CN110196395A - 蓄电池soc估算方法 - Google Patents

Abstract

本发明公开了一种蓄电池SOC估算方法。本发明包括以下步骤：对蓄电池样本进行完全充放电测试，采集端电压、工作电流、温度及充放电循环次数，构建蓄电池实际容量计算模型；利用计算模型计算得到待测蓄电池的实际容量；采集待测蓄电池处于动态放电状态时的放电端电压及工作电流，建立待测蓄电池的一阶RC等效电路模型，获取模型中的电阻值与电容值；建立待测蓄电池的状态空间方程和量测方程；根据状态空间方程构建滑模观测器，并采用滑模观测器得出待测蓄电池的SOC估计值。本发明的蓄电池SOC估算方法，能够在线估计蓄电池的SOC，并且相比现有技术具有估算准确性高且对于预设数学模型的准确性的依赖程度较低的优点。

Description

蓄电池SOC估算方法

技术领域

本发明涉及蓄电池的状态测试与监控，尤其涉及一种蓄电池SOC估计方法。

背景技术

蓄电池荷电状态(State of Charge,SOC)是描述蓄电池运行状态的重要参数，其常用电池剩余电量与电池实际容量的比值表示。SOC是蓄电池能量管理系统的一项主要检测参数，尤其蓄电池放电时准确SOC估计可为蓄电池剩余放电工作时间预测、安全预警、能量均衡控制与健康管理等提供科学依据。

现有的蓄电池SOC估计方法主要分为计算法、拟合法及参数估计法。计算法又称安时积分法，通过采集蓄电池端电压与工作电流，利用充放电电荷量安时积分计算公式估算蓄电池SOC，该方法需要确定SOC初始值及精确测量电流值。拟合法首先利用各类拟合方法(如神经网络、支持向量机)离线建立蓄电池状态参数(如端电压、电流)或性能参数(如内阻、开路电压)和SOC的关系模型，然后基于蓄电池状态信号和拟合模型，估计当前SOC值，拟合法需要离线训练数据、模型更新比较困难。因此，计算法和拟合法均不适用于SOC在线估计，即不适用于蓄电池在使用状态下的SOC估算或监控。

参数估计法首先基于蓄电池模型进行模型参数辨识，根据蓄电池模型电气方程，以描述SOC和可测状态信号(端电压、电流)之间的关系，然后将SOC视为蓄电池内部状态变量，结合安时积分公式和蓄电池模型电气方程建立蓄电池状态空间方程；最后，基于各类状态估计方法(如卡尔曼滤波)对蓄电池SOC进行估计。参数估计方法能够实时跟踪蓄电池端电压和工作电流的变化以更新SOC估计值，可实现在线SOC估计，因此成为近几年SOC估计方法中的研究热点。

但是，现有的参数估计法仍有一定的缺陷。现有的参数估计法在用于估计蓄电池SOC时，所采用的蓄电池容量常为蓄电池标称容量，然而受外界环境因素影响及使用时间的增加，蓄电池存在性能退化现象，其实际容量逐步衰减变小直至失效。因此，在估计蓄电池SOC过程中应考虑老化特性对SOC估计精度的影响，将蓄电池标称容量替换为蓄电池实际容量。目前，蓄电池实际容量一般在实验室通过标准完全充电/完全放电方式获取，然而蓄电池在实际工作中一般都是不完全放电后、又再次充电使用的，有时甚至也没有充电到最大充电电压值，则无法通过标准完全充电/完全放电方法在线获取蓄电池实际容量。

蓄电池内部化学材料(正负极、电解质等)性能与组成的改变是引起蓄电池性能退化的本质原因，蓄电池容量退化在其内部反映为电化学特性的变化。蓄电池放电工作时负载电流时变，放电过程为动态过程，而充电过程往往是可控的。因此，考虑利用蓄电池部分充电电压曲线在线获取蓄电池实际容量，并实现蓄电池动态放电时在线SOC估计。

