CN105699907A - 一种基于动态阻抗校正的电池soc估计方法及系统 - Google Patents

Abstract

本发明公开了一种基于动态阻抗校正的电池SOC估计方法及系统，方法包括：获取电池在不同温度下开路电压与SOC的数学模型；进行离线辨识，得到电池等效电路模型的参数；根据获取的数学模型以及电池等效电路模型的参数，得到完整的电池模型及其参数；采用基于模型的电池SOC估计算法计算电池的剩余电量；采用动态阻抗校正的方法计算完整的电池模型的参数，并实时更新完整的电池模型的参数以及电池的剩余电量。本发明采用动态阻抗校正的方法计算电池模型的参数，将电池使用过程中的动态阻抗作为电池模型参数的校正依据，基于实时更新的具有更高精度的动态电池模型来修正SOC，精度高且算法复杂度较低。本发明可广泛应用于电池领域。

Description

一种基于动态阻抗校正的电池SOC估计方法及系统

技术领域

本发明涉及电池领域，尤其是一种基于动态阻抗校正的电池SOC估计方法及系统。

背景技术

电动汽车，作为汽车工业节能环保的代表，发展迅速，而锂电池则以其能量密度高、循环寿命长、安全性高和自放电率低等优良特性成为电动汽车的主要动力源。然而，锂电池是一个包含着复杂物理与电化学变化的，强耦合的，高度非线性的系统。且电动汽车的行驶工况恶劣、干扰严重，如何在复杂工况下实现对动力电池荷电状态(stateofcharge，SOC)的估计，对延长电池的寿命、准确预测车辆的剩余行驶里程、防止过充过放以及电动汽车本身的发展和推广具有十分重要的意义。

目前，电动汽车中估计SOC的方法主要包括安时积分法、开路电压法、神经网络法、模糊算法、滑模观测器法、卡尔曼滤波算法和粒子滤波算法等。安时积分法简单易行，但是初始误差无法确定，且会随着时间的推移有累积误差；开路电压法需要将电池长时间静置，只适合于实验室使用；神经网络法需要大量的训练数据，且算法结果与训练方法的关联很大；模糊算法的主观因素很强，且同样需要大量数据；滑膜观测器常伴有输出震颤的问题；卡尔曼滤波法计算量适中但对模型依赖严重；粒子滤波法精度高但是算法十分复杂。

除了安时积分法，上述的所有方法都需要通过模型反馈(包括隐性的模型反馈)的方式来对估计的SOC进行修正，而基于固定参数的电池模型反馈方法对电池状态进行估计，在复杂工况下往往满足不了精度的要求。

发明内容

为解决上述技术问题，本发明的目的在于：提供一种精度高且算法复杂度低的，基于动态阻抗校正的电池SOC估计方法。

本发明的另一目的在于：提供一种精度高且算法复杂度低的，基于动态阻抗校正的电池SOC估计系统。

本发明解决其技术问题所采取的技术方案是：

一种基于动态阻抗校正的电池SOC估计方法，包括以下步骤：

S1、获取电池在不同温度下开路电压与SOC的数学模型；

S2、进行离线辨识，得到电池等效电路模型的参数；

S3、根据不同温度下开路电压与SOC的数学模型以及电池等效电路模型的参数，得到完整的电池模型及其参数；

S4、根据完整的电池模型及其参数采用基于模型的电池SOC估计算法计算电池的剩余电量；

S5、采用动态阻抗校正的方法计算完整的电池模型的参数，并实时更新完整的电池模型的参数以及电池的剩余电量。

进一步，所述步骤S1具体为：

通过离线测量的方式获取电池在不同温度下开路电压与SOC的关系，从而得到电池在不同温度下开路电压与SOC的数学模型，所述得到的数学模型包括但不限于：

OCV＝E₀-k₀/SOC-k₁·SOC+k₂·ln(SOC)+k₃·ln(1-SOC)，

其中，OCV是数学模型输出的端电压，E₀、k₀、k₁、k₂与k₃均为数学模型的参数。

进一步，所述步骤S2包括：

对电池进行电路表达，得到电池等效电路模型，所述电池等效电路模型包括但不限于戴维南等效模型及其变种模型、PNGV等效电路模型及其变种模型、高阶阻抗模型及其变种模型；

