CN105068008B - 利用车载充电机辨识电池参数的电池荷电状态估计方法 - Google Patents

Abstract

本发明涉及利用车载充电机辨识电池参数的电池荷电状态估计方法。通过电动汽车车载双向充电机对电池进行脉冲实验辨识电池模型参数，利用双向充电机对电池深度充放电重新标定电池容量，再根据更新的电池参数进行扩展卡尔曼滤波估计电池荷电状态SOC，从而克服了老化引起的电池参数变化对电池SOC估算精度的影响。不仅可以有效跟踪变化的电池参数，且对初始数据的选择没有依赖性；通过车载双向充电机对电池充放电辨识电池参数，充分利用了电动汽车自身具备电力电子变换装置的优势；整个参数辨识过程中，电池释放出的电能反馈并入电网，能量损耗小；方法简单易行，避免了传统离线辨识电池参数方法需要将电池箱拆卸的繁琐操作。

Description

利用车载充电机辨识电池参数的电池荷电状态估计方法

技术领域

本发明涉及电动汽车动力电池管理系统技术领域，具体涉及一种利用车载双向充电机辨识电池参数的电池荷电状态估计方法。

背景技术

动力电池是影响电动汽车使用寿命、安全性以及经济性的关键部件。通过电池管理系统(Battery Management System,BMS)对其进行高效可靠的管理是实现车辆安全行驶的重要保障。而对电池荷电状态(State of Charge,SOC)的准确估测则是电池管理系统的核心技术，对动力电池的安全高效使用有着重要影响。

目前SOC的估算方法主要有经典的开路电压法和安时积分法，智能算法以及扩展卡尔曼滤波法等。开路电压法是基于开路电压与SOC之间的一一对应关系，通过检测开路电压来估算SOC。但是开路电压需要长时间静置，因此无法在整车上进行实时SOC估算，通常将其作为辅助与其它算法结合来估算SOC。安时积分法方法简单且易于在线估算，但是受初始SOC影响较大，随着时间累加会产生较大的累积误差，而且无法跟踪由于老化引起的电池容量的非线性变化。当前的智能算法如神经网络、模糊控制、支持向量机等，通过描述SOC与电池电压、电流、温度间的非线性关系可以得到较高的估算精度，但是需要大量的训练数据作为支撑，难于应用到整车上在线估算。扩展卡尔曼滤波(Extended Kalman Filter，EKF)是基于电池等效电路模型的一种高效线性滤波和预测方法，近年来广泛应用于电池的SOC估算。EKF作为一种递推线性最小方差估计，通过将实时观测值和上一时刻的估计值比较来进行实时估计，能够动态跟踪SOC的真实值，更适用于电流剧烈波动的电动汽车场合。但是，EKF只有在电池模型精准的前提下才能得到理想的SOC估算精度，电池模型参数的变化会给估算带来明显的误差。

电池等效电路模型的参数辨识一般采用离线方法，即在电池箱装车之前对电池进行标准的充放电脉冲实验获取相关电池参数，在使用EKF估算SOC的过程中，电池参数将作为固定不变的常数进行计算。然而随着电动汽车长时间的使用，电池老化会引起电池模型参数的变化以及电池容量的非线性衰减，如果EKF在计算过程中依然沿用初始的电池参数，则会给估算带来严重误差。离线参数辨识方法需要将电池箱从整车上拆卸下来利用外部设备对电池进行充放电实验来重新标定电池参数，拆装过程相当繁琐、操作难度大。

综上所述，动力电池是一个非线性、时变性较强的系统，如果扩展卡尔曼滤波算法始终使用固定不变的电池模型参数作为状态变量来估算SOC，随着电池老化估算的误差会越来越大，无法满足整车的使用需求；若通过离线的充放电实验重新标定电池模型参数及电池容量，则需拆卸整车的电池箱，操作繁琐难于执行。

