CN111693877A - 一种锂离子电池的soc在线估测方法和系统 - Google Patents

Abstract

本发明提供一种锂离子电池的SOC在线估测方法和系统，包括以下步骤：确定电池SOC‑OCV关系；建立双温度气液动力学电池解析模型：建立双温度气液动力学模型，使用双温度气液动力学模型模拟双温度气液动力学电池解析模型，通过双温度气液动力学电池解析模型计算得到电池端电压值的估算值；通过安时积分法获得当前实时电池SOC先验估计值；利用卡尔曼滤波算法获得SOC最优估算值：将所述电池端电压值的估算值与采集的端电压作差，获得误差值，通过误差值和卡尔曼增益，修正所述SOC先验估计值，获得SOC最优估算值，提高SOC估算精度。

Description

一种锂离子电池的SOC在线估测方法和系统

技术领域

本发明属于电动汽车动力电池领域，尤其涉及一种锂离子电池的SOC在线估测方法和系统。

背景技术

近年来，电动汽车迅猛发展，但是驾驶者对电动汽车的里程焦虑是制约电动汽车进一步普及的巨大障碍。早期通过改进材料增加电池能量密度的方法，目前也已经越来越逼近瓶颈，随着电池能量密度的提高，其安全性能也将越发令人担忧。

因此，为了充分发挥电池系统的性能，防止其过充过放造成安全隐患，并延长电动汽车续航里程，需要对电池系统进行精细的管理。而对电池系统进行精细管理的前提是对电池荷电状态(State Of Charge,SOC)进行准确的估算。

目前，对电池SOC估算主要分为数据驱动型和模型驱动型。数据驱动型因其数据需求大，且无法100％覆盖应用场景，在合理成本下，估算精度天花板较低。模型驱动则一直是学术界探索的方向，目前SOC估算主要基于两大电池解析模型：等效电路模型和电化学模型。围绕前者，对SOC估算，主要有开路电压法，安时积分法，神经网络法，卡尔曼滤波算法等。但是开路电压法，由于电池特性，需要静置2小时以上才能获得准确开路电压，因此无法在实车行驶中应用；而安时积分法，由于其过于依赖初值，且在估算过程中会不断累积误差，因此在长时间估算中，其可靠性会急剧下降；而神经网络，卡尔曼滤波等算法，由于等效电路模型本身的不够精确，其对估算精度的提升也特别困难和复杂。而在基于电化学模型的电池SOC估算中，由于电化学模型本身的复杂性，在保证估算精度的前提下，其估算复杂度将远高于其他估算方法。

发明内容

针对上述技术问题，本发明提供一种基于双温度气液动力学电池解析模型的锂离子电池SOC在线估测方法及系统，提高SOC估算精度。

本发明的技术方案是：一种锂离子电池的SOC在线估测方法，包括以下步骤：

确定电池SOC-OCV关系；

建立双温度气液动力学电池解析模型：建立双温度气液动力学模型，使用双温度气液动力学模型模拟双温度气液动力学电池解析模型，通过双温度气液动力学电池解析模型计算得到电池端电压值的估算值；

通过安时积分法获得当前实时电池SOC先验估计值；

利用卡尔曼滤波算法获得SOC最优估算值：将所述电池端电压值的估算值与采集的端电压作差，获得误差值，通过误差值和卡尔曼增益，修正所述SOC先验估计值，获得SOC最优估算值。

上述方案中，所述确定电池SOC-OCV关系的步骤包括：

对锂离子电池进行恒温恒流脉冲放电实验，记录电池每个脉冲SOC与开路电压OCV的对应数据，获得SOC-OCV曲线：

上述方案中，所述建立双温度气液动力学电池解析模型的步骤中，所述双温度气液动力学模型包含一个体积为V的密闭容器1，容器内装有液体2，在容器内充有理想气体3，其中，部分理想气体以间隙填充的方式溶解于液体中，密闭容器内部理想气体压强为P，密度为ρ，在容器1安装有管道4与阀门5，其中管道4的综合气体流动阻力系数为μ，阀门5处理想气体压强为P₀，

