CN105203826A - 一种冗余电流传感器动力电池系统的电流检测方法 - Google Patents

Abstract

本发明涉及一种冗余电流传感器动力电池系统的电流检测方法，包括以下步骤：1)在冗余电流传感器动力电池系统中统计电流传感器误差特性；2)根据电池动态特性和电流传感器误差特性构建动力电池系统的动态模型；3)根据动态模型，采用在线估计算法估计得到电流检测误差和电流传感器的电流采样值；4)根据电流检测误差，并将电流检测误差和电流传感器采样值求和得到最终电流检测值；5)根据电流检测误差判定电流传感器是否故障，若是，则更换电流传感器后，返回步骤1)，若否，则返回步骤3)。与现有技术相比，本发明具有可靠性高、判断误差类型、适用于冗余设计等优点。

Description

一种冗余电流传感器动力电池系统的电流检测方法

技术领域

本发明涉及电动汽车和电力储能领域，尤其是涉及一种冗余电流传感器动力电池系统的电流检测方法。

背景技术

动力电池系统作为关键的零部件在电动汽车和电力储能等领域得到越来越多的应用，由于电池自身的特性导致电池在使用过程中需要对其进行合理的成组及管理，目前的动力电池系统成组中需要精确测量电池的工作电流、温度和电压，从而进行电池工作状态的监控，并对电池进行必要的保护。

传统的电池系统电流测量一般采用硬件传感器实现，包括电流霍尔传感器和分流电阻两种方法，为了提高电池系统的可靠性，在很多电池系统设计中往往采用冗余设计的方法，对电流测量而言，一般采用冗余的电流传感器设计，比如，在很多动力电池系统中，采用霍尔传感器和分流电阻结合的方式，实现2个独立的电流采样，从而确保当其中一个电流采样发生故障时，另一个能提供测量冗余，并可判断传感器误差类型及检测故障。

上述方法提高系统可靠性需要高精度的传感器，这样就大大增加了系统的实现成本，而动力电池系统的成本因素已成为制约电动汽车及电力储能发展的一个重要因素，因此有必要在动力电池系统设计中提出一套降低成本的电流检测冗余方法。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种可靠性高、判断误差类型、适用于冗余设计的冗余电流传感器动力电池系统的电流检测方法。

本发明的目的可以通过以下技术方案来实现：

一种冗余电流传感器动力电池系统的电流检测方法，包括以下步骤：

1)在冗余电流传感器动力电池系统中统计电流传感器误差特性；

2)根据电池动态特性和电流传感器误差特性构建动力电池系统的动态模型；

3)根据动态模型，采用在线估计算法估计得到电流检测误差和电流传感器的电流采样值；

4)判定电流检测误差的误差类型，根据电流检测误差的误差类型和对应的阈值判断电流传感器是否故障，若是，则更换电流传感器，并返回步骤1)，若否，则将电流检测误差和电流传感器采样值求和得到最终电流检测值。

所述的步骤2)中的构建动力电池系统的动态模型具体包括以下步骤：

21)获取电池动态特性为：

$\left(\begin{array}{c}{\mathrm{SOC}}_{k+1}\\ U_{k+1}^{R_1{C}_1}\\ U_{k+1}^{R_2{C}_2}\end{array}\right)=\left(\begin{array}{ccc}1& 0& 0\\ 0& e^{-\mathrm{\Δ}t/{\mathrm{\τ}}_1}& 0\\ 0& 0& e^{-\mathrm{\Δ}t/{\mathrm{\τ}}_2}\end{array}\right)\×\left(\begin{array}{c}{\mathrm{SOC}}_k\\ U_k^{R_1{C}_1}\\ U_k^{R_2{C}_2}\end{array}\right)\left(\begin{array}{c}-\frac{{\mathrm{\η}}_i\mathrm{\Δ}t}{C}\\ R_1(1-e^{-\mathrm{\Δ}t/{\mathrm{\τ}}_1})\\ R_2(1-e^{-\mathrm{\Δ}t/{\mathrm{\τ}}_2})\end{array}\right)I_k$

