CN109946623A - 一种锂电池的soc在线估测方法 - Google Patents

Abstract

本发明提供了一种锂电池的SOC在线估测方法，包括以下步骤：(1)利用改进的安时积分法建立电池SOC模型；(2)建立电池的二阶RC等效电路模型，以及建立电池系统的等效离散状态空间模型；(3)通过实验获得电池的开路电压与电池荷电状态之间的函数关系用以获取荷电状态初值；(4)最后用扩展卡尔曼滤波算法进行电池的SOC估测。本发明在生成SOC方程的过程中，分别通过考虑温度、放电电流以及循环次数的影响来对电池进行容量补偿，选用的二阶RC等效电路模型具有较高精度且工程上较易实现，并对初值进行定期校准，降低误差，在提升扩展卡尔曼滤波算法收敛速度的同时，使估测值的精度更高。

Description

一种锂电池的SOC在线估测方法

技术领域

本发明属于电动汽车动力电池技术领域，具体涉及一种锂电池的SOC在线估测方法。

背景技术

随着电动汽车的发展，电池管理系统(Battery management system,BMS)得到了广泛应用，为了充分发挥电池系统的动力性能，防止电池过充过放，延长使用寿命，优化驾驶和提高电动汽车的续航性能，需要BMS对电池的荷电状态(State of Charge,SOC)进行准确估计，电池的SOC是指电池目前所存储的能量，其作用与燃油汽车系统中的油量表类似，但检测方法不同，电池的SOC不能通过传感器直接得到，必须借由其他可测物理量如电池的端电压、充放电电流、温度等配合相应算法进行估测来获得。

目前电池SOC估测的主要方法有：开路电压法、安时积分法、神经网络法、卡尔曼滤波法等。开路电压法通过电池开路电压和SOC存在的数学比例关系来估算电池的SOC，需要电池长时间静置以达到电压稳定，内部化学反应结束所需的静置时间一般在一小时以上，因此不适合在线估测；安时积分法电池电流随时间积分也会产生累积误差，还有初始值带来的误差等，安时积分法通过将流经电池的电流与时间进行积分来估测电池的荷电状态，原理简单，适用于所有电池，但这种方法对于电流测量的准确度要求较高，若电流测量不准，会产生估测误差，且误差具有累积性，会随时间增大；神经网络法需要足够的运行工况，通过大量的数据进行不断训练，才能计算出比较准确的结果，且不同的训练方法，有不同的准确性，此算法需要占用很多资源。卡尔曼滤波算法的主要思想是对系统的状态做出最小方差意义上的最优估计，将电池视为一个动态系统，荷电状态为系统的一个内部状态，从而对荷电状态进行估测，其估测精度一定程度上受模型的精度影响。

发明内容

针对本领域的不足之处，本发明提出了一种锂电池的SOC估测方法，其目的在于提高电池SOC的估测准确度。

实现本发明上述方案的具体步骤如下：

一种锂电池的SOC在线估测方法，步骤如下：

S1、建立电池的SOC方程；S2、建立电池的二阶等效电路模型，并建立电池系统的离散状态空间模型；S3、确定电池开路电压OCV与电池荷电状态SOC之间的函数关系，用以获得电池荷电状态初值；S4、利用扩展卡尔曼滤波算法进行电池SOC估测。

进一步地，所述步骤S1中建立电池的SOC方程具体包括：S11、考虑温度影响程度对电池实际可用容量进行校正获得实际可用容量受温度影响的校正系数；S12、考虑放电电流影响程度对电池实际可用容量进行校正获得实际可用容量受放电倍率影响的校正系数；S13、考虑老化影响程度对电池实际可用容量进行校正获得实际可用容量受老化影响的校正系数。

进一步地，所述步骤S11中，考虑温度影响程度对电池实际可用容量进行校正，电池实际可用容量与温度成正相关，随着温度的升高，电池内部活性物质利用率提高，实际可用容量增大，用K_T表示温度影响系数，等于T温度下电池放电总量C_T与标称容量C_N比值：

进一步地，所述步骤S12中，考虑放电电流影响程度对电池实际可用容量进行校正时，根据电池实际可用容量与放电倍率之间的关系，放电电流越大，电池实际可放出的电量越小，反之电池实际可用容量增加，设电流比例系数为K_i，表示放电倍率对电池SOC的影响程度，K_i等于放电电流为i时电池的实际可用容量C_i与电池标称容量C_N的比值：

