CN106872899A - 一种基于降维观测器的动力电池soc估计方法 - Google Patents

Abstract

本发明公开的一种基于降维观测器的动力电池SOC估计方法，包括步骤：一、电池模型结构建立；二、电池未知参数辨识；三、电池荷电状态SOC估计。本发明针对锂离子电池，在考虑电池内阻和松弛效应的情况下，设计了一种降维观测器，结合开路电压法和库伦计量法进行电池SOC的实时估计，计算量小、估计精度高，有效克服了SOC初值选取和系统不确定性造成的误差。

Description

一种基于降维观测器的动力电池SOC估计方法

技术领域

本发明涉及新能源电动汽车的动力电池技术领域，尤其是一种基于降维观测器的动力电池SOC估计方法。

背景技术

作为节能与新能源汽车核心技术之一，电池技术一直是阻碍新能源汽车产业发展的关键。目前针对动力电池的研究方向主要包括电池模型建立、电池故障诊断、电池寿命预测、电池健康状态(State of Health，SOH)估计以及电池荷电状态(State of Charge，SOC)估计。其中，电池模型主要反映电池内部的状态变量与电池外部特性之间的关系，是进行电池故障诊断、状态估计的前提条件；电池的荷电状态SOC描述的是电池内部当前剩余电量的多少，是电池能量管理系统(Battery Management System，BMS)的核心和难点。

准确的SOC估计可以表明电池的可工作时长，从而方便确定停止充/放电的时间，防止过充/放电现象发生，不仅能为驾驶员提供续驶里程的信息，还能有效提高动力电池的能量效率。例如，当插电式混合动力汽车启动时SOC太低，能量管理系统只能通过内燃机方式启动，尽管此时电动机启动方式更有效；当汽车制动时SOC处于最大水平，虽然可以利用再生制动回馈能量，但由于回收的能量无法存储所以也不能实现回收。因此，SOC估计越准确，能量管理系统使用电池越高效。

电池SOC常用的估计方法有基于模型的方法(如状态空间模型、内阻模型等)、开路电压法、H∞滤波法、在线自学习法、库伦计量法、神经网络法、卡尔曼滤波法、扩展卡尔曼滤波法等。其中，基于内阻模型的方法由于交流阻抗受温度影响，直流阻抗受计算时间影响，若时间短则只有欧姆电阻可测，而时间长则内阻变得复杂，准确测量单体内阻变得困难，故很少用于实车上；开路电压法需要电池长时间静置，从工作状态恢复到稳定状态，这给测量造成困难，故该方法单独使用只适用于驻车状态；库伦计量法能够提供准确的电流测量结果，实现高精度估算，但无法估算电池的初始SOC；神经网络法则需要大量的参考数据进行训练，且估计结果受训练数据和训练方法的影响很大；卡尔曼滤波法涉及算法复杂、计算量大，且对硬件要求苛刻。因此单独使用任何一种估计方法均不能满足准确、易实现的实际要求。

发明内容

本发明的目的在于提供一种基于降维观测器的动力电池SOC估计方法，针对锂离子电池，结合开路电压法和库伦计量法进行电池SOC的实时估算，计算量小、估计精度高，且对BMS硬件要求低。

为了实现上述目的，本发明采用如下技术方案：

一种基于降维观测器的动力电池SOC估计方法，包括以下步骤：

一、电池模型结构建立

根据电池的电学特性建立电池的等效电路，该等效电路为电池电路中串联的一个RC并联电路，i_L和v_T分别表示电路端口电流和端口电压，Q_R表示电池的额定容量，R₀表示电池的内阻，R和C的并联电路反映电池的松弛效应，V_RC表示RC并联电路两端的电压；

将开路电压与SOC之间的非线性关系通过可控电压源来表示，具体是用函数f(·)表示通过若干次实验得到开路电压v_oc与SOC之间的非线性关系，如下：

v_oc＝f(SOC)＝a₁×SOC+a₀ (1)

其中，a₁是反映开路电压与SOC关系的变化趋势，a₀是电池SOC为0时v_oc的大小；

选取状态变量x＝[SOC,v_oc]^T，输入变量u＝i_L，输出变量y＝v_T，建立电池的状态空间模型：

二、电池未知参数辨识

步骤一的状态空间模型含有未知参数{a₀,R,C,R₀,a₁}，根据电池状态空间模型可得到电池的传递函数为：

对式(3)进行z变换后得：

其中，各系数的表达式如下所示：

将式(4)变换到时域后为：

y(k)＝-b₁y(k-1)-b₂y(k-2)+a₀(1+b₁+b₂)+c₀u(k)+c₁u(k-1)+c₂u(k-2)(6)；

根据式(5)中b₁、b₂的表达式可知1+b₁+b₂＝0，表示参数a₀不会影响输出y(k)，通过求解{b₁,b₂,c₀,c₁,c₂}可以辨识得到模型未知参数

三、电池荷电状态SOC估计

根据步骤二辨识到的参数得到RC并联电路和内阻上的电压降V_RC、R₀i_L，通过将输出端口电压v_T和V_RC、R₀i_L作差计算v_oc，然后将v_oc作为电池系统的输出，并建立则降维观测器方程：

