CN109416392A - 用于估计电池健康状态的方法 - Google Patents

Abstract

本发明涉及一种用于在时刻k对安装在设备中并旨在为该设备供电的蓄电池的健康状态(SOHE(k))进行估计的方法。根据本发明，针对任何时刻k由以下关系式来确定值SOHE(k)：SOHE(k)＝SOHE_模型(k)‑α_ic(T)·(SOHE_模型(T)‑SOHE_算法(T))，其中，SOHE_模型(k)描述了从初始健康状态SOHE_初始(O)开始的电池健康状态的演化模型，并且其中，SOHE_算法(k)表示可用于基于与该电池的操作相关并在时刻k获得的电气量的测量结果来确定该电池在该时刻的健康状态的直接计算估计器。SOHE_模型(T)和SOHE_算法(T)表示对于具体的给定时刻k＝T函数SOHE_模型(k)和SOHE_算法(k)的值。系数αic(T)是取决于T的系数，其表示在所考虑的时刻T分配给由SOHE_算法(k)估计器提供的值的可靠性指数。

Description

用于估计电池健康状态的方法

技术领域

本发明涉及由蓄电池供电的电气系统的总体领域。

本发明更具体地涉及为电动车辆供电的电池，并且提出了在给定时刻知道这种电池的健康状态的手段。

背景技术

在使用电池作为用于为机动车辆供电的能量源的背景下，重要的是在任何时刻都能够确定这些电池的在可用能量和功率方面进行考虑的健康状态。

电池的能量健康状态(SOHE)应理解为意指报告在所考虑的时刻估计的、尤其是由于电池的使用年限及其使用条件而导致的电池退化水平的指标。

因此，SOHE构成使得能够量化电池一旦充电到其最大可能时可用的能量水平的参数，其考虑了电池在其寿命周期期间性能水平的退化。

通过用户非常希望被尽可能准确地告知的较低的可用功率和较短的里程来为用户反映这种退化。

可以通过使得能够评估所考虑的电池的性能水平随时间变化的趋势的各种方法来计算SOHE值。

因此，区分了两种类型的估计：

-所谓的预测性估计，基于使用电池健康状态退化的理论模型，涉及表示电池在不同温度条件和不同荷电状态下所耗费的时间的聚合时间测量结果以及对于同样这些不同条件从电池放电(即由电池提供的)的能量的测量结果；

-所谓的直接计算估计，基于与电池的电气特性有关的一个或多个动态量的测量结果。这些估计可以例如包括：在连续的充电和放电循环期间测量电池中循环的电流，以便在所考虑的时刻确定电池的容量，或甚至根据电压和电流测量结果来计算电池的内阻。

对在给定时刻k电池的健康状态SOHE(k)的这两种类型的估计各自在所做出的估计的准确性方面提供了特定的优点。然而，通过使用来自这两种类型中的一种或另一种的方法所获得的估计准确性在电池的整个寿命期间不是恒定的。

一般来讲，第一类型的估计方法在电池的寿命开始时尤其证明更准确，而第二类型的估计方法在给定的电池使用期之后更准确。

因此，为了获得在电池的整个寿命期间表现出令人满意的准确性的对电池的健康状态的估计，一种已知的途径包括尽可能精明地组合由两种不同的估计提供的结果，每种估计属于一种估计类型。此组合采用了对通过实施这两种方法获得的SOHE值取加权和的形式。对于给定时刻k，电池的SOHE估计值于是具有以下一般表达式：

SOHE(k)＝α₁·SOHE₁+α₂，SOHE₂ [1]

其中，SOHE₁和SOHE₂分别对应于所使用的这两种估计方法，每种估计具有互不相同的类型，并且其中，α₁和α₂是加权系数。

然而，由于每种方法提供的估计准确度随时间、特别是根据电池的使用年限和使用电池的方式的变化而变化，分配给所实施的每种方法的加权系数必须随着时间的推移而变化，以便为通过每种方法所获得的结果分配可反映在所考虑时刻该方法的预期准确度的权重。