设在初始时刻t₀，此时阀门5关闭，气液系统处于稳定状态，密闭容器1内部理想气体热力学温度为T₁，压强为P₁；打开阀门5，此时密闭容器1内理想气体向外排出，流速为v，阀门5处理想气体压强为P₀，经过Δt时间后，在t₁＝t₀+Δt时刻关闭阀门5，此时密闭容器1内理想气体压强为P₂，热力学温度为T₂，现假设存在无穷大的t₂时刻，则此时气液动力学电池模型再次达到稳态，假设此时系统内部热力学温度为T₃，根据假设知T₃＝T₂，此时密闭容器1内理想气体压强为P₃，得到双温度气液动力学模型为：

其中，P^*为气液动力学系统内部理想气体平衡时气压，k₁、k₂为模型参数，通过参数识别获得。

进一步的，所述建立双温度气液动力学电池解析模型的步骤中，气液系统内部气体平衡时气压P^*对应锂离子电池开路电压U^*，气液系统阀门5处气体气压P₀对应锂离子电池端电压U₀，气液系统内气体流速v,对应电池系统电流I，气液系统前一时刻温度T₁与当前时刻温度T₂分别对应电池前一时刻温度T₁与当前时刻温度T₂，气体的溶解析出再平衡过程对应电池的极化过程，假设在无穷大的时刻，且从当前时刻至无穷大时刻中模型保持恒温且无对外交换，此时气液动力学电池模型再次达到稳态，假设此时系统内部热力学温度为T₃，根据假设知T₃＝T₂，将气液系统模拟电池系统的充放电以及极化过程，将双温度气液动力学模型应用于电池状态估算，得双温度气液动力学电池解析模型为：

其中，I为电流，充电为正，放电为负，T₁为上一时刻电池温度，T₃等于当前时刻电池温度，k₁、k₂、ρ、μ为系统参数，通过参数识别获得，U₀为当前时刻电池端电压，U₁为上一时刻估算出的电池开路电压，U₂为中间瞬态电压，U^*为当前时刻开路电压；

由公式14得：

上述方案中，所述通过安时积分法获得当前实时电池SOC先验估计值的估算方程表达式：

其中，SOC(k+1)为k+1时刻SOC值，SOC(k)为k时刻SOC值，△T为离散化后单步时间间隔，C_N为电池标称容量。

上述方案中，所述利用卡尔曼滤波算法获得SOC最优估算值的步骤中：

电池系统的状态方程为：

其中，SOC为当前电池荷电状态，SOC(k)为k时刻SOC值，SOC(k+1)为k+1时刻SOC值，U₁为上一时刻电池开路电压，U₁(k)为k时刻U₁值，U₁(k+1)为k+1时刻U₁值，ΔT为离散化后单步时间间隔，C_N为电池标称容量，T₁为系统上一时刻温度，T₁(k)为k时刻T₁值，T₃等于系统当前时刻温度，T₃(k)为k时刻T₃值，I为电流；

