CN103616647A - 一种用于电动汽车电池管理系统的电池剩余电量估计方法 - Google Patents

Abstract

本发明公开了一种用于电动汽车电池管理系统的电池剩余电量估计方法，所述方法包括以下步骤：初始化电池的起始电池剩余电量；根据安时电流积分法预测下一时刻的剩余电量，通过电流极化模型得到电池极化状态；根据开路电压模型估算开路电压；估算电池电压；比较实际采样电压和估算的电池电压，计算电压误差；通过卡尔曼滤波器模型获取校正后剩余电量；引入温度及电池寿命补偿策略，根据所述校正后剩余电量估算剩余电量。本方法降低了计算复杂度以及对电池模型精度的要求，非常适合于放电电流变化剧烈，温度等环境因素较恶劣的电动汽车动力电池的剩余电量估算。

Description

一种用于电动汽车电池管理系统的电池剩余电量估计方法

技术领域

本发明涉及汽车能源及汽车状态监测领域，特别涉及一种用于电动汽车电池管理系统（BMS）的电池剩余电量估计方法。

背景技术

准确的估计电池的剩余电量（SOC）有助于避免电池过充电和过放电，防止电池损坏或快速老化。传统的电池剩余电量估计用安时电流积分法（AH）的方法会造成误差累计的问题，导致不精确的估计。此外，在电池充放电条件下电池内部的化学反应会导致温度升高，从而影响电池剩余电量的估计。因此，准确的电池剩余电量估计算法要依托于完备的电池模型。对于电动汽车或者混合动力汽车供电电池都是通过串并联大量单体电池以满足负载要求，由于制造工艺的误差，不可能保证每个单体在充放电过程中都保持电压参数一致，这种情况会导致不同单体电池电压的不平衡。在此情况下一个单体的电池剩余电量达到100%并不能表示实际的电池组电量达到100%。因此，准确估算的电池剩余电量必须伴随着一个连续监测实际单体以及整个电池组数据来分析以适应不同的路况和驾驶模式的电动汽车。

目前SOC的估算方法很多。准确的估计电池剩余电量是非常困难的，主要因为电池在充放电过程中受到许多例如：温度、输出功率、老化效应、自放电效应等难以估计的因素的干扰。通过分析估算电池剩余电量的方法，可以发现它们都落入两大类：基于开环模型的估算方法，例如安时积分法、开路电压（OCV）法、放电实验法、线性模型法、内阻法等等；以及基于闭环模型的估算方法，例如卡尔曼滤波器法、推广卡尔曼滤波器法、神经网络法、组合加权算法等等。

现有基于开环模型的估算方法输出误差几乎不能被抑制或者消除。随着时间的推移误差将会不断积累导致错误信息的产生，而常用的基于卡尔曼滤波器法等闭环算法虽然误差不会累计，相对精度较高，能有效反映电池组的工作状态减少过充电以及过放电的机会，并且能自动估算动态误差范围，但是算法的计算复杂度较高并且对系统的电池模型精度要求很高。

发明内容

本发明提供了一种用于电动汽车电池管理系统的电池剩余电量估计方法，本发明降低了计算复杂度以及对电池模型精度的要求，详见下文描述：

一种用于电动汽车电池管理系统的电池剩余电量估计方法，所述方法包括以下步骤：

1）初始化电池的起始电池剩余电量；

2）根据安时电流积分法预测下一时刻的剩余电量，通过电流极化模型得到电池极化状态；

3）根据开路电压模型估算开路电压；

4）估算电池电压；

5）比较实际采样电压和估算的电池电压，计算电压误差；

6）通过卡尔曼滤波器模型获取校正后剩余电量；

7）引入温度及电池寿命补偿策略，根据所述校正后剩余电量估算剩余电量。

所述根据安时电流积分法预测下一时刻的剩余电量，通过电流极化模型得到电池极化状态的操作为：

$\mathrm{SOC}(k+1)=\mathrm{SOC}\left(k\right)+\frac{{\mathrm{\η}}_i\mathrm{\Δt}}{Q_R}i\left(k\right)$

$\mathrm{SOP}(k+1)=\mathrm{SOP}\left(k\right)\exp (-|\frac{i\left(k\right)\mathrm{\Δt}}{Q_d}\left|\right)+s_k(1-\exp -\left|\frac{i\left(k\right)\mathrm{\Δt}}{Q_d}\right|))$

其中SOC(k+1)表示k+1时刻的电池剩余电量，SOP(k+1)表示k+1时刻的电池极化状态，参数Q_R是电池的额定容量，Q_d是电池内部电容器容量，i(k)表示单位时间内恒定电流，Δt表示单位时间，η_i表示充电效率；SOC(k)表示k时刻的电池剩余电量，SOP(k)表示k时刻的电池极化状态，s_k表示充电的标志位。

