小与所述电池管理系统的运行时间长短有关，其在系统运行初期一小时内与运行时间成正比，而在系统运行一小时后等于1。

本发明同时采用Sigma点卡尔曼滤波法与电量累计法对动力电池SOC进行估测，其采用Sigma点卡尔曼滤波器作为基本估测工具，采用精确的双RC回路电池模型作为Sigma点卡尔曼滤波器的时间更新、测量更新引擎，通过将卡尔曼滤波法SOC估计值与电量累计法SOC估计值进行加权平均作为最终SOC估计值，这样即防止了卡尔曼滤波器的振荡又避免了电量累计法的累积误差，使得SOC估测在电池管理系统整个运行过程中都具备高精确度。并且与传统的扩展卡尔曼滤波法相比，Sigma点卡尔曼滤波法运行更为稳定且便于实时估测。更好的是，Sigma点卡尔曼滤波法运行初期采用历史SOC数值和开路电压修正值的加权平均作为有效的SOC初值。并且本发明在卡尔曼滤波法SOC估计值与电量累计法SOC估计值加权平均时的权重采用了自适应调整法，使电量累计法SOC估计值和卡尔曼滤波法SOC估计值在最终估测所得的SOC中占有的份额不同，从而进一步提升动力电池SOC估计值的准确度。

附图说明

图1是本发明提供的动力电池荷电状态估测系统的结构示意图；

图2是本发明中双RC回路电池模型的电路图；

图3是本发明提供的动力电池荷电状态的估测方法的流程图；

图4是本发明优选的动力电池荷电状态的估测方法的流程图；

图5是本发明中采用中心差分Sigma点卡尔曼滤波法估测SOC的流程图；

图6是本发明SOC估计值与真值随时间变化的曲线图示例。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

图1示出了本发明提供的动力电池荷电状态的估测系统结构，所述估测系统100包括电量累计法估算模块10、Sigma点卡尔曼滤波法估算模块20以及加权平均模块30，其中：

电量累计法估算模块10，采用电量累计法估算出动力电池的电量累计法荷电状态估计值SOC2。

Sigma点卡尔曼滤波法估算模块20，包括耦合在一块的Sigma点卡尔曼滤波器21和双RC回路电池模型22，采用Sigma点卡尔曼滤波器21作为基本估测工具，并采用双RC回路电池模型22作为Sigma点卡尔曼滤波器21的时间更新、测量更新引擎，估算出动力电池的卡尔曼滤波法荷电状态估计值SOC1。

加权平均模块30，将电量累计法荷电状态估计值SOC2和卡尔曼滤波法荷电状态估计值SOC1通过第一加权平均获得最终荷电状态估计值SOC。

第一加权平均公式为：SOC＝αSOC1+(1-α)SOC2。(1)

式中系数α(0≤α≤1)与电池管理系统的运行时间有关，并且系数α值大小与电池管理系统的运行时间长短有关，其在系统运行初期一小时内与运行时间成正比，而在系统运行一小时后等于1。更好的是，该系数α在电池管理系统的运行初期采用较小的值(例如0～0.6)以使电量累计法荷电状态估计值SOC2在最终SOC估计值中占有较大的份额；而在电池管理系统的运行中后期，系数α采用较大的值(例如0.6～1)，这样卡尔曼滤波法荷电状态估计值SOC1就在最终SOC估计值中占有较大的份额。由于加权平均的权重采用了自适应调整的方法，因此可提升动力电池SOC估计值的准确度。

如图1所示，电量累计法估算模块10通过输入电量累计法荷电状态估计值SOC2的初值SOC0、电池电压、过程噪声、测量噪声来估算出动力电池的电量累计法荷电状态估计值SOC2。Sigma点卡尔曼滤波法估算模块20通过输入卡尔曼滤波法荷电状态估计值SOC1的初值SOC0、电池电压、过程噪声、测量噪声来估算出动力电池的卡尔曼滤波法荷电状态估计值SOC1。

电量累计法荷电状态估计值SOC2和卡尔曼滤波法荷电状态估计值SOC1的初值SOC0分别采用电池管理系统启动时保存的历史荷电状态数值SOC_h和启动瞬间采集到的开路电压修正值SOC_ocv进行第二加权平均获得，

第二加权平均公式为：SOC0＝βSOC_h+(1-β)SOC_ocv  (2)

