CN103185865A - 运用ekf对电动汽车锂离子电池soc闭环实时估算法 - Google Patents

Abstract

本发明涉及一种电动汽车动力锂离子电池剩余电量的扩展卡尔曼滤波闭环实时估算方法，包括：判断驻车时间，当驻车时间小于一定值时，使用驻车前的SOC作为初始值，否则用开路电压法查表得到；电池模型离散化运用扩展卡尔曼滤波估算器通过上一时刻的估算值得到这一时刻的预测SOC和电池组中预测最小单体电池工作电压，将这一时刻最小单体电池电压观测量与估算量比较对这一时刻的预测SOC闭环校正，得到这一时刻的SOC估算值，从而实现了每一步SOC的闭环估计。本发明考虑到放电库仑效率、温度及老化对电池SOC的影响，可以方便的对SOC快速估算，该方法快速收敛并逼近真值，精度高，对电流具有较强的鲁棒性能。

Description

运用EKF对电动汽车锂离子电池SOC闭环实时估算法

技术领域

本发明涉及电动汽车动力锂离子电池荷电状态SOC(State of Charge)的闭环实时估算方法，是一种运用先进的扩展卡尔曼滤波算法(EKF)的具有较高精度的能够实现实时校正的计算SOC的新思路、新实践。

背景技术

动力锂离子电池SOC的估算给电动汽车剩余续驶里程的估算、电池组的使用和维护提供关键及必要的信息。电动汽车要求估算得到的SOC在正常行驶时具有较高的精确度(尤其是在剩余电量不多的情况下)、在刹车减速电流回收时具有较为准确的回馈反应、在频繁的电流波动下具有较强的鲁棒性能。

目前得到运用的SOC的估算方法主要有基于电池端电压的开路电压法、基于电流积分的安时积分法、基于电池内阻模型的内阻法等，而这些方法在应用中都具有一定的局限性。鉴于Kalman滤波方法能够将电池的非线性状态空间模型线性化，通过递推估算实现SOC的最小方差意义上的最优估计；对初始误差有较强的修正作用，特别适用于电流变化较快的电池系统。本发明就现有方法较低的估算精度、电动汽车恶劣的实车工况以及Kalman滤波方法的优点结合锂离子动力电池的自身特性设计并实现了一种在实车运行情况下的具有较高精度的SOC估算方法。

发明专利内容

本发明的目的是为了提供一种精确度高、计算量小的动力锂离子电池荷电状态的估算算法，接受纯电动汽车整车CAN报文，实车估算车载动力电池的SOC，是一种运用先进算法对实车SOC估算的新探索、新实践。

本发明的运用EKF算法对电动汽车锂离子电池荷电状态的闭环实时估算方法中，

$\hat{X}\left(k\right|k-1)=A\left(k\right)\hat{X}(k-1)+B\left(k\right)I(k-1)---\left(8\right)$

$\hat{X}\left(k\right)=\hat{X}\left(k\right|k-1)+K\left(k\right)[V\left(k\right)-\hat{V}\left(k\right)]---\left(9\right)$

P(k|k-1)＝A(k-1)P(k-1)A^T(k-1)+Q    (10)

K(k)＝P(k|k-1)C^T(k)[C(k)P(k|k-1)C^T+r]^-1    (11)

P(k)＝[I-K(k)C(k)]P(k|k-1)    (12)

所述EKF算法由上述式(8)-(12)组成；

其中：

为基础对X(k)的估计值；I(k-1)通过所述电动汽车实时上传CAN报文获得，为实际总电流； $X\left(k\right)=\left[\begin{array}{c}S\left(k\right)\\ u_c\left(k\right)\end{array}\right],$ S(k)为K时刻的SOC值；u_c(k)为所述电池的Thevenin模型中的电容的负载电压，初始值为0；

$A\left(k\right)=\left[\begin{array}{cc}1& 0\\ 0& \exp (-\frac{\mathrm{\Δt}}{R_{2}C})\end{array}\right],$ $B\left(k\right)=\left[\begin{array}{c}-\frac{\mathrm{\Δt}}{Q_0}\\ R_2(1-\exp (-\frac{\mathrm{\Δt}}{R_{2}c}))\end{array}\right],$ $C\left(k\right)=\left[\begin{array}{cc}\frac{\∂F\left(S_k\right)}{{\∂S}_k}& -1\end{array}\right],$

R₂是所述电池的Thevenin模型中的极化内阻、C是所述电池的Thevenin模型中的电容，F为以SOC为自变量电池的电动势为因变量的函数关系，F可通过电池的复合脉冲试验，结合电池开路电压与SOC的对应关系得到；