其中，即f(SOC)为v_oc与SOC的非线性函数关系式，L是观测器的增益；

通过该降维观测器准确估计出电池SOC。

采用上述方案后，本发明具有以下优点：

1、本发明结合了两种SOC估计方法——库伦计量法和开路电压法，既可以根据电池SOC与开路电压的数学关系获取准确的初始SOC，也可以通过库伦计量法方便地实时获取电流观测值，从而满足准确、易于实现的电池SOC估计的实际要求；

2、本发明在对电池建模过程中考虑到电池的松弛特性。电池的松弛效应指在电池放电时，新的活性物质从电解质移动到电极通过扩散作用在它们的接口处对旧的活性物质进行替换的现象，如果放电的电流低于阈值，那么扩散作用就能够弥补活性物质的减少，这样电池的电力将恢复，因此，本发明建立的电池模型可以更好的反映电池的实际工作情况；

3、本发明通过设计的降维观测器来实时反映电池不断变化的SOC值，降维观测器将库伦计量和开路电压的SOC估计方法与自适应参数辨识方法结合，提高了电池SOC的估计准确度，保证估计误差小于5％。

下面结合附图对本发明做进一步的说明。

附图说明

图1为本发明的电池等效电路图。

图2为本发明的降维观测器工作原理示意图。

具体实施方式

本实施例揭示的一种基于降维观测器的动力电池SOC估计方法，包括以下步骤：

一、电池模型结构建立

通过对电池性能特性的分析，本发明将开路电压与SOC之间的非线性关系通过可控电压源来表示，电池的松弛效应通过在电路中串联一个RC并联电路来反映，因此，电池的等效电路如图1所示，其中，i_L和v_T分别表示电路端口电流和端口电压，Q_R表示电池的额定容量，R₀表示电池的内阻，R和C的并联电路反映电池的松弛效应，V_RC表示RC并联电路两端的电压。

将开路电压与SOC之间的非线性关系通过可控电压源来表示，具体是用函数f(·)表示通过若干次实验得到v_oc与SOC之间的非线性关系式如下，可以实现SOC的快速计算：

v_oc＝f(SOC)＝a₁×SOC+a₀ (1)

其中，a₁是反映开路电压与SOC关系的变化趋势，a₀是电池SOC为0时v_oc的大小；

针对图1的电池等效电路图，选取状态变量x＝[SOC,v_oc]^T，输入变量u＝i_L，输出变量y＝v_T，建立电池的状态空间模型：

二、电池未知参数辨识

步骤一的状态空间模型含有未知参数{a₀,R,C,R₀,a₁}，所以要估计电池SOC，首先需要辨识得到未知的模型参数，具体如下，

根据电池状态空间模型可得到电池的传递函数为：

对式(3)进行z变换后得：

其中，各系数的表达式如下所示：

将式(4)变换到时域后为：

y(k)＝-b₁y(k-1)-b₂y(k-2)+a₀(1+b₁+b₂)+c₀u(k)+c₁u(k-1)+c₂u(k-2)(6)；

根据式(5)中b₁、b₂的表达式可知1+b₁+b₂＝0，表示参数a₀不会影响输出y(k)，通过求解{b₁,b₂,c₀,c₁,c₂}可以辨识得到模型未知参数

三、电池荷电状态SOC估计

尽管通过步骤二可以辨识得到的精确估计值，但对于参数a₀并没有有效的估计方法，因此本发明提出了一种降维观测器来估计电池SOC，估计原理如图2所示；

根据步骤二辨识到的参数得到RC并联电路和内阻上的电压降V_RC、R₀i_L(不用观测器即可以计算得到，观测器主要用来补偿由于初值选取和系统不确定性带来的误差)，在通过将输出端口电压v_T和V_RC、R₀i_L作差计算v_oc，然后将v_oc作为电池系统的输出，并建立则降维观测器方程为：

其中，即f(SOC)为v_oc与SOC的关系式，L是观测器的增益；

通过该降维观测器可实现电池SOC的准确、实时估计，并有效克服初值选取和系统不确定性造成的误差。

本发明结合开路电压法和库伦计量法，取长补短，前者可根据电池SOC状态与开路电压之间的数学关系计算初始的SOC状态，后者可根据准确的电流测量值计算实时放电容量，从而实现电池SOC的实时估算，该发明计算量小、估计精度高，且对BMS硬件要求低。考虑到锂离子电池的工作电压高、比能量高、循环寿命长、自放电率低、使用温度范围宽、无记忆效应等诸多优势，本实施例是以锂离子电池作为研究对象。

