CN111044916B - 一种动力电池的参数与全区间soc联合估计的方法 - Google Patents

Abstract

本发明提供了一种动力电池的参数与全区间SOC联合估计的方法，其采用自适应递推平方根算法进行动力电池参数辨识，参数更新速率可基于工况和系统状态自适应变化，同时避免了嵌入式系统舍入误差造成的数值不稳定问题，提高了参数辨识的收敛速率和结果的稳定性、可靠性。通过修正开启判断模块实现了对SOC的可控修正，在开路电压平台期、低SOC区间和低温等条件下，抑制SOC修正量，保证SOC估计的稳定性；在非平台期开启SOC修正功能，实现对SOC误差的快速修正，因此该方法对于全体系电池在全SOC区间内均有较强的适用性和较高的估计精度。

Description

一种动力电池的参数与全区间SOC联合估计的方法

技术领域

本发明涉及动力电池的管理技术领域，尤其涉及车载动力电池的参数辨识与状态估计方法。

背景技术

电池荷电状态(SOC)估计是电池管理系统(BMS)的基础功能之一，也是进行能量管理、均衡管理和故障诊断等的重要前提。现有常见的动力电池SOC估计方法大致可分为两类：一种是定义法，其利用安时积分，基于荷电状态定义式：SOC＝剩余电量/容量*100％进行计算。然而，由于该方法缺乏闭环修正，而且当容量估计误差增大时，SOC估计误差也会相应增大，因此难以直接应用。而由此方法衍生出的各类修正安时积分法，虽然能够对累积误差进行定期修正，但通常都具有各种限制条件，无法进行在线的实时修正。另一种是模型法，其主要基于电池数学模型，利用离线数据库查表或者利用在线递推最小二乘、Hinfinity(HF)等方法在线参数辨识获取模型参数，然后基于扩展卡尔曼滤波(EKF)、无迹卡尔曼滤波(UKF)等算法进行SOC估计。该类方法相较于定义法具有更强的鲁棒性和环境适用性，对于估计误差能够实现在线闭环修正，但是传统的模型法在低温、低SOC区间以及动力电池电压“平台期”极易出现计算误差增大甚至结果发散的情况，因此对于部分开路电压曲线较为平坦的电池，譬如磷酸铁锂电池等则难以适用，也很难在全SOC区间内始终保持较高的精度。

发明内容

针对上述本领域中亟待解决的技术问题，本发明提供了一种动力电池的参数与全区间SOC联合估计的方法，目的在于对全体系动力电池提供较为广泛及良好的适用性。该方法具体包括以下步骤：

步骤1、对待估计动力电池选择要使用的电池模型及SOC估计算法，并对电池模型参数与SOC估计算法参数进行初始化；

步骤2、加载基于离线OCV实验获取电池的OCV-SOC映射关系表；

步骤3、实时采集电池的电压、电流及温度数据；

步骤4、利用OCV-SOC映射关系以及实时采集的电池数据，基于自适应递推平方根算法计算电池的实时模型参数；

步骤5、基于实时模型参数与SOC估计算法进行SOC估计，并根据估计误差判断和执行估计结果修正；在开路电压平台期、低SOC区间和低温等条件下，抑制修正过程，保证SOC估计的稳定性；在非平台期则开启SOC修正功能，以保证误差修正的速度；

步骤6、输出电池模型参数与SOC估计结果。

由此，通过上述过程即完成了动力电池参数以及包括开路电压平台期与非平台期的全区间SOC的联合估计。

进一步地，所述步骤1中，初始化的模型参数包括欧姆电阻、极化电阻、极化电容等，SOC估计算法采用扩展卡尔曼滤波算法，算法参数包括估计误差协方差矩阵P、系统白噪声协方差矩阵Q、量测白噪声协方差矩阵R等。

进一步地，所述步骤4具体包括：

步骤4.1、基于实时采集的电池数据，构建当前时刻k的数据矩阵H(k)：

H(k)＝[1 U_t(k-1) I_L(k) I_L(k-1)]