发明内容

本发明的目的在于克服现有SOC估算算法的不足，提出了一种更新电池模型参数及电池容量的算法和扩展卡尔曼滤波算法相结合的电池SOC估算方法。

本发明的具体技术方案如下：

一种利用车载双向充电机辨识电池参数的电池荷电状态估计方法，包括如下步骤：

(1)辨识电池模型参数

(2)重新标定电池容量

(3)利用步骤(1)和(2)中辨识得到的参数使用扩展卡尔曼滤波算法估计电池荷电状态(State of Charge,SOC)。

进一步地，步骤(1)中具体包括如下步骤：

(1-1)建立动力电池等效电路模型；

(1-2)利用车载充电机对电池进行脉冲实验，记录电池电压响应曲线；

(1-3)建立电池等效电路模型参数的电路方程，辨识电池模型参数。

步骤(1-1)中采用改进型PNGV等效电路模型。该电路模型由两个并联的等效极化电阻和等效极化电容与等效欧姆内阻串联而成，电压源和大电容串联代表电池的开路电压；

步骤(1-2)中，电池管理系统通过CAN通信向充电机发送脉冲实验指令，利用车载双向充电机对电池进行短时间(10秒左右)恒流充电脉冲过程，再将电池静置至端电压稳定。在此同时，利用电池管理系统的电压采样单元记录脉冲实验全过程的电池端电压响应曲线；

步骤(1-3)建立电池模型参数之间的关系式，由电池等效模型及脉冲实验的电压响应曲线可得：

R₀＝ΔU/I (1)

其中，ΔU为充电开始时刻垂直上升的电压差，I为充电电流，R₀为欧姆内阻；ΔQ为充电电量，由电池管理系统通过安时积分计算得到，U_oc为静置时刻的开路电压，ΔU_oc为充电引起的开路电压差，C_b为模型中串联的大电容；由此可得电池模型参数R₀和C_b；

充电结束后电池端电压缓慢下降过程所对应的双RC并联环节零输入响应的关系表达式为：

u_p＝u_p1+u_p2＝U_o1exp(-t/τ₁)+U_o2exp(-t/τ₂) (4)

其中U_o1和U_o2分别为初始极化电压，τ₁和τ₂分别为两个RC并联环节的时间常数，τ₁＝C_p1R_p1，τ₂＝C_p2R_p2；u_p1和u_p2分别代表的是两个RC并联环节上的极化电压压降，u_p代表总的极化压降。利用电池管理系统记录的实验数据以上式为目标式进行曲线拟合，得到时间常数τ₁和τ₂；

充电过程中电池端电压上升过程对应的双RC并联环节零状态响应的关系表达式为：

其中，U₂为充电开始时刻电压垂直上升后的起点值，u_L为电池端电压；同理利用曲线拟合得到两个极化电阻参数R_p1和R_p2，由时间常数计算公式τ₁＝C_p1R_p1，τ₂＝C_p2R_p2得到极化电容参数C_p1和C_p2。

进一步地，步骤(2)中具体包括如下步骤：

(2-1)利用车载双向充电机对电池进行深度充放电实验；

(2-2)在电池充电过程中，利用安时积分重新标定电池容量。

步骤(2-1)中，首先电池管理系统通过CAN通信向车载双向充电机发送电池放电命令，接着充电机开始反向工作，对电池进行放电实验，直到电池电压下降到电池厂家规定的最低截止电压为止。在此过程中电池放出的电能将由充电机反向并入电网。随后，电池管理系统发送电池充电命令，充电机正向工作，对电池进行恒流充电，将电网能量充入电池，直到电池电压上升到电池厂家规定的最高截止电压为止；

步骤(2-2)中，在(2-1)恒流充电过程中，电池管理系统的电流检测单元实时采样电池充电电流，并利用安时积分计算出总充电容量，进而对电池总容量进行重新标定，并由此估算出电池健康状态(State of Health，SOH)：

其中，Q_new表示电池老化后的能放出的电池容量，Q₀表示电池出厂时的电池额定容量，η表示电池充放电效率，Q₀和η均可从电池厂家获取。

进一步地，步骤(3)中具体包括如下步骤：

(3-1)以动力电池为对象，建立系统状态方程和观测方程，根据步骤(1)和(2)中辨识得到的参数更新状态变量；

(3-2)用扩展卡尔曼滤波算法估算电池荷电状态。

进一步地，步骤(3-1)中具体包括如下步骤：

(1)以电池为对象建立系统状态方程和观测方程；

(2)对电池的系统状态方程和观测方程进行泰勒展开线性化；

(3)根据辨识得到的电池参数更新系统方程。

步骤(1)中所建立的电池状态方程和观测方程为：

系统状态方程和观测方程如下：

x_k+1＝f(x_k,u_k)+w_k (8)

y_k＝g(x_k,u_k)+v_k (9)

