CN104977545B - 一种动力电池的荷电状态估计方法及系统 - Google Patents

Abstract

本发明公开了一种动力电池的荷电状态估计方法及系统，方法包括：基于实验室环境与标准电池二阶模型对各类动力电池建立等效模型并拟合电池参数；根据等效模型建立电池输入输出线性系统的状态空间方程；设置实际动力电池系统启动时的SOC初始估计值，同时根据实际动力电池系统中的电池型号确定对应的电池参数，设置H_∞滤波算法运行所必须的噪声权函数；设置参数后动力电池系统开始运行，在运行过程中，实时采集电池每个采样时刻的电压、电流、温度数值，在每一时刻将采集的电压、电流、温度数值代入状态空间方程以及噪声权函数，根据H_∞滤波算法实时计算出每个时刻的SOC估计值。本发明不需对外界噪声作任何假设，显著提高了估计精度，抗干扰能力大大提高。

Description

一种动力电池的荷电状态估计方法及系统

技术领域

本发明涉及电池领域，具体涉及到一种动力电池的荷电状态估计方法及系统。

背景技术

电池管理系统是保障电动汽车安全、稳定行驶的重要组成部分，而电池的荷电状态(State of Charge，以下简称SOC)估计是电池管理系统的核心，也是实现电池充放电管理，负载均衡的基础。然而电池的高度非线性导致其SOC容易受到多种因素的影响，使得准确估计SOC变得十分困难。

目前常用的SOC估算方法有开路电压法、安时积分法以及扩展卡尔曼滤波法等。

开路电压法利用电池开路电压(Open Circuit Voltage，以下简称OCV)与电池SOC之间存在的固定非线性关系，在实验室环境内预先建立模型，获取关系曲线，在应用中根据测量所得电压、电流获取电动势以确定SOC。这种方法的主要问题是：(1)如果在测量时电池未充分静置，那么电池的极化效应将使得电动势与开路电压之间存在较大偏差，影响测量精度；(2)若测量前进行长时间的静置，又显然无法满足实时性的需要。因此开路电压法不适合应用于实时性要求高的电池管理系统之上。

安时积分法按照SOC的定义，通过对电池流入与流出的电流值积分获取当前累计使用电量。这一方法对电池内部结构没有要求，实现相对简单，但是这一方法无法计算电池的初始SOC，同时基本不具备抗噪声的能力，噪声的误差以及采样精度带来的误差很容易随时间积累。在外部环境恶劣、电池电流变化剧烈时难以取得理想的效果。

扩展卡尔曼滤波法是最近提出的一种新的SOC估计方法。其利用实时测量的电压、电流等参数以及上一时刻的估计值，对SOC的误差予以修正。这一算法对电池模型要求较高，同时对外部环境作了过于理想化的假设，导致了其难以很好处理具有偏置的噪声，在特定情况下同样易导致噪声的积累，削弱了SOC估算的抗干扰能力。

发明内容

本发明的目的在于克服现有技术中所存在的上述不足，提供一种动力电池的荷电状态估计方法及系统。本发明采用了H_∞鲁棒控制滤波算法，显著提高了估计精度，不需对外界噪声作任何假设，即可控制精度在可控范围之内，抗干扰能力大大提高。

为了实现上述发明目的，本发明采用的技术方案是：

一种动力电池的荷电状态估计方法，包括:

基于实验室环境与标准电池二阶模型对各类动力电池建立等效模型并拟合至少一个电池参数，其中所述至少一个电池参数至少包括OCV-SOC曲线；

根据所述等效模型建立电池输入输出线性系统的状态空间方程；

设置实际动力电池系统启动时的SOC初始估计值，同时根据实际动力电池系统中的电池型号确定对应的电池参数，设置H_∞滤波算法运行所必须的噪声权函数；

设置参数后动力电池系统开始运行，在运行过程中，实时采集电池每个采样时刻的电压、电流、温度数值，在每一采样时刻将采集的电压、电流、温度数值代入所述状态空间方程以及所述噪声权函数，根据H_∞滤波算法实时计算出每个时刻的SOC估计值。

优选的，动力电池的荷电状态估计方法还包括：根据所述SOC估计值，给出电池运行剩余使用时间。

所述设置实际动力电池系统启动时的SOC初始估计值，具体为：根据系统上次结束时的终止状态，以及开路电压测量值，综合设置SOC初始估计值。

所述状态空间方程表示为：

公式(1)