为X(k)的估计值；K(k)为滤波增益，由式(10)-(12)确定；V(k)为单体电压，是通过采集到的单体电池电压所获得的最小单体电压值；

通过式(3)确定，

V(t)＝F[S(t)]-R₁ ^I(t)-u_c(t)+v(t)    (3)

式(3)中，v(t)为高斯白噪声，u_c(t)所述电池的Thevenin模型中的电容的负载电压，I(t)通过CAN报文获得，R₁为Thevenin模型中的欧姆内阻；

式(10)中，Q和r分别是随机噪声方差矩阵和测量噪声；Q的初始值为[0.0030.002；0.001 0.001]，r＝0；P的初始值为[1 0；0 1]；

当车没启动时，SOC的初始值通过由CAN报文获得的静置一段时间之后的初始电池电压值通过开路电压查表获得或者当停车小于一定时间时使用上次停车时的SOC值；运用EKF算法通过上一时刻的估算值得到这一时刻的预测SOC和电池组中预测最小单体电池工作电压，将这一时刻最小单体电池电压观测量与估算量比较对这一时刻的预测SOC闭环校正，得到这一时刻的SOC估算值；循环迭代，得到经过每一步电压校正的SOC闭环估计值。

由所述式(8)-(12)所组成的算法通过Simulink生成模型；

所述模型通过Matlab的自动代码生成工具生成标准C代码；

所述标准C代码通过CANape下载到目标板中；

所下载到目标板中的标准C代码通过CCP进行标定；

在接收实车运行时的CAN信号并实时估算电动汽车SOC后，通过试验检验所提出方法在实车条件下运行的可靠性及预测精度。。

本发明的特点和优点在于：1、为适应实车运行时恶劣的工况条件，加入了大波动大电流调节模块，在出现大电流波动的瞬间，以牺牲很小的精度来换取算法稳定的鲁棒性能；2、而算法本身又具有较强的自适应性，在不断的迭代、校正过程中又弥补了大波动大电流调节模块所损失的精度以及初始估算误差和电池的自放电造成的能量损失，能够达到SOC对其真实值较理性的回归；3、本算法虽有矩阵运算，但完整生成的自动代码下载到MPC555中只有36K，并且运算很快；4、当SOC小于20％时，系统可以发出过放电报警。

附图说明

从对说明本发明的主旨及其使用的优选实施例和附图的以下描述来看，本发明的以上和其它目的、特点和优点将是显而易见的，在附图中：

图1为电池的Thevenin模型图；

图2为Simulink生成模型的结构示意图；

图3为发明实施例中实车运行时所测得的总电流、单体电池电压和基于本算法的SOC估测值。

具体实施方式

结合附图1-3说明本发明的具体实施方式。

为了保证本估算算法有较高的估算精度和较强的适应性，针对于每个厂家的每一款电池，电池模型里的相关参数都要重新设置。而这些参数从该电池厂家所提供的符合脉冲试验数据(HPPC)、不同的放电倍率下SOC-OCV(Open Cycle Voltage)等关系整理计算或拟合得到。

步骤1：判断驻车时间，当驻车时间小于一定值时，使用驻车前的荷电状态(StateofCharge)作为初始值，否则用开路电压法(Open Cycle Voltage)查表得到SOC；

步骤2：将工作电流、电池温度、循环次数、单体电池最低电压输入扩展卡尔曼滤波估算器中，根据状态方程迭代估算SOC和工作电压的预测值：

采用Thevenin电池模型，如图1所示，模型分为四个部分，包括电池电动势E(t)；电池的欧姆内阻R₁，通过电流为I(t)；电池的极化内阻R₂，将其与电容C并联成为容阻回路，模拟电池极化过程中的动态性质，电容上的变化电压用u_c(t)表示；工作负载部分，电压用V(t)表示。

SOC的基本估测方程为：

$S\left(t\right)=S\left(t_0\right)-\frac{1}{Q_0}{\∫}_{t_0}^{t}I\left(t\right)\mathrm{dt}---\left(1\right)$

通过电池的复合脉冲波形试验，结合电池开路电压与电池荷电状态所对应的关系得到：

F[S(t)]＝E(t)    (2)

F以SOC为自变量电池的电动势为因变量的函数关系；

所述负载电压估测方程为：

V(t)＝F[S(t)]-R₁I(t)-u_c(t)+v(t)    (3)