其中x_k为k时刻系统的状态变量，x_k+1是k+1时刻的状态变量，y_k为系统的输出观测量，u_k为系统的输入量，f()、g()均为非线性函数，w_k和v_k为系统噪声，两者相互独立；

对于改进型的PNGV电池模型，令

其中，状态变量包括电池荷电状态SOC_k，两个极化压降和系统的输入量为电池电流i_k，系统输出量为电池端电压U_oc(SOC_k)为与SOC对应的开路电压；

步骤(2)中，由于动力电池是一个非线性、时变性较强的系统，将非线性模型在k时刻(x_k,u_k)处进行泰勒展开，仅保留一阶项，得到线性化的系统状态方程和观测方程如下：

系统的输入信号为k时刻的x_k、u_k，为k时刻状态变量的最优估计值。上述线性化 状态输出方程中，其中，

步骤(3)中，将辨识得到的电池等效电路模型参数R₀、R_p1、R_p2、C_p1、C_p2和重新标定的电池容量Q_new代入式(13)和式(14)，更新状态方程和观测方程中的电池参数，由此得到电池参数定期更新的线性化的电池系统状态方程和观测方程，避免了由老化引起的电池参数变化对SOC估算的影响。

进一步地，步骤(3-2)具体包括预测更新过程和测量更新过程。

以线性化之后的电池系统状态方程和观测方程为对象，通过电池管理系统完成扩展卡尔曼滤波的预测更新过程和观测更新过程，以更新状态变量，得到实时的SOC；

预测更新过程如下：

状态向量估计过程：利用上一时刻的状态变量经过状态转换矩阵变换，得到当前时刻的状态变量估计值；

状态向量估计协方差：协方差矩阵P代表每一时刻状态变量的不确定性。利用协方差矩阵的性质将这种不确定性在每个时刻进行传递；

观测更新过程如下：

卡尔曼增益矩阵更新：K表示卡尔曼系数，一方面权衡预测量的协方差P与观测量的协方差R的大小，来分配预测量与观测量带入状态变量的比例；另一方面将残差的表现形式从观测域转换到状态域；

误差协方差矩阵修正：更新最佳估计值的噪声分布，用于下一轮迭代；

P_k/k＝(I-K_kC_k)P_k/k-1 (20)

状态预测值修正：通过对观测值与估计值进行比较得到残差，再对状态变量估计值进行修正，得到实时更新的状态变量最佳估计值，从而得到实时的SOC；

在卡尔曼滤波的五个方程中，表示k-1时刻状态变量的最佳估计值，表示k时刻的状态变量估计值，它是由经过状态预测公式推测而来。P_k-1/k-1表示k-1时刻状态变量不确定性的最佳估计值，Q表示预测模型本身带来的噪声，P_k/k-1表示k时刻状态变量不确定性的估计值。K_k表示k时刻的卡尔曼系数，R为观测量的协方差。P_k/k表示k时刻状态变量不确定性的最佳估计，通过卡尔曼系数修正得到。表示k时刻状态变量的最佳估计值，通过观测值与估计值进行比较得到残差，再由卡尔曼系数修正得到。

进一步地，对扩展卡尔曼滤波的五个公式进行循环迭代，更新系统状态变量，得到实时的SOC值。

进一步地，每隔一段时间(如一个月或一个季度)定期执行步骤(1)和(2)重新辨识电池参数并更新系统状态方程和观测方程，防止由于电池老化原因造成的电池模型参数及电池容量变化影响扩展卡尔曼滤波算法估算SOC的精度。

本发明相比现有技术具有如下优点：

随着电动汽车的发展，车用动力电池作为能量存储单元将自身电能反馈并入电网将成为必然趋势。V2G(Vehicle to Grid)作为电动汽车的一种新型应用，将使电动汽车创造更大价值。传统车载充电机只能实现能量单向流动，通过电网给电池充电；新型车载双向充电机利用电力电子技术实现了能量的双向流动，电池可作为储能单元将其电能并入电网。利用电动汽车自带的车载双向充电机对电池定期进行充放电脉冲实验，更新电池模型参数并对电池容量重新标定，再利用这些参数更新状态变量进行扩展卡尔曼滤波估计电池SOC，从而克服了电池老化引起的电池模型参数及容量变化对SOC估算精度的影响。本发明适用于动力电池，且具有较高的估算精度，不受电池老化引起的电池参数变化的影响。

