CN108398642A - 一种锂离子动力电池soc在线校准方法 - Google Patents

Abstract

本发明公开了一种锂离子动力电池SOC在线校准方法，包括以下步骤：首先，根据电流数据及其持续时间选择校准模式；其次，读取电流及电压数据，根据所选校准模式的电池模型，生成校准目标函数；然后，将校准目标函数、样本参数输入到启发式算法，通过启发式算法求解最优开路电压或最优SOC初始值；最后，根据开路电压与SOC的对应关系或最优SOC计算公式，获得最优估计值，校准当前系统SOC。通过采集锂离子电池的实时数据，在线校准电池系统SOC，可以在任意工作或搁置状态下进行，适应性广；算法通过全局搜索策略避免陷入局部最优，稳定性高；不依赖于外部求解器，可直接应用在电池管理系统中，可操作性强；该方法可提高电池系统SOC的校准频率与校准精度。

Description

一种锂离子动力电池SOC在线校准方法

技术领域

本发明涉及一种对锂离子动力电池的状态参数进行校准的方法，尤其是一种能够采用在线方式对锂离子动力电池的SOC进行校准的方法。

背景技术

锂离子电池以其能量密度高、循环寿命长、无记忆效应等特点，在消费类电子设备与电动汽车等领域获得广泛应用。为了确保锂离子电池在使用过程中的安全性，防止电池过充、过放、过热等问题，在工程上一般需要配备电池管理系统，对电池进行实时监测与管理。电池管理系统包括多种功能，如荷电状态SOC、峰值功率、剩余寿命的估算，电池均衡策略，能量管理策略等，其中荷电状态估计是最为核心的功能，直接影响着电池的使用安全与效率。

由于计算简便与稳定性高，目前工程上使用最多的荷电状态SOC的估计方法仍然是电流积分法。但该方法存在若干缺点，包括初始状态不确定性与电流累积误差等，因此需要定时进行校准。目前已有一些专利公开了电池荷电状态，即SOC的校准方法，但大多是基于开路电压法实现的，需要等待较长时间，直至电池完全搁置至稳定状态，因此使用条件受到一定限制，不能实现实时在线校准。

发明内容

针对上述现有技术的不足，本发明提供了一种锂离子动力电池SOC在线校准方法，通过采集锂离子电池工作过程中的实时数据，在线校准锂离子动力电池系统的SOC，可以在任意工作状态或回弹状态下进行校准。

本发明是这样来实现上述目的：

一种锂离子动力电池SOC在线校准方法，持续收集锂离子动力电池的电流及电压数据并存储于数据库中；校准SOC时执行以下处理步骤：

a.设定某一用于校准SOC的持续时间T，读取上述持续时间T区间内的电流数据I_k，利用电流数据I_k判断选择校准模式，并确定所选择校准模式的电池模型；

b.将持续时间T中的所有采样时刻的电流数据I_k及读取数据库中的该电池模型的样本参数代入该电池模型进行运算，获得模型电压u_k；

c．对模型电压u_k与持续时间T中相应采样时刻的电压数据v_k建立校准目标函数，并运算获得校准目标函数值；

d.判断校准目标函数值是否满足要求，如符合则获得开路电压的最优估值或SOC初始值的最优估值，执行步骤e；否则将样本参数输入到设定的启发式算法中进行运算，获得更新后的样本参数，并执行步骤b；

e.将样本参数存入数据库中；根据开路电压的最优估值查表或根据SOC初始值的最优估值计算获得SOC的最优估值，并将数据库中的原有SOC值更新为该SOC的最优估值。

其中，所述步骤a中的校准模式的选择方法为：以开始进行SOC校准的采样时刻为基准，向前回溯持续时间T并读取持续时间T区间内的电流数据I_k；设定锂离子动力电池的搁置时间T_rest，搁置时间T_rest从持续时间T的开始采样时刻向后计算；设定锂离子动力电池的工作时间T_work，工作时间T_work从持续时间T的结束采样时刻向前计算；设定电流最小设定值I_min、电流最大设定值I_max；如在搁置时间T_rest区间内的任意采样时刻的电流数据I_k均小于电流最小设定值I_min，从持续时间T的开始采样时刻到T_work开始采样时刻的时间差大于搁置时间T_rest，且在工作时间T_work区间内的任意采样时刻的电流数据I_k均大于电流最大设定值I_max，则校准SOC时选择回弹模式；否则选择工作模式。