公式(1)中，将电池视为以电流为输入，电压为输出的线性系统，系统的内部状态x包括电池的荷电状态SOC、以及所述标准电池二阶模型中两个RC环节的分压大小与即内部状态的更新由输入电流导致，输入电流导致电池的充电或者放电，SOC随之发生变化，同时根据电路相关原理，二阶模型中的电容两端电压也根据电流的变化呈指数函数变化，公式(1)中Cap表示电池的总电量，τ₁、τ₂为时间常数，其中τ₁＝R₁C₁，τ₂＝R₂C₂；每个时刻电池的电压值和电池当前的开路电压值，内阻分压，以及两个RC环节的分压大小有关，满足以下公式：

(公式2)。

所述噪声权函数包括初始值选取误差权函数P₀，电流采集误差权函数W_k，电压采集误差权函数V_k，SOC估计误差权函数Q_k，以及噪声误差上限参数γ。

所述根据H_∞滤波算法实时计算出每个时刻的SOC估计值，具体为：

H_∞滤波算法流程本质上是求解噪声权值函数supJ＜1/γ，J满足方程w_k表示电流采集误差，v_k表示电压采集误差；其中实际求解的未知量为L_k＝(1 0 0)，即每个时刻估计的SOC数值；根据H_∞滤波理论将该方程转化为Ricatti方程求解，运算过程具体如下：

实时输入数据：每个时刻获得的电流值u_k与电压值y_k；

算法在每个时刻的输出：电池的SOC的估计值；其中每个时刻所处理的参数仅和上一时刻相关；

初始设定系统状态估计初值算法执行次数计数变量k＝0，以及观测矩阵M＝(10 0)，按照电池参数由公式(1)设置矩阵 并设定运行所需的噪声权函数；

在整个采样过程中，不断重复执行以下步骤：

a)输出当前时刻的SOC估计

b)根据公式(2)，构建观测矩阵

c)设置矩阵

d)求解控制增益

e)预测下一个时刻的系统状态：

其中

f)更新控制矩阵P_k+1＝AP_kL_kA^T+BWB^T；

g)算法计数器增加k＝k+1。

本发明还提供一种动力电池的荷电状态估计系统，包括：

建模单元，用于基于实验室环境与标准电池二阶模型对各类动力电池建立等效模型并拟合至少一个电池参数，其中所述至少一个电池参数至少包括OCV-SOC曲线；

状态空间方程建立单元，用于根据所述等效模型建立电池输入输出线性系统的状态空间方程；

参数设置单元，用于设置实际动力电池系统启动时的SOC初始估计值，同时根据实际动力电池系统中的电池型号确定对应的电池参数，设置H_∞滤波算法运行所必须的噪声权函数；

荷电状态计算单元，用于当设置参数后动力电池系统开始运行时，在运行过程中，实时采集电池每个采样时刻的电压、电流、温度数值，在每一采样时刻将采集的电压、电流、温度数值代入所述状态空间方程以及所述噪声权函数，根据H_∞滤波算法实时计算出每个时刻的SOC估计值。

优选的，所述状态空间方程表示为：

公式(1)

公式(1)中，将电池视为以电流为输入，电压为输出的线性系统，系统的内部状态x包括电池的荷电状态SOC、以及所述标准电池二阶模型中两个RC环节的分压大小与即内部状态的更新由输入电流导致，输入电流导致电池的充电或者放电，SOC随之发生变化，同时根据电路相关原理，二阶模型中的电容两端电压也根据电流的变化呈指数函数变化，公式(1)中Cap表示电池的总电量，τ₁、τ₂为时间常数，其中τ₁＝R₁C₁，τ₂＝R₂C₂；每个时刻电池的电压值和电池当前的开路电压值，内阻分压，以及两个RC环节的分压大小有关，满足以下公式：

(公式2)。

优选的，所述噪声权函数包括初始值选取误差权函数P₀，电流采集误差权函数W_k，电压采集误差权函数V_k，SOC估计误差权函数Q_k，以及噪声误差上限参数γ。

优选的，所述荷电状态计算单元根据H_∞滤波算法实时计算出每个时刻的SOC估计值，具体为：

H_∞滤波算法流程本质上是求解噪声权值函数supJ＜1/γ，J满足方程w_k表示电流采集误差，v_k表示电压采集误差；其中实际求解的未知量为L_k＝(1 0 0)，即每个时刻估计的SOC数值；根据H_∞滤波理论将该方程转化为Ricatti方程求解，运算过程具体如下：