利用电动汽车本身自带的车载双向充电机对电池进行充放电实验，辨识电池模型参数并对电池容量进行重新标定，再利用更新的参数进行扩展卡尔曼滤波算法估计电池荷电状态。与现有技术相比，本发明考虑到由于电池老化原因造成的电池模型参数及电池容量变化所带来的对SOC估算精度的影响，充分利用电动汽车自带的车载双向充电机对电池进行脉冲实验，进而能够直接在车辨识电池参数。不仅更新了系统状态方程和观测方程中的电池参数，大大减小了电动汽车长时间使用后因为电池老化带来的算法对电池荷电状态的大的估算误差，同时避免了传统离线辨识参数方法需要拆卸电池箱再通过外部设备进行充放电的繁琐操作。

根据本发明的第一方面公开了一种利用车载双向充电机对电池进行在脉冲实验辨识电池等效模型参数的方法。该方法充分利用了电动汽车自身具备充电机的优势，无需拆卸电池包离线辨识参数，操作过程简单易实现。

根据本发明的第二方面公开了一种利用车载双向充电机对电池进行充放电实验重新标定电池容量的方法。该方法的特征在于能够跟踪由于电池老化引起的电池容量的非线性变化，而且电池释放的电能通过双向充电机反馈并入电网，整个容量标定过程能量损耗小。

根据本发明的第三方面公开了一种通过直接在车上辨识电池参数更新系统方程的扩展卡尔曼滤波算法估计电池荷电状态的方法。该方法区别于现有的扩展卡尔曼滤波算法使用固定不变的电池参数作为状态方程参数来估算SOC，而是通过定期在线辨识电池模型参数和电池容量，不断更新系统的状态方程参数，对初始数据的选择没有依赖性，从而避免了因电池老化造成的电池参数变化给扩展卡尔曼滤波估算方法带来的影响。

附图说明

图1是电池的改进型PNGV电路等效模型；

图2是脉冲实验对应的电池充电电流曲线示意图；

图3是脉冲实验对应的电池电压曲线示意图；

图4是电池、电池管理系统、车载充电机结构关系图。

具体实施方式

为了使本领域的技术人员更好地理解本发明的技术方案，下面结合附图对本发明进行详细描述。

本发明的利用车载双向充电机辨识电池参数和基于扩展卡尔曼滤波算法估算电池SOC的联合估计算法具体过程为：

步骤一:利用车载双向充电机对电池进行脉冲实验，根据电池的电化学特性辨识电池模型参数。

1)建立动力电池等效电路模型

本算法采用改进型PNGV等效电路模型。如图1所示，该电路由两个并联的等效极化电阻和等效极化电容与等效欧姆内阻串联而成。图中，E是理想电压源，表示电池的开路电压，电容C_b描述电流积累产生的开路电压变化，E和C_b共同表示开路电压U_oc的变化；R₀为电池的欧姆内阻；R_p1和R_p2为电池的两个极化内阻，C_p1和C_p2为电池的两个极化电容，组成的RC并串联环节共同模拟电池的极化特性。

2)利用车载充电机对电池进行脉冲实验，记录电池电压响应曲线

如图2和图3所示，其中图2表示时间与电池充电电流关系图，i_b表示电池充电电流，I为恒流充电时的电池充电电流大小；图3表示时间与电池端电压关系图，u_L表示电池端电压，U₁～U₅表示各个时刻的电池端电压值；

首先电池管理系统通过CAN通信向充电机发送脉冲实验命令，利用车载双向充电机在t₁时刻对电池进行短时间(10秒左右)恒流充电，再将电池静置至端电压稳定，于t₃时刻结束。利用电池管理系统记录脉冲实验全过程的电池端电压响应曲线。从图3中的端电压响应曲线观察出特征如下：

a)充电时刻t₁电压垂直上升，是由于电池欧姆内阻存在引起的瞬间压降；

b)充电脉冲之前的电压U₁低于充电结束达到稳定状态的电压U₅，这是由于充电电流给表征开路电压的大电容充电造成的电压差；

c)充电结束后，在t₂～t₃时间段内，电池端电压缓缓下降，这是极化电容对极化电阻放电的过程，是RC并联回路的零输入响应；

d)充电过程中，在t₁～t₂时间段内，电池端电压缓慢上升，这是充电电流对极化电容充电的过程，是RC并联回路的零状态响应。

3)建立与脉冲实验的电池电压响应曲线对应的特征方程，辨识电池模型参数由电池等效模型及脉冲实验的电压响应曲线可得：

R₀＝ΔU/I (1)