其中，所述回弹模式所对应的电池模型为：

，

式中，k为持续时间T中的某个采样时刻， 为模型电压， 为锂离子动力电池的开路电压， 、 、 、、、 为锂离子动力电池的极化参数；该电池模型的样本参数为：OCV、 、 、 、 、 、 。

其中，所述工作模式所对应的电池模型为：

，

，

，

，

，

式中，k为持续时间T中的某个采样时刻， 为模型电压， 为k时刻的SOC模型运算值， 为SOC初始值， 为 对应的开路电压， 为锂离子动力电池的标称容量， 、、 为欧姆内阻与两个极化电阻的分压， 、 、 、为模型参数；该电池模型的样本参数为： 、 、 、 、 。

其中，所述启发式算法为：设定多个样本参数组，每个样本参数组中包含全部的样本参数；对样本参数组中的每个样本参数进行运算更新，每次运算更新随机选取以下公式一及公式二中的任意一个进行：

公式一为

，

公式二为

，

式中， 为当前运算获得的第i个样本参数组中的第j个样本参数， 为上一次运算获得的第i个样本参数组中的第j个样本参数， 为上一次运算获得最优样本参数组中的第j个样本参数， 为随机选取上一次运算获得的一个样本参数组中的第j个样本参数；获得最优样本参数组的方式为：将上一次运算获得的样本参数组的样本参数分别代入相应的电池模型进行运算，获得模型电压u_k，将模型电压u_k与电压数据v_k代入校准目标函数运算获得每个样本参数组的校准目标函数值，将所有样本参数组的校准目标函数值进行比较后获得最优样本参数组。

其中，所述校准目标函数为：

，

式中，Z为校准目标函数值，N为在持续时间T中采样时刻的总数量。

其中，所述校准目标函数为：

，

式中，Z为校准目标函数值， 为搁置时间T_rest中采样时刻的总数量。

本发明的有益效果：通过采集锂离子动力电池工作过程中的实时数据，在线校准SOC，可以在任意工作或回弹状态下进行校准，适应性广；校准的算法通过全局搜索策略避免陷入局部最优，使得算法的稳定性高；可以不依赖于外部求解器，可直接在电池管理系统中利用单片机运行，可操作性强，上述算法还可提高电池系统SOC的校准频率与估算精度。

附图说明

下面结合附图对本发明进一步说明：

图1是本发明的工作流程图；

图2是本发明选择校准模式的示意图；

图3是回弹模式所对应的电池模型的结构示意图；

图4是工作模式所对应的电池模型的结构示意图；

图5是 - 对应关系示意图。

具体实施方式

如图1至图5所示，一种锂离子动力电池SOC在线校准方法，系统持续收集锂离子动力电池的电流及电压数据并存储于数据库中，当开始需要进行SOC校准时，首先确定一个校准SOC的持续时间T，并读取持续时间T内所有时刻k的电流数据I_k，根据电流数据I_k的电流大小进行判断并选择校准模式，包括回弹模式和工作模式两种。

具体的判断标准为：以开始进行SOC校准的采样时刻为基准，向前回溯持续时间T并读取电流数据I_k；设定锂离子动力电池的搁置时间T_rest，搁置时间T_rest从持续时间T的开始采样时刻向后计算；设定锂离子动力电池的工作时间T_work ，工作时间T_work从持续时间T的结束采样时刻向前计算；设定电流最小设定值I_min、电流最大设定值I_max；如在搁置时间T_rest的任意采样时刻的电流数据I_k均小于电流最小设定值I_min，从持续时间T的开始采样时刻到T_work开始采样时刻的时间差大于搁置时间T_rest，且在工作时间T_work的任意采样时刻的电流数据I_k均大于电流最大设定值I_max，则校准SOC时选择回弹模式；否则选择工作模式。