$U_k=OCV\left({\mathrm{SOC}}_k\right)-i_k{R}_0-U_k^{R_1{C}_1}-U_k^{R_2{C}_2}$

其中，SOC_k为k时刻的电池SOC值，SOC_k+1为k+1时刻的电池SOC值，为k时刻R₁C₁回路的电压，为k+1时刻R₁C₁回路的电压，为k时刻R₂C₂回路的电压，为k+1时刻R₂C₂回路的电压，I_k为电流传感器的电流采样值，Δt为采样周期，η_i为电池的库仑效率，OCV(SOC_k)为k时刻SOC下的电池开路电压，R₀为电池欧姆内阻，τ₁为R₁C₁回路的时间常数，τ₂为R₂C₂回路的时间常数，U_k为k时刻的端电压，i_k为k时刻的测量电流；

22)获取电流传感器误差特性为：

i_err，k+1＝i_err.k+n_k

其中，i_err,k为在k时刻的电流检测误差，i_err,k+1表示在k+1时刻的电流检测误差，n_k则表示在k时刻电流检测误差的变化量；

23)结合电池动态特性和电流传感器误差特性得到动力电池系统的动态模型为：

$\left(\begin{array}{c}{\mathrm{SOC}}_{k+1}\\ U_{k+1}^{R_1{C}_1}\\ U_{k+1}^{R_2{C}_2}\\ i_{err,k+1}\end{array}\right)=\left(\begin{array}{cccc}1& 0& 0& 0\\ 0& e^{-\mathrm{\Δ}t/{\mathrm{\τ}}_1}& 0& 0\\ 0& 0& e^{-\mathrm{\Δ}t/\mathrm{\τ}2}& 0\\ 0& 0& 0& 1\end{array}\right)\×\left(\begin{array}{c}{\mathrm{SOC}}_k\\ U_k^{R_1{C}_1}\\ U_k^{R_2{C}_2}\\ i_{err,k}\end{array}\right)\left(\begin{array}{c}-\frac{{\mathrm{\η}}_i\mathrm{\Δ}t}{C}\\ R_1(1-e^{-\mathrm{\Δ}t/{\mathrm{\τ}}_1})\\ R_2(1-e^{-\mathrm{\Δ}t/\mathrm{\τ}2})\\ 0\end{array}\right)(I_k+i_{err,k})$

$U_k=OCV\left({\mathrm{SOC}}_k\right)-(I_k+i_{err,k})\×R_0-U_k^{R_1{C}_1}-U_k^{R_2{C}_2}.$

所述的步骤3)中的在线估计算法包括最小二乘算法、龙贝格状态观测法或卡尔曼状态估计法。

所述的步骤4)具体包括以下步骤：

51)根据电流传感器在不同温度和不同电流下的正常工作电流误差，设定每种误差类型对应的阈值；

52)根据误差类型判定公式判定电流检测误差的误差类型

53)结合当前的工作电流及温度，判断电流检测误差是否超过阈值，如果误差超过阈值，则认为传感器存在检测故障，如果误差在阈值范围之内，则认为传感器检测合格。

所述的步骤52)中的电流检测误差的误差类型判定公式为：

i_err,k＝aI_k+b

其中，a和b分别为线性误差系数和漂移误差系数，I_k为k时刻的电流幅值电流传感器的电流采样值。

所述的电流检测误差的类型包括线性误差、漂移误差以及线性误差和漂移误差的结合，根据误差类型判定公式，线性误差的判定方法为：

电流检测误差随电流传感器的电流采样值变化，并且两者的比值为常数；漂移误差的判定方法为：

电流检测误差在电流传感器的电流采样值变化过程中保持不变；

线性误差和漂移误差的结合的判定方法为：

电流检测误差不仅随着电流传感器的电流采样值变化，同时还保持一个常量基值。

与现有技术相比，本发明具有以下优点：

一、可靠性高：本发明采用基于在线软测量的方法实现电流传感器的冗余设计，根据电池动态特性和电流传感器误差特性构建动力电池系统的动态模型，利用该动态模型结合算法能实时得到电流传感器误差信息，利用该误差信息实现电流检测的冗余设计和故障判断，相比传统的使用硬件实现电流传感器冗余设计的方法，本发明在提高系统可靠性的同时降低了系统的实现成本；