其中，ΔU为上一步特征(a)中垂直上升电压差U₂-U₁，I为充电电流。ΔQ为充电电量，由电池管理系统通过安时积分计算得到，ΔU_oc为特征(b)中的开路电压差，即U₅-U₁，由此可计算得出电池模型参数R₀和C_b；

与特征(c)所对应的双RC并联环节零输入响应的关系表达式为：

u_p＝u_p1+u_p2＝U_o1exp(-t/τ₁)+U_o2exp(-t/τ₂) (4)

其中U_o1和U_o2分别为初始极化电压，τ₁和τ₂分别为两个RC并联环节的时间常数，τ₁＝C_p1R_p1，τ₂＝C_p2R_p2；u_p1和u_p2分别代表的是两个RC并联环节上的电压压降，u_p代表总的极化压降；利用电池管理系统记录的实验数据以上式为目标式进行曲线拟合，得到时间常数τ₁和τ₂。

与特征(d)对应的双RC并联环节零状态响应的关系表达式为：

其中，U₂为充电开始t₁时刻电压垂直上升后的起点值，u_L为电池端电压；同理利用曲线拟合得到两个极化电阻参数R_p1和R_p2，由时间常数计算公式τ₁＝C_p1R_p1，τ₂＝C_p2R_p2得到极化电容参数C_p1和C_p2，至此得到电池等效电路模型因电池老化需要更新的参数R₀、R_p1、R_p2、C_p1、C_p2。

步骤二:利用车载双向充电机对电池进行深度充放电实验，记录充电电流数据，利用安时积分重新标定电池容量

首先电池管理系统通过CAN通信向车载双向充电机发送电池放电命令，接着充电机开始反向工作，对电池进行深度放电实验，直到电池电压下降到电池厂家规定的最低截止电压为止。在此过程中电池放出的电能将由充电机反向并入电网。随后，电池管理系统发送电池充电命令，充电机正向工作，对电池进行恒流充电，将电网能量充入电池，直到电池电压上升到电池厂家规定的最高截止电压为止。其中，充放电电流的大小应根据具体车载充电机的功率大小而定；

在恒流充电过程中，电池管理系统的电流检测单元实时记录电池充电电流，并利用安时积分计算出总充电容量，进而对电池总容量进行重新标定，并由此估算出电池健康状态SOH。

Q_new＝∫ηi(t)dt (6)

其中，Q_new表示电池老化后的能放出的电池容量，Q₀表示电池出厂时的电池额定容量，η表示电池充放电效率(Q₀和η均可从电池厂家获取)。

步骤三:将上两步中更新的电池模型参数和电池容量代入系统状态方程和观测方程，避免因电池老化导致的电池参数变化给SOC估算算法造成影响。再利用扩展卡尔曼滤波算法估算电池荷电状态，以保证估算精度。

1)建立以电池为对象的状态方程和观测方程，代入上两步的辨识结果以更新系统方程中用到的电池参数

系统状态方程和观测方程如下：

x_k+1＝f(x_k,u_k)+w_k (8)

y_k＝g(x_k,u_k)+v_k (9)

其中x_k为k时刻系统的状态变量，x_k+1是k+1时刻的状态变量，y_k为系统的输出观测量，u_k为系统的输入量，f()、g()均为非线性函数，w_k和v_k为系统噪声，两者相互独立；

对于改进型的PNGV电池模型，令

其中，状态变量包括电池荷电状态SOC_k，两个极化压降和更新状态变量即可实时更新电池荷电状态。系统的输入量为电池电流i_k，系统输出量为电池端电压U_oc(SOC_k)为与SOC对应的开路电压，开路电压与SOC的关系曲线可通过标准充放电实验或直接从电池厂家获取；

由于动力电池是一个非线性、时变性较强的系统，将非线性模型在k时刻(x_k,u_k)处进行泰勒展开，仅保留一阶项，得到线性化的系统状态方程和观测方程如下：

系统的输入信号为k时刻的x_k、u_k，为k时刻状态变量的最优估计值。上述线性化 状态输出方程中，其中，

将辨识得到的电池等效电路模型参数R₀、R_p1、R_p2、C_p1、C_p2和重新标定的电池容量Q_new代入式(13)和式(14)，更新状态方程和观测方程中的电池参数，由此得到电池参数定期更新的线性化的电池系统状态方程和观测方程，避免了由老化引起的电池参数变化对SOC估算的影响。