发明内容

本发明要解决的技术问题是为了克服现有技术中的方法无法在蓄电池的一般使用状态诸如蓄电池的动态放电状态下实现准确的SOC估算的缺陷，提出一种蓄电池SOC估算方法。

本发明是通过下述技术方案来解决上述技术问题的：

本发明提供了一种蓄电池SOC估算方法，其特点在于，其包括以下步骤：

步骤一、对蓄电池样本进行完全充放电测试，在测试过程中采集端电压、工作电流、温度及充放电循环次数，根据测试过程中采集的所述蓄电池样本的参数采用极限学习机器构建蓄电池实际容量计算模型；

步骤二、采集待测蓄电池处于标准充电状态时的充电端电压、工作电流、温度及充放电循环次数，然后根据所采集的处于标准充电状态的所述待测蓄电池的参数，利用所述蓄电池实际容量计算模型计算得到所述待测蓄电池的实际容量；

步骤三、采集所述待测蓄电池处于动态放电状态时的放电端电压及工作电流，然后根据所采集的处于动态放电状态的所述待测蓄电池的放电端电压及工作电流，建立待测蓄电池的一阶RC等效电路模型，根据所述一阶RC等效电路模型建立蓄电池模型的离散化的电气方程，并采用最小二乘渐消法计算获取所述一阶RC等效电路模型中的电阻值与电容值，其中所述离散化的电气方程为：

U_RC(t+1)＝U_RC(t)·exp(-Δt/τ)+I(t)·R·(1-exp(-Δt/τ)) (1)，

U(t+1)＝U_OC(t+1)-U_RC(t+1)-I(t+1)·R_o (2)，

所述电气方程(1)、(2)中，U为端电压；U_RC为极化电压；U_OC为开路电压；I为工作电流；R_o为欧姆电阻；R和C分别为极化电阻和极化电容，U_RC(t+1)为第t+1时刻极化电压，U_RC(t)为第t时刻极化电压，U(t+1)为第t+1时刻端电压，I(t+1)为第t+1时刻工作电流，U_OC(t+1)为第t+1时刻开路电压，τ＝R*C，△t为第t+1时刻和第t时刻的间隔时间；

步骤四、根据电气方程(1)和安时积分公式(3)，建立待测蓄电池的状态空间方程(4)，并根据电气方程(2)建立待测蓄电池的量测方程(5)，其中安时积分公式(3)、待测蓄电池的状态空间方程(4)和量测方程(5)分别为：

其中，SOC(t+1)和SOC(t)分别为第t+1时刻和第t时刻的SOC，C_real为步骤二中得到的所述待测蓄电池的实际容量，[SOC(t+1)U_RC(t+1)]^T为所述待测蓄电池的状态变量，所述待测蓄电池的量测方程(5)中的输入为工作电流I(t+1)、输出为端电压U(t+1)，A～F为状态空间模型参数，所述状态空间模型参数根据步骤二和步骤三所得到的所述一阶RC等效电路模型中的电阻值与电容值以及所述待测蓄电池的实际容量自适应更新；

步骤五、根据待测蓄电池的状态空间方程(4)构建滑模观测器，并采用所述滑模观测器得出所述待测蓄电池的SOC估计值，其中所述滑模观测器由以下公式(6)定义：

其中，L1、L2为滑模增益；S(·)为切换控制函数。

较佳地，步骤五中所述滑模观测器确定滑模增益的约束条件满足Lyapunov稳定性条件。

较佳地，步骤五中通过使得所述滑模观测器的估计误差收敛并趋于零从而得出所述待测蓄电池的SOC估计值。

较佳地，步骤一包括以下子步骤：

子步骤1.1、对蓄电池样本进行完全充放电测试，利用安时积分法计算蓄电池实际容量；

子步骤1.2、对蓄电池样本的充电端电压进行电压差分分析，求解当单位电量变化对应的电压变化为零时(dv/dq＝0时)所对应的电压值并记录此时的蓄电池样本的蓄电池温度Tⁱ、充电电流值Iⁱ及充放电循环次数Mⁱ，其中i为蓄电池样本的序号；

子步骤1.3、以电压温度Tⁱ、充电电流值Iⁱ以及充放电循环次数Mⁱ作为蓄电池实际容量计算模型的模型输入量，以蓄电池实际容量作为其模型输出量，并采用极限学习机器构建蓄电池实际容量计算模型，其中V_a＝(V_m+V_n)/2，V_m和V_n分别为最大充电截止电压和最小放电截止电压。

