CN111426968A

CN111426968A - 一种电动汽车动力电池sop的估算方法及系统

Info

Publication number: CN111426968A
Application number: CN202010466937.3A
Authority: CN
Inventors: 侯恩广; 王知学; 乔昕; 刘广敏
Original assignee: Shandong Jiaotong University
Current assignee: Shandong Jiaotong University
Priority date: 2020-05-28
Filing date: 2020-05-28
Publication date: 2020-07-17
Anticipated expiration: 2040-05-28
Also published as: CN111426968B

Abstract

本公开提供了一种电动汽车动力电池SOP的估算方法及系统，属于电动汽车技术领域，获取动力电池的当前运行参数；根据获取到的当前运行参数，采用双卡尔曼滤波算法，求解动力电池的荷电状态空间模型以及内阻与实际容量空间模型，得到动力电池内阻和荷电状态的实时最优估计结果；根据获得的动力电池内阻和荷电状态的最优估计结果，得到动力电池的最优估计工作电压，进而得到峰值功率的最优估计结果；本公开利用双卡尔曼滤波，在准确估算动力电池荷电状态与内阻的基础上，准确估算锂电池的功率状态，极大的提高了功率状态估算的实时性，提高了估算的准确性。

Description

一种电动汽车动力电池SOP的估算方法及系统

技术领域

本公开涉及电动汽车技术领域，特别涉及一种电动汽车动力电池SOP的估算方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术，并不必然构成现有技术。

近年来，受能源危机与环境危机的影响，电动汽车得到了大力发展。锂电池作为电动汽车的主流动力来源，其荷电状态(State-of-Charge，SOC)与健康状态(State-of-Health，SOH)估计方法得到了广泛关注，但是针对锂电池功率状态(State-of-Power，SOP)的估计却有待进一步研究。SOP被用来表征电池在当前时刻能承受的充放电峰值功率，通过SOP的估计，可对电池组的当前工作状态进行评估；在电动汽车起步或加速时，可通过SOP估算车载电池组能否满足此时的功率需求；在制动时，可以估算在不损坏电池组的前提下所能够回收的最大能量；此外，电池SOP估计对于整车动力性能的最优匹配及控制策略优化也有重要的理论意义和实际价值。

本公开发明人发现，现有的SOP估算方法是直接的根据已知的电池内阻或者容量或者荷电状态进行估算，准确性较低，没有考虑电池内阻、容量和荷电状态的实时变化，最终的SOP估计值与实际值差距较大，不能使其得到有效的利用。

发明内容

为了解决现有技术的不足，本公开提供了一种电动汽车动力电池SOP的估算方法及系统，利用双卡尔曼滤波，在准确估算动力电池荷电状态与内阻的基础上，准确估算锂电池的功率状态，极大的提高了功率状态估算的实时性，提高了估算的准确性。

为了实现上述目的，本公开采用如下技术方案：

本公开第一方面提供了一种电动汽车动力电池SOP的估算方法。

一种电动汽车动力电池SOP的估算方法，包括以下步骤：

获取动力电池的当前运行参数；

根据获取到的当前运行参数，采用双卡尔曼滤波算法，求解动力电池的荷电状态空间模型以及内阻与实际容量空间模型，得到动力电池内阻和荷电状态的实时最优估计结果；

根据获得的动力电池内阻和荷电状态的最优估计结果，得到动力电池的最优估计工作电压，进而得到峰值功率的最优估计结果。

本公开第二方面提供了一种电动汽车动力电池SOP的估算系统。

一种电动汽车动力电池SOP的估算系统，包括：

数据获取模块，被配置为：获取动力电池的当前运行参数；

数据处理模块，被配置为：根据获取到的当前运行参数，采用双卡尔曼滤波算法，求解动力电池的荷电状态空间模型以及内阻与实际容量空间模型，得到动力电池内阻和荷电状态的实时最优估计结果；

SOP估算模块，被配置为：根据获得的动力电池内阻和荷电状态的最优估计结果，得到动力电池的最优估计工作电压，进而得到峰值功率的最优估计结果。

本公开第三方面提供了一种介质，其上存储有程序，该程序被处理器执行时实现如本公开第一方面所述的电动汽车动力电池SOP的估算方法中的步骤。

本公开第四方面提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开第一方面所述的电动汽车动力电池SOP的估算方法中的步骤。

与现有技术相比，本公开的有益效果是：

1、本公开所述的方法、系统、介质及电子设备，利用双卡尔曼滤波，对动力电池的荷电状态空间模型以及内阻与实际容量空间模型分别进行求解，得到动力电池内阻和荷电状态的实时最优估计结果，在准确估算动力电池荷电状态与内阻的基础上，准确估算锂电池的功率状态，极大的提高了功率状态估算的实时性，提高了估算的准确性。

2、本公开所述的方法、系统、介质及电子设备，根据观测变量测量值和实际观测值的差异来对状态变量内阻和实际容量进行修正，得到较精确的电池内阻和实际容量，保证了内容和实际容量的预测的准确性。