实时输入数据：每个时刻获得的电流值u_k与电压值y_k；

算法在每个时刻的输出：电池的SOC的估计值；其中每个时刻所处理的参数仅和上一时刻相关；

初始设定系统状态估计初值算法执行次数计数变量k＝0，以及观测矩阵M＝(10 0)，按照电池参数由公式(1)设置矩阵 并设定运行所需的噪声权函数；

在整个采样过程中，不断重复执行以下步骤：

a)输出当前时刻的SOC估计

b)根据公式(2)，构建观测矩阵

c)设置矩阵

d)求解控制增益

e)预测下一个时刻的系统状态：

其中

f)更新控制矩阵P_k+1＝AP_kL_kA^T+BWB^T；

g)算法计数器增加k＝k+1。

与现有技术相比，本发明的有益效果：

本发明相比于传统的几种SOC估计算法，基于最优化的理论，采用了H_∞鲁棒控制滤波算法，不需对外界噪声作任何假设，考虑了外部环境的最坏可能，保证了算法的稳定性，显著提高了估计计算精度，同时抗干扰能力大大提高。

附图说明：

图1为本发明动力电池荷电状态的估计方法流程示意图；

图2为标准电池二阶模型，其中电容C用来表示电池的开路电压；

图3为本发明实施例中的电池荷电状态的估计方法流程图；

图4为本发明动力电池荷电状态的估计系统示意图。

具体实施方式

下面结合具体实施方式对本发明作进一步的详细描述。但不应将此理解为本发明上述主题的范围仅限于以下的实施例，凡基于本发明内容所实现的技术均属于本发明的范围。

本发明公开了一种新型的动力电池荷电状态的估计方法，该方法通过实时记录电池使用过程中各个时刻的电压、电流以及温度值，利用H_∞滤波算法估算电池的SOC并存储算法运行中的计算数据。整个算法无需对电池使用环境作参数假设，利用先进的滤波算法计算电池荷电状态，整个算法抗噪声能力强，误差小，算法流程简单，有较好的精确度。

如图1所示的本发明动力电池的荷电状态估计方法，包括以下步骤:

S101、基于实验室环境与标准电池二阶模型对各类动力电池建立等效模型并拟合至少一个电池参数，其中所述至少一个电池参数至少包括OCV-SOC曲线。

S102、根据所述等效模型建立电池输入输出线性系统的状态空间方程。

S103、设置实际动力电池系统启动时的SOC初始估计值，同时根据实际动力电池系统中的电池型号确定对应的电池参数，设置H_∞滤波算法运行所必须的噪声权函数。

S104、设置参数后动力电池系统开始运行，在运行过程中，实时采集电池每个采样时刻的电压、电流、温度数值，在每一采样时刻将采集的电压、电流、温度数值代入所述状态空间方程以及所述噪声权函数，根据H_∞滤波算法实时计算出每个时刻的SOC估计值。

优选的，动力电池的荷电状态估计方法还包括：根据所述SOC估计值，给出电池运行剩余使用时间。

所述设置实际动力电池系统启动时的SOC初始估计值，具体为：根据系统上次结束时的终止状态，以及开路电压测量值，综合设置SOC初始估计值。

所述状态空间方程表示为：

公式(1)

公式(1)中，将电池视为以电流为输入，电压为输出的线性系统，系统的内部状态x包括电池的荷电状态SOC、以及所述标准电池二阶模型中两个RC环节的分压大小与即内部状态的更新由输入电流导致，输入电流导致电池的充电或者放电，SOC随之发生变化，同时根据电路相关原理，二阶模型中的电容两端电压也根据电流的变化呈指数函数变化，公式(1)中Cap表示电池的总电量，τ₁、τ₂为时间常数，其中τ₁＝R₁C₁，τ₂＝R₂C₂；每个时刻电池的电压值和电池当前的开路电压值，内阻分压，以及两个RC环节的分压大小有关，满足以下公式：

(公式2)。

所述噪声权函数包括初始值选取误差权函数P₀，电流采集误差权函数W_k，电压采集误差权函数V_k，SOC估计误差权函数Q_k，以及噪声误差上限参数γ。

所述根据H_∞滤波算法实时计算出每个时刻的SOC估计值，具体为：

H_∞滤波算法流程本质上是求解噪声权值函数supJ＜1/γ，J满足方程w_k表示电流采集误差，v_k表示电压采集误差；其中实际求解的未知量为L_k＝(1 0 0)，即每个时刻估计的SOC数值；根据H_∞滤波理论将该方程转化为Ricatti方程求解，运算过程具体如下：

实时输入数据：每个时刻获得的电流值u_k与电压值y_k；

算法在每个时刻的输出：电池的SOC的估计值；其中每个时刻所处理的参数仅和上一时刻相关；

初始设定系统状态估计初值算法执行次数计数变量k＝0，以及观测矩阵M＝(10 0)，按照电池参数由公式(1)设置矩阵 并设定运行所需的噪声权函数；

在整个采样过程中，不断重复执行以下步骤：

a)输出当前时刻的SOC估计

b)根据公式(2)，构建观测矩阵

c)设置矩阵

d)求解控制增益

e)预测下一个时刻的系统状态：

其中

f)更新控制矩阵P_k+1＝AP_kL_kA^T+BWB^T；

g)算法计数器增加k＝k+1。

本发明相比于传统的几种SOC估计算法，基于最优化的理论，采用了H_∞鲁棒控制滤波算法，不需对外界噪声作任何假设，考虑了外部环境的最坏可能，保证了算法的稳定性，显著提高了估计计算精度，同时抗干扰能力大大提高。