二、判断误差类型：本发明通过估计得到的电流误差信息，结合电流幅值大小，可判断传感器误差类型为线性误差或偏移误差；

三、适用于冗余设计：本发明通过电流检测的冗余设计，为电流传感器的故障的判断提供依据。

附图说明

图1为电池自身的动态特性模型。

图2为在线估计方法流程图。

图3为传感器误差类型，其中，图(3a)为线性误差，图(3b)为漂移误差。

图4为电流传感器误差类型判断流程图。

图5为电流传感器故障判断流程图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。

实施例：

以下采用锂离子动力电池系统，结合附图和具体实施例对本发明进行详细说明。下述实施例将有助于理解本发明，但并不能限制本发明的内容。

如图1所示，为常见的锂离子动力电池特性模型，模型通过U_ocv描述电池的开路电压；电阻R₀用来描述电池欧姆内阻，R₁、C₁和R₂、C₂用来描述电池的极化效应。考虑到电池的SOC-OCV仅用一个电容代替会带来无法容忍的非线性误差，因此，图中OCV用一个非线性函数来代替，它是SOC参数的函数。这种包含SOC的非线性等效电路模型由线性部分和非线性部分组成，并通过了工况充放电以及电化学阻抗谱试验的验证，表明其能够较好地反映电池在工作过程中的动态特性。

该电池模型可以写出如下所示的描述方程：

$\left(\begin{array}{c}{\mathrm{SOC}}_{k+1}\\ U_{k+1}^{R_1{C}_1}\\ U_{k+1}^{R_2{C}_2}\end{array}\right)=\left(\begin{array}{ccc}1& 0& 0\\ 0& e^{-\mathrm{\Δ}t/{\mathrm{\τ}}_1}& 0\\ 0& 0& e^{-\mathrm{\Δ}t/\mathrm{\τ}2}\end{array}\right)\×\left(\begin{array}{c}{\mathrm{SOC}}_k\\ U_k^{R_1{C}_1}\\ U_k^{R_2{C}_2}\end{array}\right)\left(\begin{array}{c}-\frac{{\mathrm{\η}}_i\mathrm{\Δ}t}{C}\\ R_1(1-e^{-\mathrm{\Δ}t/{\mathrm{\τ}}_1})\\ R_2(1-e^{-\mathrm{\Δ}t/\mathrm{\τ}2})\end{array}\right)I_k$

$U_k=OCV\left({\mathrm{SOC}}_k\right)-i_k{R}_0-U_k^{R_1{C}_1}-U_k^{R_2{C}_2}$

上面的式子中，SOC_k为k时刻的电池SOC值，和分别为k时刻R₁、C₁和R₂、C₂回路上的电压，I_k为传感器测得的电池工作电流，Δt为采样周期，η_i为电池的库仑效率，OCV(SOC_k)为当前SOC下的电池开路电压。

为了能实现基于软测量的电流传感器冗余检测设计，需要将电流传感器的误差模型考虑进去，从而形成新的关于整个系统的动态特性模型。在本发明中，电流传感器的误差模型可以表示成：

i_err,k＝i_err.k-1+n_k-1

其中，i_err,k表示在k时刻的电流检测误差值，i_err,k-1表示在k-1时刻的电流检测误差值，n_k-1则表示在k-1时刻电流检测误差值的微小变化量。

因此，将电流误差变化方程耦合到系统动态描述中后，系统动态特性描述方程变为：

$\left(\begin{array}{c}{\mathrm{SOC}}_{k+1}\\ U_{k+1}^{R_1{C}_1}\\ U_{k+1}^{R_2{C}_2}\\ i_{err,k+1}\end{array}\right)=\left(\begin{array}{cccc}1& 0& 0& 0\\ 0& e^{-\mathrm{\Δ}t/{\mathrm{\τ}}_1}& 0& 0\\ 0& 0& e^{-\mathrm{\Δ}t/\mathrm{\τ}2}& 0\\ 0& 0& 0& 1\end{array}\right)\×\left(\begin{array}{c}{\mathrm{SOC}}_k\\ U_k^{R_1{C}_1}\\ U_k^{R_2{C}_2}\\ i_{err,k}\end{array}\right)\left(\begin{array}{c}-\frac{{\mathrm{\η}}_i\mathrm{\Δ}t}{C}\\ R_1(1-e^{-\mathrm{\Δ}t/{\mathrm{\τ}}_1})\\ R_2(1-e^{-\mathrm{\Δ}t/\mathrm{\τ}2})\\ 0\end{array}\right)(I_k+i_{err,k})$