在符合本领域常识的基础上，上述各优选条件，可任意组合，即得本发明各较佳实例。

本发明的积极进步效果在于：

本发明的蓄电池SOC估算方法，能够在线估计蓄电池的SOC，并且相比现有技术具有估算准确性高且对于预设数学模型的准确性的依赖程度较低的优点。

附图说明

图1为本发明一较佳实施例的蓄电池SOC估算方法的流程示意图。

图2为本发明一较佳实施例的蓄电池SOC估算方法中建立的待测蓄电池的一阶RC等效电路模型的示意图。

具体实施方式

下面结合说明书附图，进一步对本发明的优选实施例进行详细描述，以下的描述为示例性的，并非对本发明的限制，任何的其他类似情形也都落入本发明的保护范围之中。

在以下的具体描述中，方向性的术语，例如“左”、“右”、“上”、“下”、“前”、“后”、等，参考附图中描述的方向使用。本发明的实施例的部件可被置于多种不同的方向，方向性的术语是用于示例的目的而非限制性的。

参考图1所示，根据本发明一较佳实施例的一种蓄电池SOC估算方法，包括以下步骤：

步骤一、对蓄电池样本进行完全充放电测试，在测试过程中采集端电压、工作电流、温度及充放电循环次数，根据测试过程中采集的所述蓄电池样本的参数采用极限学习机器构建蓄电池实际容量计算模型；

步骤二、采集待测蓄电池处于标准充电状态时的充电端电压、工作电流、温度及充放电循环次数，然后根据所采集的处于标准充电状态的所述待测蓄电池的参数，利用所述蓄电池实际容量计算模型计算得到所述待测蓄电池的实际容量；

步骤三、采集所述待测蓄电池处于动态放电状态时的放电端电压及工作电流，然后根据所采集的处于动态放电状态的所述待测蓄电池的放电端电压及工作电流，建立待测蓄电池的一阶RC等效电路模型(参见图2所示)，根据所述一阶RC等效电路模型建立蓄电池模型的离散化的电气方程，并采用最小二乘渐消法计算获取所述一阶RC等效电路模型中的电阻值与电容值，其中所述离散化的电气方程为：

U_RC(t+1)＝U_RC(t)·exp(-Δt/τ)+I(t)·R·(1-exp(-Δt/τ)) (1)，

U(t+1)＝U_OC(t+1)-U_RC(t+1)-I(t+1)·R_o (2)，

所述电气方程(1)、(2)中，U为端电压；U_RC为极化电压；U_OC为开路电压；I为工作电流；R_o为欧姆电阻；R和C分别为极化电阻和极化电容，U_RC(t+1)为第t+1时刻极化电压，U_RC(t)为第t时刻极化电压，U(t+1)为第t+1时刻端电压，I(t+1)为第t+1时刻工作电流，U_OC(t+1)为第t+1时刻开路电压，τ＝R*C，△t为第t+1时刻和第t时刻的间隔时间；

步骤四、根据电气方程(1)和安时积分公式(3)，建立待测蓄电池的状态空间方程(4)，并根据电气方程(2)建立待测蓄电池的量测方程(5)，其中安时积分公式(3)、待测蓄电池的状态空间方程(4)和量测方程(5)分别为：

其中，SOC(t+1)和SOC(t)分别为第t+1时刻和第t时刻的SOC，C_real为步骤二中得到的所述待测蓄电池的实际容量，[SOC(t+1)U_RC(t+1)]^T为所述待测蓄电池的状态变量，所述待测蓄电池的量测方程(5)中的输入为工作电流I(t+1)、输出为端电压U(t+1)，A～F为状态空间模型参数，所述状态空间模型参数根据步骤二和步骤三所得到的所述一阶RC等效电路模型中的电阻值与电容值以及所述待测蓄电池的实际容量自适应更新；