电池系统的观测方程为：

式中，k₁、k₂、ρ、μ为系统参数，通过参数识别获得。

进一步的，所述利用卡尔曼滤波算法获得SOC最优估算值的具体步骤为：

设定系统状态量X与误差协方差P的初值：

其中，X₀为状态量初值，SOC₀表示初始时刻SOC值，V₁₀表示初始时刻U₁值，在初始时刻U₁值等于初始时刻的开路电压值，P为误差协方差矩阵,

为误差协方差的矩阵表达形式，

为X的均值，

基于k时刻的最优估计量

计算k+1时刻的先验估计值

式中，

为k时刻X的最优估计量，

为k+1时刻X的先验估计值；

更新误差协方差矩阵P：

式中，

为k+1时刻误差协方差矩阵P的先验估计值，

为k时刻误差协方差矩阵P的最优估计量，A^T为系统状态转移矩阵A的转置矩阵，Q_k为系统噪声矩阵；

计算卡尔曼增益：

式中，K_k+1为k+1时刻卡尔曼增益，C^T为观测矩阵C的转置矩阵，R_k+1测量噪声矩阵；

结合先验估计值和观测值计算k+1时刻状态量的最优估计值：

式中，Z_k+1为k+1时刻观测值，此处为电池端电压值U₀，U_k+1为k+1时刻系统输入值，包括电池电流I，上一时刻温度T₁，以及当前温度T₂，

为k+1时刻系统观测方程；

校正误差协方差矩阵P：

式中，I为单位矩阵，

为k+1时刻误差协方差矩阵P的最优估计量；

重复上述过程进行迭代，实现对SOC的在线估算；

其中，

表示先验估计，

表示后验估计，Q为系统噪声协方差，R为观测噪声协方差，P为系统各状态量误差协方差，I为单位矩阵，K为卡尔曼增益。

一种实现所述锂离子电池的SOC在线估测方法的系统，包括主控单元、温度采集单元、电压采集单元、电流采集单元、通讯单元和上位机显示单元；

所述温度采集单元用于采集电池的温度，所述电压采集单元用于采集电池的电压，所述电流采集单元用于采集电池的电流；

所述温度采集单元、电压采集单元和电流采集单元分别与电池以及主控单元相连接并将采集的温度、电压和电流信号传送到主控单元，所述主控单元根据双温度电池解析模型的在线SOC估算算法计算出电池的SOC值；

所述通讯单元分别和主控单元与上位机显示单元连接，将电池温度、电流、电压和电池SOC值发送给上位机显示单元。

上述方案中，所述温度采集单元包括温度传感器，电压采集单元包括电压传感器，电流采集单元包括电流传感器。

上述方案中，所述主控单元包括单片机。

与现有技术相比，本发明的有益效果是：本发明使用双温度气液动力学模型模拟双温度气液动力学电池解析模型，通过气液动力学方程，可以求解任意时刻非平衡状态下，在无穷远时刻对应的平衡状态；在建模阶段就包含温度对电池SOC估算的影响，双温度模型进一步的考虑了迭代周期中温度变化对估算结果的影响。将温度变量直接引入模型并实现了温度的迭代，进一步提高了模型对温度的灵敏性，提高了估算精度，而不需要通过经验公式进行耦合，此外，结合了安时积分法和卡尔曼滤波算法，其中安时积分法用于建立SOC的状态方程，方法较为合理且简便，卡尔曼滤波算法可以进一步提高SOC的估算精度。

附图说明

图1为本发明一实施方式的锂电池的SOC在线估测方法流程图；

图2为本发明一实施方式的锂电池的SOC在线估测方法的间歇放电电压图；

图3为本发明一实施方式的锂电池的SOC在线估测方法的SOC-OCV曲线；

图4为本发明一实施方式的锂电池的SOC在线估测方法选取的双温度气液动力学锂离子电池模型图；

图5为本发明一实施方式的锂电池的SOC在线估测方法的观测实验结果图；

图6为本发明一实施方式的锂电池的SOC在线估测方法的观测实验结果误差图；

图7为本发明一实施方式的锂电池的SOC在线估测方法的估算系统框架图。

图中，1.容器；2.液体；3.理想气体；4.管道；5.阀门。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“轴向”、“径向”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

实施例1

在本实施例中，选择一款汽车用18650三元锂离子动力电池，电池型号为US18650VTC5，电池容量为2.6Ah。

如图1所示，一种锂离子电池的SOC在线估测方法包括以下步骤：

确定电池SOC-OCV关系：通过脉冲放电法确定电池SOC-OCV关系；

建立双温度气液动力学电池解析模型：建立双温度气液动力学模型，并进行参数识别，使用双温度气液动力学模型模拟双温度气液动力学电池解析模型，通过双温度气液动力学电池解析模型计算得到电池端电压值的估算值；

通过安时积分法获得当前实时电池SOC先验估计值；

利用扩展卡尔曼滤波算法获得SOC最优估算值，对电池进行在线估测：将所述电池端电压值的估算值与采集的端电压作差，获得误差值，通过误差值和卡尔曼增益，修正所述SOC先验估计值，获得SOC最优估算值。

确定电池SOC-OCV关系的步骤具体为：如图2和图3所示，采用脉冲放电法获得电池SOC-OCV关系。图中横坐标为时间，图2纵坐标为端电压，图3纵坐标为开路电压。首先将电池放入25℃恒温箱内搁置2h，然后将电池以0.33C电流充至100％SOC，再次搁置2h，接下来以1C放电电流放电3s-搁置1h进行循环，直至放电至电池放电截止电压。最后对每次静置末端10个点求平均值，以获得SOC-OCV曲线。即：

