CN104617623A - 一种电动汽车动力电池组均衡控制方法 - Google Patents

Abstract

本发明涉及一种电动汽车动力电池组均衡控制方法，该方法是在建立电池单体二阶戴维宁模型和一状态滞回特性模型的基础上，先对动力电池单体进行充/放电测试，记录充/放电安时数并计算SOC理论值，然后将采样时间间隔，实时电流激励，电池单体实际端电压及SOC理论值作为系统输入，对二阶戴维宁模型采用基于自适应无迹卡尔曼滤波的SOC估算方法，一状态滞回特性模型则采用基于无迹卡尔曼滤波的SOC估算方法，再将两种估算结果按照模型概率矩阵进行加权求和与转换，构成交互多模型卡尔曼滤波，求解soc最优估计值；最后采用一种基于相邻电池能量转移的均衡拓扑结构的Buck-boost电路，根据SOC最优估计值进行电池组均衡控制。本发明方法简单可靠，具有很高的实用性与可执行性。

Description

一种电动汽车动力电池组均衡控制方法

技术领域

本发明属于电动汽车动力电池电能管理领域，特别是一种电动汽车动力电池组均衡控制方法。

背景技术

由于能源短缺和环境污染的问题日益严重，电动汽车因其排放低，油耗少等优点而备受关注，车载动力电池也将逐渐取代石油，天然气等不可再生资源成为汽车的主要驱动来源。为了达到电动汽车驱动系统的电压需求，需要将几十节甚至几百节动力电池单体串联组成电池组模块。由于生产过程中存在不可避免的差异，导致成组中单体电池化学成分比例不一致，在其容量、内阻、极化效应等电特性方面存在一定程度的差异性。并且电动汽车运行过程中动力电池组长期处于反复充/放电状态，尤其在回馈制动和急加速阶段所经历的大脉冲充/放电过程，更加剧了电池单体的不一致性，严重降低了电池组可用容量，减少了电池组循环寿命。因此必须采取均衡技术补偿电池性能差异，降低电池单体不一致性，延长电池组的使用寿命。

目前均衡方案很多，总结起来一般可分为两种:①基于电压的均衡方法。②基于容量的均衡方法。基于电压的均衡方法是指通过采集得到的单体锂离子电池的电压差异来衡量电池组的不一致现象，并通过各种充电均衡及放电均衡的方式对电压高的电池进行均衡放电、对电压低的电池进行均衡充电。这种方法控制简单、应用广泛。均衡的最根本目的是平衡电池间剩余电量的差异，单体电压虽然能反映容量的特性，但无法准确描述电池的剩余容量状态，基于单体电压进行电池组均衡可能出现过均衡现象，加剧电池组的一致性变差。锂电池内部的化学材料是造成该现象的原因。锂电池的极化效应导致当电流流过电池时，电池电压偏离其平衡值；由于锂电池生产过程中无法做到完全一致，即在相同的电压下，锂电池的剩余容量值可能不同。基于容量的均衡方法弥补了上述不足，在锂电池使用全周期中依然可以提供安全有效的均衡，延长其使用寿命。直接利用均衡模块对剩余容量过大的电池进行均衡放电，对剩余容量过低的电池进行均衡充电。但是基于容量的均衡方法需要准确预估单体电池的SOC，若SOC的准确性得不到保证，均衡的可靠性会大大降低。可见电池SOC的准确估计是提高电池组均衡效果的关键，本发明的核心内容就是提出一种更加准确有效的SOC估算方法，并基于对SOC的准确估计进行动力电池组的均衡控制。