目前存在几种方法来确定用于产生这两种估计的这种加权和的加权系数α₁和α₂的值。

众所周知，分配给所做出的估计的加权系数的值一般随着时间的推移而演变，其方式为使得通过第一类型的方法获得的估计(与第二类型的方法相比最初被分配以更高权重并且在总体估计中占主导地位)逐渐减小，而通过第二类型的方法获得的估计(最初分配以低权重)随着电池的使用年限而逐渐增大，以在整体估计中变得占主导地位。

法国专利申请FR 3009093描述了一种用于估计电池的老化状态的方法，该方法实现了将根据电池的健康状态趋势模型作出的估计与由直接计算估计器考虑了与电池的操作有关的测量结果而作出的估计进行组合的重心组合(即加权和)。

然而，所实施的加权在此是经验加权，其随着时间的推移而简单地进化，由模型作出的估计在电池寿命的给定时间段期间继续具有恒定的主导权重，然后在此之后有规律地减小，而给予直接计算估计器的权重按比例变得越来越大。因此，尽管在此专利申请的上下文中对所应用的系数的计算确实考虑了时间因素，但是一般不考虑特别是通过直接计算估计(第二类型)作出的估计的公平性。

发明内容

本发明的一个目的是提出一种对电动车辆或混合动力车辆所配备的电池的老化状态的估计，这种估计在电池的整个寿命期间是准确的并且考虑到了驾驶员的驾驶习惯。

本发明的另一个目的是提出一种对电动车辆或混合动力车辆所配备的电池的老化状态的估计，这种估计使得能够考虑到用于产生这种估计、特别是产生直接计算估计的测量结果的准确度。

为此，本发明的主题是一种用于在时刻k对安装在设备项中并且旨在给所述设备项提供电能的蓄电池的健康状态SOHE(k)进行估计的方法。根据该方法，SOHE(k)的值由以下关系式确定：

SOHE(k)＝SOHE_模型(k)-α_ic(T)·(SOHE_模型(T)-SOHE_算法(T))

其中：

-SOHE_模型是该电池的健康状态从初始时刻的健康状态随时间变化趋势的模型；

-SOHE_算法是估计器，该估计器使得能够在任何时刻根据与该电池在所述时刻进行的操作有关的电量的测量结果来确定该电池的健康状态，时刻T是在时刻k之前的重新校准时刻；

-系数α_ic(T)是在该重新校准时刻T为由该估计器SOHE_算法提供的值分配的置信指数。

根据可以单独或组合地考虑的各种规定，根据本发明的方法可以具有不同特征。

因而：

-根据一个特征，针对任何时刻k由以下关系式来定义SOHE_模型：

SOHE_模型(k)＝SOHE_初始(0)-退化(k)

其中，项SOHE初始(0)对应于该电池在该初始时刻的健康状态，并且项退化(k)对应于该电池在该时刻k的健康状态相对于在该初始时刻的健康状态的变化。

-根据另一个特征，项退化(k)由以下关系式定义：

其中，指数i和j分别与该电池的P个状态下的P个温度值和Q个状态下的Q个荷电状态值相关联，对(i，j)构成P.Q个状态(温度，荷电状态)；

其中，t_i,j是在状态(i，j)下该电池在初始时刻与所考虑的时刻k之间所耗费的时间段，并且

其中，e_i,j是在这同一状态(i，j)下该电池在这同一初始时刻与时刻k之间放电的能量；

在该电池正在放电的时段期间，从该初始时刻起周期性地重新更新这些值t_i,j和e_i,j。

-根据另一个特征，SOHE_算法(k)由以下关系式定义：

其中，I表示通过该电池的电流，t₁和t₂分别表示I的开始测量时刻和结束测量时刻，SOC₁和SOC₂分别表示该电池在相应时刻t₁和t₂的荷电状态；Q_BOL表示在新状态下该电池的容量。

-根据另一个特征，该电池在相应时刻t₁和t₂的荷电状态SOC₁和SOC₂是根据在相应时刻t₁和t₂该电池的端子处的空载电压的测量结果OCV₁和OCV₂来计算出的、或者是通过估计器对该荷电状态进行估计来计算出的，所述测量结果是在该电池的不活动时段之后作出的。

