CN110133510B - 一种锂离子电池荷电状态soc混合估计方法 - Google Patents

Abstract

本发明公开了一种锂离子电池荷电状态SOC混合估计方法，包括以下步骤：步骤一、根据电池放置时间T与电池的静置时间T₂的比较结果，判断是采用基于模型的方法还是基于OCV的方法估计SOC初始值，或者直接采用库伦计数法进行SOC估计，得到SOC估计值，同时得到SOC估计时间T₀；步骤二、当SOC估计时间T₀不超过电池出现长漂移时间T₁时，估算结束；当SOC估计时间T₀大于电池出现长漂移时间T₁时，开始校准SOC初始值，根据校准后的SOC初始值采用库伦计数法再次进行SOC估计，得到新的SOC估计值。将库伦计数法、基于OCV的方法及基于模型的方法三者结合，能够快速准确对于SOC进行估计，适合锂离子电池的在线SOC检测，提高了在不同条件下SOC估计的准确性，延长了电池的使用寿命。

Description

一种锂离子电池荷电状态SOC混合估计方法

技术领域

本发明属于电池荷电状态的估计领域，特别涉及一种锂离子电池荷电状态SOC混合估计方法。

背景技术

随着智能电网和电动汽车的发展，电池储能系统的管理扮演着越来越重要的角色。锂电池具有循环寿命长、充电效率高、安全性能好等优点，被广泛的用于电动汽车和智能电网行业，其中荷电状态(SOC)的估计，对于延长电池寿命，保证智能电网和电动汽车正常、安全工作具有重大意义。

目前对于SOC估算方法的研究已经取得了一定成果，主要有开路电压法(OCV)、安时积分法、负载电压法、内阻法、卡尔曼滤波法、库伦计数法(CC)和神经网络法等，其中基于CC的方法、基于OCV的方法以及基于模型的方法是近几十年来研究的重点，但每种方法都有各自的优点和缺点。

CC法是通过对负载电流积分得到SOC的估计值，方法简单易于实现，在一定时间段内具有较好的精度，但是每次估计时必须要知道充放电起始状态，并且库伦效率受工作状态影响较大，电流测量不准确，会造成SOC估计误差，存在长期漂移的问题；基于OCV的方法是一种较为精确相对简单的SOC估计法，可以削弱电池充放电估算不准确所引发的干扰，但它依赖于OCV-SOV的函数，而这种函数关系也会随着电池的老化而改变，并且基于OCV的方法估计SOC时，需要将电池静置很长时间，通常超过两个小时，不适合在线应用；基于模型的方法精度较高，需要准确识别等效电路模型(ECM)的参数，而这些参数会受到电池老化、温度以及SOC的变化的影响，这一类方法常用的有基于卡尔曼滤波、滑模观测器等。目前已经有研究将几种方法混合，以提高电池SOC估计的准确性，但是运算相对复杂，计算量较大，不适合在线应用。

发明内容

本发明的目的在于提供一种锂离子电池荷电状态SOC混合估计方法，适合于在线应用，提高了在不同条件下SOC估计的准确性，延长了电池的使用寿命。

本发明是通过以下技术方案来实现：

一种锂离子电池荷电状态SOC混合估计方法，包括以下步骤：

步骤一、根据电池放置时间T与电池的静置时间T₂的比较结果，判断是采用基于模型的方法还是基于OCV的方法估计SOC初始值，或者直接采用库伦计数法进行SOC估计，得到SOC估计值，同时得到SOC估计时间T₀；

步骤二、当SOC估计时间T₀不超过电池出现长漂移时间T₁时，估算结束；

当SOC估计时间T₀大于电池出现长漂移时间T₁时，开始校准SOC初始值，根据校准后的SOC初始值采用库伦计数法再次进行SOC估计，得到新的SOC估计值。

进一步，步骤一具体为：

当电池放置时间T不超过电池的静置时间T₂时，采用基于模型的方法估计出SOC初始值，然后采用库伦计数法进行SOC估计，得到SOC估计值，同时得到SOC估计时间T₀；

当电池放置时间T大于电池的静置时间T₂，且出现高度非线性区域时，采用库伦计数法进行SOC估计，得到SOC估计值，同时得到SOC估计时间T0；

当电池放置时间T大于电池的静置时间T₂，且没有出现高度非线性区域时，采用基于OCV的方法估计出SOC初始值，然后采用库伦计数法进行SOC估计，得到SOC估计值，同时得到SOC估计时间T₀。

进一步，步骤二中，校准SOC初始值是基于步骤一中判断的电池放置时间T与电池的静置时间T₂的结果进行的，具体为：

当电池放置时间T大于电池的静置时间T₂时，采用基于OCV的方法对SOC初始值进行重新校准，得到校准后的SOC初始值；

当电池放置时间T不超过电池的静置时间T₂时，采用基于模型的方法对SOC初始值进行重新校准，得到校准后的SOC初始值。

进一步，基于模型的方法采用线性卡尔曼滤波器LKF。

进一步，基于模型的方法包括参数识别、SOC递归估计和容量估计。

进一步，参数识别采用快速上三角和对角递归最小二乘算法，即FUDRLS算法。

进一步，容量估计采用近似加权总最小二乘算法，即AWTLS算法。

进一步，容量估计的过程具体为：

使用移动平均滤波器MA计算特定时间窗口内数据平均值，每采样一次新值滑动一次窗口，计算一次平均值，对AWTLS算法得到的估计容量进行更新，对库伦计数法中使用到的容量值进行校正。