对电池等效电路模型进行离线辨识，得到电池等效电路模型的参数，所述离线辨识包括但不限于离线最小二乘法一次辨识、递推辨识、带有渐消记忆的最小二乘法辨识和最小一乘法辨识。

进一步，所述完整的电池模型包括用于描述电池静态特性的开路电压与SOC的关系，以及用于描述电池动态特性的电路拓扑及其元件参数。

进一步，所述基于模型的电池SOC估计算法包括但不限于扩展卡尔曼滤波法、自适应扩展卡尔曼滤波法、无迹卡尔曼滤波法、粒子滤波法、龙伯格观测器法、滑膜观测器法、比例-积分观测器法。

进一步，所述步骤S5，其包括：

S51、实时检测电池的动态阻抗；

S52、根据电池的动态阻抗对完整的电池模型的参数进行校正，并根据校正的结果实时更新完整的电池模型的参数以及电池的剩余电量。

进一步，所述步骤S51具体为：

实时检测电流的变化值是否超过预设的阈值，若是，则将相邻两次采样间隔内的电压差的绝对值除以相邻两次采样间隔内的电流差的绝对值，并以得到的商作为电池当前时刻的动态阻抗；反之，则继续检测电流的变化值。

进一步，所述步骤S52包括：

S521、将每次采样所得到的动态阻抗经过具有低通性质的滤波器进行处理，得到一条变化趋势平缓的阻抗曲线；

S522、将得到的阻抗曲线与相应的广义误差项进行相减，得到欧姆内阻的估计值，所述广义误差项用于描述电池模型不完备所带来的误差且为一项需要实时更新的参数或参数组；

S523、计算当前时刻估计的欧姆内阻与当前时刻检测到的动态阻抗的差值，并将计算的差值作为动态阻抗校正算法的输出；

S524、根据所选定的电池等效电路模型，理论推导欧姆内阻与当前检测到的动态阻抗差值的表达式；

S525、分解理论推导出的表达式，从而将含有完整的电池模型参数的独立分量和广义误差设置为动态阻抗校正算法的状态，将其余不含有完整的电池模型参数的分量设置为动态阻抗校正算法的输入；

S526、将动态阻抗校正算法的输入、状态和输出构建成为状态空间方程，然后利用观测器算法对状态进行实时更新，得到完整的电池模型更新后的参数，其中，状态空间方程中状态的初始值获取方法包括但不限于试凑法和查表法；广义误差的初始值获取方法包括但不限于经验法、试凑法、整定法和预实验法；状态观测器算法包括但不限于龙伯格观测器算法、卡尔曼滤波器算法及其变种算法、粒子滤波器算法及其变种算法、比例-积分观测器算法及其变种算法；