以容量为20Ah的锂离子电池为例，如图2所示。 优选为0.03C充放电倍率，即600mA。 优选为0.3C充放电倍率，即6000mA， 优选为30秒，以保证搁置前有一段时间的连续充放电， 优选为300秒，以获得充足的采样点，保证校准精度。

参照图3，为回弹模式的电池模型的结构示意图，则对应的电池模型为：

（1）

式中，k为持续时间T中的某个采样时刻， 为模型电压， 为锂离子动力电池的开路电压， 、、 、 、 、为锂离子动力电池的极化参数。其中 、 、、 、、计算如下：

（2）

（3）

（4）

（5）

（6）

（7）

该电池模型的样本参数为：OCV、 、、 、 、 、 。

该电池模型对应的校准目标函数为：

（8）

式中，Z为校准目标函数值，N为在持续时间T中采样时刻的总数量。当然上述校准目标函数只是其中一种，还可以用其他的数学函数实现，如方差、均方差等等。

参照图4，为工作模式的电池模型的结构示意图，则对应的电池模型为：

（9）

（10）

（11）

（12）

（13）

式中，k为持续时间T中的某个采样时刻， 为模型电压， 为k时刻的SOC模型运算值， 为SOC初始值， 为 对应的开路电压， 为锂离子动力电池的标称容量， 、 、 为欧姆内阻与两个极化电阻的分压， 、、 、为模型参数；该电池模型的样本参数为： 、 、 、、 。

该电池模型对应的校准目标函数为：

（14）

式中，Z为校准目标函数值， 为搁置时间T_rest中采样时刻的总数量。

取得相应的模式后，将对应电池模型的样本参数输入到启发式算法，通过启发式算法求解最优开路电压或最优SOC初始值。具体步骤如下：

a. 设设定多个样本参数组，如设定为50个样本参数组，每个样本参数组中包含全部的样本参数。然后对50个样本参数组中的所有样本参数进行初始化，具体可以采用以下公式获得初始化的样本参数的值：

（15）

式中， 为第i个样本参数组中的第j个样本参数的初始化取值， 为第j个样本参数取值范围的下限， 为第j个样本参数取值范围的上限， 为取值范围为[0,1]的随机数。

以回弹模式为例，每个样本参数组为 ，样本参数的取值范围的下限优选为，样本参数的取值范围的上限优选为。

以工作模式为例，每个样本参数组为 ，样本参数的取值范围的下限优选为，样本参数的取值范围的上限优选为。

b．对样本参数组中的每个样本参数进行运算更新，更新公式如下：

（16）

（17）

式中， 为当前运算获得的第i个样本参数组中的第j个样本参数， 为上一次运算获得的第i个样本参数组中的第j个样本参数， 为上一次运算获得最优样本参数组中的第j个样本参数， 为随机选取上一次运算获得的一个样本参数组中的第j个样本参数。

在选择公式（16）（17）时采用随机选取的方式，其算法为：设定一个搜索因子， 为取值在[0,1]的常量，通过生成一个取值在[0,1]的随机数与 进行比较，如随机数小于，则采用公式（16）进行更新，否则采用公式（17）进行更新。

c. 选出本次更新最优样本参数组，并评估其对应的校准目标函数值。若函数值满足循环终止条件，则输出最优样本参数组，循环终止，否则转至步骤b继续循环。

最后，根据开路电压与SOC的对应关系或最优SOC计算公式，获得最优估计值，校准当前系统SOC。

若选择回弹模式，在将样本参数输入到上述启发式算法进行计算后，可获得七个最优样本参数，其中包括最优开路电压 。对反查 - 对应表，如附图5所示，获得，即为用于校准的最优SOC值。

若选择工作模式，在将样本参数输入到上述启发式算法进行计算后，可获得五个最优样本参数，其中包括最优SOC初始值 。用于校准的最优SOC值通过下式计算获得：

(18)

其中，N为在持续时间T中采样时刻的总数量， 为 时刻的充放电电流， 为电池标称容量。

Claims (7)