其中，U_t(k-1)为前一时刻的电压，I_L(k)和I_L(k-1)分别表示当前时刻和前一时刻的电流；

步骤4.2、根据以下公式更新当前时刻的SOC估计算法参数：

其中，f(k)、g(k)、α(k)为三个当前时刻用于辅助计算的中间变量，S(k-1)表示上一时刻的用于辅助计算的中间变量，λ表示遗忘因子。该步骤仅为中间计算步骤，计算得到中间变量后进一步更新增益矩阵；

步骤4.3、增益矩阵更新，根据以下公式及步骤4.2的结果计算当前时刻的增益矩阵K(k)：

K(k)＝S(k-1)f(k)g(k)；

步骤4.4、电池模型参数矩阵更新，根据以下公式计算当前时刻的电池模型参数矩阵X(k)：

其中，e(k)表示当前时刻的电池模型误差，

和

分别表示当前时刻和前一时刻的电池模型参数矩阵，均为一个四维向量，各元素为与电池模型相关的函数；

步骤4.5、根据以下公式进行遗忘因子更新：

λ＝1-[1-H(k)K(k)]e(k)²/Σ₀

其中，Σ₀为初始时刻先验误差的加权平方和，实际取值可通过算法调参获取。

通过步骤4.5可使得系统的遗忘因子应能够基于工况和系统状态自适应变化，即系统稳定、估计误差小时增大遗忘因子使得参数估计值更稳定，而系统参数波动大、估计误差增大时及时减小遗忘因子以提高新息所占权重，确保参数快速更新收敛；

步骤4.6、根据以下公式更新SOC估计算法参数S：

其中，I表示单位矩阵。

通过该步骤，实际是将传统递推最小二乘算法中的误差协方差矩阵递推过程转化为一个三角阵的递推过程，从而避免了嵌入式系统计算时的舍入误差导致算法失效的情况发生，减少了算法对于字长存储空间的要求。

步骤⑦：根据当前时刻更新后的电池模型参数矩阵，基于电池模型参数与参数矩阵各元素之间的函数关系，进行模型参数解耦，从而获得实际的电池模型参数值。

进一步地，所述步骤5具体包括以下步骤：

步骤5.1、判断当前时刻是否进行SOC估计值修正，若当前时刻处于适宜修正区间，则调整SOC估计算法参数中的系统白噪声协方差矩阵Q_k、量测白噪声协方差矩阵R_k至真实值附近，确保算法能够正常收敛、SOC误差能够快速修正；若当前时刻处于不宜修正区间，如位于开路电压平台期对应的SOC区间或低温、低SOC区间，则通过减小Q_k中SOC对应分量或者增大R_k至远大于真实值来抑制状态修正量。

步骤5.2、SOC先验估计；根据以下公式对状态向量

进行时间更新，并计算状态向量预测值与真实值间误差的协方差矩阵P：

其中，

表示前一时刻后验估计得到的状态向量，

表示当前时刻先验估计得到的状态向量，两者均为二维向量，向量中的两个元素分别表示极化电压和SOC；A_k-1为前一时刻的系统矩阵，B_k-1为前一时刻的输入矩阵，I_L,k-1为前一时刻的电流；

为当前时刻先验估计状态向量预测值与真实值间误差的协方差矩阵；Q_k由步骤5.1得到。

步骤5.3、OCV先验更新，利用步骤5.2得到的SOC先验值和步骤2中的OCV-SOC映射表，获取当前时刻的OCV先验更新值

步骤5.4、SOC后验估计，基于当前时刻状态先验估计值得到更新后的模型参数，基于以下公式进行系统状态后验估计：

卡尔曼增益矩阵更新：

新息更新：

状态向量更新修正：

误差协方差矩阵更新：

其中，K_k表示当前时刻的卡尔曼增益矩阵，C_k表示当前时刻系统的输出矩阵，R_k由步骤5.1得到，e_k表示当前时刻新息，U_t,k表示当前时刻电池电压，U_p,k表示先验估计得到的当前时刻极化电压，R_0,k表示经参数辨识得到的当前时刻欧姆内阻，I_L,k表示当前时刻电流，