与现有技术相比，本发明具有以下有益的技术效果：

本发明公开的锂离子电池荷电状态混合估计方法，根据电池放置时间与电池的静置时间的比较结果，来选择采用基于模型的方法、库伦计数法或基于OCV的方法，在长时间内，当出现高度非线性区域时，用CC法进行SOC估计，否则采用基于OCV的方法和库伦计数法，基于OCV的方法适用于大于静置时间的SOC估计，用此方法能够准确估计出它的初始值，短时间采用LKF的方法进行SOC初始值的估计。当SOC估计时间大于电池出现长漂移时间时，长漂移出现会影响SOC的估计值，使估计值不准确，进而影响下一个时间的SOC的估计，从而使得估计误差越来越大，那么就需要校准SOC初始值，根据校准后的SOC初始值采用库伦计数法再次进行SOC估计，得到新的SOC估计值。本发明主要应用库伦计数法进行SOC的估计，结合基于OCV的方法和基于模型的方法弥补库伦计数法的不足，减少了运算量，适合在线应用，并且估算精度较高。能够快速准确对SOC进行估计，适合锂离子电池的在线SOC检测，为锂离子电池提供了准确的检测结果，同时降低了短期SOC估计和长期SOC估计的计算量，使该方法更适合于在线应用，提高了在不同条件下SOC估计的准确性，延长了电池的使用寿命。

进一步，再次根据电池放置时间与电池的静置时间的比较结果，对SOC初始值进行重新估计，也就是校准，提高SOC估计值的准确性，减小估计误差。

进一步，基于模型的方法采用线性卡尔曼滤波器LKF，降低了计算的复杂程度。

进一步，参数识别采用FUDRLS算法，容量估计AWTLS算法。AWTLS算法是一种准确的容量估计法，误差较小，只需要简单的数学运算，对不同的工作条件具有鲁棒性，因此具有一定的优越性；FUDRLS算法对于在线参数的识别具有一定的优越性。

进一步，CC法在估算时和容量是有关系的，当电池容量由于退化而衰减，这可能会导致额外的SOC估计误差，因此需要校准。

附图说明

图1为本发明的锂离子电池荷电状态SOC混合估计方法的流程图。

具体实施方式

下面结合具体的实施例对本发明做进一步的详细说明，所述是对本发明的解释而不是限定。

如图1所示，本发明的锂离子电池荷电状态SOC混合估计方法，包括以下步骤：当电池放置时间T不超过电池的静置时间T₂时，采用基于模型的方法估计出SOC初始值，然后采用库伦计数法进行SOC估计，得到SOC估计值，同时得到SOC估计时间T₀。当电池放置时间T大于电池的静置时间T₂时，需要判断是否出现高度非线性区域，当出现高度非线性区域时，采用库伦计数法进行SOC估计，得到SOC估计值，同时得到SOC估计时间T0；当没有出现高度非线性区域时，采用基于OCV的方法估计出SOC初始值，然后采用库伦计数法进行SOC估计，得到SOC估计值，同时得到SOC估计时间T0。

由于库伦计数法存在长漂移现象，当SOC估计时间T₀大于T₁时，这里的T₁是指电池从开始估计到出现长漂移的时间，需要校准更新SOC的初始值，根据校准后的SOC初始值采用库伦计数法再次进行SOC估计，得到新的SOC估计值。当SOC估计时间T₀不超过电池出现长漂移时间T₁时，估算结束。

当电池长时间静置时，在电池放置时间T不超过电池的静置时间T₂的时间内，使用基于模型的方法进行SOC初始值校准，得到校准后的SOC初始值；但电池放置时间T在超过电池的静置时间T₂的时间后，基于OCV的方法对于SOC的重新校准非常精确，这时使用基于OCV的方法对SOC初始值进行校准，用于更新CC法的SOC初始状态，以便使得CC法的估计更加精确。

基于模型的方法包括参数识别、SOC递归估计和容量估计，因为基于模型的方法在估计SOC时，和参数有关，而参数是时变的，因此需要进行参数识别，然后进行SOC的估计，而容量的估计也就是针对于CC法的容量校准，LKF法是独立于容量退化，也就是说用此方法进行SOC估计和容量退化没有关系。

对于SOC的估计主要包括SOC初始值估计，SOC初始值的重新校准，以及参数识别和容量估计。参数识别和容量估计是将影响电池SOC估计的因素(如充放电率，电池运行的温度)，而这些因素是时变的，电池会随着时间和使用次数老化，这些对于SOC的估计都有很大的影响，所以参数识别和容量估计显得尤为重要。快速上三角和对角递归最小二乘(FUDRLS)和近似加权总最小二乘(AWTLS)在参数识别和容量估计中具有优越性，此处选用这两种方法。