-根据另一个特征，在时刻k由以下关系式来定义系数α_ic：

其中，dSOHE_算法对应于在考虑到所使用的测量传感器的准确度的情况下计算SOHE_算法时所约定的理论误差。

-根据另一个特征，系数α_ic被选择成考虑到以下标准中的至少一个标准：

a)该理论误差越大，α_ic就变得越小，α_ic是该误差的递减函数；

b)对于大于给定极限的误差，α_ic被强制为零；

c)只要与直接计算估计中考虑的测量结果有关的某些给定条件不满足，α_ic就被强制为零，使得在计算SOHE时不考虑该估计器。

-根据另一个特征，这些重新校准时刻T是满足与α_ic(T)的值相关的条件从而指示由该估计器SOHE_算法作出的理论估计误差低时的特定时刻。

-根据另一个特征，任何估计时刻都被视为重新校准时刻，SOHE(k)由以下关系式定义：

SOHE(k)＝(1-α_ic(k))·SOHE_模型(k)+α_ic(k)·SOHE_算法(k)

-根据另一个特征，SOHE(k)由以下关系式定义：

SOHE(k)＝SOHE_模型(k)-SOHE_模型(T)+SOHE_算法(T)；

这些时刻T是α_ic(T)大于给定的重新校准值lim_重新校准时的时刻。

因此，根据本发明的方法针对加权计算提出了一种基于估计器的置信指数的理论方法。

有利地，根据本发明的方法使得能够持久地校正模型的误差计算，因为该模型在估计良好进行的时刻、即在符合期望条件时被系统地重新校准。

更有利地，根据本发明的方法表现为易于实施，而没有额外的成本(信息已经利用电流传感器获得，退化模型已知)。

具体实施方式

与其他已知方法一样，根据本发明的方法提出了：通过用两种不同方法分开地产生对电池的健康状态SOHE的两种估计、通过对这两种估计执行加权和来产生对该健康状态的估计。

同样地，与其他已知方法一样，这两种估计一方面由预测模型SOHE_模型产生并且另一方面由直接计算估计器SOHE_算法产生。

然而，与已知的估计不同，加权在此由同一指标α_ic产生，该指标表示在所考虑的时刻直接计算估计器SOHE_算法的置信指数。

在下文中，详述了可以计算该置信指数的方式，以及如何使用此置信指数来修改电池的健康状态的估计器SOHE(k)的一般表达式，一般表达式由预测性估计器SOHE_模型和直接计算估计器SOHE_算法产生。

现有技术中已知的、根据本发明的方法所基于的电池的SOHE的退化预测模型一般可以根据初始健康状态SOHE_初始来如下表达：

SOHE_模型(k)＝SOHE_初始(0)·退化(k) [2]

其中，k表示给定的时刻，例如对应于电池充电或放电的给定操作循环开始。

项“退化(k)”就其本身而言对应于电池的效率损失。它可以用以下关系式表达：

其中，i和j分别表示在5个状态下、或更一般地在P个状态下量化的温度值，以及在5个状态下、或更一般地在Q个状态下量化的荷电状态值，对(i，j)构成基准状态(温度，荷电状态)。

t_i,j在此表示在状态(i，j)下该电池在初始时刻与所考虑的时刻k之间所耗费的时间段，并且e_i,j表示在这同一状态(i，j)下该电池在这同一初始时刻与时刻k之间放电的能量。

优选地，初始时刻对应于接近电池的首次调试时刻的时刻，或者甚至理想地就对应于这一时刻。

在该电池正在放电的时段期间，从该电池的初始调试时刻起周期性地重新更新这些值t_i,j和e_i,j。

这些值优选地存储在控制电池操作的系统(BMS或电池管理系统)中。

系数α_i,j是通过试验按以下方式预先确定的实际加权系数：即使得项“退化(k)”表示电池随时间推移的退化趋势，尤其是随由车辆的使用者施加在电池上的操作模式的变化而变化的退化。