发明内容

本发明目的在于克服上述现有技术对电池SOC估计不准的不足，而提供一种利用SOC估算结果进行电动汽车动力电池组均衡控制方法，使其能够实现电池组均衡控制。

为了实现上述目的，本发明所采用的技术方案是：

一种电动汽车动力电池组均衡控制方法，包括以下步骤：

建立电池单体二阶戴维宁(Thevenin)模型和一状态滞回特性模型；

对动力电池单体进行充/放电测试，记录充/放电安时数并计算SOC理论值；

将采样时间间隔，实时电流激励，单体实际端电压及SOC理论值作为系统输入，对二阶戴维宁(Thevenin)模型采用基于自适应无迹卡尔曼滤波(AUKF)的SOC估算方法进行估算，一状态滞回特性模型则采用基于无迹卡尔曼滤波(UKF)的SOC估算方法进行估算；

将两种估算结果进行加权求和与转换，构成交互多模型卡尔曼滤波(IMMKF)，求解SOC最优估计值；

根据SOC最优估计值进行电池组均衡控制。

与现有的技术相比，本发明有如下优点：

运用交互多模型卡尔曼滤波(IMMKF)算法对SOC进行估计，采用不同的卡尔曼滤波算法分别结合一状态滞回特性模型及二阶戴维宁(Thevenin)模型两种不同的模型，根据动力电池当前运行状态，在滤波的初始与结尾处，将模型输出及滤波结果按照一定的模型概率进行加权求和与转换。有效的解决了动力电池作为一个多因素强耦合的非线性系统，无法通过单一的动力电池模型模拟动力电池在不同工作状态下的特征的问题。

附图说明

图1为本发明的流程图。

图2为n阶戴维宁(Thevenin)模型。

图3为均衡拓扑结构框图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步的详细说明。

本发明电动汽车动力电池组均衡控制方法包括以下步骤：

S100、建立电池单体二阶戴维宁(Thevenin)模型和一状态滞回特性模型。

根据如图2所示的n阶等效戴维宁(Thevenin)电路模型，二阶戴维宁(Thevenin)模型参数表达式为：

$y_k=\mathrm{ocv}\left(z_k\right)+(R+R_{p1}+R_{p2})i+{\mathrm{RR}}_{p1}{C}_{p1}\frac{\mathrm{di}}{\mathrm{dt}}-R_{p1}{C}_{p1}\frac{{\mathrm{dy}}_k}{\mathrm{dt}}+{\mathrm{RR}}_{p2}{C}_{p2}\frac{\mathrm{di}}{\mathrm{dt}}-R_{p2}{C}_{p2}\frac{{\mathrm{dy}}_k}{\mathrm{dt}}---\left(1\right)$

其中y_k为模型输出，k为离散点编号，ocv为开路电压，单位伏特，z为离散点，R为戴维宁等效电阻，单位欧姆，R_pj(j＝1,2)为极化内阻，单位欧姆，p为极化，C_pj(j＝1,2)为极化电容，单位法拉，阻容网络R_pjC_pj(j＝1,2)分别来表示电池在暂态响应时不同长度的时间常数，用于反映电池的极化效应，i为电流，单位安培，为电流一阶导数，为输出一阶导数。

一状态滞回特性模型(one-state hysteresis model)用于描述动力电池开路电压滞回现象，模型参数表达式为：

y_k＝ocv(z_k)-iR+h_k   (2)

其中y_k为模型输出，k为离散点编号，ocv为开路电压，单位伏特，z为离散点，i为电路电流，单位安培，R为等效电阻，单位欧姆，h_k为滞回电压。

S200、对动力电池单体进行充/放电测试，记录充/放电安时数并计算SOC理论值。

S300、将采样时间间隔，实时电流激励，单体实际端电压及SOC理论值作为系统输入，对一状态滞回特性模型则采用基于无迹卡尔曼滤波(UKF)的SOC估算方法，对二阶戴维宁(Thevenin)模型采用基于自适应无迹卡尔曼滤波(AUKF)的SOC估算方法。

运用无迹卡尔曼滤波(UKF)进行SOC估算方法为：①将状态变量处理为原始变量、系统噪声与观测噪声的叠加；②根据前一时刻计算获取的状态估算最优解及状态的均值与方差；③选取sigma采样点；④进行系统状态及估测误差的一步时间更新；⑤结合系统量测方程，进行测量状态的一步更新；⑥计算系统的量测误差；⑦求解卡尔曼修正增益。