表示当前时刻后验估计得到的状态向量，

表示当前时刻后验估计得到的状态向量预测值与真实值间误差的协方差矩阵。

由此上述步骤，即可完成参数与全区间荷电状态联合估计。

通过上述本发明所提供的方法，

采用自适应递推平方根法进行动力电池模型参数的在线辨识，采用EKF算法进行SOC估计。同时通过修正开启判断模块对SOC修正开启时机进行控制，在“平台期”、低温环境和低SOC区间等条件下抑制SOC的修正量，从而避免了传统算法发散的情况发生，使得本发明可应用于全体系动力电池。

本发明至少具有以下有益效果：

1.采用自适应递推平方根算法进行动力电池参数辨识，参数更新速率可基于工况和系统状态自适应变化，同时避免了嵌入式系统舍入误差造成的数值不稳定问题，提高了参数辨识的收敛速率和结果的稳定性、可靠性。

2.通过修正开启判断模块实现了对SOC的可控修正，在开路电压平台期、低SOC区间和低温等条件下，抑制SOC修正量，保证SOC估计的稳定性；在非平台期开启SOC修正功能，实现对SOC误差的快速修正，因此该算法对于全体系电池在全SOC区间内均有较强的适用性和较高的估计精度。

附图说明

图1为本发明所提供方法对应的流程示意图；

图2为本发明中的自适应递推平方根参数辨识流程图；

图3为本发明一实例对应的估计结果图。

具体实施方式

下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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。

本发明提供的动力电池的参数与全区间SOC联合估计的方法，如图1所示，具体包括以下步骤：

步骤1、对待估计动力电池选择要使用的电池模型及SOC估计算法，并对电池模型参数与SOC估计算法参数进行初始化；

步骤2、加载基于离线OCV实验获取电池的OCV-SOC映射关系表；

步骤3、实时采集电池的电压、电流及温度数据；

步骤4、利用OCV-SOC映射关系以及实时采集的电池数据，基于自适应递推平方根算法计算电池的实时模型参数；

步骤5、基于实时模型参数与SOC估计算法进行SOC估计，并根据估计误差判断和执行估计结果修正；在开路电压平台期、低SOC区间和低温等条件下，抑制修正过程，保证SOC估计的稳定性；在非平台期则开启SOC修正功能，以保证误差修正的速度；

步骤6、输出电池模型参数与SOC估计结果。

所述步骤1中，初始化的模型参数包括欧姆电阻、极化电阻、极化电容等，SOC估计算法采用扩展卡尔曼滤波算法，算法参数包括估计误差协方差矩阵P、系统白噪声协方差矩阵Q、量测白噪声协方差矩阵R等。

如图2所示，步骤4具体包括：

步骤4.1、基于实时采集的电池数据，构建当前时刻k的数据矩阵H(k)：

H(k)＝[1 U_t(k-1) I_L(k) I_L(k-1)]