在本实施例中，其表达式为：

SOC＝-1.75×OCV⁵+34.43×OCV⁴-270.81×OCV³+1062.91×OCV²-2080.16×OCV+1622.49

OCV＝7.05×SOC⁵-21.30×SOC⁴+24.44×SOC³-12.86×SOC²+3.84×SOC+3.03

建立双温度气液动力学电池解析模型的步骤具体为：如图4所示，建立锂离子电池气液动力学电池解析模型。所述气液动力学电池解析模型包含一个体积为V密闭容器1，容器1内装有体积为V_l的液体2，在容器1内充有理想气体3，其中，部分理想气体以间隙填充的方式溶解于液体中，其余部分占据容器1剩下部分体积V_g，V＝V_l+V_g，密闭容器1内部理想气体压强为P，未溶解部分气体的物质的量为n，密度为ρ，溶解部分气体的物质的量为n_lg。在容器1安装有管道4与阀门5，其中管道4的综合气体流动阻力系数为μ，阀门5处理想气体压强为P₀。

设在初始时刻t₀，此时阀门(5)关闭，气液系统处于稳定状态，密闭容器1内部理想气体热力学温度为T₁，压强为P₁；未溶解部分气体的物质的量为n₁，溶解部分气体的物质的量为n_lg1。打开阀门5，此时密封容器1内理想气体向外排出，流速为v，阀门5理想处气体压强为P₀。经过Δt时间后，在t₁＝t₀+Δt时刻关闭阀门5，此时密闭容器1内理想压强为P₂、未溶解部分气体的物质的量为n₂，溶解部分气体的物质的量为n_lg2，热力学温度为T₂。现假设存在无穷大的t₂时刻，则此时气液动力学电池模型再次达到稳态，假设此时系统内部热力学温度为T₃，根据假设可知T₃＝T₂，此时容器1内气体压强为P₃，未溶解部分气体的物质的量为n₃，溶解部分气体的物质的量为n_lg3。

在本模型中，使用气液系统模拟电池系统。气液系统内部气体平衡时气压P^*对应锂离子电池开路电压U^*，气液系统阀门5处气体气压P₀对应锂离子电池端电压U₀。气液系统内气体流速v(此处假设流入气液储能系统为正)对应电池系统电流I(此处假设电池充电电流为正)，气液系统前一时刻温度T₁与当前时刻温度T₂分别对应电池系统前一时刻温度T₁与当前时刻温度T₂，气体的溶解析出再平衡过程对应电池的极化过程，假设在无穷大的时刻，且从当前时刻至无穷大时刻中模型保持恒温且无对外交换，此时气液动力学电池模型再次达到稳态，假设此时系统内部热力学温度为T₃，根据假设可知T₃＝T₂。通过上述对应，可以使用气液系统模拟电池系统的充放电以及极化过程，将气液动力学方程应用于电池状态估算。

在气液动力学中，理想气体在液体中的溶解度可表示为如下：

式2中：

n-溶剂于液体中的气体的物质的量，

P-液体表面所受气体压强，

-有效间隙度，为有效间隙体积与相应水体积之比，

R-理想气体常数，

T-热力学温度，

b_m-理想气体分子范德华体积。

在t₀时刻：

根据式2可得：

在t₁时刻：

未溶解部分理想气体状态方程为：

P₂V_g＝n₂RT 公式4

根据伯努利方程，可得：

在t₂时刻：

未溶解部分理想气体状态方程为：

P₃V_g＝n₃RT 公式6

根据式2可得气体间隙填充溶解度方程：

未溶解部分理想气体物质的量：

n₃＝n₂+(n_lg1-n_lg3) 公式8

根据式4、式6和式8可得：

将式3和式7带入式9得：

设

则式10可变形为：

即：

则求解式12可得到双温度气体状态方程：

则对应电池系统状态方程为：

其中，I为电流，充电为正，放电为负，T₁为上一时刻电池温度，T₃为当前时刻电池温度。k₁、k₂、ρ、μ为系统参数，通过参数识别获得，[k1,k2,ρ,μ]^T＝[7.95644,0.00183,0.00585,1.6×10^-8]^T，U₀为当前时刻电池端电压，U₁为上一时刻估算出的电池开路电压，U₂为中间瞬态电压，U^*为当前时刻开路电压。

由公式14得：

建立电池SOC估算方程，获得电池SOC先验估计值的步骤具体为：采用安时(Ah)积分法获得当前实时电池SOC表达式。安时积分法是最常用的SOC估计方法。如果充放电起始状态记为SOC₀，那么当前时刻的SOC状态SOC(t)可表示为：