S527、根据完整的电池模型更新后的参数采用基于模型的电池SOC估计算法计算更新后电池的剩余电量。

进一步，所述具有低通性质的滤波器包括但不限于普通的低通滤波器、卡尔曼滤波器和切比雪夫滤波器，若选用普通的低通滤波器，则广义误差项ε的表达式为：

$\mathrm{\ϵ}=R_{d,n}-\frac{R_{0,n}-(1-\mathrm{\α})\·R_{0,n-1}}{\mathrm{\α}},$

其中，R_o,n和R_d,n分别代表第n次采样时检测到的动态阻抗以及第n次采样后被更新的欧姆内阻，n为正整数，α是低通滤波器的截止频率系数。

本发明解决其技术问题所采取的另一技术方案是：

一种基于动态阻抗校正的电池SOC估计系统，包括以下模块：

数学模型获取模块，用于获取电池在不同温度下开路电压与SOC的数学模型；

离线辨识模块，用于进行离线辨识，得到电池等效电路模型的参数；

电池模型确立模块，用于根据不同温度下开路电压与SOC的数学模型以及电池等效电路模型的参数，得到完整的电池模型及其参数；

SOC估计模块，用于根据完整的电池模型及其参数采用基于模型的电池SOC估计算法计算电池的剩余电量；

动态阻抗校正更新模块，用于采用动态阻抗校正的方法计算完整的电池模型的参数，并实时更新完整的电池模型的参数以及电池的剩余电量；

所述数学模型获取模块的输出端依次通过离线辨识模块、电池模型确立模块和SOC估计模块进而与动态阻抗校正更新模块的输入端连接。

本发明的方法的有益效果是：采用动态阻抗校正的方法计算电池模型的参数，并实时更新电池模型的参数以及电池的剩余电量，将电池使用过程中的动态阻抗作为电池模型参数的校正依据，基于实时更新的具有更高精度的动态电池模型来修正SOC，避免了传统方法通过固定参数的静态模型对电池这类高度非线性的慢时变系统进行估计所带来的问题，不仅能有效估计出电池SOC，还能自动校正电池路模型的参数，精度高且算法复杂度较低。

本发明的系统的有益效果是：动态阻抗校正更新模块采用动态阻抗校正的方法计算电池模型的参数，并实时更新电池模型的参数以及电池的剩余电量，将电池使用过程中的动态阻抗作为电池模型参数的校正依据，基于实时更新的具有更高精度的动态电池模型来修正SOC，避免了传统方法通过固定参数的静态模型对电池这类高度非线性的慢时变系统进行估计所带来的问题，不仅能有效估计出电池SOC，还能自动校正电池路模型的参数，精度高且算法复杂度较低。

附图说明

图1为本发明一种基于动态阻抗校正的电池SOC估计方法的步骤流程图；

图2为本发明一种基于动态阻抗校正的电池SOC估计系统的结构框图；

图3为戴维南等效电路模型的拓扑图；

图4为动态阻抗的示意图；

图5为电池端电压在电流阶跃作用下的响应曲线及其对应部分在戴维南等效电路中的含义示意图；

图6为实施例一采用本发明的方法与传统卡尔曼滤波方法估计得到的SOC对比图；

图7为实施例一采用本发明的方法与传统卡尔曼滤波方法得到的SOC的估计误差对比图；

图8为实施例一采用本发明的方法估计得到的极化内阻；

图9为实施例一观测到的动态阻抗以及采用本发明的方法估计得到的欧姆内阻；

图10为实施例一采用本发明的方法估计得到的极化电容；

图11为实施例一采用本发明的方法估计得到的广义误差。

具体实施方式

参照图1，一种基于动态阻抗校正的电池SOC估计方法，包括以下步骤：

S1、获取电池在不同温度下开路电压与SOC的数学模型；

S2、进行离线辨识，得到电池等效电路模型的参数；

S3、根据不同温度下开路电压与SOC的数学模型以及电池等效电路模型的参数，得到完整的电池模型及其参数；

S4、根据完整的电池模型及其参数采用基于模型的电池SOC估计算法计算电池的剩余电量；

S5、采用动态阻抗校正的方法计算完整的电池模型的参数，并实时更新完整的电池模型的参数以及电池的剩余电量。

进一步作为优选的实施方式，所述步骤S1具体为：

通过离线测量的方式获取电池在不同温度下开路电压与SOC的关系，从而得到电池在不同温度下开路电压与SOC的数学模型，所述得到的数学模型包括但不限于：

OCV＝E₀-k₀/SOC-k₁·SOC+k₂·ln(SOC)+k₃·ln(1-SOC)，

其中，OCV是数学模型输出的端电压，E₀、k₀、k₁、k₂与k₃均为数学模型的参数。

进一步作为优选的实施方式，所述步骤S2包括：

对电池进行电路表达，得到电池等效电路模型，所述电池等效电路模型包括但不限于戴维南等效模型及其变种模型、PNGV等效电路模型及其变种模型、高阶阻抗模型及其变种模型；

对电池等效电路模型进行离线辨识，得到电池等效电路模型的参数，所述离线辨识包括但不限于离线最小二乘法一次辨识、递推辨识、带有渐消记忆的最小二乘法辨识和最小一乘法辨识。

进一步作为优选的实施方式，所述完整的电池模型包括用于描述电池静态特性的开路电压与SOC的关系，以及用于描述电池动态特性的电路拓扑及其元件参数。

进一步作为优选的实施方式，所述基于模型的电池SOC估计算法包括但不限于扩展卡尔曼滤波法、自适应扩展卡尔曼滤波法、无迹卡尔曼滤波法、粒子滤波法、龙伯格观测器法、滑膜观测器法、比例-积分观测器法。