进一步地，所述步骤S13中，考虑老化影响程度对电池实际可用容量进行校正时，根据电池实际可用容量与老化程度即充放电循环次数之间的关系，通过电池管理系统实时记录电池的放出容量与循环次数，以λ表示老化系数，其中0＜λ≤1，等于实际放出容量与标称容量比值，λ·C_N表示不同老化程度下电池的实际可用容量，每隔设定的循环次数后更新一次λ值，当λ小于设定值后，认为电池寿命终止。

进一步地，所述步骤S1中的SOC方程为：

式中，I(t)为放出电流，SOC₀为电池荷电状态初值，SOC(t)为t时刻荷电状态值。

进一步地，所述步骤S2中，建立电池的等效电路模型具体包括：选取二阶RC等效电路模型并进行分析处理，得到电池模型参数间的函数关系：

式中，V(t)表示输出电压，i(t)表示输出电流，U_OC(SOC,t)表示开路电压OVC与电池荷电状态SOC间的函数关系，R₀表示欧姆内阻，R₁表示电化学极化内阻，R₂表示浓差极化内阻，τ₁和τ₂分别表示两个RC单元的时间常数。

进一步地，所述步骤S2中，建立电池非线性系统的离散状态空间模型如下：

状态方程：

观测方程：

各项系数，

w_k和v_k分别为系统噪声和观测噪声，Δt表示采样间隔时间，C₁和C₂表示等效电容，R₁C₁等效为锂电池电极间传输时的阻抗，R₂C₂等效为锂离子极间扩散时的阻抗，V₁和V₂分别为等效电路中两个RC并联环节的端电压。

进一步地，所述步骤S3中，通过OCV-SOC关系获取初值包括：对锂电池进行恒流放电实验，记录电池的开路电压与荷电状态之间的对应数据；将数据导入MTALAB进行数据拟合建立电池开路电压与荷电状态的函数关系；再通过该函数关系获取SOC初值SOC₀，同时对初值进行定期校正，以确保扩展卡尔曼滤波算法的收敛速度，使估测值更快接近真实值；

所述校正SOC初值，其校准方法为：在每次电池电压将达到充电截止电压，接近充满电状态时，根据测得的电池开路电压OCV与荷电状态SOC之间的关系曲线校准SOC初值。

进一步地，所述步骤S4中利用扩展卡尔曼滤波算法进行SOC估测，生成估测值的过程包括：

S41、设定状态向量X和误差协方差矩阵P的初值

X₀＝[SOC₀ 0 0]，

S42、基于k-1时刻的最优状态量对k时刻的值进行预测

其中A和B表示扩展卡尔曼滤波算法中状态方程的系统参数；

S43、更新预测量的误差协方差矩阵P

S44、计算卡尔曼增益系数

其中C为观测方程的系统参数；

S45、结合预测值和当前观测值进行当前时刻状态量的最优估计

其中Z_k表示k时刻观测量，U_k为

系统的输入向量，也是k时刻系统的控制量；

S46、更新校正后的误差协方差矩阵

S47、重复S42到S46的过程进行循环迭代，实现对状态量的估测，

其中，表示验后估计，表示验前估计，Kg为卡尔曼滤波增益，Q为系统噪声的协方差，R为观测噪声的协方差，I为单位矩阵。

与现有技术相比，本发明的有益效果是：

本发明提出的一种锂电池的SOC在线估测方法，结合了安时积分法和扩展卡尔曼滤波算法，其中利用了安时积分法的原理公式建立SOC的状态方程，并在考虑温度、放电倍率及循环次数影响的基础上，建立各自因素的校正系数，对电池的实际使用容量进行优化，进一步对安时积分法的原理方程进行了优化，方法合理且易于实现。

本发明通过建立OCV-SOC函数关系来获取初值，并进行定期校准，使初值尽可能接近真实值，有利于缩减扩展卡尔曼滤波算法的收敛速度及估测精度，将温度等影响因素考虑并建立到SOC的状态方程中，使电池SOC的估测过程及结果更具有可靠性。

附图说明

图1为本发明提供的一种锂电池的SOC在线估测方法流程图；

图2为本发明提供的一种锂电池的SOC在线估测方法的扩展卡尔曼滤波算法流程图；

图3为本发明提供的一种锂电池的SOC在线估测方法选取的二阶RC等效电路模型图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