下面具体说明本发明。参看图3，本发明提出一种新的动力电池荷电状态(Stateof Charge，常简称为SOC)估计方法，依次含有以下步骤：

(1)：基于实验室环境与标准电池二阶模型(参看图2)，确定一系列电池参数，包括电池的总容量、相关等效电容、电阻参数，电池内阻参数、以及开路电压(Open CircuitVoltage，常简称为OCV)与荷电状态对应关系曲线(即OCV-SOC曲线)。

(2)：根据步骤(1)中的电池二阶模型与电池参数，除开路电压影响外，将电池视为以电流为输入，电压为输出的线性系统，整个系统的内部状态x包括电池的荷电状态SOC、以及二阶模型中两个RC环节的分压大小U₁与U₂，即x＝(SOC U₁ U₂)^T，那么电池的总电压U满足U＝U₁+U₂+U_OCV+IR，其中I为电池输入的电流，R为标准二阶模型中电池的内阻，系统的内部状态在每个时刻将根据输入的电流数值实时更新，因此可以构建相应线性系统的转移矩阵x_k+1＝Ax_k+Bu_k，其中u_k表示为系统的输入量，即电流值，矩阵A、B的值可以根据相关公式推导得出，也就获取了等效电池模型的所有相关参数。

(3)：步骤(1)与步骤(2)所基于的模型适用于各类动力电池，在系统中提前内置了根据上述步骤所得到的所有电池参数，并在系统运行过程中根据实际需求调用或创建相关电池型号参数。在系统启动时，根据系统上次结束时的终止状态，以及开路电压测量值，综合设置SOC初始估计值。同时根据电池型号以及用户实时调整，设置H_∞滤波算法运行所必须的噪声权函数，包括初始值选取误差权函数P₀，电流采集误差权函数W_k，电压采集误差权函数V_k，SOC估计误差权函数Q_k，以及噪声误差上限参数γ。

(4)：设置相关参数之后，系统开始运行，在运行过程中，系统通过传感器模块实时采集电池每个采样时刻的电压、电流、温度数值，在每一时刻根据内置的H_∞滤波算法流程，根据采集的传感器数值，代入步骤(2)中的电池模型参数以及步骤(3)中的噪声权函数，实时计算出每个时刻的SOC估计值，并根据SOC估计值，给出剩余使用时间等电池运行状态，其中H_∞滤波算法流程本质上就是求解噪声权值函数supJ＜1/γ，J满足w_k表示电流采集误差，v_k表示电压采集误差，其数值不需系统或人工预设，而是作为外部环境因素处理，而实际求解的未知量为L_k＝(10 0)，也就是每个时刻估计的SOC数值，具体的求解过程根据H_∞滤波理论将这一方程转化为Ricatti方程求解，最终的形式为一系列的矩阵运算过程。

上述整个过程中不需要对环境的噪声实际大小参数进行预先的设定，整个控制流程基于求解噪声权值方程以及对应的Ricatti方程的方法，通过设置电池模型参数、不同噪声对应权值参数、噪声上限参数、初始值误差估计参数，利用H_∞滤波算法执行矩阵运算，获得每个时刻的SOC估计。

具体的，通过采集装置采集数据，采集装置包含动力电池组模块、电压、电流、温度实时监测模块以及主控芯片，电压模块实时测量每个时刻每一节电池的两端电压、电流模块测量每个时刻每串电池流经的电流，温度模块测量当前电池组内部温度，所有监测模块和主控芯片之间建立实时通信，主控芯片利用获取的相关数据执行算法所需的数值计算并得到SOC估计值。

本发明选用二阶电池模型对动力电池建模并拟合相关参数。其中OCV代表开路电压，当温度给定时，OCV和SOC之间存在确定的非线性关系。R₁、C₁、R₂、C₂为两个一阶环节的电阻、电容参数，这两个环节的设置可以很好地反应电池的极化效应，使模型更加精确。R₀为电池的内阻。

根据电池模型结构建立系统的状态空间方程，假设采样周期为Δt。则状态空间方程可以表示为：

公式(1)