进一步作为优选的实施方式，所述步骤S5，其包括：

S51、实时检测电池的动态阻抗；

S52、根据电池的动态阻抗对完整的电池模型的参数进行校正，并根据校正的结果实时更新完整的电池模型的参数以及电池的剩余电量。

进一步作为优选的实施方式，所述步骤S51具体为：

实时检测电流的变化值是否超过预设的阈值，若是，则将相邻两次采样间隔内的电压差的绝对值除以相邻两次采样间隔内的电流差的绝对值，并以得到的商作为电池当前时刻的动态阻抗；反之，则继续检测电流的变化值。

进一步作为优选的实施方式，所述步骤S52包括：

S521、将每次采样所得到的动态阻抗经过具有低通性质的滤波器进行处理，得到一条变化趋势平缓的阻抗曲线；

S522、将得到的阻抗曲线与相应的广义误差项进行相减，得到欧姆内阻的估计值，所述广义误差项用于描述电池模型不完备所带来的误差且为一项需要实时更新的参数或参数组；

S523、计算当前时刻估计的欧姆内阻与当前时刻检测到的动态阻抗的差值，并将计算的差值作为动态阻抗校正算法的输出；

S524、根据所选定的电池等效电路模型，理论推导欧姆内阻与当前检测到的动态阻抗差值的表达式；

S525、分解理论推导出的表达式，从而将含有完整的电池模型参数的独立分量和广义误差设置为动态阻抗校正算法的状态，将其余不含有完整的电池模型参数的分量设置为动态阻抗校正算法的输入；

S526、将动态阻抗校正算法的输入、状态和输出构建成为状态空间方程，然后利用观测器算法对状态进行实时更新，得到完整的电池模型更新后的参数，其中，状态空间方程中状态的初始值获取方法包括但不限于试凑法和查表法；广义误差的初始值获取方法包括但不限于经验法、试凑法、整定法和预实验法；状态观测器算法包括但不限于龙伯格观测器算法、卡尔曼滤波器算法及其变种算法、粒子滤波器算法及其变种算法、比例-积分观测器算法及其变种算法；

S527、根据完整的电池模型更新后的参数采用基于模型的电池SOC估计算法计算更新后电池的剩余电量。

进一步作为优选的实施方式，所述具有低通性质的滤波器包括但不限于普通的低通滤波器、卡尔曼滤波器和切比雪夫滤波器，若选用普通的低通滤波器，则广义误差项ε的表达式为：

$\mathrm{\ϵ}=R_{d,n}-\frac{R_{0,n}-(1-\mathrm{\α})\·R_{0,n-1}}{\mathrm{\α}},$

其中，R_o,n和R_d,n分别代表第n次采样时检测到的动态阻抗以及第n次采样后被更新的欧姆内阻，n为正整数，α是低通滤波器的截止频率系数。

参照图2，一种基于动态阻抗校正的电池SOC估计系统，包括以下模块：

数学模型获取模块，用于获取电池在不同温度下开路电压与SOC的数学模型；

离线辨识模块，用于进行离线辨识，得到电池等效电路模型的参数；

电池模型确立模块，用于根据不同温度下开路电压与SOC的数学模型以及电池等效电路模型的参数，得到完整的电池模型及其参数；

SOC估计模块，用于根据完整的电池模型及其参数采用基于模型的电池SOC估计算法计算电池的剩余电量；

动态阻抗校正更新模块，用于采用动态阻抗校正的方法计算完整的电池模型的参数，并实时更新完整的电池模型的参数以及电池的剩余电量；

所述数学模型获取模块的输出端依次通过离线辨识模块、电池模型确立模块和SOC估计模块进而与动态阻抗校正更新模块的输入端连接。

下面结合说明书附图和具体实施例对本发明作进一步详细说明。

实施例一

参照图3-11，本发明的第一实施例：

本发明公开了一种基于动态阻抗校正的电池SOC估计方法，可以估计动力电池的SOC，并采用了动态阻抗校正法校正与更新动力电池模型的参数，解决了传统方法通过固定参数的静态模型对电池这类高度非线性的慢时变系统进行估计所带来的精度低问题，且算法复杂度较小。