系数α_i,j还存储在BMS中的表中。

指数n和m的值就其本身而言是也是通过实验确定的(典型地)位于0和1之间的(实际)值。

根据本发明的方法所基于的电池的SOHE的退化的直接计算估计器就其本身而言可以一般根据新状态Q_BOL下的电池的容量来如下表达：

其中，I表示电池电流，并且t₁和t₂分别表示I的开始测量时刻和结束测量时刻。

SOC₁表示电池在时刻t₁的荷电状态，并且SOC₂表示时刻t₂的荷电状态。

在此，Q_BOL表示新状态或BOL(寿命开始)状态的电池容量。

计算开始的时刻t₁典型地对应于电池的操作模式改变时刻(充电到放电，反之亦然)，而t₂是另外定义的时刻，其可以对应于从在时刻t₁开始的操作阶段的结束时刻。

SOHE_算法的计算在此基于类似于所谓的电池检查程序的原理，根据该原理，可以根据电池在所考虑的时刻t₁和t₂的空载电压值(OCV₁和OCV₂)来计算表示在给定时刻剩余可用容量的百分比的SOC₁和SOC₂的值。此值可以在休息(电池不活动)时段之后直接测量，或者通过诸如卡尔曼滤波之类的方法估计SOC来得到。因此，基于是否可能具有使得能够执行空载电压测量OCV₁和OCV₂的休息状态，在实践中可以采用不同方式来定义SOHE_算法：

然而，应指出的是，正如所表达的那样，SOHE_算法的计算采取电池的健康状态SOHE的近似值，其通常由以下关系式定义：

其中，E是电池充满电时能量，单位为[Wh]，并且E₀是电池充满电并处于新状态(寿命开始)时的能量，单位为[Wh]。此定义是针对25℃的温度建立的。

在本案中，代替地，考虑以下关系式：

其中，Q是电池的容量，单位为[Ah]，Q₀是新状态或BOL(寿命开始)状态下的容量。此定义是在25℃的温度下建立的。

此近似值导致SOHE_算法的约0％至5％的计算误差，此误差随电池的内阻增量和放电状态的变化而变化。

与已知方法不同，根据本发明的方法还同等地基于估计器SOHE_算法的置信指数的使用，该置信指数是通过计算由测量误差(电流传感器、电压传感器、SOC估计)导致的理论误差而获得的，误差可以用如下公式表示：

并且误差的界限可以是由以下给出的最大误差：

因此，例如，如果可能具有使得能够执行空载电压测量OCV₁和OCV₂的休息状态，则最大误差E_Max(SOHE_算法)由以下关系式给出：

根据本发明，利用直接计算估计器的此置信指数来执行对由预测模型SOHE_模型提供的估计值的重新校准，重新校准基于此误差的值。

为此，SOHE_模型的表达式用如下公式表示：

SOHE_模型(k)＝SOHE_模型(T)-(退化(k)-退化(T)) [14]

其中，项“退化(T)”等于k＝T时函数“退化(k)”的值，T是称为重新校准时刻的特定时刻，并且其中，SOHE_模型(T)等于k＝T时的SOHE_模型(k)。

然后，项SOHE_模型(T)被替换为项SOHE_重新校准(T)，其表达式如下：

SOHE_重新校准(T)＝(1-α_ic(T))·SOHE_模型(T)+α_ic(T)·SOHE_算法(T) [15]

其中，α_ic表示转录估计器SOHE_算法的置信指数的系数：

因此，电池的健康状态的估计器SOHE(k)在通过根据本发明的方法来确定时的一般表达式由以下最终表达式给出：

SOHE(k)＝SOHE_重新校准(T)-(退化(k)-退化(T)) [17]

或者，等效地，由以下表达式给出：

SOHE(k)＝SOHE_模型(k)-α_ic(T)·(SOHE_模型(T)-SOHE_算法(T)) [18]