其中，SOC₀为当前估算的初始SOC基准值，I为实时电流，C_N为电池标称容量(单位：Ah)。式16的含义为：任一时刻t(单位：s)的SOC值等于初始SOC值减去电流积分与容量的比值。其中3600为时与秒的转换系数。

由于式16为连续积分式，在实际应用中无法实现，故需将其离散化，即通过用某一时刻电流与时间间隔的乘积代替这一段时间内的连续电流积分。通过上述离散化原理对式16离散化，可得：

式17即为采用安时积分法的SOC估算式，其中，SOC(k+1)为k+1时刻SOC值，SOC(k)为k时刻SOC值，△T为离散化后单步时间间隔，C_N为电池标称容量。

利用扩展卡尔曼滤波算法获得SOC最优估算值，对电池进行在线估测的步骤具体为：在双温度气液动力学电池解析模型基础上，为进一步提高算法估算精度，选择卡尔曼滤波算法进一步缩小估算误差，但是由于原始卡尔曼滤波算法只适用于线性系统。而锂离子电池系统具有高度的非线性特点，因此使用适用于非线性系统的扩展卡尔曼滤波算法进行估测。

卡尔曼滤波算法的核心思想是,根据当前系统的″测量值″和上一刻的″预测量″和″误差″，计算得到当前的最优量，再预测下一刻的量。

则根据上述理论及式1、式14与式17,可得到以下关系：

状态方程：

观测方程：

式中，SOC为当前电池荷电状态，SOC(k)为k时刻SOC值，SOC(k+1)为k+1时刻SOC值，U₁为上一时刻电池开路电压，U₁(k)为k时刻U₁值，U₁(k+1)为k+1时刻U₁值，ΔT为离散化后单步时间间隔，C_N为电池标称容量，T₁为系统上一时刻温度，T₁(k)为k时刻T₁值，T3等于系统当前时刻温度，T₃(k)为k时刻T₃值，I为电流。

进一步的，使用上述方程进行SOC估测，具体估测流程为：

1.设定系统状态量X与误差协方差P的初值：

X₀＝[SOC₀ V₁₀]

其中，X₀为状态量初值，SOC₀表示初始时刻SOC值，V₁₀表示初始时刻U₁值，在初始时刻U₁值等于初始时刻的开路电压值，此处X₀＝[1,4.25]，P为误差协方差矩阵,

为的误差协方差的矩阵表达形式，

为X的均值。

2.基于k时刻的最优估计量

计算k+1时刻的先验估计值

式中，

为k时刻X的最优估计量，

为k+1时刻X的先验估计值；

3.更新误差协方差矩阵P：

式中，

为k+1时刻误差协方差矩阵P的先验估计值，

为k时刻误差协方差矩阵P的最优估计量，A^T为系统状态转移矩阵A的转置矩阵，Q_k为系统噪声矩阵；

4.计算卡尔曼增益：

式中，K_k+1为k+1时刻卡尔曼增益，C^T为观测矩阵C的转置矩阵，R_k+1测量噪声矩阵。

5.结合先验估计值和观测值计算k+1时刻状态量的最优估计值：

式中，Z_k+1为k+1时刻观测值，此处为电池端电压值U₀，U_k+1为k+1时刻系统输入值，分别为电池电流I,上一时刻温度T₁，以及当前温度T₂(上文已给出T₃＝T₂，而T₃无法获得，因而输入值为T₂)，

为k+1时刻系统观测方程；

6.校正误差协方差矩阵P：

式中，I为单位矩阵，

为k+1时刻误差协方差矩阵P的最优估计量；

7.重复上述2-6过程进行迭代，实现对SOC的在线估算。

上述各式中，

表示先验估计，其计算根据安时积分法获得，

为系统观测方程，由双温度气液动力学电池解析模型算法实现，

表示后验估计，为最终获得的估算结果，Q为系统噪声协方差，R为观测噪声协方差，P为系统各状态量误差协方差，I为单位矩阵，K为卡尔曼增益。

本实施例中，电池充放电工况为GB/T 31484工况，图5(a)为用于验证估算模型的电流曲线图，图5(b)为用于验证估算模型的电压曲线图。

图6为模型估算结果图，图6(a)为SOC估算结果图，图6(b)为估算结果误差图。由图6可以看出本估算方法在电池完整充放电周期内均具有良好的估算效果，由图6(b)可得，模型估算误差出现在SOC为80％-100％段，且最大估算误差小于±1.8％，属于可接受范围，能够满足动力电池系统的实际使用。