其中，U_t(k-1)为前一时刻的电压，I_L(k)和I_L(k-1)分别表示当前时刻和前一时刻的电流；

步骤4.2、根据以下公式更新当前时刻的SOC估计算法参数：

其中，f(k)、g(k)、α(k)为三个当前时刻用于辅助计算的中间变量，S(k-1)表示上一时刻的用于辅助计算的中间变量，λ表示遗忘因子。

步骤4.3、增益矩阵更新，根据以下公式及步骤4.2的结果计算当前时刻的增益矩阵K(k)：

K(k)＝S(k-1)f(k)g(k)；

步骤4.4、电池模型参数矩阵更新，根据以下公式计算当前时刻的电池模型参数矩阵X(k)：

其中，e(k)表示当前时刻的电池模型误差，

和

分别表示当前时刻和前一时刻的电池模型参数矩阵，均为一个四维向量，各元素为与电池模型相关的函数；

步骤4.5、根据以下公式进行遗忘因子更新：

λ＝1-[1-H(k)K(k)]e(k)²/Σ₀

其中，Σ₀为初始时刻先验误差的加权平方和，实际取值可通过算法调参获取；

步骤4.6、根据以下公式更新SOC估计算法参数S：

其中，I表示单位矩阵；

步骤⑦：根据当前时刻更新后的电池模型参数矩阵，基于电池模型参数与参数矩阵各元素之间的函数关系，进行模型参数解耦，从而获得实际的电池模型参数值。

所述步骤5具体包括以下步骤：

步骤5.1、判断当前时刻是否进行SOC估计值修正，若当前时刻处于适宜修正区间，则调整SOC估计算法参数中的系统白噪声协方差矩阵Q_k、量测白噪声协方差矩阵R_k至真实值附近，确保算法能够正常收敛、SOC误差能够快速修正；若当前时刻处于不宜修正区间，如位于开路电压平台期对应的SOC区间或低温、低SOC区间，则通过减小Q_k中SOC对应分量或者增大R_k至远大于真实值来抑制状态修正量。

步骤5.2、SOC先验估计；根据以下公式对状态向量

进行时间更新，并计算状态向量预测值与真实值间误差的协方差矩阵P：

其中，

表示前一时刻后验估计得到的状态向量，

表示当前时刻先验估计得到的状态向量，两者均为二维向量，向量中的两个元素分别表示极化电压和SOC；A_k-1为前一时刻的系统矩阵，B_k-1为前一时刻的输入矩阵，I_L,k-1为前一时刻的电流；

为当前时刻先验估计状态向量预测值与真实值间误差的协方差矩阵；Q_k由步骤5.1得到。

步骤5.3、OCV先验更新，利用步骤5.2得到的SOC先验值和步骤2中的OCV-SOC映射表，获取当前时刻的OCV先验更新值

步骤5.4、SOC后验估计，基于当前时刻状态先验估计值得到更新后的模型参数，基于以下公式进行系统状态后验估计：

卡尔曼增益矩阵更新：

新息更新：

状态向量更新修正：

误差协方差矩阵更新：

其中，K_k表示当前时刻的卡尔曼增益矩阵，C_k表示当前时刻系统的输出矩阵，R_k由步骤5.1得到，e_k表示当前时刻新息，U_t,k表示当前时刻电池电压，U_p,k表示先验估计得到的当前时刻极化电压，R_0,k表示经参数辨识得到的当前时刻欧姆内阻，I_L,k表示当前时刻电流，

表示当前时刻后验估计得到的状态向量，

表示当前时刻后验估计得到的状态向量预测值与真实值间误差的协方差矩阵。

由此上述步骤，即可完成参数与全区间荷电状态联合估计。

在本发明的一个实施例中，选用某型号磷酸铁锂电池开展动态工况实验。如附图3所示，电池初始SOC为78.7％(位于开路电压平台期)，算法初值设为100％(即初始SOC估计偏差为23.1％)，在运行至合适修正区间后，算法完成了对误差的修正，修正后SOC估计误差保持在2％以内。

应理解，本发明实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (4)

1.一种动力电池的参数与全区间SOC联合估计的方法，其特征在于：具体包括以下步骤：

步骤1、对待估计动力电池选择要使用的电池模型及SOC估计算法，并对电池模型参数与SOC估计算法参数进行初始化；

步骤2、加载基于离线OCV实验获取电池的OCV-SOC映射关系表；

步骤3、实时采集电池的电压、电流及温度数据；

步骤4、利用OCV-SOC映射关系以及实时采集的电池数据，基于自适应递推平方根算法计算电池的实时模型参数；

步骤5、基于实时模型参数与SOC估计算法进行SOC估计，并根据估计误差判断和执行估计结果修正；在开路电压平台期抑制修正过程，判断当前时刻是否进行SOC估计值修正，若当前时刻处于适宜修正区间，则调整SOC估计算法参数中的系统白噪声协方差矩阵Q_k、量测白噪声协方差矩阵R_k至真实值附近，确保算法能够正常收敛、SOC误差能够快速修正，保证SOC估计的稳定性；若当前时刻处于不宜修正区间，则通过减小Q_k中SOC对应分量或者增大R_k值来抑制状态修正量；在非平台期则开启SOC修正功能，以保证误差修正的速度；