2)预测更新过程和观测更新过程，利用卡尔曼滤波算法五个公式的循环迭代更新状态变量，以得到实时的电池荷电状态SOC值

以线性化之后的电池系统状态方程和观测方程为对象，通过电池管理系统完成扩展卡尔曼滤波的预测更新过程和观测更新过程，以更新状态变量，得到实时的SOC；

预测更新过程如下：

状态向量估计过程：利用上一时刻的状态变量经过状态转换矩阵变换，得到当前时刻的状态变量估计值；

状态向量估计协方差：协方差矩阵P代表每一时刻状态变量的不确定性。利用协方差矩阵的性质将这种不确定性在每个时刻进行传递。

观测更新过程如下：

卡尔曼增益矩阵更新：K表示卡尔曼系数，一方面权衡预测量的协方差P与观测量的协方差R的大小，来分配预测量与观测量带入状态变量的比例；另一方面将残差的表现形式从观察域转换到状态域。

误差协方差矩阵修正：更新最佳估计值的噪声分布，用于下一轮迭代。

P_k/k＝(I-K_kC_k)P_k/k-1 (20)

状态预测值修正：通过对观测值与估计值进行比较得到残差，再对状态变量估计值进行修正，更新状态变量。

在卡尔曼滤波的五个方程中，表示k-1时刻状态变量的最佳估计值，表示k时刻的状态变量估计值，它是由经过状态预测公式推测而来。P_k-1/k-1表示k-1时刻状态变量不确定性的最佳估计值，Q表示预测模型本身带来的噪声，P_k/k-1表示k时刻状态变量不确定性的估计值。K_k表示k时刻的卡尔曼系数，R为观测量的协方差。P_k/k表示k时刻状态变量不确定性的最佳估计，通过卡尔曼系数修正得到。表示k时刻状态变量的最佳估计值，通过观测值与估计值进行比较得到残差，再由卡尔曼系数修正得到。

图4为电池、电池管理系统、车载充电机结构关系图。如图4所示，电池组可经过车载双向充电机与电网相连，实现电池与电网间能量的双向流动，其中，双向充电机一般为两级式电路，前级AC-DC部分可以选择图腾柱式无桥PFC电路，后级DC-DC部分可以选择双有源全桥电路；电池管理系统(BMS)的微控制单元(可以为ARM或DSP)通过CAN通信向充电机发送脉冲实验和深度充放电指令，与此同时，BMS的信号采样单元实时检测电池电流电压信息，供参数辨识单元进行电池模型参数辨识及重新标定电池容量；BMS的SOC估算单元利用卡尔曼滤波的五个方程循环迭代，更新状态变量，以实时估算SOC，当有电池参数更新时，SOC估算单元更新其系统状态方程和观测方程，以减小由老化造成的电池参数变化对SOC估算精度的影响。与现有技术相比，图4中的结构图首次利用充电机对电池进行充放电实验来辨识电池参数，无需外部充放电柜等电池设备，同时避免了离线辨识需拆卸电池箱的繁琐操作；由于充电机双向的特点，电池放出的电能通过车载双向充电机反馈并入电网，辨识过程能量损耗小；相比于传统卡尔曼滤波算法使用固定不变的电池参数的做法，提出定期辨识电池参数来更新系统方程的算法，减小了由老化引起的电池参数变化对SOC估算精度的影响。

在上述三个步骤中，步骤三需实时执行，更新状态变量，以得到实时的SOC值。步骤一和步骤二是每隔一段时间(如一个月或一个季度)定期执行一次。当后者的执行周期到达时，则先执行步骤一和步骤二，辨识电池模型参数并重新标定电池容量，然后再根据辨识得到的参数执行步骤三更新状态变量。否则在每一时刻只执行步骤三，利用扩展卡尔曼滤波的五个方程循环迭代更新状态变量，来估算电池荷电状态SOC。

以上实施例只是用于帮助理解本发明的方法及核心思想，对本技术领域的普通技术人员而言，在不脱离本发明原理的前提下，通过以上描述与举例能自然联想到的其它等同应用方案，以及对本发明进行的若干改进和修饰，均落入本发明的权利要求书的保护范围。