实施例2

如图7所示为一种实现实施例1所述气液动力学电池模型SOC估算算法的系统。其包括主控单元、温度采集单元、电压采集单元、电流采集单元、通讯单元和上位机显示单元。所述主控单元主控芯片优选为MPC5605B单片机，所述主控单元根据双温度电池解析模型的在线SOC估算算法计算出电池的SOC值；所述温度采集单元中温度传感器优选为10kR水滴型温敏电阻，温度采集单元输出端连接主控单元ADC输入端；所述电压采集单元中，AD采样芯片优选为AD7321高速高精度AD采样芯片；所述电流采集单元中，电流传感器优选为霍尔电流传感器；所述通讯单元中，通讯控制器为带隔离功能的CAN通讯控制器；所述上位机显示单元为运行于Windows操作系统上的应用程序。

所述气液动力学电池模型SOC估算算法在Code Warrior集成开发平台上采用C语言编写，并在编译后烧录至所述主控芯片中。

所述上位机显示单元为Visual Studio集成开发平台上采用C#语言编写，并编译生成Windows操作系统可执行的应用程序。

所述通讯单元，其内部通讯数据为遵循CAN2.0规范及J1939协议的CAN报文。

所述实现气液动力学电池模型SOC估算算法的系统的具体实现方法为：

将电压采集单元输入端与电池相连接；

将温度采集单元输入端均匀地附着在电池上；

将主控单元、通讯单元和上位机显示单元分别连接；

将供电单元与主控单元相连接；

主控芯片上电并初始化硬件底层模块；

估算系统运行自检程序，以保证各单元可靠运行；

估算系统循环运行估算程序:

a)通过安时积分法获得电池SOC先验估计值；

b)根据上一循环估算误差协方差计算当前估算误差协方差，并更新卡尔曼增益；

c)通过双温度气液动力学电池解析模型算法计算电池端电压值的估算值；

d)将估算值与采集模块采集的端电压作差，获得误差值；

e)通过误差值和卡尔曼增益，修正SOC先验估计值，获得SOC最优估算值；

f)修正估算误差协方差矩阵；

通过通讯模块将当前电池状态信息及估算结果输出至上位机显示单元；

上位机显示单元实时显示当前电池状态信息及主控模块估算出的电池SOC等信息。

应当理解，所述实施例中选择的各器件并非限制性。所述主控单元包括8位、16位、32位和64位微控制器；所述通讯单元包括串口、CAN、LIN、以太网等通讯形式；所述上位机为可于电脑上运行的具有可视化界面的应用程序。

应当理解，虽然本说明书是按照各个实施例描述的，但并非每个实施例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。

上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施例的具体说明，它们并非用以限制本发明的保护范围，凡未脱离本发明技艺精神所作的等效实施例或变更均应包含在本发明的保护范围之内。

Claims (10)

1.一种锂离子电池的SOC在线估测方法，其特征在于，包括以下步骤：

确定电池SOC-OCV关系；

建立双温度气液动力学电池解析模型：建立双温度气液动力学模型，使用双温度气液动力学模型模拟双温度气液动力学电池解析模型，通过双温度气液动力学电池解析模型计算得到电池端电压值的估算值；

通过安时积分法获得当前实时电池SOC先验估计值；

利用卡尔曼滤波算法获得SOC最优估算值：将所述电池端电压值的估算值与采集的端电压作差，获得误差值，通过误差值和卡尔曼增益，修正所述SOC先验估计值，获得SOC最优估算值。

2.根据权利要求1所述的锂离子电池的SOC在线估测方法，其特征在于，所述确定电池SOC-OCV关系的步骤包括：

对锂离子电池进行恒温恒流脉冲放电实验，记录电池每个脉冲SOC与开路电压OCV的对应数据，获得SOC-OCV曲线：

3.根据权利要求1所述的锂离子电池的SOC在线估测方法，其特征在于，所述建立双温度气液动力学电池解析模型的步骤中，所述双温度气液动力学模型包含一个体积为V的密闭容器(1)，容器内装有液体(2)，在容器内充有理想气体(3)，其中，部分理想气体以间隙填充的方式溶解于液体中，密闭容器内部理想气体压强为P，密度为ρ，在容器(1)安装有管道(4)与阀门(5)，其中管道(4)的综合气体流动阻力系数为μ，阀门(5)处理想气体压强为P₀，