上述说明示出并描述了本发明的优选实施例，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文发明构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (1)

1.一种基于降维观测器的动力电池SOC估计方法，其特征在于：包括离线测试和在线测试两部分，具体包括以下步骤：

一、电池模型结构建立

根据电池的电学特性建立电池的等效电路，该等效电路为电池电路中串联的一个RC并联电路，i_L和v_T分别表示电路端口电流和端口电压，Q_R表示电池的额定容量，R₀表示电池的内阻，R和C的并联电路反映电池的松弛效应，V_RC表示RC并联电路两端的电压；

将开路电压与SOC之间的非线性关系通过可控电压源来表示，具体是用函数f(·)表示通过若干次实验得到开路电压v_oc与SOC之间的非线性关系，如下：

v_oc＝f(SOC)＝a₁×SOC+a₀ (1)

其中，a₁是反映开路电压与SOC关系的变化趋势，a₀是电池SOC为0时v_oc的大小；

选取状态变量x＝[SOC,v_oc]^T，输入变量u＝i_L，输出变量y＝v_T，建立电池的状态空间模型：

$\left[\begin{array}{c}\stackrel{\·}{SOC}\\ {\stackrel{\·}{V}}_{RC}\end{array}\right]=\left[\begin{array}{cc}0& 0\\ 0& -\frac{1}{RC}\end{array}\right]\left[\begin{array}{c}SOC\\ V_{RC}\end{array}\right]+\left[\begin{array}{c}\frac{1}{Q_R}\\ \frac{1}{C}\end{array}\right]i_L---\left(2\right).$

$v_T=\left[\begin{array}{cc}{a}_1& 1\end{array}\right]\left[\begin{array}{c}SOC\\ V_{RC}\end{array}\right]+R_0{i}_L+a_0$

二、电池未知参数辨识

步骤一的状态空间模型含有未知参数{a₀,R,C,R₀,a₁}，根据电池状态空间模型可得到电池的传递函数为：

$\frac{Y\left(s\right)-a_0}{U\left(s\right)}=\frac{R_0{s}^2+(\frac{a_1}{Q_R}+\frac{1}{C}+\frac{R_0}{RC})s+\frac{b_1}{{\mathrm{RCQ}}_R}}{s(s+\frac{1}{RC})}---\left(3\right)$

对式(3)进行z变换后得：

$\frac{Y\left(z^{-1}\right)-a_0}{U\left(z^{-1}\right)}=\frac{c_0+c_1{z}^{-1}+c_2{z}^{-2}}{1+b_1{z}^2+b_2{z}^{-2}}---\left(4\right)$

其中，各系数的表达式如下所示：

$c_0=\frac{T^2{a}_1+2Q_R{R}_{0}T+2Q_{R}RT+4Q_R{R}_{0}RC+2a_{1}RCT}{2Q_{R}T+4Q_{R}RC}$

$c_1=\frac{T^2{a}_1-4Q_R{R}_{0}RC}{Q_{R}T+2Q_{R}RC}$

$c_2=\frac{T^2{a}_1-2Q_R{R}_{0}T-2Q_{R}RT+4Q_R{R}_{0}RC-2a_{1}RCT}{2Q_{R}T+4Q_{R}RC}$

$b_1=\frac{-8Q_{R}RC}{2Q_{R}T+4Q_{R}RC}$

$b_2=\frac{-2Q_{R}T+4Q_{R}RC}{2Q_{R}T+4Q_{R}RC}---\left(5\right)$

将式(4)变换到时域后为：

y(k)＝-b₁y(k-1)-b₂y(k-2)+a₀(1+b₁+b₂)+c₀u(k)+c₁u(k-1)+c₂u(k-2)(6)；

根据式(5)中b₁、b₂的表达式可知1+b₁+b₂＝0，表示参数a₀不会影响输出y(k)，通过求解{b₁,b₂,c₀,c₁,c₂}可以辨识得到模型未知参数

三、电池荷电状态SOC估计

根据步骤二辨识到的参数得到RC并联电路和内阻上的电压降V_RC、R₀i_L，通过将输出端口电压v_T和V_RC、R₀i_L作差计算v_oc，然后将v_oc作为电池系统的输出，并建立则降维观测器方程：

$\stackrel{\·}{SOC}=\frac{1}{Q_R}{i}_L+L\left(f\right(SOC)-v_{OC})---\left(6\right)$

其中，即f(SOC)为v_oc与SOC的非线性函数关系式，L是观测器的增益；

通过该降维观测器准确估计出电池SOC。