$U_k=OCV\left({\mathrm{SOC}}_k\right)-(I_k+i_{err,k})\×R_0-U_k^{R_1{C}_1}-U_k^{R_2{C}_2}$

在上述方程的基础上，可以采用最小二乘、龙贝格状态观测或卡尔曼估计等算法实现对系统状态变量的在线估计。由于电流误差被设定为整个电池系统的状态变量之一，因此，也可以被在线估计出来。估计的流程如图2所示。估计过程主要分为3个步骤。

第一步是算法的初始化过程。初始化时，按照对电池本体最好的估计来设定电池内部状态量的初始值，对电流检测误差初始值的设定则根据电流传感器正常工作时的误差统计特性。

第二步是状态预测，算法会利用动力电池系统的特性描述方程，结合工作电流(传感器检测电流)给出当前状态的预测结果及预测结果的不确定度。

算法的第三步是状态更新，算法利用第二步预测得到的状态量，结合当前电池的工作电压对预测结果进行修正，使得动力电池系统特性方程中的输出观测方程输出电压尽可能地与实测电池端电压吻合。

通过上述的三步完成对电流误差的在线估计，具体的计算过程如以下。

首先，设定

$A_k=\left(\begin{array}{cccc}1& 0& 0& 0\\ 0& e^{-\mathrm{\Δt}/{\mathrm{\τ}}_1}& 0& 0\\ 0& 0& e^{-\mathrm{\Δ}t/{\mathrm{\τ}}_2}& 0\\ 0& 0& 0& 1\end{array}\right)$

$B_k=\left(\begin{array}{c}-\frac{{\mathrm{\η}}_i\mathrm{\Δ}t}{C}\\ R_1(1-e^{-\mathrm{\Δ}t/{\mathrm{\τ}}_1})\\ R_2(1-e^{-\mathrm{\Δ}t/\mathrm{\τ}2})\\ 0\end{array}\right)$

$C_k=\left(\begin{array}{cccc}dOCV/dSOC{|}_{\hat{s}{\mathrm{oc}}_k}& -1& -1& R_0\end{array}\right)$

$x={(SOC,U^{R_1{C}_1},U^{R_2{C}_2},i_k)}^T$

$f({\hat{x}}_{k-1}^{+},u_{k-1})=\left(\begin{array}{cccc}1& 0& 0& 0\\ 0& e^{-\mathrm{\Δ}/{\mathrm{\τ}}_1}& 0& 0\\ 0& 0& e^{-\mathrm{\Δ}t/\mathrm{\τ}2}& 0\\ 0& 0& 0& 1\end{array}\right)\×\left(\begin{array}{c}{\mathrm{SOC}}_{k-1}\\ U_{k-1}^{R_1{C}_1}\\ U_{k-1}^{R_2{C}_2}\\ i_{err,k-1}\end{array}\right)+\left(\begin{array}{c}-\frac{{\mathrm{\η}}_i\mathrm{\Δ}t}{C}\\ R_1(1-e^{-\mathrm{\Δ}t/{\mathrm{\τ}}_1})\\ R_2(1-e^{-\mathrm{\Δ}t/\mathrm{\τ}2})\\ 0\end{array}\right)(I_{k-1}+i_{err,k-1})$

$g({\hat{x}}_k^{-},u_k)=OCV\left({\mathrm{SOC}}_k\right)-(I_k+i_{err,k})\×R_0-U_k^{R_1{C}_1}-U_k^{R_2{C}_2}$

y＝U

然后，初始化赋值

${\hat{x}}_0^{+}=E\left(x_0\right)$

${\mathrm{\Σ}}_{x_0}^{+}=E\[(x_0-{\hat{x}}_0^{+}){(x_0-{\hat{x}}_0^{+})}^T\]$

Σ_w＝E(w×w^T)

Σ_v＝E(v×v^T)

最后在线的递推计算

${\hat{x}}_k^{-}=f({\hat{x}}_{k-1}^{+},u_{k-1})$

${\mathrm{\Σ}}_{x_k}^{-}={\hat{A}}_{k-1}{\mathrm{\Σ}}_{x_k}^{+}{\hat{A}}_{k-1}^T+{\mathrm{\Σ}}_w$