卡尔曼修正增益K_k：

$K_k=\left\{\underset{i=0}{\overset{14}{\mathrm{\Σ}}}{\mathrm{\ω}}_c^{\left(i\right)}\right[{\hat{X}}_k^{-}-{\hat{x}}_k^{\left(i\right)-}]\·{[{\hat{U}}_{l,k}^{-}-{\hat{U}}_{l,k}^{\left(i\right)-}]}^T\}{R}_k^{-1}---\left(3\right)$

其中k为离散点编号，Σ为求和运算，为采样点方差对应的权重，c为采样，i为采样点编号，分别为系统输入的估计值和测量值，k为离散点编号，分别为系统输出的估计值和测量值，ι为测量，R_k为系统的量测误差，采样点取15个。由此可完成一阶滞回特性模型的估算状态修正及估算误差方差修正，从而通过无迹卡尔曼滤波(UKF)算法完成了对动力电池SOC的估算。

运用自适应无迹卡尔曼滤波(AUKF)进行SOC估算方法为：①无迹卡尔曼滤波的基础上，将理论误差S_k与实际测量误差Cr的差值ΔR_k作为模糊推理部分隶属度函数的输入，得到处理后隶属等级G和隶属度值M；②将隶属度函数设计为如式4～6的指数形式；③定义模糊规则。

ΔR_k∈[-ΔR,ΔR]，G_k＝0，M_k＝0   (4)

$\mathrm{\Δ}{R}_k\∈[\mathrm{\ΔR},+\∞],G_k=1,M_k=1-{\left(\frac{1}{1+\mathrm{\ΔR}}\right)}^{\frac{1}{2}}---\left(5\right)$

$\mathrm{\Δ}{R}_k\∈[-\∞,\mathrm{\ΔR}],G_k=-1,M_k=1-{\left(\frac{1}{1+\mathrm{\ΔR}}\right)}^{\frac{1}{2}}---\left(6\right)$

$R_k^{\&prime;}=\left\{\begin{array}{c}{R}_k-G_k{M}_k(1-\frac{R_k}{\left|\mathrm{\&Delta;}{R}_k\right|})R_k,\left|\mathrm{\&Delta;}{R}_k\right|>\left|R_k\right|\\ R_k-G_k{M}_k\left|\mathrm{\&Delta;}{R}_k\right|,\left|\mathrm{\&Delta;}{R}_k\right|<\left|R_k\right|\end{array}\right.---\left(7\right)$

ΔR_k为理论论误差S_k与实际测量误差Cr的差值，k为离散点编号，∈表示属于，G_k为隶属等级，M_k为隶属度值，+∞表示正无穷大，-∞表示负无穷大，R_k为系统测量方差，R'_k为自适应修正后的系统测量方差。根据式7的模糊规则，当ΔR_k在允许的偏差范围内时，G_k＝0，此时系统量测方差为此原值，而当ΔR_k超越允许的偏差范围内时，通过M_k的变化，自适应调节R_k值，从而使理论测量误差S_k与实际测量误差靠近，进而提高SOC的估算精度。

S400、将两种估算结果按照表1的模型概率矩阵进行加权求和与转换，构成交互多模型卡尔曼滤波(IMMKF)，求解soc最优估计值。

当动力电池处于静置阶段(I_k＝I_k-1＝0)或电流激励减小阶段(I_k<I_k-1)时，则单独使用无迹卡尔曼滤波算法结合一状态滞回特性模型对SOC进行估算；当动力电池处于恒流运行阶段(I_k＝I_k-1≠0)或发生小倍率电流激励变化(I_k/I_k-1≤2)时，则单独使用自适应无迹卡尔曼滤波算法结合二阶戴维宁(Thevenin)模型对SOC进行估算；当发生大倍率电流(I_k/I_k-1>2)激励变化时，则通过交互多模型卡尔曼滤波算法结合两种模型来对SOC进行预估，此时用于控制两种模型之间的转换的马尔可夫链转移概率矩阵为：