参见图1结合图2所示。本发明提出了一种锂电池的SOC在线估测方法，具体步骤包括：

S1、建立电池的SOC方程；

S2、建立电池的等效电路模型，以及建立电池系统的离散空间状态模型；

S3、确定电池开路电压OCV与电池荷电状态SOC之间的函数关系，用以获得电池SOC初值；

S4、利用扩展卡尔曼滤波算法进行电池SOC估测。

进一步的，S1中建立电池的SOC方程具体包括：

S11、考虑温度影响程度对电池实际可用容量进行校正获得实际可用容量受温度影响的校正系数。

S12、考虑放电电流影响程度对电池实际可用容量进行校正获得实际可用容量受放电电流影响的校正系数。

S13、考虑老化影响程度对电池实际可用容量进行校正获得实际可用容量受老化影响的校正系数。

S11所述考虑温度影响程度对电池实际可用容量进行校正时，考虑电池实际可用容量与温度成正相关，随着温度的升高，电池内部活性物质利用率提高，实际可用容量增大，电池在工作过程中温度不恒定，用K_T表示温度影响系数，等于T温度下电池放电总量与标称容量比值

以C_T表示T温度下电池的实际可用容量，C_N表示常温下电池标称容量，对电池单体充满电，以同一放电倍率在不同恒定温度下进行放电实验，通过电池管理系统实时获取数据并记录，得到多组温度下电池的实际可用容量C_T，进而得到多组温度下的温度影响系数K_T，K_T随温度T变化，可通过多组记录数据进行拟合得到它们的变化关系K_T＝L(T)。

在S12所述考虑放电电流影响对电池实际可用容量进行校正时，根据电池实际可用容量与放电倍率之间的关系，放电电流越大，电池实际可放出的电量越小.反之电池实际可用容量增加，实际过程中，受到放电倍率影响，电池实际可用容量往往不等于标称容量，设电流比例系数为K_i，表示放电倍率对电池SOC的影响程度，等于放电电流为i时电池的实际可用容量与电池标称容量的比值

在同一温度、多种放电倍率下对电池进行放电实验，通过电池管理系统实时获取数据并记录，得到不同放电倍率下的电池实际可用容量C_i，进而得到多组放电倍率下的电流比例系数K_i，K_i随电流i变化，可通过多组记录数据进行拟合得到它们的变化关系K_i＝Y(i)。

其中S13所述考虑老化影响程度对电池实际可用容量进行校正时，根据电池实际可用容量与老化程度即充放电循环次数之间的关系，通过电池管理系统实时记录电池的放出容量与循环次数，以λ来表示老化系数，其中0＜λ≤1，等于实际放出容量与标称容量比值，λ·C_N表示不同老化程度下电池的实际可用容量，每隔设定的循环次数后更新一次λ值，当λ小于设定值后，如λ≤0.7时，即此时电池的实际可用容量已经衰减到不足初始额定容量的70％，认为电池寿命终止。

结合上述校正系数，得到安时积分法下修正的SOC表达式。

式中，I(t)为放出电流，SOC₀为电池荷电状态初值，SOC(t)为t时刻荷电状态值。

进行离散化后得：

针对S2所述建立电池的等效电路模型具体包括：建立等效电路模型并获得电池模型参数间的函数关系。

目前被广泛使用的电池等效电路模型主要有Rint模型、Thevenin模型、PNGV模型、RC模型和多阶动力性模型等，前三种模型结构简单，工程上易于实现，但精度较为粗糙，难以准确反映电池的动态性能，多阶动力学模型精度很高，但实际应用计算量过大，综合考虑模型精度与实际工程应用的难易程度，本发明选取了二阶RC等效电路模型，如图3所示，其方程式为：

式中，V(t)表示输出电压，i(t)表示输出电流，U_OC(SOC,t)表示开路电压OVC与电池荷电状态SOC间的函数关系，R₀表示欧姆内阻，R₁表示电化学极化内阻，R₂表示浓差极化内阻，τ₁和τ₂分别表示两个RC单元的时间常数。