$L_k={\mathrm{\Σ}}_{x_k}^{-}{\hat{C}}_k^T{({\hat{C}}_k{\mathrm{\Σ}}_{x_k}^{-}{\hat{C}}_k^T+{\mathrm{\Σ}}_v)}^{-1}$

${\hat{x}}_k^{+}={\hat{x}}_k^{-}+L_k\[y_k-g({\hat{x}}_k^{-},u_k)\]$

${\mathrm{\Σ}}_{x_k}^{+}=(I-L_k{\hat{C}}_k){\mathrm{\Σ}}_{x_k}^{-}$

其中，I为单位矩阵。

估计出的电流误差信息可用来判断电流传感器的工作状态。首先，可进行传感器误差类型的判断。误差类型判断依据如图3a和3b所示。如果电流误差随电流幅值变化，并且两者的比值是常数，那么可以判断误差来源是线性误差，如果电流误差在幅值变化过程中保持不变，则可以判断误差来源是漂移误差。

判断流程如图4所示，在程序运行过程中，对电流及误差进行记录，当记录数据长度达到设定长度时，对这一段内的数据进行分析，如果电流误差随电流幅值变化，并且两者的比值是常数，那么可以判断误差来源是线性误差，如果电流误差在幅值变化过程中保持不变，则可以判断误差来源是漂移误差。如果电流的误差不仅随着电流幅值变化，同时还保持一个常量基值的话，则可以判断误差来源是线性误差和漂移误差的结合。在误差来源判断的过程中，利用一段时间内的误差和电流幅值，用最小二乘的方法实现误差源区分，区分时，假定误差为：

i_err,k＝aI_k+b

其中a和b分别为线性误差系数和漂移误差，I_k为k时刻的电流幅值。

估计出的电流误差信息可进一步用来进行电流传感器的故障诊断，诊断过程如图5所示。诊断之前，需要根据电流传感器的特性，得到传感器在不同温度、不同电流下的正常工作误差特性，并将该特性制成表格，放置于控制器的非易失性存储其中。该表格中的数据是传感器在不同温度、电流下的误差阈值。诊断时，根据估计得到的电流误差信息，结合当前的工作电流及温度，通过查表来判断误差是否超过阈值，如果误差超过阈值，则认为传感器存在检测故障，如果误差在阈值范围之内，则认为传感器检测合格。

Claims (6)

1.一种冗余电流传感器动力电池系统的电流检测方法，其特征在于，包括以下步骤：

1)在冗余电流传感器动力电池系统中统计电流传感器误差特性；

2)根据电池动态特性和电流传感器误差特性构建动力电池系统的动态模型；

3)根据动态模型，采用在线估计算法估计得到电流检测误差和电流传感器的电流采样值；

4)判定电流检测误差的误差类型，根据电流检测误差的误差类型和对应的阈值判断电流传感器是否故障，若是，则更换电流传感器，并返回步骤1)，若否，则将电流检测误差和电流传感器采样值求和得到最终电流检测值。

2.根据权利要求1所述的一种冗余电流传感器动力电池系统的电流检测方法，其特征在于，所述的步骤2)中的构建动力电池系统的动态模型具体包括以下步骤：

21)获取电池动态特性为：

$\left(\begin{array}{c}{\mathrm{SOC}}_{k+1}\\ U_{k+1}^{R_1{C}_1}\\ U_{k+1}^{R_2{C}_2}\end{array}\right)=\left(\begin{array}{ccc}1& 0& 0\\ 0& e^{-\mathrm{\Δ}t/{\mathrm{\τ}}_1}& 0\\ 0& 0& e^{-\mathrm{\Δ}t/{\mathrm{\τ}}_2}\end{array}\right)\×\left(\begin{array}{c}{\mathrm{SOC}}_k\\ U_k^{R_1{C}_1}\\ U_k^{R_2{C}_2}\end{array}\right)\left(\begin{array}{c}-\frac{{\mathrm{\η}}_i\mathrm{\Δ}t}{C}\\ R_1(1-e^{-\mathrm{\Δ}t/{\mathrm{\τ}}_1})\\ R_2(1-e^{-\mathrm{\Δ}t/{\mathrm{\τ}}_2})\end{array}\right)I_k$