$\mathrm{\&rho;}=\left[\begin{array}{cc}0.95& 0.025\\ 0.025& 0.95\end{array}\right]---\left(8\right)$

表1各典型工况下，两种动力电池模型发生概率

S500、根据soc最优估计值进行电池组均衡控制。

本发明设计了一种基于相邻电池能量转移的均衡拓扑结构，框图如图3所示，均衡回路中，各回路的电感与受控的场效应管，构成了一个典型的Buck-boost电路，通过处理器对SOC估算值的比较对开关管进行控制，依次在相邻单体之间转移存储在电感中的能量，实现电池单体的一致性管理。

以5节电池为例，假设某个时刻，处理器根据SOC值判断，需要将第3节电池B3的电荷转移至第2节电池B2，则整个能量传递的过程分为两个阶段，具体的能量流向如图3所示。

图3中，阶段1[t₀-t₂]:开关管Q_3d导通，单体B3将电荷传递至电感L2，L2处于充能状态。根据上述假设，根据式(9)所示，电感中电流大小与时间成线性关系，整个周期内电感中最大电流如式(10)所示，阶段1中，由B3传递电荷至电感中存储能量大小如式(11)所示。

$\begin{array}{c}{i}_L\left(t\right)=\frac{V_{B3}}{L_2}\&times;t\\ i_{\mathrm{peak}}=\frac{V_{B3}}{L_2}\&times;n\&times;T\end{array}---\left(9\right)$

$E_{B3,\mathrm{disch}\arg e}={\&Integral;}_0^{\mathrm{nT}}\mathrm{i\; dt}={\&Integral;}_0^{\mathrm{nT}}(\frac{V_{B3}}{L_2}\&times;t)\mathrm{dt}---\left(10\right)$

$=\frac{1}{2}\&times;\frac{V_{B3}}{L_2}\&times;{\left(\mathrm{nT}\right)}^2---\left(11\right)$

其中i_L(t)为随时间变化的电感电流，单位为安培，t为时间，V_B3为B3端电压，单位伏特，B3为第3节电池，L为电感，L2为第2节电池的电感量，i_peak为尖峰电流，n为开关管驱动控制信号占空比，T为开关管驱动控制信号周期E_B3,discharge为由B3传递电荷至电感中存储能量，discharge表示放电。

图3中，阶段2[t₁-t₂]:开关管Q_3d截断，Q_2c导通，由于电感特性，经过L2的电流不能突变，存储的能量沿着L2，D_2c，B2，Q_2c的回路慢慢衰减，进而实现了对第2节电池B2的充电。根据式(12)所示，电感中电流大小随时间变化而减小，当电感中电流大小为0时，由于二极管的作用，B2不会将能量传递回电感L2，因此电感L2中所存储的能量全部传递为B2。阶段2中，B2所获得的能量大小如式(13)所示：

$i_L\left(t\right)=\frac{V_{B3}}{L_2}\&times;n\&times;T-\frac{V_{B2}\left(t\right)}{L_2}\&times;t---\left(12\right)$

$E_{B2,\mathrm{ch}\arg e}=E_{B3,\mathrm{disch}\arg e}=\frac{1}{2}\&times;\frac{V_{B3}}{L_2}\&times;{\left(\mathrm{nT}\right)}^2---\left(13\right)$

电路的拓扑已设计成对称性结构，根据均衡控制策略决策，控制能量在相邻单体间进行转移。并且均衡拓扑采用的是Buck-Boost结构，能量传递速度不会受限于相邻单体的电压差异，也不会因为相邻单体差异达到一致而停止均衡，并且可以在动力电池组的任何运行状态下实现一致性管理。

本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。

Claims (6)