3、本公开所述的方法、系统、介质及电子设备，动力电池的当前荷电状态的最优估计被用于下一时刻内阻与实际容量的时间更新中，同时内阻与实际容量上一时刻的最优估计被用到动力电池的当前荷电状态的预测上，通过建立两个空间模型的相互关系，进一步的提高了动力电池荷电状态与内阻预测的准确性。

附图说明

构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。

图1为本公开实施例1提供的电动汽车动力电池SOP的估算方法的流程示意图。

图2为本公开实施例1提供的二阶Thevenin模型等效电路图。

具体实施方式

下面结合附图与实施例对本公开作进一步说明。

应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。

实施例1：

如背景技术中所述，现有的SOP估算方法没有考虑到动力电池容量、内阻与荷电状态的实时变化，因此，本实施例中基于锂电池二阶Thevenin等效模型，在准确估算锂电池荷电状态(SOC)与内阻的基础上，准确估算锂电池SOP，从而建立锂电池SOP估算方法。

如图1所示，首先，通过充放电的数据采集，建立二阶Thevenin等效模型，辨识模型参数，通过仿真验证模型的准确性；然后，基于Dual EKF算法，准确估算锂电池SOC、实际容量和内阻，在此基础上，准确估算锂电池SOP。

下面结合附图详细介绍。

(1)建立锂电池二阶Thevenin等效模型，并验证模型的准确性。

由图2所述的二阶Thevenin模型等效电路，可得等效电路数学表达式：

U_L＝U_oc-U₁-U₂-i_LR₀ (3)

其中，U_L电池工作电压；U₁、U₂分别是R₁、R₂上的估计电压；

分别是U₁、U₂对时间的导数；U_oc为电池开路电压；R₀为电池欧姆内阻；R₁、R₂电池极化内阻；C₁、C₂为等效电容；i_L为充放电电流。

由图2可知，锂电池二阶Thevenin模型的离散状态方程：

由图2可知，锂电池二阶Thevenin模型的离散状态方程：

其中，S_ck、S_ck+1分别是离散状态k、k+1时刻的动力电池电荷状态；Δt是采样周期；C电池的标称容量，单位是A·h；η为库伦系数，充电时η＝1，放电时η<1；；i_k是离散状态k时刻的充放电电流，i(t)是离散状态i_k实时状态表达式；τ₁＝R₁C₁是R₁、C₁环节的时间常数；τ₂＝R₂C₂是R₂、C₂环节的时间常数；R_0k电池的等效内阻的离散表达形式；R₁、R₂电池极化内阻；C₁、C₂为等效电容；

分别是离散状态k、k+1时刻的R₁上的电压估计，U₁是离散状态

实时状态表达式；

分别是离散状态k、k+1时刻的R₂上的电压估计，U₂是离散状态

实时状态表达式；ω_k、υ_k为互不相关的系统噪声；U_k是离散状态k时刻的电池工作电压，U(t)是离散状态U_k实时状态表达式；U_oc(S_k)是离散状态k时刻的动力电池电荷状态对应的电池工作电压；

表示U_oc(S_ck)先对电池电荷状态S_c的导数，并取S_c＝S_ck，最后计算出的结果。

通过充放电实验测试得到的电池工作电压U_L和充放电电流i_L，还需要开路电压U_oc，应用最小二乘法，使残差的平方和最小，辨识参数模型。

(2)基于Dual EKF算法估算锂电池SOC、实际容量和内阻。

将电池内阻和实际容量加入到系统的状态变量中，这样系统状态变量共有三个参数：SOC、内阻、实际容量。应用Dual EKF(双卡尔曼滤波，Dual Extended Kalman Filter)算法，将各个状态变量单独列出，应用扩展卡尔曼滤波算法，准确估算SOC、内阻、实际容量。

在估计过程中，首先对用于SOC估计的状态和观测方程进行扩维：

状态方程：

x_k+1＝f(x_k,u_k,θ_k)+ω_k (6)

观测方程：

其中，θ_k表示的状态变量内阻和实际容量，x_k为系统状态变量，在EKF策略中取SOC，u_k为系统的输入，即电池电流，y_k为系统观测变量，为电池负载电压。系统噪声ω_k和观测噪声υ_k均取零均值的高斯白噪声，f(...)和g(...)为系统特性决定的函数。这是扩维后的SOC估计，作为Dual EKF中的一个估计过程。

系统状态方程为：

θ_k+1＝θ_k+r_k (8)

θ＝[R,C] (9)

其中，r_k表示这个小的噪声扰动，R为电池的内阻，C为电池的实际容量，用θ表示这两个的状态参数。

新加状态参数的观测方程为：

d_k＝g(x_k,u_k,θ_k)+e_k (10)

e_k为输出变量上的噪声干扰。这样综合状态变量x的状态空间模型和θ的状态空间模型，形成两个类似的输入输出方程：

状态方程：

x_k+1＝f(x_k,u_k,θ_k)+ω_k (11)

观测方程：

状态方程：

θ_k+1＝θ_k+γk (13)

观测方程：

d_k+1＝g(x_k,u_k,θ_k)+e_k (14)

对这两个状态空间模型分别应用扩展卡尔曼滤波算法，得到电池内阻和实际容量的实时估计结果。根据观测变量测量值和实际观测值的差异来对状态变量内阻和实际容量进行修正，得到了更精确的电池内阻和实际容量。