本发明一种基于动态阻抗校正的电池SOC估计方法，包括如下步骤：

步骤1：建立电池开路电压与SOC在不同温度下的数学模型；

步骤2：在步骤1的基础上，离线辨识出电池等效电路模型的参数；

步骤3：在步骤1、2的基础上，得到完整的电池模型及其系数；

步骤4：利用传统的基于模型的电池SOC估计算法计算电池剩余电量；

步骤5：检测到电池的动态阻抗时，采用动态阻抗校正的方法计算电池模型的参数，实时更新参数，并在步骤4的计算过程中使用该更新后的参数。

其中，建立开路电压(opencircuitvoltage，OCV)与SOC在不同温度下的数学模型，是指通过离线测量的方式获取到电池在不同温度下的开路电压与SOC的关系，该关系的具体存储方法包括但不限于查找表、函数多项式系数等；优选地，采用如下的数学模型：

OCV＝E₀-k₀/SOC-k₁·SOC+k₂·ln(SOC)+k₃·ln(1-SOC)

OCV是数学模型输出的端电压，E₀、k₀、k₁、k₂与k₃均为数学模型的参数。

电池等效电路模型将电池内部的极化、阻抗、迟滞等特性通过电路的手段进行表达，具体的表达方式包括但不限于：戴维南等效模型及其变种模型、PNGV等效电路模型及其变种模型、高阶阻抗模型及其变种模型等；优选地，采用如图3所示的普通戴维南等效电路模型。

离线辨识是通过实验数据获取电池模型参数的过程，离线辨识过程的实现手段包括但不限于：离线最小二乘法一次辨识、递推辨识、带有渐消记忆的最小二乘法辨识、最小一乘法辨识等；优选地，采用离线最小二乘一次辨识进行离线辨识，其结果如表1所示。

表1离线最小二乘一次辨识法得到的参数

完整的电池模型及其系数包括用于描述电池静态特性的开路电压与SOC关系，以及用于描述电池动态特性的电路拓扑及其元件参数。

传统的基于模型的电池SOC估计算法包括但不限于：扩展卡尔曼滤波法、自适应扩展卡尔曼滤波法、无迹卡尔曼滤波法、粒子滤波法、龙伯格观测器、滑膜观测器、比例-积分观测器等。这些方法的特性是需要将电池的SOC和模型中表示极化电压的部分设置为状态变量，利用最优或次优状态反馈的手段实现SOC和其余系统状态的校正；优选地，采用标准卡尔曼滤波算法。

采用标准卡尔曼滤波算法计算电池剩余电量的具体实现过程如下：

对于如下的系统：

$\left\{\begin{array}{c}{x}_{k+1}=f(x_k,u)+w_k\\ y_k=g(x_k,u)+v_k\end{array}\right.$

为了使用标准扩展卡尔曼滤波，需要将其线性化为如下形式：

$\left\{\begin{array}{c}{x}_{k+1}=A{x}_k+Bu+w_k\\ y_k={\mathrm{Cx}}_k+Du+v_k\end{array}\right.$

其中，A、B、C和D均为标准扩展卡尔曼滤波的系数，w_k和v_k是独立的零均值高斯噪声，w_k和v_k的协方差矩阵依次为Q和R。在此基础上，扩展卡尔曼滤波算法包括以下过程：

(1)初始化。

当k＝0时，有：

初始状态：

${\hat{x}}_0=E\[x_0\]$

初始误差协方差：

P₀＝[(x₀-E[x₀])(x₀-E[x₀])^T]

(2)计算。

当k＝1，2，……，计算：

更新后的状态为：

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

更新后的误差协方差为：

$P_k^{-}={\mathrm{AP}}_{k-1}{A}^T+Q$

卡尔曼增益矩阵为：

$K_k=P_k^{-}{C}^T{\[{\mathrm{CP}}_k^{-}{C}^T+R\]}^{-1}$

更新后的状态估计为：

${\hat{x}}_k={\hat{x}}_k^{-}+K_k(y_k-g({\hat{x}}_k^{-},u\left)\right)$

以及更新后的误差协方差为：

$P_k=(I-K_{k}C)P_k^{-}$

对于图3所描述的电池系统，如果将U_p和SOC作为状态变量，电流作为系统输入，并规定放电方向为正方向，以端电压作为系统输出，系统的表达式可以写为：

$x=\left[\begin{array}{c}x\left(1\right)\\ x\left(2\right)\end{array}\right]=\left[\begin{array}{c}{U}_p\\ SOC\end{array}\right],$ u＝I_discharge,y＝U_t