1.一种电动汽车动力电池组均衡控制方法，其特征在于，包括以下步骤：

第一步骤：建立电池单体二阶戴维宁模型和一状态滞回特性模型；

第二步骤：对动力电池单体进行充/放电测试，记录充/放电安时数并计算SOC理论值；

第三步骤：将采样时间间隔，实时电流激励，单体实际端电压及SOC理论值作为系统输入，对二阶戴维宁模型采用基于自适应无迹卡尔曼滤波的SOC估算方法进行估算，一状态滞回特性模型则采用基于无迹卡尔曼滤波的SOC估算方法进行估算；

第四步骤：将两种估算结果进行加权求和与转换，构成交互多模型卡尔曼滤波，求解SOC最优估计值；

第五步骤：根据SOC最优估计值进行电池组均衡控制。

2.根据权利要求1所述的电动汽车动力电池组均衡控制方法，其特征在于：所述第一步骤中，建立电池单体二阶戴维宁模型和一状态滞回特性模型的具体方法是：

所述二阶戴维宁(Thevenin)模型参数表达式为：

$y_k=\mathrm{ocv}\left(z_k\right)+(R+R_{p1}+R_{p2})i+R{R}_{p1}{C}_{p1}\frac{\mathrm{di}}{\mathrm{dt}}-R_{p1}{C}_{p1}\frac{{\mathrm{dy}}_k}{\mathrm{dt}}+R{R}_{p2}{C}_{p2}\frac{\mathrm{di}}{\mathrm{dt}}-R_{p2}{C}_{p2}\frac{{\mathrm{dy}}_k}{\mathrm{dt}}---\left(1\right)$

其中y_k为模型输出，k为离散点编号，ocv为开路电压，单位伏特，z为离散点，R为戴维宁等效电阻，单位欧姆，R_pj(j＝1,2)为极化内阻，单位欧姆，p为极化，C_pj(j＝1,2)为极化电容，单位法拉，阻容网络R_pjC_pj(j＝1,2)分别来表示电池在暂态响应时不同长度的时间常数，用于反映电池的极化效应，i为电流，单位安培，为电流一阶导数，为输出一阶导数；

所述一状态滞回特性模型用于描述动力电池开路电压滞回现象，模型参数表达式为：

y_k＝ocv(z_k)-iR+h_k   (2)

其中y_k为模型输出，k为离散点编号，ocv为开路电压，单位伏特，z为离散点，i为电路电流，单位安培，R为等效电阻，单位欧姆，h_k为滞回电压。

3.根据权利要求1所述的电动汽车动力电池组均衡控制方法，其特征在于：所述第三步骤中，运用无迹卡尔曼滤波进行SOC估算方法为：

①将状态变量处理为原始变量、系统噪声与观测噪声的叠加；

②根据前一时刻计算获取的状态估算最优解及状态的均值与方差；

③选取sigma采样点；

④进行系统状态及估测误差的一步时间更新；

⑤结合系统量测方程，进行测量状态的一步更新；

⑥计算系统的量测误差；

⑦求解卡尔曼修正增益；

卡尔曼修正增益K_k：

$K_k=\left\{\underset{i=0}{\overset{14}{\mathrm{\&Sigma;}}}{\mathrm{\&omega;}}_c^{\left(i\right)}{[{\hat{X}}_k^{-}-{\hat{x}}_k^{\left(i\right)-}]\&CenterDot;[{\hat{U}}_{l,k}^{-}-{\hat{U}}_{l,k}^{\left(i\right)-}]}^T\right\}{R}_k^{-1}---\left(3\right)$

其中k为离散点编号，Σ为求和运算，为采样点方差对应的权重，c为采样，i为采样点编号，分别为系统输入的估计值和测量值，k为离散点编号，分别为系统输出的估计值和测量值，ι为测量，R_k为系统的量测误差，采样点取15个。由此可完成一阶滞回特性模型的估算状态修正及估算误差方差修正，从而通过无迹卡尔曼滤波算法完成了对动力电池SOC的估算。