式中系数β(0≤β≤1)值大小与动力电池的开路搁置时间有关，并且系数β大小与动力电池的开路搁置时间长短成有关。

动力电池的开路搁置时间小于1分钟时，系数β采用较大的值如直接置为1；动力电池的开路搁置时间大于4小时时，系数β直接置为0；动力电池的开路搁置时间在1分钟至4小时之间时，系数β取0～1之间的值，且与搁置时间成反比。

本发明采用了Sigma点卡尔曼滤波算法作为其核心算法，与传统的扩展卡尔曼滤波法相比，不需要计算复杂的Jacobian矩阵，更加容易实施，而且比扩展卡尔曼滤波运行更稳定。Sigma点卡尔曼滤波法可以包括Unscented卡尔曼滤波算法(UKF)，中心差分Sigma点卡尔曼滤波算法(CDKF)，Unscented卡尔曼滤波算法平方根形式或者中心差分Sigma点卡尔曼滤波算法平方根形式。在本实施实例中，Sigma点卡尔曼滤波器21采用中心差分Sigma点卡尔曼滤波器，该滤波器采用图2中所示的精确的双RC回路电池模型22，双RC回路电池模型22包括一用于描述动力电池常态特性的常态特性部分和一用于描述动力电池暂态特性的暂态特性部分，因此能准确描述电池的全部外特性，其中：

双RC回路电池模型22的常态特性部分，包括并联一自放电电阻Rsd、一模拟电池容量的电容Ccap以及一可控电流源；

双RC回路电池模型22的暂态特性部分包括并联一描述动力电池的浓差极化阻抗特性的第一RC回路、一描述动力电池的电化学阻抗特性的第二RC回路、一模拟动力电池的欧姆电阻R、一电池的输入电流Ibatt以及一可控电压源；第一RC回路包括并联一模拟电池浓差极化的阻抗Rl和一模拟电池长期滞后特性的电容Cl；第二RC回路包括并联一模拟电池电化学的阻抗Rs和一模拟电池短期滞后特性的电容Cs。

由于该电池模型的常态特性不影响对电池SOC的实时估测，因此，本实施实例中只用到该电池模型的暂态特性部分，该电池模型的暂态特性部分具有以下描述方程组(3)：

$x_{k+1}=\left(\begin{array}{ccc}1& 0& 0\\ 0& 1-\frac{\mathrm{Ts}}{R_s{C}_s}& 0\\ 0& 0& 1-\frac{\mathrm{Ts}}{R_l{C}_l}\end{array}\right)x_k+\left(\begin{array}{c}\frac{-\mathrm{\ηTs}}{C_{\mathrm{cap}}}\\ \frac{\mathrm{Ts}}{C_s}\\ \frac{\mathrm{Ts}}{C_l}\end{array}\right)I_k---\left(3\right)$

V_k＝h(SOC_K)-(V_s)_k-(V_l)_k-RI_k

方程组中第一个式子为电池模型的状态方程，第二个式子为电池模型的量测方程；式中 $x=\left(\begin{array}{c}\mathrm{SOC}\\ \mathrm{Vs}\\ \mathrm{Vl}\end{array}\right)$ 为电池模型的状态向量，V为电池模型的量测向量；电池模型参数R，Rs，Rl，Cs，Cl均为荷电状态的函数，可由相关参数辨识试验方便得出当SOC为0.1，0.2，0.3，0.4，0.5，0.6，0.7，0.8，0.9时的各参数值，任意SOC点上的模型参数值采用插值方法得出，本实施实例中采用线性插值方法得出。Ts为采样周期，K为各采样时刻，η为充放电效率，Vs为模拟电池短期滞后特性的电压；Vl为模拟电池长期滞后特性的电压。

本发明的双RC回路电池模型22能准确描述动力电池的全部特性，因此特别适用于卡尔曼滤波器SOC估测算法，本发明又对电池模型的描述方程进行了离散化处理，因此具有易于实施的优点。

实施本发明方案前，如果单独使用电量累计法进行SOC的估测将不能解决以下问题：累计误差、自放电、充放电效率等；如果单独使用扩展卡尔曼滤波器的话，由于扩展卡尔曼滤波器本身的缺点，其运行有一定的不稳定性，在车辆实际运行过程中，电压电流的数据变化剧烈，有可能会激发扩展卡尔曼滤波器的这种不稳定性，从而导致程序跑飞。本发明结合了电量累计法与扩展卡尔曼滤波法估测SOC的优点而又避免了他们的缺点，在运行初期和中后期，均具有较高的精度。同时本发明还具有收敛速度快，运行稳定，实时性、便于实施等优点。