所述离散整理后的电池状态空间模型为，用于估算电池SOC和模型中电容器电压u_c：

$\left[\begin{array}{c}S(k+1)\\ u_c(k+1)\end{array}\right]=\left[\begin{array}{cc}1& 0\\ 0& \exp (-\frac{\mathrm{\Δt}}{R_{2}C})\end{array}\right]\left[\begin{array}{c}S\left(k\right)\\ u_c\left(k\right)\end{array}\right]+\left[\begin{array}{c}-\frac{\mathrm{\Δt}}{Q_0}\\ R_2(1-\exp (-\frac{\mathrm{\Δt}}{R_{2}C}))\end{array}\right]I\left(k\right)+\left[\begin{array}{c}{w}_1\left(k\right)\\ w_2\left(k\right)\end{array}\right]---\left(4\right)$

令 $A\left(k\right)=\left[\begin{array}{cc}1& 0\\ 0& \exp (-\frac{\mathrm{\Δt}}{R_{2}C})\end{array}\right],B\left(k\right)=\left[\begin{array}{c}-\frac{\mathrm{\Δt}}{Q_0}\\ R_2(1-\exp (-\frac{\mathrm{\Δt}}{R_{2}C}))\end{array}\right],$ $C\left(k\right)=\left[\begin{array}{cc}\frac{\∂F\left(S_k\right)}{\∂S_k}& -1\end{array}\right],$ 所述扩展卡尔曼滤波递推算法为(5)-(9)式；

递推状态方程：

$\hat{X}\left(k\right|k-1)=A\left(k\right)\hat{X}(k-1)+B\left(k\right)I(k-1)---\left(5\right)$

每一步的SOC通过工作电压的真实值和估测值进行闭环校正：

$\hat{X}\left(k\right)=\hat{X}\left(k\right|k-1)+K\left(k\right)[V\left(k\right)-\hat{V}\left(k\right)]$

方差矩阵递推和滤波器增益递推：

P(k|k-1)＝A(k-1)P(k-1)A^T(k-1)+Q    (7)

K(k)＝P(k|k-1)C^T(k)[C(k)P(k|k-1)C^T+r]^-1    (8)

P(k)＝[I-K(k)C(k)]P(k|k-1)    (9)

循环迭代，得到经过每一步电压校正的SOC闭环估计值；

步骤3：将程序用Simulink生成模型；

步骤4：Simulink生成模型通过Matlab的自动代码生成工具生成标准C代码，将该标准C代码通过CANape下载到目标板中，目标板在这里是MPC555芯片；所下载到目标板中的标准C代码通过CCP进行标定；

步骤5：与整车CAN通讯，接受电池发送给整车控制器的工作电压、电流报文，实车运行估算当前电池SOC。

上述方法中，CANape、CCP购买自恒润科技。

本实施例中所使用的是西安兰德新能源汽车技术开发有限公司基于陕汽通家微型客车基础上自主研发的陕汽通家纯电动微型客车，使用的电池是某厂家的40AH磷酸铁锂动力电池。通过上述方法计算并拟合得到电池模型参数：

R₁(u)＝0.173*u-2.024*u^2+10.763*u^3-31.718*u^4+55.127*u^5-56.306

*u^6+31.294*u^7-7.309*u^8：

R₂(u)＝0.119*u-0.957*u^2+2.821*u^3+0.137*u^4-20.410*u^5+51.731*u

^6-59.499*u^7+33.569*u^8-7.505*u^9：

C(u)＝123+74O745*u-3867540*u^2+9311840*u^3-9942350*u^4+387345

0*u^5：

E(u)＝2.984+6.156*u-50.632*u^2+219.043*u^3-535.577*u^4+759.966*u

^5-612.478*u^6+255.290*u^7-41.391*u^8：

若停车时间大于一定值时，当钥匙开关启动之后，就接收到总线报文，此时在车还没有启动时，得到的电池电压值就是开路电压，取最小单体开路电压用于估算SOC初值；若停车时间小于一定值时，使用停车时的SOC值作为该次SOC初值。

通过电动汽车实时上传的CAN报文，获取电池实时的总电流信号；通过采集到的单体电池电压，判断最小单体电压值，获取实时单体电池电压信号；

实时上报的电流、电压等信号用EKF估算器估算电池实时SOC并用工作电压校正，将估算结果输出到signal sender在仪表上显示。最终估算所得SOC＝50。

为得到该方法的估算误差，停车之后静止足够长时间，用充放电机将电池放电至2.8V，即计算该电池的真实剩余电量，为SOC＝47，将最终SOC估算值与该值比较，得到算法的误差，误差为3％。