公式(1)中，将电池视为以电流为输入，电压为输出的线性系统，系统的内部状态x包括电池的荷电状态SOC、以及二阶模型中两个RC环节的分压大小与即内部状态的更新由输入电流导致，输入电流导致电池的充电或者放电，SOC随之发生变化，同时根据电路相关原理，二阶模型中的电容两端电压也根据电流的变化呈指数函数变化，公式(1)中Cap表示电池的总电量，τ₁、τ₂为时间常数，其中τ₁＝R₁C₁，τ₂＝R₂C₂。每个时刻电池的电压值和电池当前的开路电压值，内阻分压，以及两个RC环节的分压大小有关，也就是满足公式

(公式2)

可以看出，输出电压的大小由OCV、电池内阻分压以及两个一阶环节分压共同确定。

H_∞滤波算法即基于以上电池的状态空间方程模型，同时，算法将对系统中的噪声信号予以建模，电池管理系统的噪声包括电流噪声w_k，电压噪声v_k，H_∞滤波算法中需要设置运行所必须的噪声权函数，包括初始值选取误差权函数P₀，电流采集误差权函数W_k，电压采集误差权函数V_k，SOC估计误差权函数Q_k，以及噪声误差上限参数γ。

H_∞滤波算法实时过程中求解噪声权值函数supJ＜1/γ，J满足

根据H_∞滤波理论将这一方程转化为Ricatti方程求解，最终的形式为一系列的矩阵运算过程。算法将以递推形式给出，每个时刻所处理的参数仅和上一时刻相关，算法流程如下所示。

实时输入数据：每个时刻获得的电流值u_k与电压值y_k。

算法在每个时刻的输出：电池的SOC的估计值。

初始设定系统状态估计初值算法执行次数计数变量k＝0，以及观测矩阵M＝(10 0)。按照电池参数由公式(1)设置矩阵 并设定运行所需的噪声函数。

在整个采样过程中，不断重复执行以下步骤：

1.输出当前时刻的SOC估计

2.根据公式(2)，构建观测矩阵

3.设置矩阵

4.求解控制增益

5.预测下一个时刻的系统状态：

其中

6.更新控制矩阵P_k+1＝AP_kL_kA^T+BWB^T；

7.算法计数器增加k＝k+1；

本发明中对于单体电池，提前通过实验方式与MATLAB拟合，获取电池模型的相关参数。整个实验由不断循环的恒流充电形式进行，并在每个充电阶段之间给予电池足够长的静置令电池电压稳定。此时的电压即对应电池在不同SOC时刻的开路电压。

电池的OCV-SOC曲线可通过不同时刻的对应值连接而成，换言之，对每个时刻的OCV，其SOC均可通过插值的方法获得。最终的曲线以折线形式给出，断点值作为默认参数提前保存在系统中。

对于每个静置环节，其电压趋于稳定的过程即对应二阶模型的指数衰减，对每个静置环节的参数使用MATLAB作最小二乘拟合，取平均后即可获得对应的电池两个RC环节的动态参数。

整个系统的欧姆内阻R₀在电流突变时，其分压也会同时突变，因此在每个边沿处均可捕捉对应的欧姆内阻，算法中对欧姆内阻的处理可以采用恒定的取平均值，也可以设定内阻-SOC曲线，可根据用户需求自行设置。

整个算法只需在起始时设定合理的权函数，在接下来的过程中即可实现自主运行。权函数的设置可以通过提前仿真得到，系统将自带预估的合理权函数权值，用户在使用过程中也可自行设置以取得好的收敛效果。

本发明方法基于以下系统运行实现，该系统包含电池组模块，外围数据采集电路，均衡放电电路，均衡充电电路，使用单片机或微处理器构建的中央控制单元。其中外围数据采集电路包含电压采集模块、电流采集模块以及温度采集模块。其中电压采集模块实时采集电池组中每一节电池的电压值，电流采集模块以串为单位，对每串串联的电池实时采集流过的电流值，温度采集模块则实时采集当前温度。放电、充电电路视电池系统用户使用方法实现模组的充放电。外围采集的电压、电流、温度数据将数据反馈至中央控制单元，中央控制单元利用H滤波的标准模型估算每节单体动力电池SOC并输出。

下面给出本发明工作的一般流程：

系统启动时，首先系统将自行按照电池类型设定相应的电池参数，中央控制单元建立相应的电池状态转移方程，而后系统开始设定控制参数，建立状态空间模型与噪声权函数。

而后系统开始设置当前状态变量的估计值

关于两个一阶环节的分压，分压的误差可以通过算法在很快的时间内予以修正，而系统开机时很有可能经过了长时间静置，故可以设置初值为0.