Claims (5)

1.一种利用车载充电机辨识电池参数的电池荷电状态估计方法，其特征在于，包括如下步骤：

(1)辨识电池模型参数；

(2)重新标定电池容量；

(3)利用步骤(1)中辨识得到的参数使用扩展卡尔曼滤波算法估计电池荷电状态SOC；

步骤(1)具体包括如下步骤：

(1-1)建立动力电池等效电路模型；

(1-2)利用车载充电机对电池进行脉冲实验，记录电池电压响应曲线；

(1-3)建立电池等效电路模型参数的电路方程，辨识电池模型参数；

步骤(1-1)中采用改进型PNGV等效电路模型；该电路模型由两个并联的等效极化电阻和等效极化电容与等效欧姆内阻串联而成，电压源和大电容串联代表电池的开路电压；

步骤(1-2)中，电池管理系统通过CAN通信向车载充电机发送脉冲实验指令，利用车载充电机对电池进行短时间恒流充电脉冲过程，再将电池静置至端电压稳定；在此同时，利用电池管理系统的电压采样单元记录脉冲实验全过程的电池端电压响应曲线；

步骤(1-3)建立电池模型参数之间的关系式，由电池等效模型及脉冲实验的电压响应曲线可得：

R₀＝ΔU/I (1)

其中，ΔU为充电开始时刻垂直上升的电压差，I为充电电流，R₀为欧姆内阻；ΔQ为充电电量，由电池管理系统通过安时积分计算得到，U_oc为静置时刻的开路电压，ΔU_oc为充电引起的开路电压差，电容C_b描述电流积累产生的开路电压变化；由此可计算得出电池模型参数R₀和C_b；

充电结束后电池端电压缓慢下降过程所对应的双RC并联环节零输入响应的关系表达式为：

u_p＝u_p1+u_p2＝U_o1exp(-t/τ₁)+U_o2exp(-t/τ₂) (4)

其中U_o1和U_o2分别为初始极化电压，τ₁和τ₂分别为两个RC并联环节的时间常数，τ₁＝C_p1R_p1，τ₂＝C_p2R_p2；u_p1和u_p2分别代表的是两个RC并联环节上的极化电压压降，u_p代表总的极化压降；利用电池管理系统记录的实验数据以上式为目标式进行曲线拟合，得到时间常数τ₁和τ₂；

充电过程中电池端电压上升过程对应的双RC并联环节零状态响应的关系表达式为：

其中，U₂为充电开始时刻电压垂直上升后的起点值，u_L为电池端电压；同理利用曲线拟合得到两个极化电阻参数R_p1和R_p2，由时间常数计算公式τ₁＝C_p1R_p1，τ₂＝C_p2R_p2得到极化电容参数C_p1和C_p2；

步骤(2)中具体包括如下步骤：

(2-1)利用车载充电机对电池进行深度充放电实验；

(2-2)在电池充电过程中，利用安时积分重新标定电池容量；

步骤(2-1)中，首先电池管理系统通过CAN通信向车载双向充电机发送电池放电命令，接着充电机开始反向工作，对电池进行深度放电，直到电池电压下降到最低截止电压为止；在此过程中电池所释放的电能将由车载充电机反向并入电网；随后，电池管理系统发送电池充电命令，车载充电机正向工作，对电池进行恒流充电，将电网能量充入电池，直到电池电压上升到最高截止电压为止；

步骤(2-2)中，在(2-1)恒流充电过程内，电池管理系统的电流检测单元实时采样电池充电电流，并利用安时积分计算出总充电容量，进而对电池总容量进行重新标定，并由此估算出电池健康状态SOH：

Q_new＝∫ηi(t)dt (6)

其中，Q_new表示电池老化后的能放出的总电池容量，Q₀表示电池出厂时的电池额定容量，η表示电池充放电效率，i(t)表示电池充电电流；

步骤(3)需实时执行，更新状态变量，以得到实时的SOC值；步骤(1)和步骤(2)中，辨识电池参数和标定电池容量只需每隔一段时间定期执行一次，以消除长时间电池老化引起的电池参数变化对SOC估算的影响；当辨识参数的执行周期到达时，则先执行步骤(1)和步骤(2)，辨识电池模型参数并重新标定电池容量，然后再根据辨识得到的参数执行步骤(3)更新状态变量；否则在每一时刻只执行步骤(3)，利用扩展卡尔曼滤波的五个方程循环迭代更新状态变量，来估算电池荷电状态SOC。