且有： $A=\left[\begin{array}{cc}1-\frac{T}{R_p{C}_p}& 0\\ 0& 1\end{array}\right],B=\left[\begin{array}{c}\frac{T}{C_p}\\ \frac{T}{C_n}\end{array}\right],$ D＝-R₀,

$C=\[\begin{array}{cc}-1& \frac{k_0}{{\mathrm{SOC}}^2}-k_1+\frac{k_2}{SOC}-\frac{k_3}{1-SOC}\end{array}{|}_{SOC={\hat{x}}_{k\left(2\right)}^{-}}\]$

其中，T是采样时间，通常取1秒，C_n是电池容量，单位为安培·秒。

另外，为了简化模型推导的计算量，本实施例也应用了以下的公式：

x≈1+e^x|_x→0

在实际两次采样间隔之内，如果电流发生了较大的跳变，则将前后两次采样的电压差与电流差的绝对值作商，得到当前时刻的动态阻抗，如图4所示。

动态阻抗校正的方法，是指利用电池欧姆内阻变化缓慢的特性，找出每次检测到的动态阻抗与估计得欧姆内阻之差，然后利用该差值来实时反映出电池等效电路模型的参数。

其中，采用动态阻抗校正的方法计算电池模型参数，具体包括以下步骤：

步骤1：将每次所得到的动态阻抗经过带有低通性质的滤波器，得到一条变化趋势平缓的阻抗曲线，如图9所示；其中，带有低通性质的滤波器包括但不限于普通低通滤波器、卡尔曼滤波器、切比雪夫滤波器等。

步骤2：将该阻抗曲线与广义误差项相减，得到相应的欧姆内阻的估计值；其中，广义误差项指的是用于描述电池模型不完备所带来的误差的一项需要实时更新的参数或参数组；优选地，采用普通低通滤波器，则可以采用一项待定参数表示广义误差项，具体表示如下：

R_0,n＝(1-α)·R_0,n-1+α·(R_d,n-ε)

由上式可得到：

$\mathrm{\ϵ}=R_{d,n}-\frac{R_{0,n}-(1-\mathrm{\α})\·R_{0,n-1}}{\mathrm{\α}},$

其中，R_o,n和R_d,n分别代表第n次采样时检测到的动态阻抗以及第n次采样后被更新的欧姆内阻，n为正整数，α是低通滤波器的截止频率系数。本实施例还假设极化电压的差分(ΔU_p)的均值趋近于0。

步骤3：将当前估计的欧姆内阻与当前检测到的动态阻抗的差值，作为动态阻抗校正算法的输出。当前估计的欧姆内阻由得到的阻抗曲线与相应的广义误差项进行相减得出。

步骤4：根据所选择的系统等效电路模型，理论推导欧姆内阻与当前检测到的动态阻抗差值的表达式。

步骤5：将步骤4得到的表达式进行分解，将含有系统模型参数的独立分量和广义误差设置为动态阻抗校正算法的状态，将其余不含有完整的电池模型参数的分量设置为动态阻抗校正算法的输入。

步骤6：将步骤3与步骤5中的输入、状态和输出构建成为状态空间方程，然后利用观测器算法对状态实时更新；状态空间方程中状态的初始值获取方法包括但不限于：试凑法和从数据手册中查表法；广义误差的初始值可以由经验法、试凑法、整定法、预实验法等方法获得；状态观测器算法包括但不限于：龙伯格观测器、卡尔曼滤波器及其变种、粒子滤波器及其变种、比例-积分观测器及其变种等算法。

若采用图3所示的戴维南等效模型，则系统(即状态空间方程)的输入、输出、和状态变量定义如下：

$x=\left[\begin{array}{c}{\left(R_p{C}_p\right)}^{-1}\\ C_p^{-1}\\ \mathrm{\ϵ}\end{array}\right],$ u＝0,y＝R_d-R₀