对于电池的当前SOC，系统将试图读取上一次关机时存储的SOC值，也可以由用户指定初始SOC。如果未指定且读取失败，系统将根据当前电池电压，由内置OCV-SOC曲线获取SOC的初始估计。

系统开始工作，在每个采样时刻采集当前电池的电压、电流以及温度值。开始执行算法流程并不断循环：

系统采集电池两端电压V，电池电流I，以及电池温度T。

将之前设置的初始SOC，连同两个一阶环节的初值0作为初始状态变量，代入算法。

实时记录每个时刻获取的SOC，记入系统之中。

当系统给出关机信号时，记录当前的SOC值存储于存储区，关闭系统。

本发明的优势：相比于传统的几种SOC估计算法，这一算法基于最优化的理论，考虑了外部环境的最坏可能，保证了算法的稳定性，提高了计算精度。算法参数可以根据要求实时调整，提高了估算结果的精确度

下面结合一个具体实施例说明。

系统启动时，按照电池型号设定相关电池模型参数，假设当前电池参数如下表所示：

表1电池相关物理参数

设系统采样周期为1s，根据电池状态空间方程，代入数据求出：

在实验室环境中通过多周期恒电流脉冲充电、放电实验，获取不同SOC对应的OCV值，这些值已经预先设置于系统之中，对于任意的OCV，均可通过插值方法获取对应的SOC，其精度与实验周期数相关，对于每类电池，假设已经通过实验获取了其OCV与SOC关系，对于每个OCV，找到相连的一对OCV_k＜＝OCV＜＝OCV_k+1，插值即可获得对应的SOC值。考虑需求，这里给出OCV-SOC表的前两个点。

以上为系统启动时正常的初始化过程，对于未知的电池型号，或者用户出于某些原因需要修改参数，则可以手动修改以上信息，包括电池相关物理参数以及OCV-SOC对应关系，这一关系至少需要提供电池充满以及放空时的OCV值，即SOC＝0以及SOC＝100％的对应开路电压值。

系统随后开始设定和算法求解相关的噪声参数，根据系统的噪声复杂性，设置电流、电压噪声的权值函数，系统本身根据预先设置的电流传感器以及电压传感器误差，对于各类电池，设定了相应的算法启动参数。同时考虑到外围硬件传感器的精度可能随着更换而调整，系统设置了不同的噪声档位，用户可以按照需要、调整电流传感器与电压传感器所允许的最大范围误差。一般情况下，H_∞鲁棒控制滤波的效果很好，甚至于在实际噪声与设置噪声不一致时，依然能够取得非常良好的效果。这里出于假设目的，设置的参数都非常简单。

表2算法相关噪声参数

设置完成电池模型状态空间参数以及算法噪声参数之后，系统将开始设置当前电池内部状态估计值，如果上次关机时的SOC值未丢失，则系统将上次关机的SOC值作为当前的SOC估计，用户可以自行指定估计值，否则通过读取当前时刻开路电压插值获取当前SOC的估计。现在假设系统第一次启动，因此直接设置系统的初始SOC为0，同时系统的两个环节分压也同样为0，即

此时所有的参数均设置完成，系统正式启动。之后系统将按照之前给出的算法共7步步骤执行，在每个采样点测量当前的电压与电流值，通过一系列矩阵运算得到每个时刻的SOC估计值。执行一次循环步骤，计算过程如下所示：

假设当前采集的电流值为1A，电压值为2.8V：

1、输出当前时刻的SOC估计

2、构建观测矩阵当前估计的从OCV-SOC表查表获得此时将这一段的OCV变化视为折线段，求导，可以得到

3、设置矩阵代入求解得到

4、求解控制增益

5、预测下一个时刻的系统状态：

其中

代入R₀求解

6、更新控制矩阵

7、算法计数器增加k＝k+1；

因此算法在一次更新后，估计的SOC值约为1％。

整个系统通过在不断计算上述矩阵运算过程估计各个时刻的SOC估计值，从而实现了实时的SOC估计。

当系统结束运行后，系统将最后估计的SOC值保存在存储器中，等待下一次系统运行时调用，提高了下一次SOC估计的初始估计精度。

本发明的SOC估算算法在估算过程中，整个算法抗噪声干扰能力强，且计算过程易于描述，参数设置简单，适合用户使用。本发明以上述电池参数为例阐述了具体的实施方法，本发明不限于所阐述的电池类型及具体参数数值。

基于同一构思，参看图4，本发明还提供一种动力电池的荷电状态估计系统，包括：

建模单101，用于基于实验室环境与标准电池二阶模型对各类动力电池建立等效模型并拟合至少一个电池参数，其中所述至少一个电池参数至少包括OCV-SOC曲线；

状态空间方程建立单元102，用于根据所述等效模型建立电池输入输出线性系统的状态空间方程；

参数设置单元103，用于设置实际动力电池系统启动时的SOC初始估计值，同时根据实际动力电池系统中的电池型号确定对应的电池参数，设置H_∞滤波算法运行所必须的噪声权函数；