图3示出了本发明动力电池荷电状态的估测方法的流程，其通过如图1所示的估测系统100实现，所述估测方法包括步骤如下：

步骤S301，电量累计法估算步骤。采用电量累计法估算出动力电池的电量累计法荷电状态估计值SOC2，本步骤由图1中的电量累计法估算模块10实现。本实施实例中，电量累计法采用如下公式(4)进行：

${\mathrm{SOC}}_{2,k+1}={\mathrm{SOC}}_{2,k}-\frac{\mathrm{\ηTs}{I}_k}{C_{\mathrm{cap}}}---\left(4\right)$

其中SOC_2，k表示系统状态第k次更新时的电量累计法SOC值，η为充放电效率，放电时等于100％，充电时小于100％，Ts为采样周期，Ik表示系统状态第k次更新时的电流值，其他参数及变量意义上述说明。

步骤S302，Sigma点卡尔曼滤波法估算步骤。采用Sigma点卡尔曼滤波器21作为基本估测工具，并采用双RC回路电池模型22作为Sigma点卡尔曼滤波器21的时间更新、测量更新引擎，估算出动力电池的卡尔曼滤波法荷电状态估计值SOC1，本步骤由图1中的Sigma点卡尔曼滤波法估算模块20实现。需指出，步骤S302和步骤S301彼此之间并无顺序关系，也可以先执行步骤S302，后执行步骤S301，或者同时执行这两个步骤。

步骤S303，加权平均步骤。将电量累计法荷电状态估计值SOC2和卡尔曼滤波法荷电状态估计值SOC1通过公式(1)进行第一加权平均获得最终荷电状态估计值SOC，本步骤由图1中的加权平均模块30实现。

图4是本发明优选的动力电池荷电状态的估测方法的流程图，其通过图1所示的估测系统100实现，所述估测方法包括步骤如下：

步骤S401，通过读取估测误差协方差阵初始值P0、充放电效率η、电池模型参数、历史荷电状态数值SOC_h等进行初始化。

步骤S402，通过开路电压法计算开路电压修正值SOC_ocv。

步骤S403，分别采用电池管理系统启动时保存的历史荷电状态数值SOC_h和开路电压修正值SOC_ocv进行通过公式(2)进行加权平均获得电量累计法荷电状态估计值SOC2和卡尔曼滤波法荷电状态估计值SOC1的初值SOC0。

步骤S404，获取实时电压电流数据。

步骤S405，采用卡尔曼滤波法估算卡尔曼滤波法荷电状态估计值SOC1。

步骤S406，采用电量累计法估算电量累计法荷电状态估计值SOC2。

步骤S407，将电量累计法荷电状态估计值SOC2和卡尔曼滤波法荷电状态估计值SOC1通过加权平均获得最终荷电状态估计值SOC，并可以显示该最终荷电状态估计值SOC。

图5示出了本发明中采用中心差分Sigma点卡尔曼滤波法估测SOC的流程，中心差分Sigma点卡尔曼滤波计算过程主要包括步骤如下：

步骤S501，初始化：k＝1，给定x(0|0)和P(0|0)。本实施例中 $\stackrel{\‾}{x}\left(0\right|0)=\left(\begin{array}{c}\mathrm{SOC}0\\ 0\\ 0\end{array}\right),$ 其中SOC0由公式(2)得到； $P\left(0\right|0)=\left(\begin{array}{ccc}1& 0& 0\\ 0& 1& 0\\ 0& 0& 1\end{array}\right),$ P是估测误差协方差阵。

步骤S502，确定Sigma点集：根据

和P_k-1利用公式(5)构建Sigma点集。

χ₀＝x

${\mathrm{\χ}}_i=\stackrel{\‾}{x}+{\left(h\sqrt{P_{\mathrm{xx}}}\right)}_i,i=1,...n---\left(5\right)$

${\mathrm{\χ}}_i=\stackrel{\‾}{x}-{\left(h\sqrt{P_{\mathrm{xx}}}\right)}_i,i=n+1,...2n$

其权值采用公式组(6)计算

${\mathrm{\ω}}_0=\frac{h^2-n}{h^2}$

${\mathrm{\ω}}_i=\frac{1}{{2h}^2},i=1,...2n---\left(6\right)$

本实施实例中算法参数h＝1.732。

步骤S503，时间更新。根据方程组(7)进行时间更新计算。本实施实例中过程噪声矩阵Q＝0。

${\widehat{\mathrm{\χ}}}_k^{-}=F[{\mathrm{\χ}}_{k-1},u_{k-1}]$

${\hat{x}}_k^{-}=\underset{i=0}{\overset{2n}{\mathrm{\Σ}}}{\mathrm{\ω}}_i{\left({\widehat{\mathrm{\χ}}}^{-}\right)}_i$