步骤五、根据待测蓄电池的状态空间方程(4)构建滑模观测器，并采用所述滑模观测器得出所述待测蓄电池的SOC估计值，其中所述滑模观测器由以下公式(6)定义：

其中，L1、L2为滑模增益；S(·)为切换控制函数，S(·)可以定义如下式：

其中，e为状态变量估计值与真实值之间的误差，e为状态变量估计值与真实值之间的误差，ε为边界层上界。

根据本发明的一些优选实施方式，步骤一具体包括以下子步骤：

子步骤1.1、对蓄电池样本进行完全充放电测试，利用安时积分法计算蓄电池实际容量；

子步骤1.2、对蓄电池样本的充电端电压进行电压差分分析，求解当单位电量变化对应的电压变化为零时(dv/dq＝0时)所对应的电压值并记录此时的蓄电池样本的蓄电池温度Tⁱ、充电电流值Iⁱ及充放电循环次数Mⁱ，其中i为蓄电池样本的序号；

子步骤1.3、以电压温度Tⁱ、充电电流值Iⁱ以及充放电循环次数Mⁱ作为蓄电池实际容量计算模型的模型输入量，以蓄电池实际容量作为其模型输出量，并采用极限学习机器构建蓄电池实际容量计算模型，其中V_a＝(V_m+V_n)/2，V_m和V_n分别为最大充电截止电压和最小放电截止电压。

其中，电压差分是指单位电量变化对应的电压变化(即dv/dq)。当采用“恒流-恒压”(Constant Current-Constant Voltage，CC-CV)方式对蓄电池充电时，随着充电量q的增加蓄电池端电压v单调上升，而当端电压上升到某一定值V_p时会出现端电压变化率与电量变化率的比值dv/dq＝0的情况，V_p介于蓄电池最大充电截止电压V_m和最小放电截止电压V_n之间，并且V_p与蓄电池实际容量相关。

极限学习机器(即，Extreme Learning Machine，ELM)是一种新型隐层前馈神经网络，其具有无需反复调整隐层参数的优势，将传统参数优化的迭代过程替换为求解线性方程组，网络训练过程无需迭代，其训练速度得到极大提高，泛化能力更强。因此，本发明基于ELM建立Vp与实际容量的关系模型，获取不完全放电情况下蓄电池实际容量。

容易理解的是，子步骤1.1中的完全充放电测试可采用加速寿命试验。而在子步骤1.3中，以电压温度Tⁱ、充电电流值Iⁱ以及充放电循环次数Mⁱ作为蓄电池实际容量计算模型的模型输入量，以蓄电池实际容量作为其模型输出量，可设定ELM的输入权值和隐层偏差，计算隐层输出矩阵及输出权值，最终得到回归函数：

回归函数表达式(7)，w为输出权值，g为激活函数，W_in为输入权值，x_i为4维输入向量，b为隐层偏差值并可取为Sigmoid函数，N为训练样本数。

优选地，步骤五中所述滑模观测器确定滑模增益的约束条件满足Lyapunov稳定性条件。步骤五中可通过使得所述滑模观测器的估计误差收敛并趋于零，从而获取状态向量估计值，即得出所述待测蓄电池的SOC估计值。

常用的基于卡尔曼滤波的SOC估计方法对蓄电池模型依赖性较强，且需要提前设定模型中的噪声特性。与之相比，本发明中利用滑模观测器有效地减小对精确数学模型的依赖，在系统模型不确定、参数发生变化或是存在外部扰动的情况下，能够保证观测器的性能，实现对状态参数的快速跟踪及估计。而在本发明的一些优选实施方式中，进一步选用一种新的切换控制函数来改进滑模观测器，将其用于蓄电池动态放电时的SOC估计，能够帮助抑制滑模观测器存在的抖振问题，提高SOC估算精度。

本发明首先基于ELM建立蓄电池实际容量计算模型，在对蓄电池进行标准充电操作时，获取蓄电池V_p值、充电电流、温度及循环充放电使用次数，根据所建蓄电池实际容量计算模型获取蓄电池实际容量。在蓄电池动态放电时直接在线估计SOC，通过采集蓄电池端电压、工作电流及温度，并采用最小二乘渐消法实时辨识蓄电池模型参数，并基于当前的蓄电池模型参数及实际容量，采用滑模观测器实时估计蓄电池SOC。由此，得以实现准确地在线估算蓄电池SOC。

虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。

Claims (4)