荷电状态计算单元104，用于当设置参数后动力电池系统开始运行时，在运行过程中，实时采集电池每个采样时刻的电压、电流、温度数值，在每一采样时刻将采集的电压、电流、温度数值代入所述状态空间方程以及所述噪声权函数，根据H_∞滤波算法实时计算出每个时刻的SOC估计值。

优选的，所述状态空间方程表示为：

公式(1)

公式(1)中，将电池视为以电流为输入，电压为输出的线性系统，系统的内部状态x包括电池的荷电状态SOC、以及所述标准电池二阶模型中两个RC环节的分压大小与即内部状态的更新由输入电流导致，输入电流导致电池的充电或者放电，SOC随之发生变化，同时根据电路相关原理，二阶模型中的电容两端电压也根据电流的变化呈指数函数变化，公式(1)中Cap表示电池的总电量，τ₁、τ₂为时间常数，其中τ₁＝R₁C₁，τ₂＝R₂C₂；每个时刻电池的电压值和电池当前的开路电压值，内阻分压，以及两个RC环节的分压大小有关，满足以下公式：

(公式2)。

优选的，所述噪声权函数包括初始值选取误差权函数P₀，电流采集误差权函数W_k，电压采集误差权函数V_k，SOC估计误差权函数Q_k，以及噪声误差上限参数γ。

优选的，所述荷电状态计算单元根据H_∞滤波算法实时计算出每个时刻的SOC估计值，具体为：

H_∞滤波算法流程本质上是求解噪声权值函数supJ＜1/γ，J满足方程w_k表示电流采集误差，v_k表示电压采集误差；其中实际求解的未知量为L_k＝(1 0 0)，即每个时刻估计的SOC数值；根据H_∞滤波理论将该方程转化为Ricatti方程求解，运算过程具体如下：

实时输入数据：每个时刻获得的电流值u_k与电压值y_k；

算法在每个时刻的输出：电池的SOC的估计值；其中每个时刻所处理的参数仅和上一时刻相关；

初始设定系统状态估计初值算法执行次数计数变量k＝0，以及观测矩阵M＝(10 0)，按照电池参数由公式(1)设置矩阵 并设定运行所需的噪声权函数；

在整个采样过程中，不断重复执行以下步骤：

a)输出当前时刻的SOC估计

b)根据公式(2)，构建观测矩阵

c)设置矩阵

d)求解控制增益

e)预测下一个时刻的系统状态：

其中

f)更新控制矩阵P_k+1＝AP_kL_kA^T+BWB^T；

g)算法计数器增加k＝k+1。需要说明的是，该系统实施例与上述方法实施例对应，具体可参看前述方法实施例中的相关描述，此处不再赘述。

本发明相比于传统的几种SOC估计算法，基于最优化的理论，采用了H_∞鲁棒控制滤波算法，不需对外界噪声作任何假设，考虑了外部环境的最坏可能，保证了算法的稳定性，显著提高了估计计算精度，同时抗干扰能力大大提高。

上面结合附图对本发明的具体实施方式进行了详细说明，但本发明并不限制于上述实施方式，在不脱离本申请的权利要求的精神和范围情况下，本领域的技术人员可以作出各种修改或改型。

Claims (3)

1.一种动力电池的荷电状态估计方法，其特征在于，包括：

基于实验室环境与标准电池二阶模型对各类动力电池建立等效模型并拟合至少一个电池参数，其中所述至少一个电池参数至少包括OCV-SOC曲线；

根据所述等效模型建立电池输入输出线性系统的状态空间方程；

根据系统上次结束时的终止状态，以及开路电压测量值，综合设置实际动力电池系统启动时的SOC初始估计值，同时根据实际动力电池系统中的电池型号确定对应的电池参数，设置H_∞滤波算法运行所必须的噪声权函数；

设置参数后动力电池系统开始运行，在运行过程中，实时采集电池每个采样时刻的电压、电流、温度数值，在每一采样时刻将采集的电压、电流、温度数值代入所述状态空间方程以及所述噪声权函数，根据H_∞滤波算法实时计算出每个时刻的SOC估计值；

其中，所述状态空间方程表示为：

公式(1)中，将电池视为以电流为输入，电压为输出的线性系统，系统的内部状态x包括电池的荷电状态SOC、以及所述标准电池二阶模型中两个RC环节的分压大小与即内部状态的更新由输入电流导致，输入电流导致电池的充电或者放电，SOC随之发生变化，同时根据电路相关原理，二阶模型中的电容两端电压也根据电流的变化呈指数函数变化，公式(1)中Cap表示电池的总电量，采样周期为△t，τ₁,τ₂为时间常数，其中τ₁＝R₁C₁,τ₂＝R₂C₂；每个时刻电池的电压值和电池当前的开路电压值，内阻分压，以及两个RC环节的分压大小有关，满足以下公式：