本发明的特点和优点在于：1、为适应实车运行时恶劣的工况条件，加入了大波动大电流调节模块，在出现大电流波动的瞬间，以牺牲很小的精度来换取算法稳定的鲁棒性能；2、算法本身又具有较强的自适应性，在不断的迭代、校正过程中又弥补了大波动大电流调节模块所损失的精度以及初始估算误差和电池的自放电造成的能量损失，能够达到SOC对其真实值较理性的回归；3、本算法虽有矩阵运算，但完整生成的自动代码下载到MPC555中只有36K，并且运算很快；4、当SOC小于20％时，系统发出过放电报警。

Claims (2)

1.一种运用EKF算法对电动汽车锂离子电池荷电状态的闭环实时估算方法，其特征在于：

$\hat{X}\left(k\right|k-1)=A\left(k\right)\hat{X}(k-1)+B\left(k\right)I(k-1)---\left(8\right)$

$\hat{X}\left(k\right)=\hat{X}\left(k\right|k-1)+K\left(k\right)[V\left(k\right)-\hat{V}\left(k\right)]---\left(9\right)$

P(k|k-1)＝A(k-1)P(k-1)A^T(k-1)+Q            (10)

K(k)＝P(k|k-1)C^T(k)[C(k)P(k|k-1)C^T+r]^-1    (11)

P(k)＝[I-K(k)C(k)]P(k|k-1)                 (12)

所述EKF算法由上述式(8)-(12)组成；

其中：

为以

为基础对X(k)的估计值；I(k-1)通过所述电动汽车实时上传CAN报文获得，为实际总电流； $X\left(k\right)=\left[\begin{array}{c}S\left(k\right)\\ u_c\left(k\right)\end{array}\right],$ S(k)为K时刻的SOC值；u_c(k)为所述电池的Thevenin模型中的电容的负载电压，初始值为0；

$A\left(k\right)=\left[\begin{array}{cc}1& 0\\ 0& \exp (-\frac{\mathrm{\Δt}}{R_{2}C})\end{array}\right],$ $B\left(k\right)=\left[\begin{array}{c}-\frac{\mathrm{\Δt}}{Q_0}\\ R_2(1-\exp (-\frac{\mathrm{\Δt}}{R_{2}C}))\end{array}\right],$ $C\left(k\right)=\left[\begin{array}{cc}\frac{\∂F\left(S_k\right)}{{\∂S}_k}& -1\end{array}\right],$

R₂是所述电池的Thevenin模型中的极化内阻、C是所述电池的Thevenin模型中的电容，F为以SOC为自变量电池的电动势为因变量的函数关系，F可通过电池的复合脉冲试验，结合电池开路电压与SOC的对应关系得到；

为X(k)的估计值；K(k)为滤波增益，由式(10)-(12)确定；V(k)为单体电压，是通过采集到的单体电池电压所获得的最小单体电压值；(k)通过式(3)确定，

V(t)＝F[S(t)]-R₁I(t)-u_c(t)+v(t)  (3)

式(3)中，v(t)为高斯白噪声，u_c(t)所述电池的Thevenin模型中的电容的负载电压，I(t)通过CAN报文获得，R₁为Thevenin模型中的欧姆内阻；

式(10)中，Q和r分别是随机噪声方差矩阵和测量噪声；Q的初始值为[0.0030.002；0.001 0.001]，r＝0；P的初始值为[1 0；0 1]；

当车没启动时，SOC的初始值通过由CAN报文获得的静置一段时间之后的初始电池电压值通过开路电压查表获得或者当停车小于一定时间时使用上次停车时的SOC值；运用所述EKF算法通过上一时刻的估算值得到这一时刻的预测SOC和电池组中预测最小单体电池工作电压，将这一时刻最小单体电池电压观测量与估算量比较对这一时刻的预测SOC闭环校正，得到这一时刻的SOC估算值；循环迭代，得到经过每一步电压校正的SOC闭环估计值。

2.如权利要求1所述的运用EKF算法对电动汽车锂离子电池荷电状态的闭环实时估算方法，其特征在于：

由所述式(8)-(12)所组成的算法通过Simulink生成模型；

所述模型通过Matlab的自动代码生成工具生成标准C代码；

所述标准C代码通过CANape下载到目标板中；

所下载到目标板中的标准C代码通过CCP进行标定；

在接收实车运行时的CAN信号并实时估算电动汽车SOC后，通过试验检验所提出方法在实车条件下运行的可靠性及预测精度。

Images