对于基于模型的SOC估计，可使用线性卡尔曼滤波器LKF或其他混合方法，但是为了降低计算的复杂程度，在此使用LKF，并且LKF可以在电池弛豫后使SOC估计收敛于SOC的实际值。由于CC法存在长漂移问题，LKF也可以在每个T₁上使用，以解决长漂移的问题，这里的T₁是指从开始估计到出现长漂移的时间，每隔一个T₁就启用一次LKF用于更新SOC初始值。但在长漂移出现之前使用LKF算法过于复杂，这里使用CC法可以有效降低计算的复杂度且精度较高。

由于LKF可以在2.5分钟内收敛到SOC初始值，可以使基于模型的方法和无负载运行3分钟的电池相结合。有效的利用基于模型的方法更新SOC的初始状态值，使得CC法在估计SOC时更加准确，但电池模型的复杂性、增益等会影响收敛时间，为了能使SOC估计更为快速，应仔细选择无负载运行的时间。

由于OCV和SOC之间的函数关系存在高度非线性区域，在此区域内使用LKF进行SOC估计较为复杂，可直接用CC法进行SOC估计。在用OCV方法进行SOC初始值估计时，是根据OCV和SOC的函数关系确定SOC的值的，而这个函数关系存在高度非线性区域，在此区域内就可直接用CC法估计，不用管静置时间问题。

通过FUDRLS算法进行参数的估计更新，容量估计中使用AWTLS算法，但由于基于模型的方法和容量退化无关，所以AWTLS算法中使用的SOC初始值由LKF估计的SOC初始值提供。

在AWTLS的在线使用过程中会引起较大波动，从而导致SOC估计的误差，需要消除这个波动。此处使用移动平均滤波器(MA)计算特定时间窗口内数据平均值，每采样一次新值滑动一次窗口，计算一次平均值，对AWTLS算的估计容量进行更新，以此来对CC算法中使用到的容量值进行校正。

本文提出的混合方法能有效结合三种方法的优点，能够快速准确对于SOC进行估计，适合锂离子电池的在线SOC检测，为锂离子电池提供了准确的检测结果，同时降低了短期SOC估计和长期SOC估计的计算量，能有效延长电池的寿命。

Claims (6)

1.一种锂离子电池荷电状态SOC混合估计方法，其特征在于，包括以下步骤：

步骤一、根据电池放置时间T与电池的静置时间T2的比较结果，判断是采用基于模型的方法还是基于OCV的方法估计SOC初始值，或者直接采用库伦计数法进行SOC估计，得到SOC估计值，同时得到SOC估计时间T0；

步骤一具体为：

当电池放置时间T不超过电池的静置时间T2时，采用基于模型的方法估计出SOC初始值，然后采用库伦计数法进行SOC估计，得到SOC估计值，同时得到SOC估计时间T0；

当电池放置时间T大于电池的静置时间T2，且OCV和SOC之间的函数关系出现高度非线性区域时，采用库伦计数法进行SOC估计，得到SOC估计值，同时得到SOC估计时间T0；

当电池放置时间T大于电池的静置时间T2，且OCV和SOC之间的函数关系没有出现高度非线性区域时，采用基于OCV的方法估计出SOC初始值，然后采用库伦计数法进行SOC估计，得到SOC估计值，同时得到SOC估计时间T0；

步骤二、当SOC估计时间T0不超过电池出现长漂移时间T1时，估算结束；

当SOC估计时间T0大于电池出现长漂移时间T1时，开始校准SOC初始值，根据校准后的SOC初始值采用库伦计数法再次进行SOC估计，得到新的SOC估计值；

步骤二中，校准SOC初始值是基于步骤一中判断的电池放置时间T与电池的静置时间T2的结果进行的，具体为：

当电池放置时间T大于电池的静置时间T2时，采用基于OCV的方法对SOC初始值进行重新校准，得到校准后的SOC初始值；

当电池放置时间T不超过电池的静置时间T2时，采用基于模型的方法对SOC初始值进行重新校准，得到校准后的SOC初始值。

2.根据权利要求1所述的锂离子电池荷电状态SOC混合估计方法，其特征在于，基于模型的方法采用线性卡尔曼滤波器LKF。

3.根据权利要求2所述的锂离子电池荷电状态SOC混合估计方法，其特征在于，基于模型的方法包括参数识别、SOC递归估计和容量估计。

4.根据权利要求3所述的锂离子电池荷电状态SOC混合估计方法，其特征在于，参数识别采用快速上三角和对角递归最小二乘算法，即FUDRLS算法。

5.根据权利要求3所述的锂离子电池荷电状态SOC混合估计方法，其特征在于，容量估计采用近似加权总最小二乘算法，即AWTLS算法。

6.根据权利要求3所述的锂离子电池荷电状态SOC混合估计方法，其特征在于，容量估计的过程具体为：

使用移动平均滤波器MA计算特定时间窗口内数据平均值，每采样一次新值滑动一次窗口，计算一次平均值，对AWTLS算法得到的估计容量进行更新，对库伦计数法中使用到的容量值进行校正。

Images