所述根据开路电压模型估算开路电压的操作为：

OCV(SOC(k+1))=b(1)SOC(k+1)⁹+b(2)SOC(k+1)⁸+b(3)SOC(k+1)⁷

+b(4)SOC(k+1)⁶+b(5)SOC(k+1)⁵+b(6)SOC(k+1)⁴+b(7)SOC(k+1)³

+b(8)SOC(k+1)²+b(9)SOC(k+1)¹+b(10)

其中OCV(SOC(k+1))表示根据开路电压模型在k+1时刻将该时刻电池的剩余电量SOC(k+1)作为输入带入模型方程得到的估算开路电压；b(n)表示n阶多项式的系数。

所述通过卡尔曼滤波器模型获取校正后剩余电量的操作为：

计算卡尔曼滤波器下一时刻的协方差；计算SOC的校正增益；获取校正后剩余电量结果；即

$\widehat{\mathrm{SOC}}(k+1|k+1)=\mathrm{SOC}(k+1)+K(k+1)\widetilde{\mathrm{Vbat}}(k+1)$

为电池电压采样误差，K(k+1)表示卡尔曼滤波器校正增益，SOC(k+1)表示k+1时刻的电池剩余电量。

所述引入温度及电池寿命补偿策略，根据所述校正后剩余电量估算剩余电量的操作为：

$\mathrm{SOC}(k+1|k+1)=\widehat{\mathrm{SOC}}(k+1|k+1)+K_T\left(K_L\mathrm{\ΔSOC}\right)$

其中K_T与K_L分别表示温度补偿因子与电池寿命补偿因子，ΔSOC表示单位增益剩余电量。

本发明提供的技术方案的有益效果是：本方法经过静态恒温恒流充放电、静态变温恒流充放电、动态电流充放电以及混合动力脉冲能力特性（HPPC）等实验证明基于改进型的基于卡尔曼滤波器的闭环估算模型的估算算法对电流温度等变化具有高灵敏度，估算精度高同时具有良好的算法稳定性以及鲁棒性。非常适合于放电电流变化剧烈，温度等环境因素较恶劣的电动汽车动力电池的剩余电量估算。

附图说明

图1为电池管理系统的硬件原理结构图；

图2为估计电池剩余电量的算法原理结构图；

图3为估计电池剩余电量的算法流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。

为了降低计算复杂度以及对电池模型精度的要求，本发明实施例提供了一种用于电动汽车电池管理系统的电池剩余电量估计方法，详见下文描述：

电池是一个非常复杂的电化学器件，充放电是一个复杂的电化学过程，内部动态过程高度非线性化，同时伴随着老化、极化以及自放电效应等额外因素。因此很难根据电池的内部化学或者物理特性来构建负载电压与不同充放电电流的关系。在大多数情况下，只是构建一个数据变换的模型，这意味着电池模型是根据实测数据建立的。通过大量的静态充放电实验，得到不同充放电电流以及充放电温度下的电压-SOC曲线，拟合标准温度以及充放电电流下的电压-SOC曲线作为电池的OCV模型。

参见图1，电池管理系统采用分布式模式，每个电池组都由电压采集模块、从微控制器（MCU）、CAN收发器以及隔离器构成采集系统子模块采集电压电流温度等信号再通过传感CAN总线与主微制器之间进行数据交互。这样的电池管理系统采集精度高、方便拓展与维护并且安装调试简单高效。

参见图2，本方法在常用的卡尔曼滤波器模型的基础上考虑了电池内部的电流极化效应，提高了对电流变化的响应灵敏度。同时将单位时间内的温度以及老化效应的补偿加到了电池剩余电量的估算中，增加了系统的估算精度以及实际运行的可靠性。改进的系统模型仍然为闭环模型，可以抑制误差的积累。系统利用安时电流积分法计算单位时间内的电池剩余电量增益，将电流极化模型与开路电压模型的组合来估算电池电压，将估算的电池电压与实际采样电压作为输入利用常用的卡尔曼滤波器模型估算出单位增益剩余电量，然后将单位增益剩余电量经过温度、寿命补偿策略叠加到校正剩余电量上从而得到最终的估算剩余电量。该改进的系统模型使得电池剩余电量的估算更加完善精确，使得各种路况及驾驶状况下的电动汽车或者混合动力汽车的电池剩余电量的估计和电池组的维护更加稳定可靠。