$U_k=OCV\left({\mathrm{SOC}}_k\right)-i_k{R}_0-U_k^{R_1{C}_1}-U_k^{R_2{C}_2}$

其中，SOC_k为k时刻的电池SOC值，SOC_k+1为k+1时刻的电池SOC值，为k时刻R₁C₁回路的电压，为k+1时刻R₁C₁回路的电压，为k时刻R₂C₂回路的电压，为k+1时刻R₂C₂回路的电压，I_k为电流传感器的电流采样值，Δt为采样周期，η_i为电池的库仑效率，OCV(SOC_k)为k时刻SOC下的电池开路电压，R₀为电池欧姆内阻，τ₁为R₁C₁回路的时间常数，τ₂为R₂C₂回路的时间常数，U_k为k时刻的端电压，i_k为k时刻的测量电流；

22)获取电流传感器误差特性为：

i_err,k+1＝i_err.k+n_k

其中，i_err,k为在k时刻的电流检测误差，i_err,k+1表示在k+1时刻的电流检测误差，n_k则表示在k时刻电流检测误差的变化量；

23)结合电池动态特性和电流传感器误差特性得到动力电池系统的动态模型为：

$\left(\begin{array}{c}{\mathrm{SOC}}_{k+1}\\ U_{k+1}^{R_1{C}_1}\\ U_{k+1}^{R_2{C}_2}\\ i_{err,k+1}\end{array}\right)=\left(\begin{array}{cccc}1& 0& 0& 0\\ 0& e^{-\mathrm{\Δ}t/{\mathrm{\τ}}_1}& 0& 0\\ 0& 0& e^{-\mathrm{\Δ}t/\mathrm{\τ}2}& 0\\ 0& 0& 0& 1\end{array}\right)\×\left(\begin{array}{c}{\mathrm{SOC}}_k\\ U_k^{R_1{C}_1}\\ U_k^{R_2{C}_2}\\ i_{err,k}\end{array}\right)\left(\begin{array}{c}-\frac{{\mathrm{\η}}_i\mathrm{\Δ}t}{C}\\ R_1(1-e^{-\mathrm{\Δ}t/{\mathrm{\τ}}_1})\\ R_2(1-e^{-\mathrm{\Δ}t/\mathrm{\τ}2})\\ 0\end{array}\right)(I_k+i_{err,k})$

$U_k=OCV\left({\mathrm{SOC}}_k\right)-(I_k+i_{err,k})\×R_0-U_k^{R_1{C}_1}-U_k^{R_2{C}_2}.$

3.根据权利要求1所述的一种冗余电流传感器动力电池系统的电流检测方法，其特征在于，所述的步骤3)中的在线估计算法包括最小二乘算法、龙贝格状态观测法或卡尔曼状态估计法。

4.根据权利要求1所述的一种冗余电流传感器动力电池系统的电流检测方法，其特征在于，所述的步骤4)具体包括以下步骤：

51)根据电流传感器在不同温度和不同电流下的正常工作电流误差，设定每种误差类型对应的阈值；

52)根据误差类型判定公式判定电流检测误差的误差类型

53)结合当前的工作电流及温度，判断电流检测误差是否超过阈值，如果误差超过阈值，则认为传感器存在检测故障，如果误差在阈值范围之内，则认为传感器检测合格。

5.根据权利要求4所述的一种冗余电流传感器动力电池系统的电流检测方法，其特征在于，所述的步骤52)中的电流检测误差的误差类型判定公式为：

i_err,k＝aI_k+b

其中，a和b分别为线性误差系数和漂移误差系数，I_k为k时刻的电流幅值电流传感器的电流采样值。

6.根据权利要求5所述的一种冗余电流传感器动力电池系统的电流检测方法，其特征在于，所述的电流检测误差的类型包括线性误差、漂移误差以及线性误差和漂移误差的结合，根据误差类型判定公式，线性误差的判定方法为：

电流检测误差随电流传感器的电流采样值变化，并且两者的比值为常数；

漂移误差的判定方法为：

电流检测误差在电流传感器的电流采样值变化过程中保持不变；

线性误差和漂移误差的结合的判定方法为：

电流检测误差不仅随着电流传感器的电流采样值变化，同时还保持一个常量基值。