因此，如果在给定时刻k分配给这种估计的置信指数是零，则SOHE_重新校准(k)将等于SOHE_模型(k)，并且将不针对该时刻执行重新校准。

在另一方面，如果在给定时刻k分配给这种估计的置信指数是最大的，则此时刻k变为重新校准时刻T，针对该重新校准时刻，SOHE_重新校准(T)基本上等于SOHE_算法(T)。

根据本发明，系数α_ic(k)被选择成考虑到以下标准：

-理论误差越大，置信指数α_ic(k)就变得越小，(α_ic(k)是误差的递减函数)；

-对于高于某一极限的误差，置信指数α_ic(k)被强制为零；

依据根据本发明的方法的实施方式，还可以将置信指数α_ic(k)强制为零，使得如果不满足某些条件(例如温度、曲线类型、电流值等条件)则不考虑估计器，在这些情况下，置信指数α_ic(k)被强制为零。

根据本发明，重新校准时刻T因此是算法已经产生了良好的估计时的特定时刻k。良好的估计应被理解为满足值α_ic(k)的条件并且因此理论估计误差很低时的估计。

依据根据本发明的方法的实施方式，还可以要求仅在估计SOHE(k)以低理论错误在一定时间段上某一次数地给出彼此相当接近的结果时才进行重新校准。例如，可以在一周内产生3次估计，仅在每次估计时记录到理论误差低于2％并且估计值之间的偏差低于2％时才进行重新校准。

此外，如果其他因素很重要，也可以将它们考虑在内。例如，可以仅选择在某些OCV-SOC值范围内进行的估计，或甚至可以选择所使用的SOC估计方法必须使用OCV。

应指出的是，替代性地，可以通过考虑与由关系式[17]描述的估计器相比简化的估计器来产生估计SOHE(k)。这种简化尤其可以采用下文描述的两种不同形式。

根据本发明方法的第一变体，SOHE(k)通过仅考虑由关系式[15]定义的SOHE_重新校准来进行估计，SOHE_重新校准是针对每个时刻k而不是针对特定时刻T进行计算的。因此，任何时刻k的估计SOHE(k)的表达式如下：

SOHE(k)SOHE_模型＝SOHE_重新校准(k)

＝(1-α_ic(k))·SOHE_模型(k)+α_ic(k)·SOHE_算法(k) [19]

在这种情况下，针对每个时刻k获得的估计的SOHE(k)值然后可以通过低通类型的滤波器或通过移动平均数来进行滤波，以便对估计算法可能添加的变化进行平滑。

尽管这种变体实施方式不能系统地最好利用由模型或计算(SOHE_算法)产生的估计，但是这种变体实施方式确实呈现了有利的特征。实际上，在此，在每个时刻k对这种估计进行重新校准，SOHE(k)的估计的这种变体有利地使得能够限制由模型产生的估计随时间的发散(因为这种估计将随时间显著偏离)，并且由此在对估计值SOHE(k)的显著波动进行重新校准之后限制发散的出现。

根据本发明方法的第二变体，SOHE_重新校准采用简化形式，其仅考虑通过直接计算(SOHE_算法)产生的SOHE估计并且针对特定时间T采用以下形式：

SOHE_重新校准(T)＝SOHE_算法(T) 如果

α_ic(T)>lim_重新校准 [20]

因此，SOHE(k)由以下关系式给出：

SOHE(k)＝SOHE_模型(k)-SOHE_模型(T)+SOHE_算法(T) [21]

在这种情况下，重新校准时刻T是算法已经产生良好估计的时刻，在此，良好估计由α_ic(T)>lim_重新校准反映。

在此，阈值lim_重新校准被选择得足够大，例如等于97％，以便只有在确定估计的确切性质时才发生重新校准。

实际上，在此仅根据估计SOHE_算法来执行重新校准，SOHE(k)的估计的这种变体有利地使得能够简化对估计SOHE(k)的计算。在另一方面，它确实表现出可能使估计SOHE(k)在重新校准之后经受有时相当明显的跳跃的相关缺点。

Claims (10)