$P_k^{-}=\underset{i=0}{\overset{2n}{\mathrm{\Σ}}}{\mathrm{\ω}}_i[{\widehat{\mathrm{\χ}}}_k^{-}-{\hat{x}}_k^{-}]{[{\widehat{\mathrm{\χ}}}_k^{-}-{\hat{x}}_k^{-}]}^T+Q---\left(7\right)$

${\hat{Y}}_k^{-}=H\left[{\widehat{\mathrm{\χ}}}^{-}\right]$

${\hat{y}}_k^{-}=\underset{i=0}{\overset{2n}{\mathrm{\Σ}}}{\mathrm{\ω}}_i{\left({\hat{Y}}_k^{-}\right)}_i$

步骤S504，测量更新。根据方程组(8)进行测量更新计算。测量误差R应尽量采用实际值，在本实施实例中采用R＝0.01。

${\hat{P}}_{y_k{y}_k}=\underset{i=0}{\overset{2n}{\mathrm{\Σ}}}{\mathrm{\ω}}_i[{\left(Y_k^{-}\right)}_i-{\hat{y}}_k^{-}]{[{\left(Y_k^{-}\right)}_i-{\hat{y}}_k^{-}]}^T+R$

${\hat{P}}_{x_k{y}_k}=\underset{i=0}{\overset{2n}{\mathrm{\Σ}}}{\mathrm{\ω}}_i[{\left({\mathrm{\χ}}_k^{-}\right)}_i-{\hat{y}}_k^{-}]{[{\left(Y_k^{-}\right)}_i-{\hat{y}}_k^{-}]}^T$

$K_k={\hat{P}}_{x_k{y}_k}{\hat{P}}_{y_k{y}_k}^{-1}---\left(8\right)$

${\hat{x}}_k={\hat{x}}_k^{-}+K_k[y_k-y_k^{-}]$

$P_k=P_k^{-}-K_k{\hat{P}}_{x_k{y}_k}^T$

将电量累计法计算出的SOC1与中心差分Sigma点卡尔曼滤波法计算出的SOC2按照公式(1)进行加权平均即可得出最终SOC值。

图6展示了本发明在环测试的结果，可以看出在，在初值有一定误差，并且电流检测、电压检测都存在一定误差的情况下，该方法能快速收敛于真值，展现了良好的估测效果。

综上所述，本发明同时采用Sigma点卡尔曼滤波法与电量累计法对对动力电池SOC进行估测，其采用Sigma点卡尔曼滤波器作为基本估测工具，采用精确的双RC回路电池模型作为Sigma点卡尔曼滤波器的时间更新、测量更新引擎，通过将卡尔曼滤波法SOC估计值与电量累计法SOC估计值进行加权平均作为最终SOC估计值，这样即防止了卡尔曼滤波器的振荡又避免了电量累计法的累积误差，使得SOC估测在电池管理系统整个运行过程中都具备高精确度。并且与传统的扩展卡尔曼滤波法相比，Sigma点卡尔曼滤波法运行更为稳定且便于实时估测。更好的是，Sigma点卡尔曼滤波法运行初期采用历史SOC数值和开路电压修正值的加权平均作为有效的SOC初值。并且本发明在卡尔曼滤波法SOC估计值与电量累计法SOC估计值加权平均时的权重采用了自适应调整法，使电量累计法SOC估计值和卡尔曼滤波法SOC估计值在最终估测所得的SOC中占有的份额不同，从而进一步提升动力电池SOC估计值的准确度。本发明适用于需要使用动力电池的纯电动车和混合动力电动车。

当然，本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (10)

1.一种动力电池荷电状态的估测方法，用于电池管理系统，其特征在于，所述估测方法包括：

电量累计法估算步骤，采用电量累计法估算出动力电池的电量累计法荷电状态估计值SOC2；

Sigma点卡尔曼滤波法估算步骤，采用Sigma点卡尔曼滤波器作为基本估测工具，并采用双RC回路电池模型作为所述Sigma点卡尔曼滤波器的时间更新、测量更新引擎，估算出动力电池的卡尔曼滤波法荷电状态估计值SOC1；