2.如权利要求1中所述的利用车载充电机辨识电池参数的电池荷电状态估计方法，其特征在于，步骤(3)中具体包括如下步骤：

(3-1)以电池为对象，建立系统状态方程和观测方程，根据步骤(1)和(2)中辨识得到的参数更新系统方程；

(3-2)用扩展卡尔曼滤波算法估算电池荷电状态。

3.如权利要求2所述的利用车载充电机辨识电池参数的电池荷电状态估计方法，其特征在于，步骤(3-1)中具体包括如下步骤：

3.11以电池为对象建立系统状态方程和观测方程；

3.12对电池的系统状态方程和观测方程进行泰勒展开线性化；

3.13根据辨识得到的电池参数更新系统方程。

4.如权利要求3所述的利用车载充电机辨识电池参数的电池荷电状态估计方法，其特征在于，

步骤3.11中所建立的电池状态方程和观测方程为：

系统状态方程和观测方程如下：

x_k+1＝f(x_k,u_k)+w_k (8)

y_k＝g(x_k,u_k)+v_k (9)

其中x_k为k时刻系统的状态变量，x_k+1是k+1时刻的状态变量，y_k为系统的输出观测量，u_k为系统的输入量，f()、g()均为非线性函数，w_k和v_k为系统噪声，两者相互独立；

对于改进型的PNGV电池模型，令

其中，状态变量包括电池荷电状态SOC_k，两个极化压降和系统的输入量为电池电流i_k，系统输出量为电池端电压U_oc(SOC_k)为与SOC对应的开路电压；

步骤3.12中，由于动力电池是一个非线性、时变性较强的系统，将非线性模型在k时刻(x_k,u_k)处进行泰勒展开，仅保留一阶项，得到线性化的系统状态方程和观测方程如下：

系统的输入信号为k时刻的x_k、u_k，为k时刻状态变量的最优估计值；线性化状态输出方程中，其中，

步骤3.13中，将辨识得到的电池等效电路模型参数R₀、R_p1、R_p2、C_p1、C_p2和重新标定的电池容量Q_new代入式(13)和式(14)，更新状态方程和观测方程中的电池参数，由此得到电池参数定期更新的线性化的电池系统状态方程和观测方程。

5.如权利要求2所述的利用车载充电机辨识电池参数的电池荷电状态估计方法，其特征在于，步骤(3-2)中具体包括如下步骤：

以线性化之后的电池系统状态方程和观测方程为对象，通过电池管理系统完成扩展卡尔曼滤波的预测更新过程和观测更新过程，以更新状态变量，得到实时的SOC；

预测更新过程如下：

状态向量估计过程：利用上一时刻的状态变量经过状态转换矩阵变换，得到当前时刻的状态变量估计值；

状态向量估计协方差：协方差矩阵P代表每一时刻状态变量的不确定性；利用协方差矩阵的性质将这种不确定性在每个时刻进行传递；

观测更新过程如下：

卡尔曼增益矩阵更新：K表示卡尔曼系数，一方面权衡预测量的协方差P与观测量的协方差R的大小，来分配预测量与观测量带入状态变量的比例；另一方面将残差的表现形式从观测域转换到状态域；

误差协方差矩阵修正：更新最佳估计值的噪声分布，用于下一轮迭代；

P_k/k＝(I-K_kC_k)P_k/k-1 (20)

状态预测值修正：通过对观测值与估计值进行比较得到残差，再对状态变量估计值进行修正，得到实时更新的状态变量最佳估计值，从而得到实时的SOC；

在卡尔曼滤波的五个方程中，表示k-1时刻状态变量的最佳估计值，表示k时刻的状态变量估计值，它是由经过状态预测公式推测而来；P_k-1/k-1表示k-1时刻状态变量不确定性的最佳估计值，Q表示预测模型本身带来的噪声，P_k/k-1表示k时刻状态变量不确定性的估计值；K_k表示k时刻的卡尔曼系数，R为观测量的协方差；P_k/k表示k时刻状态变量不确定性的最佳估计，通过卡尔曼系数修正得到；表示k时刻状态变量的最佳估计值，通过观测值与估计值进行比较得到残差，再由卡尔曼系数修正得到。