系统的传递矩阵、观测矩阵如下：

B＝0，D＝0

优选地，状态观测器算法采用龙伯格观测器，其具体算法如下：

error＝y-Cx

x＝x+L·error

其中，L是3×1大小的常系数反馈矩阵，该参数整定过程主要采用极点配置与试凑法的结合来实现。

步骤7：根据完整的电池模型更新后的参数采用基于模型的电池SOC估计算法计算更新后电池的剩余电量。

在本实施例下，本发明的最终运行结果，以及其与在完全相同条件下传统卡尔曼滤波的运行结果对比，如图6和7所示。其中，图6是采用两种方法得到估计的SOC；图7为采用两种方法得到的SOC的估计误差；图8是采用本发明的方法估计得到估计的极化内阻；图9是观测到的动态阻抗以及采用本发明的方法估计得到的欧姆内阻；图10是采用本发明的方法估计得到的极化电容；图11是采用本发明的方法估计的广义误差。图8-11中，DOD表示放电深度(depthofdischarge)，DOD＝1-SOC。从图6-11中可以明显看到，采用本发明的方法进行SOC估计得结果明显优于传统扩展卡尔曼滤波的结果。

本发明将电池使用过程中的动态阻抗的波动作为对电池模型参数的校正依据，根据电池电路等效模型函数关系，反向推导电池模型的相关参数，并将其参数实时进行更新。据此，可以使得一些对模型依赖性较强但复杂度较低的传统SOC估计算法的精度得到极大提升。本发明可以有效估计电池SOC，并自动校正电池等效电路模型参数，精度高且适用于不同种类电池的SOC估计。本发明可以在不显著增加传统SOC估计方法复杂度的情况下，大幅度提高传统SOC估计方法的精度，同时本发明还可以额外提供电池的模型参数随时间变化的数据。此外，本发明还可以与一般的基于电池等效电路模型的基于模型反馈法的SOC估计方法兼容。

以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (10)

1.一种基于动态阻抗校正的电池SOC估计方法，其特征在于：包括以下步骤：

S1、获取电池在不同温度下开路电压与SOC的数学模型；

S2、进行离线辨识，得到电池等效电路模型的参数；

S3、根据不同温度下开路电压与SOC的数学模型以及电池等效电路模型的参数，得到完整的电池模型及其参数；

S4、根据完整的电池模型及其参数采用基于模型的电池SOC估计算法计算电池的剩余电量；

S5、采用动态阻抗校正的方法计算完整的电池模型的参数，并实时更新完整的电池模型的参数以及电池的剩余电量。

2.根据权利要求1所述的一种基于动态阻抗校正的电池SOC估计方法，其特征在于：所述步骤S1具体为：

通过离线测量的方式获取电池在不同温度下开路电压与SOC的关系，从而得到电池在不同温度下开路电压与SOC的数学模型，所述得到的数学模型包括但不限于：

OCV＝E₀-k₀/SOC-k₁·SOC+k₂·ln(SOC)+k₃·ln(1-SOC)，

其中，OCV是数学模型输出的端电压，E₀、k₀、k₁、k₂与k₃均为数学模型的参数。

3.根据权利要求1所述的一种基于动态阻抗校正的电池SOC估计方法，其特征在于：所述步骤S2包括：

对电池进行电路表达，得到电池等效电路模型，所述电池等效电路模型包括但不限于戴维南等效模型及其变种模型、PNGV等效电路模型及其变种模型、高阶阻抗模型及其变种模型；

对电池等效电路模型进行离线辨识，得到电池等效电路模型的参数，所述离线辨识包括但不限于离线最小二乘法一次辨识、递推辨识、带有渐消记忆的最小二乘法辨识和最小一乘法辨识。

4.根据权利要求2所述的一种基于动态阻抗校正的电池SOC估计方法，其特征在于：所述完整的电池模型包括用于描述电池静态特性的开路电压与SOC的关系，以及用于描述电池动态特性的电路拓扑及其元件参数。