其中R₀为电池的内阻；

所述噪声权函数包括初始值选取误差权函数P₀，电流采集误差权函数W_k，电压采集误差权函数V_k，SOC估计误差权函数Q_k，以及噪声误差上限参数γ；

所述根据H_∞滤波算法实时计算出每个时刻的SOC估计值，具体为：

H_∞滤波算法流程本质上是求解噪声权值函数supJ<1/γ，J满足方程w_k表示电流采集误差，v_k表示电压采集误差；其中，实际求解的未知量为即每个时刻估计的SOC数值；根据H_∞滤波理论将该方程转化为Ricatti方程求解，运算过程具体如下：

实时输入数据：每个时刻获得的电流值u_k电压值y_k；

算法在每个时刻的输出：电池的SOC的估计值；其中每个时刻所处理的参数仅和上一时刻相关；

初始设定系统状态估计初值算法执行次数计数变量k＝0，以及观测矩阵M＝(100)，按照电池参数由公式(1)设置矩阵 并设定运行所需的噪声权函数；

在整个采样过程中，不断重复执行以下步骤：

a)输出当前时刻的SOC估计

b)根据公式(2)，构建观测矩阵

c)设置矩阵

d)设置求解控制增益

e)预测下一个时刻的系统状态：

其中

f)更新控制矩阵P_k+1＝AP_kL_kA^T+BWB^T；

g)算法计数器增加k＝k+1。

2.根据权利要求1所述的动力电池的荷电状态估计方法，其特征在于，还包括：根据所述SOC估计值，给出电池运行剩余使用时间。

3.一种动力电池的荷电状态估计系统，其特征在于，包括：

建模单元，用于基于实验室环境与标准电池二阶模型对各类动力电池建立等效模型并拟合至少一个电池参数，其中所述至少一个电池参数至少包括OCV-SOC曲线；

状态空间方程建立单元，用于根据所述等效模型建立电池输入输出线性系统的状态空间方程；

荷电状态计算单元，用于当设置参数后动力电池系统开始运行时，在运行过程中，实时采集电池每个采样时刻的电压、电流、温度数值，在每一采样时刻将采集的电压、电流、温度数值代入所述状态空间方程以及噪声权函数，根据H_∞滤波算法实时计算出每个时刻的SOC估计值；

其中，所述状态空间方程表示为：

公式(1)中，将电池视为以电流为输入，电压为输出的线性系统，系统的内部状态x包括电池的荷电状态SOC、以及所述标准电池二阶模型中两个RC环节的分压大小与即内部状态的更新由输入电流导致，输入电流导致电池的充电或者放电，SOC随之发生变化，同时根据电路相关原理，二阶模型中的电容两端电压也根据电流的变化呈指数函数变化，公式(1)中Cap表示电池的总电量，采样周期为△t，τ₁,τ₂为时间常数，其中τ₁＝R₁C₁,τ₂＝R₂C₂；每个时刻电池的电压值和电池当前的开路电压值，内阻分压，以及两个RC环节的分压大小有关，满足以下公式：

其中R₀为电池的内阻；

所述噪声权函数包括初始值选取误差权函数P₀，电流采集误差权函数W_k，电压采集误差权函数V_k，SOC估计误差权函数Q_k，以及噪声误差上限参数γ；

所述荷电状态计算单元根据H_∞滤波算法实时计算出每个时刻的SOC估计值，具体为：

H_∞滤波算法流程本质上是求解噪声权值函数supJ<1/γ，J满足方程w_k表示电流采集误差，v_k表示电压采集误差；其中，实际求解的未知量为即每个时刻估计的SOC数值；根据H_∞滤波理论将该方程转化为Ricatti方程求解，运算过程具体如下：

实时输入数据：每个时刻获得的电流值u_k电压值y_k；

算法在每个时刻的输出：电池的SOC的估计值；其中每个时刻所处理的参数仅和上一时刻相关；

初始设定系统状态估计初值算法执行次数计数变量k＝0，以及观测矩阵M＝(100)，按照电池参数由公式(1)设置矩阵 并设定运行所需的噪声权函数；

在整个采样过程中，不断重复执行以下步骤：

a)输出当前时刻的SOC估计

b)根据公式(2)，构建观测矩阵

c)设置矩阵

d)设置求解控制增益

e)预测下一个时刻的系统状态：

其中

f)更新控制矩阵P_k+1＝AP_kL_kA^T+BWB^T；

g)算法计数器增加k＝k+1。