Dual EKF算法流程：

零均值高斯白噪声ω_k、υ_k、r_k、e_k的误差协方差矩阵分别为：∑_ω、∑_υ、∑_r、∑_e。

定义：

初始化x：

初始化量θ：

迭代过程：

系统状态x的时间更新：

系统状态θ的时间更新：

系统状态x的状态更新：

卡尔曼增益计算：K_k＝P_k ^-C_k ^T(C_kP_k ^-C_k ^T+∑_υ)^-1 (19)

状态变量最优估计：

协方差最优估计：

系统状态θ的状态更新：

卡尔曼增益计算：

状态变量最优估计：

协方差最优估计：

系统状态x的最优估计x⁺被用于下一时刻θ的时间预测中，同时θ上一时刻的最优估计

也被用到该时刻系统状态x的预测上，观测变量预测值和实际观测值的误差用于修正这些状态值，通过两个EKF滤波器的结合运用，实现对系统内阻和实际容量的估计，通过两者相互作用，极大的提高了内阻和容量预测的准确度，进一步的提高了SOP的估算精度，为电源管理系统SOP的估算提供了更精准的信息。

(3)基于准确估算SOC和内阻的SOP估算方法。

由式(22)可知，状态变量最优估计：

可以得到最优的x⁺值，

代入观测方程，

得到最优估计的工作电压：

最后，得到最优的工作功率：

在估算峰值功率(SOP)的时，忽略极化内阻的影响，即：

实施例2：

本公开实施例2提供了一种电动汽车动力电池SOP的估算系统，包括：

数据获取模块，被配置为：获取动力电池的当前运行参数；

所述系统的具体工作方法与实施例1中的电动汽车动力电池SOP的估算方法相同，这里不再赘述。

实施例3：

本公开实施例3提供了一种介质，其上存储有程序，该程序被处理器执行时实现如本公开实施例1所述的电动汽车动力电池SOP的估算方法中的步骤，所述步骤具体为：

获取动力电池的当前运行参数；

详细的步骤与实施例1中的电动汽车动力电池SOP的估算方法相同，这里不再赘述。

实施例4：

本公开实施例4提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开实施例1所述的电动汽车动力电池SOP的估算方法中的步骤，所述步骤具体为：

获取动力电池的当前运行参数；

本领域内的技术人员应明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。

本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。

以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims

1.一种电动汽车动力电池SOP的估算方法，其特征在于，包括以下步骤：

获取动力电池的当前运行参数；

2.如权利要求所述的电动汽车动力电池SOP的估算方法，其特征在于，根据观测变量测量值和实际观测值的差异来对状态变量内阻和实际容量进行修正。

3.如权利要求所述的电动汽车动力电池SOP的估算方法，其特征在于，所述动力电池的喝点状态空间模型，具体为：

状态方程：x_k+1＝f(x_k,u_k,θ_k)+ω_k；

输出方程：y_k＝g(x_k,u_k,θ_k)+υ_k；

其中，θ_k表示的状态变量内阻和实际容量，x_k为系统状态变量，具体为动力电池的荷电状态，u_k为系统的输入，即电池电流，y_k为系统观测变量，为电池负载电压，系统噪声ω_k和观测噪声υ_k均取零均值的高斯白噪声，f(...)和g(...)为系统特性决定的函数。

4.如权利要求1所述的电动汽车动力电池SOP的估算方法，其特征在于，内阻与实际容量空间模型，具体为：

状态方程：θ_k+1＝θ_k+r_k；

输出方程：d_k＝g(x_k,u_k,θ_k)+e_k；

其中，r_k表示噪声扰动，R_k为电池的内阻，C_k为电池的实际容量，用θ_k表示这两个的状态参数，即θ_k＝[R_k,C_k]，e_k为输出变量上的噪声干扰，x_k为系统状态变量，具体为动力电池的荷电状态，u_k为系统的输入，即电池电流。

5.如权利要求4所述的电动汽车动力电池SOP的估算方法，其特征在于，所述内阻与实际容量空间模型的输出方程为预设观测模型，将得到的动力电池荷电状态的最优估计结果输入到预设观测模型中，得到最优估计的工作电压。

6.如权利要求1所述的电动汽车动力电池SOP的估算方法，其特征在于，动力电池的当前荷电状态的最优估计被用于下一时刻内阻与实际容量的时间更新中，同时内阻与实际容量上一时刻的最优估计被用到动力电池的当前荷电状态的预测上。

7.如权利要求1所述的电动汽车动力电池SOP的估算方法，其特征在于，忽略极化内阻的影响，根据最优估计的工作电压的平方与动力电池内阻的最优估算值的比值，得到动力电池功率状态的估算结果。

8.一种电动汽车动力电池SOP的估算系统，其特征在于，包括：

数据获取模块，被配置为：获取动力电池的当前运行参数；

9.一种介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如权利要求1-7任一项所述的电动汽车动力电池SOP的估算方法中的步骤。

10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7任一项所述的电动汽车动力电池SOP的估算方法中的步骤。