5.根据权利要求1所述的一种基于动态阻抗校正的电池SOC估计方法，其特征在于：所述基于模型的电池SOC估计算法包括但不限于扩展卡尔曼滤波法、自适应扩展卡尔曼滤波法、无迹卡尔曼滤波法、粒子滤波法、龙伯格观测器法、滑膜观测器法、比例-积分观测器法。

6.根据权利要求4所述的一种基于动态阻抗校正的电池SOC估计方法，其特征在于：所述步骤S5，其包括：

S51、实时检测电池的动态阻抗；

S52、根据电池的动态阻抗对完整的电池模型的参数进行校正，并根据校正的结果实时更新完整的电池模型的参数以及电池的剩余电量。

7.根据权利要求6所述的一种基于动态阻抗校正的电池SOC估计方法，其特征在于：所述步骤S51具体为：

实时检测电流的变化值是否超过预设的阈值，若是，则将相邻两次采样间隔内的电压差的绝对值除以相邻两次采样间隔内的电流差的绝对值，并以得到的商作为电池当前时刻的动态阻抗；反之，则继续检测电流的变化值。

8.根据权利要求6所述的一种基于动态阻抗校正的电池SOC估计方法，其特征在于：所述步骤S52包括：

S521、将每次采样所得到的动态阻抗经过具有低通性质的滤波器进行处理，得到一条变化趋势平缓的阻抗曲线；

S522、将得到的阻抗曲线与相应的广义误差项进行相减，得到欧姆内阻的估计值，所述广义误差项用于描述电池模型不完备所带来的误差且为一项需要实时更新的参数或参数组；

S523、计算当前时刻估计的欧姆内阻与当前时刻检测到的动态阻抗的差值，并将计算的差值作为动态阻抗校正算法的输出；

S524、根据所选定的电池等效电路模型，理论推导欧姆内阻与当前检测到的动态阻抗差值的表达式；

S525、分解理论推导出的表达式，从而将含有完整的电池模型参数的独立分量和广义误差设置为动态阻抗校正算法的状态，将其余不含有完整的电池模型参数的分量设置为动态阻抗校正算法的输入；

S526、将动态阻抗校正算法的输入、状态和输出构建成为状态空间方程，然后利用观测器算法对状态进行实时更新，得到完整的电池模型更新后的参数，其中，状态空间方程中状态的初始值获取方法包括但不限于试凑法和查表法；广义误差的初始值获取方法包括但不限于经验法、试凑法、整定法和预实验法；状态观测器算法包括但不限于龙伯格观测器算法、卡尔曼滤波器算法及其变种算法、粒子滤波器算法及其变种算法、比例-积分观测器算法及其变种算法；

S527、根据完整的电池模型更新后的参数采用基于模型的电池SOC估计算法计算更新后电池的剩余电量。

9.根据权利要求8所述的一种基于动态阻抗校正的电池SOC估计方法，其特征在于：所述具有低通性质的滤波器包括但不限于普通的低通滤波器、卡尔曼滤波器和切比雪夫滤波器，若选用普通的低通滤波器，则广义误差项ε的表达式为：

$\mathrm{\ϵ}=R_{d,n}-\frac{R_{0,n}-(1-\mathrm{\α})\·R_{0,n-1}}{\mathrm{\α}},$

其中，R_o,n和R_d,n分别代表第n次采样时检测到的动态阻抗以及第n次采样后被更新的欧姆内阻，n为正整数，α是低通滤波器的截止频率系数。

10.一种基于动态阻抗校正的电池SOC估计系统，其特征在于：包括以下模块：

数学模型获取模块，用于获取电池在不同温度下开路电压与SOC的数学模型；

离线辨识模块，用于进行离线辨识，得到电池等效电路模型的参数；

电池模型确立模块，用于根据不同温度下开路电压与SOC的数学模型以及电池等效电路模型的参数，得到完整的电池模型及其参数；

SOC估计模块，用于根据完整的电池模型及其参数采用基于模型的电池SOC估计算法计算电池的剩余电量；

动态阻抗校正更新模块，用于采用动态阻抗校正的方法计算完整的电池模型的参数，并实时更新完整的电池模型的参数以及电池的剩余电量；

所述数学模型获取模块的输出端依次通过离线辨识模块、电池模型确立模块和SOC估计模块进而与动态阻抗校正更新模块的输入端连接。