加权平均步骤，将所述电量累计法荷电状态估计值SOC2和卡尔曼滤波法荷电状态估计值SOC1通过第一加权平均获得最终荷电状态估计值SOC，

第一加权平均公式为：SOC＝αSOC1+(1-α)SOC2

式中系数α大于等于0且小于等于1，并且所述系数α值大小与所述电池管理系统的运行时间长短有关，其在系统运行初期一小时内与运行时间成正比，而在系统运行一小时后等于1。

2.根据权利要求1所述的估测方法，其特征在于，所述电池管理系统的运行初期，所述系数α的取值范围是0～0.6；所述电池管理系统的运行中后期，所述系数α的取值范围是0.6～1。

3.根据权利要求1所述的估测方法，其特征在于，所述电量累计法估算步骤通过输入电量累计法荷电状态估计值SOC2的初值SOC0、电池电压、过程噪声、测量噪声来估算出动力电池的电量累计法荷电状态估计值SOC2；

所述Sigma点卡尔曼滤波法估算步骤通过输入卡尔曼滤波法荷电状态估计值SOC1的初值SOC0、电池电压、过程噪声、测量噪声来估算出动力电池的卡尔曼滤波法荷电状态估计值SOC1。

4.根据权利要求3所述的估测方法，其特征在于，所述电量累计法荷电状态估计值SOC2和卡尔曼滤波法荷电状态估计值SOC1的初值SOC0分别采用所述电池管理系统启动时保存的历史荷电状态数值SOC_h和开路电压修正值SOC_ocv进行第二加权平均获得，

第二加权平均公式为：SOC0＝βSOC_h+(1-β)SOC_ocv

式中系数β大于等于0且小于等于1，并且所述系数β大小与动力电池的开路搁置时间长短有关。

5.根据权利要求4所述的估测方法，其特征在于，所述动力电池的开路搁置时间小于1分钟时，所述系数β为1；所述动力电池的开路搁置时间大于4小时时，所述系数β为0；所述动力电池的开路搁置时间在1分钟至4小时之间时，所述系数β取0～1之间的值，且与开路搁置时间成反比。

6.根据权利要求1所述的估测方法，其特征在于，所述Sigma点卡尔曼滤波法包括Unscented卡尔曼滤波算法，中心差分Sigma点卡尔曼滤波算法。

7.根据权利要求6所述的估测方法，其特征在于，所述Unscented卡尔曼滤波算法包括Unscented卡尔曼滤波算法平方根形式，所述中心差分Sigma点卡尔曼滤波算法包括中心差分Sigma点卡尔曼滤波算法平方根形式。

8.根据权利要求1所述的估测方法，其特征在于，所述双RC回路电池模型包括一用于描述所述动力电池常态特性的常态特性部分和一用于描述所述动力电池暂态特性的暂态特性部分。

9.根据权利要求8所述的估测方法，其特征在于，所述双RC回路电池模型的常态特性部分包括并联一自放电电阻Rsd、一模拟电池容量的电容Ccap以及一可控电流源；所述双RC回路电池模型的暂态特性部分包括串联一描述动力电池的浓差极化阻抗特性的第一RC回路、一描述动力电池的电化学阻抗特性的第二RC回路、一模拟动力电池的欧姆电阻R、一电池的输入电流以及一可控电压源；所述第一RC回路包括并联一模拟电池浓差极化的阻抗Rl和一模拟电池长期滞后特性的电容Cl；所述第二RC回路包括并联一模拟电池电化学的阻抗Rs和一模拟电池短期滞后特性的电容Cs。

10.一种实现如权利要求1～9任一项估测方法的动力电池荷电状态的估测系统，其特征在于，所述估测系统包括：

电量累计法估算模块，采用电量累计法估算出动力电池的电量累计法荷电状态估计值SOC2；

Sigma点卡尔曼滤波法估算模块，包括Sigma点卡尔曼滤波器和双RC回路电池模型，采用所述Sigma点卡尔曼滤波器作为基本估测工具，并采用所述双RC回路电池模型作为所述Sigma点卡尔曼滤波器的时间更新、测量更新引擎，估算出动力电池的卡尔曼滤波法荷电状态估计值SOC1；

加权平均模块，将所述电量累计法荷电状态估计值SOC2和卡尔曼滤波法荷电状态估计值SOC1通过第一加权平均获得最终荷电状态估计值SOC，

第一加权平均公式为：SOC＝αSOC1+(1-α)SOC2

式中系数α大于等于0且小于等于1，并且所述系数α值大小与所述电池管理系统的运行时间长短有关，其在系统运行初期一小时内与运行时间成正比，而在系统运行一小时后等于1。

Images