如图3所示估算剩余电量包括下列步骤：

1）初始化电池的起始电池剩余电量；

其中，起始电池剩余电量通常为0。

2）根据安时电流积分法预测下一时刻的剩余电量，通过电流极化模型得到电池极化状态（SOP）；

$\mathrm{SOC}(k+1)=\mathrm{SOC}\left(k\right)+\frac{{\mathrm{\η}}_i\mathrm{\Δt}}{Q_R}i\left(k\right)$ $\mathrm{SOP}(k+1)=\mathrm{SOP}\left(k\right)\exp (-|\frac{i\left(k\right)\mathrm{\Δt}}{Q_d}\left|\right)+s_k(1-\exp -\left|\frac{i\left(k\right)\mathrm{\Δt}}{Q_d}\right|))$

其中SOC(k+1)表示k+1时刻的电池剩余电量，SOP(k+1)表示k+1时刻的电池极化状态，参数Q_R是电池的额定容量(安培-小时)，需要根据制作厂商提供的参数表格查找数据，Q_d是电池内部电容器容量(安培-小时)，是基于脉冲充电或脉冲放电实验数据曲线得到的，i(k)表示单位时间内恒定电流，Δt表示单位时间，η_i表示充电效率。SOC(k)表示k时刻的电池剩余电量，SOP(k)表示k时刻的电池极化状态，s_k表示充电的标志位，标志位为1表示处于充电状态，标志位为0表示处于放电状态。

3）根据开路电压模型估算开路电压；

OCV(SOC(k+1))=b(1)SOC(k+1)⁹+b(2)SOC(k+1)⁸+b(3)SOC(k+1)⁷

+b(4)SOC(k+1)⁶+b(5)SOC(k+1)⁵+b(6)SOC(k+1)⁴+b(7)SOC(k+1)³

+b(8)SOC(k+1)²+b(9)SOC(k+1)¹+b(10)

其中OCV(SOC(k+1))表示根据开路电压模型在k+1时刻将该时刻电池的剩余电量SOC(k+1)作为输入带入模型方程得到的估算开路电压。b(n)表示n阶多项式的系数。

4）估算电池电压可以表示为：

Vbat(k)=OCV(SOC(k))+SOP(k)+R_ni_k

其中R_n表示电池内阻；OCV(SOC(k))表示根据开路电压模型在k时刻将该时刻电池的剩余电量SOC(k)作为输入带入模型方程得到的估算开路电压。

5）比较实际采样电压和估算的电池电压，计算电压误差：

$\widetilde{\mathrm{Vbat}}(k+1)=\mathrm{Vbat}(k+1)-\widehat{\mathrm{Vbat}}(k+1)$

其中

表示k+1时刻的电压误差，Vbat(k+1)表示k+1时刻实际采样电压，

表示k+1时刻利用电池模型估算的电池电压。

6）计算卡尔曼滤波器下一时刻的协方差：

P(k+1|k)=ΑP(k|k)Α^T+ω(k+1,k)Q_Kω^T(k+1,k)

P(k+1|k+1)=P(k+1|k)-P(k+1|k)H^T(k+1)

×[H(k+1)P(k+1|k)H^T(k+1)+ξ_k+1]^-1×H^T(k+1)P(k+1|k)

其中，P(k+1|k)表示在k时刻存在的协方差P(k|k)预测的下一时刻k+1的协方差矩阵，P(k+1|k+1)表示根据系统的增益校正的k+1时刻的预测协方差矩阵，P(k|k)是状态误差协方差矩阵，假设P(0|0)=0.3(初始SOC错误)。A是状态方程的系数矩阵，此处A=1。假设μ和

是相互不相关的高斯白噪声随机过程，是零均值的协方差矩阵。Q_k是由采样电流误差决定的噪声系数，H(k+1)是状态空间输出方程（测量方程）的系数矩阵，ω(k+1,k)是随机噪声μ的系数矩阵，ξ_k+1是由随机噪声

与电压误差决定的噪声系数，T表示转置。

7）计算SOC的校正增益：

K(k+1)=P(k+1|k)H^T(k+1)×[H(k+1)P(k+1|k)H^T(k+1)+ξ_k+1]^-1

其中K(k+1)表示卡尔曼滤波器校正增益。

8）校正后剩余电量结果如下表达式所示：

$\widehat{\mathrm{SOC}}(k+1|k+1)=\mathrm{SOC}(k+1)+K(k+1)\widetilde{\mathrm{Vbat}}(k+1)$

如上式所示校正增益将添加到电池剩余电量（SOC）估算中，如果电池电压采样误差

和校正增益K过大，将导致电池剩余电量（SOC）的更新幅度过大可能导致算法不收敛。在实践中在一个采样周期内不应超过(?5%～5%)。

9）引入温度及电池寿命补偿策略，估算剩余电量：

$\mathrm{SOC}(k+1|k+1)=\widehat{\mathrm{SOC}}(k+1|k+1)+K_T\left(K_L\mathrm{\ΔSOC}\right)$