电池系统是非线性的，因此本发明需要采用扩展卡尔曼滤波算法进行估测，将非线性系统状态空间模型进行线性化，用前一时刻的状态估算值与观测值精确估算当前时刻的值，对于非线性系统，其系统状态空间模型如下：

状态方程：X_k+1＝f(X_k,U_k)+w_k

观测方程：Z_k＝g(X_k,U_k)+ν_k

式中，X为系统的状态向量，Z为系统的观测值，U为系统的输入向量，也是k时刻系统的控制量,可以为电压或电流等量，f为非线性的状态转移函数，g是测量函数，w_k为系统噪声，ν_k为观测噪声。

对状态方程式和观测方程式线性化处理，即围绕(表示验后估计，表示验前估计，下同)进行泰勒级数展开，略去二次以上项，得到等效的离散方程如下：

状态方程：X_k+1＝A_kX_k+B_kU_k+w_k

观测方程：Z_k＝C_kX_k+D_kX_k+ν_k

进一步的，S2所述建立动力电池系统等效的离散状态空间方程分别为：

状态方程：

观测方程：

其中，

D＝-R₀

w_k和v_k满足：

E[w_k]＝0，E[v_k]＝0；

其中Q为系统噪声的协方差，R为观测噪声的协方差，w_k和v_k分别为系统噪声和观测噪声，C₁和C₂表示等效电容，R₁C₁等效为锂电池电极间传输时的阻抗，R₂C₂等效为锂离子极间扩散时的阻抗，V₁和V₂分别为等效电路中两个RC并联环节的端电压。

S3所述建立OCV-SOC关系并通过此关系获取初值，具体包括：在常温下对锂电池进行恒流放电实验，记录电池的开路电压与荷电状态之间的对应数据，再将对应数据导入MATLAB进行数据拟合建立OCV-SOC的函数关系，通过该关系得到SOC初值SOC₀，初值需进行定期校正，以确保扩展卡尔曼滤波的收敛速度，使估测值更快接近真实值，由于OCV-SOC函数关系是通过开路电压实验得到，此方法在充放电开始和结束阶段对SOC的估测效果最好，因此可以在每次电池电压将达到充电截止电压，接近充满电状态时，根据已测得的OCV-SOC函数关系曲线来校准SOC初值。

S4所述的利用扩展卡尔曼滤波算法进行SOC估测，生成估测值的过程包括：

S41、设定状态向量X和误差协方差矩阵P的初值

S42、基于k-1时刻的最优状态量对k时刻的值进行预测

S43、更新预测量的误差协方差矩阵P

S44、计算卡尔曼增益系数

S45、结合预测值和当前观测值进行当前时刻状态量的最优估计

S46、更新校正后的误差协方差矩阵

S47、重复S42到S46的过程进行循环迭代，实现对状态量SOC的估测。

其中，表示验后估计，表示验前估计，Q为系统噪声的协方差，R为观测噪声的协方差，I为单位矩阵，Kg为卡尔曼滤波增益，卡尔曼滤波增益需根据状态量的误差协方差P来获得，因此每进行一次估计都要用到上一轮的误差协方差，整体运算过程通过不断地递归协方差来实现对状态量的最优估计，增益也随着时刻更新。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (10)

1.一种锂电池的SOC在线估测方法，其特征在于，步骤如下：

S1、建立电池的SOC方程；S2、建立电池的二阶等效电路模型，并建立电池系统的离散状态空间模型；S3、确定电池开路电压OCV与电池荷电状态SOC之间的函数关系，用以获得电池荷电状态初值；S4、利用扩展卡尔曼滤波算法进行电池SOC估测。

2.根据权利要求1所述的一种锂电池的SOC在线估测方法，其特征在于，所述步骤S1中建立电池的SOC方程具体包括：S11、考虑温度影响程度对电池实际可用容量进行校正获得实际可用容量受温度影响的校正系数；S12、考虑放电电流影响程度对电池实际可用容量进行校正获得实际可用容量受放电倍率影响的校正系数；S13、考虑老化影响程度对电池实际可用容量进行校正获得实际可用容量受老化影响的校正系数。

3.根据权利要求2所述的一种锂电池的SOC在线估测方法，其特征在于，所述步骤S11中，考虑温度影响程度对电池实际可用容量进行校正，电池实际可用容量与温度成正相关，随着温度的升高，电池内部活性物质利用率提高，实际可用容量增大，用K_T表示温度影响系数，等于T温度下电池放电总量C_T与标称容量C_N比值：