步骤6、输出电池模型参数与SOC估计结果。

2.如权利要求1所述的方法，其特征在于：所述步骤1中，初始化的模型参数包括欧姆电阻、极化电阻、极化电容，SOC估计算法采用扩展卡尔曼滤波算法，算法参数包括估计误差协方差矩阵P、系统白噪声协方差矩阵Q、量测白噪声协方差矩阵R。

3.如权利要求2所述的方法，其特征在于：所述步骤4具体包括：

步骤4.1、基于实时采集的电池数据，构建当前时刻k的数据矩阵H(k)：

H(k)＝[1 U_t(k-1) I_L(k) I_L(k-1)]

其中，U_t(k-1)为前一时刻的电压，I_L(k)和I_L(k-1)分别表示当前时刻和前一时刻的电流；

步骤4.2、根据以下公式更新当前时刻的SOC估计算法参数：

其中，f(k)、g(k)、α(k)为三个当前时刻用于辅助计算的中间变量，S(k-1)表示上一时刻的用于辅助计算的中间变量，λ表示遗忘因子；

步骤4.3、增益矩阵更新，根据以下公式及步骤4.2的结果计算当前时刻的增益矩阵K(k)：

K(k)＝S(k-1)f(k)g(k)；

步骤4.4、电池模型参数矩阵更新，根据以下公式计算当前时刻的电池模型参数矩阵X(k)：

其中，e(k)表示当前时刻的电池模型误差，

和

分别表示当前时刻和前一时刻的电池模型参数矩阵，均为一个四维向量，各元素为与电池模型相关的函数；

步骤4.5、根据以下公式进行遗忘因子更新：

λ＝1-[1-H(k)K(k)]e(k)²/Σ₀

其中，Σ₀为初始时刻先验误差的加权平方和；

步骤4.6、根据以下公式更新SOC估计算法参数S：

其中，I表示单位矩阵；

步骤⑦：根据当前时刻更新后的电池模型参数矩阵，基于电池模型参数与参数矩阵各元素之间的函数关系，进行模型参数解耦，从而获得实际的电池模型参数值。

4.如权利要求3所述的方法，其特征在于：所述步骤5具体包括以下步骤：

步骤5.1、判断当前时刻是否进行SOC估计值修正，若当前时刻处于适宜修正区间，则调整SOC估计算法参数中的系统白噪声协方差矩阵Q_k、量测白噪声协方差矩阵R_k至真实值附近，确保算法能够正常收敛、SOC误差能够快速修正；若当前时刻处于不宜修正区间，则通过减小Q_k中SOC对应分量或者增大R_k值来抑制状态修正量；

步骤5.2、SOC先验估计；根据以下公式对状态向量

进行时间更新，并计算状态向量预测值与真实值间误差的协方差矩阵P：

其中，

表示前一时刻后验估计得到的状态向量，

表示当前时刻先验估计得到的状态向量，两者均为二维向量，向量中的两个元素分别表示极化电压和SOC；A_k-1为前一时刻的系统矩阵，B_k-1为前一时刻的输入矩阵，I_L,k-1为前一时刻的电流；

为当前时刻先验估计状态向量预测值与真实值间误差的协方差矩阵；Q_k由步骤5.1得到；

步骤5.3、OCV先验更新，利用步骤5.2得到的SOC先验值和步骤2中的OCV-SOC映射表，获取当前时刻的OCV先验更新值

步骤5.4、SOC后验估计，基于当前时刻状态先验估计值得到更新后的模型参数，基于以下公式进行系统状态后验估计：

卡尔曼增益矩阵更新：

新息更新：

状态向量更新修正：

误差协方差矩阵更新：

其中，K_k表示当前时刻的卡尔曼增益矩阵，C_k表示当前时刻系统的输出矩阵，R_k由步骤5.1得到，e_k表示当前时刻新息，U_t,k表示当前时刻电池电压，U_p,k表示先验估计得到的当前时刻极化电压，R_0,k表示经参数辨识得到的当前时刻欧姆内阻，I_L,k表示当前时刻电流，

表示当前时刻后验估计得到的状态向量，

表示当前时刻后验估计得到的状态向量预测值与真实值间误差的协方差矩阵。

Images