其中K_T与K_L分别表示温度补偿因子与电池寿命补偿因子，ΔSOC表示单位增益剩余电量（由校正剩余电量、安时电流积分法得到的预测剩余电量叠加得到）。输出估算的剩余电量然后返回步骤2)。

综上所述，本发明实施例引入电池内部的电流极化效应，提高了对电流变化的响应灵敏度。利用安时电流积分、电流极化模型作为卡尔曼滤波器法的状态空间的状态方程，结合开路电压模型作为卡尔曼滤波器法状态空间的的测量方程。利用卡尔曼滤波器的迭代更新与安时电流积分法以及开路电压法相互制约闭环控制，同时引入温度、放电电流、使用寿命等影响因素，在加快收敛速度的同时提高了算法稳定性以及鲁棒性。有效解决了安时电流积分法与开路电压法误差累积以及卡尔曼滤波器法算法复杂度高对模型精度要求高的缺点，适合于实时监测以及在线更新评估等应用场合。

本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种用于电动汽车电池管理系统的电池剩余电量估计方法，其特征在于，所述方法包括以下步骤：

1）初始化电池的起始电池剩余电量；

2）根据安时电流积分法预测下一时刻的剩余电量，通过电流极化模型得到电池极化状态；

3）根据开路电压模型估算开路电压；

4）估算电池电压；

5）比较实际采样电压和估算的电池电压，计算电压误差；

6）通过卡尔曼滤波器模型获取校正后剩余电量；

7）引入温度及电池寿命补偿策略，根据所述校正后剩余电量估算剩余电量。

2.根据权利要求1所述的一种用于电动汽车电池管理系统的电池剩余电量估计方法，其特征在于，所述根据安时电流积分法预测下一时刻的剩余电量，通过电流极化模型得到电池极化状态的操作为：

$\mathrm{SOC}(k+1)=\mathrm{SOC}\left(k\right)+\frac{{\mathrm{\η}}_i\mathrm{\Δt}}{Q_R}i\left(k\right)$

$\mathrm{SOP}(k+1)=\mathrm{SOP}\left(k\right)\exp (-|\frac{i\left(k\right)\mathrm{\Δt}}{Q_d}\left|\right)+s_k(1-\exp -\left|\frac{i\left(k\right)\mathrm{\Δt}}{Q_d}\right|))$

其中SOC(k+1)表示k+1时刻的电池剩余电量，SOP(k+1)表示k+1时刻的电池极化状态，参数Q_R是电池的额定容量，Q_d是电池内部电容器容量，i(k)表示单位时间内恒定电流，Δt表示单位时间，η_i表示充电效率；SOC(k)表示k时刻的电池剩余电量，SOP(k)表示k时刻的电池极化状态，s_k表示充电的标志位。

3.根据权利要求1所述的一种用于电动汽车电池管理系统的电池剩余电量估计方法，其特征在于，所述根据开路电压模型估算开路电压的操作为：

OCV(SOC(k+1))=b(1)SOC(k+1)⁹+b(2)SOC(k+1)⁸+b(3)SOC(k+1)⁷

+b(4)SOC(k+1)⁶+b(5)SOC(k+1)⁵+b(6)SOC(k+1)⁴+b(7)SOC(k+1)³

+b(8)SOC(k+1)²+b(9)SOC(k+1)¹+b(10)

其中OCV(SOC(k+1))表示根据开路电压模型在k+1时刻将该时刻电池的剩余电量SOC(k+1)作为输入带入模型方程得到的估算开路电压；b(n)表示n阶多项式的系数。

4.根据权利要求1所述的一种用于电动汽车电池管理系统的电池剩余电量估计方法，其特征在于，所述通过卡尔曼滤波器模型获取校正后剩余电量的操作为：

计算卡尔曼滤波器下一时刻的协方差；计算SOC的校正增益；获取校正后剩余电量结果；即

$\widehat{\mathrm{SOC}}(k+1|k+1)=\mathrm{SOC}(k+1)+K(k+1)\widetilde{\mathrm{Vbat}}(k+1)$

为电池电压采样误差，K(k+1)表示卡尔曼滤波器校正增益，SOC(k+1)表示k+1时刻的电池剩余电量。

5.根据权利要求4所述的一种用于电动汽车电池管理系统的电池剩余电量估计方法，其特征在于，所述引入温度及电池寿命补偿策略，根据所述校正后剩余电量估算剩余电量的操作为：

$\mathrm{SOC}(k+1|k+1)=\widehat{\mathrm{SOC}}(k+1|k+1)+K_T\left(K_L\mathrm{\ΔSOC}\right)$

其中K_T与K_L分别表示温度补偿因子与电池寿命补偿因子，ΔSOC表示单位增益剩余电量。

Images