1.一种蓄电池SOC估算方法，其特征在于，其包括以下步骤：

步骤一、对蓄电池样本进行完全充放电测试，在测试过程中采集端电压、工作电流、温度及充放电循环次数，根据测试过程中采集的所述蓄电池样本的参数采用极限学习机器构建蓄电池实际容量计算模型；

步骤二、采集待测蓄电池处于标准充电状态时的充电端电压、工作电流、温度及充放电循环次数，然后根据所采集的处于标准充电状态的所述待测蓄电池的参数，利用所述蓄电池实际容量计算模型计算得到所述待测蓄电池的实际容量；

步骤三、采集所述待测蓄电池处于动态放电状态时的放电端电压及工作电流，然后根据所采集的处于动态放电状态的所述待测蓄电池的放电端电压及工作电流，建立待测蓄电池的一阶RC等效电路模型，根据所述一阶RC等效电路模型建立蓄电池模型的离散化的电气方程，并采用最小二乘渐消法计算获取所述一阶RC等效电路模型中的电阻值与电容值，其中所述离散化的电气方程为：

U_RC(t+1)＝U_RC(t)·exp(-Δt/τ)+I(t)·R·(1-exp(-Δt/τ)) (1)，

U(t+1)＝U_OC(t+1)-U_RC(t+1)-I(t+1)·R_o (2)，

所述电气方程(1)、(2)中，U为端电压；U_RC为极化电压；U_OC为开路电压；I为工作电流；R_o为欧姆电阻；R和C分别为极化电阻和极化电容，U_RC(t+1)为第t+1时刻极化电压，U_RC(t)为第t时刻极化电压，U(t+1)为第t+1时刻端电压，I(t+1)为第t+1时刻工作电流，U_OC(t+1)为第t+1时刻开路电压，τ＝R*C，△t为第t+1时刻和第t时刻的间隔时间；

步骤四、根据电气方程(1)和安时积分公式(3)，建立待测蓄电池的状态空间方程(4)，并根据电气方程(2)建立待测蓄电池的量测方程(5)，其中安时积分公式(3)、待测蓄电池的状态空间方程(4)和量测方程(5)分别为：

其中，SOC(t+1)和SOC(t)分别为第t+1时刻和第t时刻的SOC，C_real为步骤二中得到的所述待测蓄电池的实际容量，[SOC(t+1)U_RC(t+1)]^T为所述待测蓄电池的状态变量，所述待测蓄电池的量测方程(5)中的输入为工作电流I(t+1)、输出为端电压U(t+1)，A～F为状态空间模型参数，所述状态空间模型参数根据步骤二和步骤三所得到的所述一阶RC等效电路模型中的电阻值与电容值以及所述待测蓄电池的实际容量自适应更新；

步骤五、根据待测蓄电池的状态空间方程(4)构建滑模观测器，并采用所述滑模观测器得出所述待测蓄电池的SOC估计值，其中所述滑模观测器由以下公式(6)定义：

其中，L1、L2为滑模增益；S(·)为切换控制函数。

2.如权利要求1所述的蓄电池SOC估算方法，其特征在于，步骤五中所述滑模观测器确定滑模增益的约束条件满足Lyapunov稳定性条件。

3.如权利要求1所述的蓄电池SOC估算方法，其特征在于，步骤五中通过使得所述滑模观测器的估计误差收敛并趋于零从而得出所述待测蓄电池的SOC估计值。

4.如权利要求1所述的蓄电池SOC估算方法，其特征在于，步骤一包括以下子步骤：

子步骤1.1、对蓄电池样本进行完全充放电测试，利用安时积分法计算蓄电池实际容量；

子步骤1.2、对蓄电池样本的充电端电压进行电压差分分析，求解当单位电量变化对应的电压变化为零时所对应的电压值并记录此时的蓄电池样本的蓄电池温度Tⁱ、充电电流值Iⁱ及充放电循环次数Mⁱ，其中i为蓄电池样本的序号；

子步骤1.3、以电压温度Tⁱ、充电电流值Iⁱ以及充放电循环次数Mⁱ作为蓄电池实际容量计算模型的模型输入量，以蓄电池实际容量作为其模型输出量，并采用极限学习机器构建蓄电池实际容量计算模型，其中V_a＝(V_m+V_n)/2，V_m和V_n分别为最大充电截止电压和最小放电截止电压。