1.一种用于在时刻k对安装在设备项中并旨在为所述设备项提供电能的蓄电池的健康状态SOHE(k)进行估计的方法，其特征在于，SOHE(k)的值由以下关系式确定：

SOHE(k)＝SOHE_模型(k)-α_ic(T)·(SOHE_模型(T)-SOHE_算法(T))

其中：

-SOHE_模型是该电池的健康状态从初始时刻的健康状态随时间变化趋势的模型；

-SOHE_算法是估计器，该估计器使得能够在任何时刻根据与该电池在所述时刻进行的操作有关的电量的测量结果来确定该电池的健康状态，时刻T是在时刻k之前的重新校准时刻；

-系数α_ic(T)是在该重新校准时刻T为由该估计器SOHE_算法提供的值分配的置信指数。

2.如权利要求1所述的方法，其特征在于，针对任何时刻k由以下关系式来定义SOHE_模型：

SOHE_模型(k)＝SOHE_初始(0)-退化(k)

其中，项SOHE_初始(0)对应于该电池在该初始时刻的健康状态，并且项退化(k)对应于该电池在该时刻k的健康状态相对于在该初始时刻的健康状态的变化。

3.如权利要求2所述的方法，其特征在于，项退化(k)由以下关系式定义：

其中，指数i和j分别与该电池的P个状态下的P个温度值和Q个状态下的Q个荷电状态值相关联，对(i，j)构成P.Q个状态(温度，荷电状态)；

其中，t_i,j是在状态(i，j)下该电池在初始时刻与所考虑的时刻k之间所耗费的时间段，并且其中，e_i,j是在这同一状态(i，j)下该电池在这同一初始时刻与时刻k之间放电的能量；

在该电池正在放电的时段期间，从该初始时刻起周期性地重新更新这些值t_i,j和e_i,j。

4.如权利要求1至3中任意一项所述的方法，其特征在于，SOHE_算法(k)由以下关系式定义：

其中，I表示通过该电池的电流，t₁和t₂分别表示I的开始测量时刻和结束测量时刻，SOC₁和SOC₂分别表示该电池在相应时刻t₁和t₂的荷电状态；Q_BOL表示在新状态下该电池的容量。

5.如权利要求4所述的方法，其特征在于，该电池在相应时刻t₁和t₂的荷电状态SOC₁和SOC₂是根据在相应时刻t₁和t₂该电池的端子处的空载电压的测量结果OCV₁和OCV₂来计算出的、或者是通过估计器对该荷电状态进行估计来计算出的，所述测量结果是在该电池的不活动时段之后作出的。

6.如权利要求1至5中任意一项所述的方法，其特征在于，在时刻k由以下关系式来定义系数α_ic：

其中，dSOHE_算法对应于在考虑到所使用的测量传感器的准确度的情况下计算SOHE_算法时所约定的理论误差。

7.如以上权利要求中任一项所述的方法，其特征在于，系数α_ic被选择成考虑到以下标准中的至少一个标准：

a)该理论误差越大，α_ic就变得越小，α_ic是该误差的递减函数；

b)对于大于给定极限的误差，α_ic被强制为零；

c)只要与直接计算估计中考虑的测量结果有关的某些给定条件不满足，α_ic就被强制为零，使得在计算SOHE时不考虑该估计器。

8.如权利要求7所述的方法，其特征在于，这些重新校准时刻T是满足与α_ic(T)的值相关的条件从而指示由该估计器SOHE_算法作出的理论估计误差低时的特定时刻。

9.如权利要求1至7中任意一项所述的方法，其特征在于，任何估计时刻都被视为重新校准时刻，SOHE(k)由以下关系式定义：

SOHE(k)＝(1-α_ic(k))·SOHE_模型(k)+α_ic(k)·SOHE_算法(k)

10.如权利要求1至8中任意一项所述的方法，其特征在于，SOHE(k)由以下关系式定义：

SOHE(k)＝SOHE_模型(k)-SOHE_模型(T)+SOHE_算法(T)；

这些时刻T是α_ic(T)大于给定的重新校准值lim_重新校准时的时刻。