4.根据权利要求1所述的电动汽车动力电池组均衡控制方法，其特征在于：所述第三步骤中，运用自适应无迹卡尔曼滤波进行SOC估算方法为：

①无迹卡尔曼滤波的基础上，将理论误差S_k与实际测量误差Cr的差值ΔR_k作为模糊推理部分隶属度函数的输入，得到处理后隶属等级G和隶属度值M；

②将隶属度函数设计为如式4～6的指数形式；

③定义模糊规则：

ΔR_k∈[-ΔR,ΔR]，G_k＝0，M_k＝0   (4)

${\mathrm{\&Delta;R}}_k\&Element;[\mathrm{\&Delta;R},+\&infin;],G_k=1,M_k=1-{\left(\frac{1}{1+\mathrm{\&Delta;R}}\right)}^{\frac{1}{2}}---\left(5\right)$

${\mathrm{\&Delta;R}}_k\&Element;[-\&infin;,\mathrm{\&Delta;R}],G_k=-1,M_k=1-{\left(\frac{1}{1+\mathrm{\&Delta;R}}\right)}^{\frac{1}{2}}---\left(6\right)$

$R_k^{\&prime;}=\left\{\begin{array}{c}{R}_k-G_k{M}_k(1-\frac{R_k}{\left|{\mathrm{\&Delta;R}}_k\right|})R_k,\left|{\mathrm{\&Delta;R}}_1\right|>\left|R_k\right|\\ R_k-G_k{M}_k\left|{\mathrm{\&Delta;R}}_k\right|,\left|{\mathrm{\&Delta;R}}_k\right|<\left|R_k\right|\end{array}\right.---\left(7\right)$

ΔR_k为理论论误差S_k与实际测量误差Cr的差值，k为离散点编号，表示属于，G_k为隶属等级，M_k为隶属度值，+∞表示正无穷大，-∞表示负无穷大，R_k为系统测量方差，R'_k为自适应修正后的系统测量方差。根据式7的模糊规则，当ΔR_k在允许的偏差范围内时，G_k＝0，此时系统量测方差为此原值，而当ΔR_k超越允许的偏差范围内时，通过M_k的变化，自适应调节R_k值，从而使理论测量误差S_k与实际测量误差靠近，进而提高SOC的估算精度。

5.根据权利要求1所述的电动汽车动力电池组均衡控制方法，其特征在于：所述第四步骤中，将两种估算结果进行加权求和与转换，构成交互多模型卡尔曼滤波，求解SOC最优估计值的具体方法是：

将两种估算结果按照表1的模型概率矩阵进行加权求和与转换，构成交互多模型卡尔曼滤波，求解soc最优估计值：

表1  各典型工况下，两种动力电池模型发生概率

当动力电池处于静置阶段或电流激励减小阶段时，则单独使用无迹卡尔曼滤波算法结合一状态滞回特性模型对SOC进行估算；当动力电池处于恒流运行阶段或发生小倍率电流激励变化时，则单独使用自适应无迹卡尔曼滤波算法结合二阶戴维宁模型对SOC进行估算；当发生大倍率电流激励变化时，则通过交互多模型卡尔曼滤波算法结合两种模型来对SOC进行预估，此时用于控制两种模型之间的转换的马尔可夫链转移概率矩阵为：

$\mathrm{\&rho;}=\left[\begin{array}{cc}0.95& 0.025\\ 0.025& 0.95\end{array}\right]---\left(8\right).$

6.根据权利要求1所述的电动汽车动力电池组均衡控制方法，其特征在于：所述第五步骤根据SOC最优估计值进行电池组均衡控制的方法是：

基于相邻电池能量转移的均衡拓扑结构，均衡回路中，各回路的电感与受控的场效应管，构成了一个典型的Buck-boost电路，通过处理器对SOC估算值的比较对开关管进行控制，依次在相邻单体之间转移存储在电感中的能量，实现电池单体的一致性管理。