4.根据权利要求2所述的一种锂电池的SOC在线估测方法，其特征在于，所述步骤S12中，考虑放电电流影响程度对电池实际可用容量进行校正时，根据电池实际可用容量与放电倍率之间的关系，放电电流越大，电池实际可放出的电量越小，反之电池实际可用容量增加，设电流比例系数为K_i，表示放电倍率对电池SOC的影响程度，K_i等于放电电流为i时电池的实际可用容量C_i与电池标称容量C_N的比值：

5.根据权利要求2所述的一种锂电池的SOC在线估测方法，其特征在于，所述步骤S13中，考虑老化影响程度对电池实际可用容量进行校正时，根据电池实际可用容量与老化程度即充放电循环次数之间的关系，通过电池管理系统实时记录电池的放出容量与循环次数，以λ表示老化系数，其中0＜λ≤1，等于实际放出容量与标称容量比值，λ·C_N表示不同老化程度下电池的实际可用容量，每隔设定的循环次数后更新一次λ值，当λ小于设定值后，认为电池寿命终止。

6.根据权利要求1或2所述的一种锂电池的SOC在线估测方法，其特征在于，所述步骤S1中的SOC方程为：

式中，I(t)为放出电流，SOC₀为电池荷电状态初值，SOC(t)为t时刻荷电状态值。

7.根据权利要求1所述的一种锂电池的SOC在线估测方法，其特征在于，所述步骤S2中，建立电池的等效电路模型具体包括：选取二阶RC等效电路模型并进行分析处理，得到电池模型参数间的函数关系：

式中，V(t)表示输出电压，i(t)表示输出电流，U_OC(SOC,t)表示开路电压OVC与电池荷电状态SOC间的函数关系，R₀表示欧姆内阻，R₁表示电化学极化内阻，R₂表示浓差极化内阻，τ₁和τ₂分别表示两个RC单元的时间常数。

8.如权利要求1所述的一种锂电池的SOC在线估测方法，其特征在于，所述步骤S2中，建立电池非线性系统的离散状态空间模型如下：

状态方程：

观测方程：

各项系数，

D_k＝-R₀

w_k和v_k分别为系统噪声和观测噪声，Δt表示采样间隔时间，C₁和C₂表示等效电容，R₁C₁等效为锂电池电极间传输时的阻抗，R₂C₂等效为锂离子极间扩散时的阻抗，V₁和V₂分别为等效电路中两个RC并联环节的端电压。

9.根据权利要求1所述的一种锂电池的SOC在线估测方法，

其特征在于，所述步骤S3中，通过OCV-SOC关系获取初值包括：对锂电池进行恒流放电实验，记录电池的开路电压与荷电状态之间的对应数据；将数据导入MTALAB进行数据拟合建立电池开路电压与荷电状态的函数关系；再通过该函数关系获取SOC初值SOC₀，同时对初值进行定期校正，以确保扩展卡尔曼滤波算法的收敛速度，使估测值更快接近真实值；

所述校正SOC初值，其校准方法为：在每次电池电压将达到充电截止电压，接近充满电状态时，根据测得的电池开路电压OCV与荷电状态SOC之间的关系曲线校准SOC初值。

10.如权利要求1所述的一种锂电池的SOC在线估测方法，其特征在于，所述步骤S4中利用扩展卡尔曼滤波算法进行SOC估测，生成估测值的过程包括：

S41、设定状态向量X和误差协方差矩阵P的初值

X₀＝[SOC₀ 0 0]，

S42、基于k-1时刻的最优状态量对k时刻的值进行预测其中A和B表示扩展卡尔曼滤波算法中状态方程的系统参数；

S43、更新预测量的误差协方差矩阵P

S44、计算卡尔曼增益系数

其中C为观测方程的系统参数；

S45、结合预测值和当前观测值进行当前时刻状态量的最优估计其中Z_k表示k时刻观测量，U_k为系统的输入向量，也是k时刻系统的控制量；

S46、更新校正后的误差协方差矩阵

S47、重复S42到S46的过程进行循环迭代，实现对状态量的估测，

其中，表示验后估计，表示验前估计，Kg为卡尔曼滤波增益，Q为系统噪声的协方差，R为观测噪声的协方差，I为单位矩阵。