1.一种锂离子动力电池SOC在线校准方法，其特征在于：持续收集锂离子动力电池的电流及电压数据并存储于数据库中；校准SOC时执行以下处理步骤：

a.设定某一用于校准SOC的持续时间T，读取上述持续时间T区间内的电流数据I_k，利用电流数据I_k判断选择校准模式，并确定所选择校准模式的电池模型；

b.将持续时间T中的所有采样时刻的电流数据I_k及读取数据库中的该电池模型的样本参数代入该电池模型进行运算，获得模型电压u_k；

c．对模型电压u_k与持续时间T中相应采样时刻的电压数据v_k建立校准目标函数，并运算获得校准目标函数值；

d.判断校准目标函数值是否满足要求，如符合则获得开路电压的最优估值或SOC初始值的最优估值，执行步骤e；否则将样本参数输入到设定的启发式算法中进行运算，获得更新后的样本参数，并执行步骤b；

e.将样本参数存入数据库中；根据开路电压的最优估值查表或根据SOC初始值的最优估值计算获得SOC的最优估值，并将数据库中的原有SOC值更新为该SOC最优估值。

2.根据权利要求1所述的一种锂离子动力电池SOC在线校准方法，其特征在于：所述步骤a中的校准模式的选择方法为：以开始进行SOC校准的采样时刻为基准，向前回溯持续时间T并读取持续时间T区间内的电流数据I_k；设定锂离子动力电池的搁置时间T_rest，搁置时间T_rest从持续时间T的开始采样时刻向后计算；设定锂离子动力电池的工作时间T_work，工作时间T_work从持续时间T的结束采样时刻向前计算；设定电流最小设定值I_min、电流最大设定值I_max；如在搁置时间T_rest区间内的任意采样时刻的电流数据I_k均小于电流最小设定值I_min，从持续时间T的开始采样时刻到T_work开始采样时刻的时间差大于搁置时间T_rest，且在工作时间T_work区间内的任意采样时刻的电流数据I_k均大于电流最大设定值I_max，则校准SOC时选择回弹模式；否则选择工作模式。

3.根据权利要求2所述的一种锂离子动力电池SOC在线校准方法，其特征在于：所述回弹模式所对应的电池模型为：

，

式中，k为持续时间T中的某个采样时刻，为模型电压，为锂离子动力电池的开路电压，、、、、、为锂离子动力电池的极化参数；该电池模型的样本参数为：OCV、、、、、、。

4.根据权利要求2所述的一种锂离子动力电池SOC在线校准方法，其特征在于：所述工作模式所对应的电池模型为：

，

，

，

，

，

式中，k为持续时间T中的某个采样时刻，为模型电压，为k时刻的SOC模型运算值，为SOC初始值，为对应的开路电压，为锂离子动力电池的标称容量，、、为欧姆内阻与两个极化电阻的分压，、、、为模型参数；该电池模型的样本参数为：、、、、。

5.根据权利要求1所述的一种锂离子动力电池SOC在线校准方法，其特征在于：所述启发式算法为：设定多个样本参数组，每个样本参数组中包含全部的样本参数；对样本参数组中的每个样本参数进行运算更新，每次运算更新随机选取以下公式一及公式二中的任意一个进行：

公式一为

，

公式二为

，

式中，为当前运算获得的第i个样本参数组中的第j个样本参数，为上一次运算获得的第i个样本参数组中的第j个样本参数，为上一次运算获得最优样本参数组中的第j个样本参数，为随机选取上一次运算获得的一个样本参数组中的第j个样本参数；

获得最优样本参数组的方式为：将上一次运算获得的样本参数组的样本参数分别代入相应的电池模型进行运算，获得模型电压u_k，将模型电压u_k与电压数据v_k代入校准目标函数运算获得每个样本参数组的校准目标函数值，将所有样本参数组的校准目标函数值进行比较后获得最优样本参数组。

6.根据权利要求3所述的一种锂离子动力电池SOC在线校准方法，其特征在于：所述校准目标函数为：

，

式中，Z为校准目标函数值，N为在持续时间T中采样时刻的总数量。

7.根据权利要求4所述的一种锂离子动力电池SOC在线校准方法，其特征在于：所述校准目标函数为：

，

式中，Z为校准目标函数值，为搁置时间T_rest中采样时刻的总数量。