设在初始时刻t₀，此时阀门(5)关闭，气液系统处于稳定状态，密闭容器(1)内部理想气体热力学温度为T₁，压强为P₁；打开阀门(5)，此时密闭容器(1)内理想气体向外排出，流速为v，阀门(5)处理想气体压强为P₀，经过Δt时间后，在t₁＝t₀+Δt时刻关闭阀门(5)，此时密闭容器(1)内理想气体压强为P₂，热力学温度为T₂，现假设存在无穷大的t₂时刻，则此时气液动力学电池模型再次达到稳态，假设此时系统内部热力学温度为T₃，根据假设知T₃＝T₂，此时密闭容器(1)内理想气体压强为P₃，得到双温度气液动力学模型为：

其中，P^*为气液动力学系统内部理想气体平衡时气压，k₁、k₂为模型参数，通过参数识别获得。

4.根据权利要求3所述的锂离子电池的SOC在线估测方法，其特征在于，所述建立双温度气液动力学电池解析模型的步骤中，气液系统内部气体平衡时气压P^*对应锂离子电池开路电压U^*，气液系统阀门(5)处气体气压P₀对应锂离子电池端电压U₀，气液系统内气体流速v,对应电池系统电流I，气液系统前一时刻温度T₁与当前时刻温度T₂分别对应电池前一时刻温度T₁与当前时刻温度T₂，气体的溶解析出再平衡过程对应电池的极化过程，假设在无穷大的时刻，且从当前时刻至无穷大时刻中模型保持恒温且无对外交换，此时气液动力学电池模型再次达到稳态，假设此时系统内部热力学温度为T₃，根据假设知T₃＝T₂，将气液系统模拟电池系统的充放电以及极化过程，将双温度气液动力学模型应用于电池状态估算，得双温度气液动力学电池解析模型为：

其中，I为电流，充电为正，放电为负，T₁为上一时刻电池温度，T₃等于当前时刻电池温度，k₁、k₂、ρ、μ为系统参数，通过参数识别获得，U₀为当前时刻电池端电压，U₁为上一时刻估算出的电池开路电压，U₂为中间瞬态电压，U^*为当前时刻开路电压；

由公式14得：

5.根据权利要求1所述的锂离子电池的SOC在线估测方法，其特征在于，所述通过安时积分法获得当前实时电池SOC先验估计值的估算方程表达式：

其中，SOC(k+1)为k+1时刻SOC值，SOC(k)为k时刻SOC值，△T为离散化后单步时间间隔，C_N为电池标称容量。

6.根据权利要求1所述的锂离子电池的SOC在线估测方法，其特征在于，所述利用卡尔曼滤波算法获得SOC最优估算值的步骤中：

电池系统的状态方程为：

其中，SOC为当前电池荷电状态，SOC(k)为k时刻SOC值，SOC(k+1)为k+1时刻SOC值，U₁为上一时刻电池开路电压，U₁(k)为k时刻U₁值，U₁(k+1)为k+1时刻U₁值，ΔT为离散化后单步时间间隔，C_N为电池标称容量，T₁为系统上一时刻温度，T₁(k)为k时刻T₁值，T₃等于系统当前时刻温度，T₃(k)为k时刻T₃值，I为电流；

电池系统的观测方程为：

式中，k₁、k₂、ρ、μ为系统参数，通过参数识别获得。

7.根据权利要求6所述的锂离子电池的SOC在线估测方法，其特征在于，所述利用卡尔曼滤波算法获得SOC最优估算值的具体步骤为：

设定系统状态量X与误差协方差P的初值：

其中，X₀为状态量初值，SOC₀表示初始时刻SOC值，

表示初始时刻U₁值，在初始时刻U₁值等于初始时刻的开路电压值，P为误差协方差矩阵,

为误差协方差的矩阵表达形式，

为X的均值，

基于k时刻的最优估计量

计算k+1时刻的先验估计值

式中，

为k时刻X的最优估计量，

为k+1时刻X的先验估计值；

更新误差协方差矩阵P：

式中，

为k+1时刻误差协方差矩阵P的先验估计值，

为k时刻误差协方差矩阵P的最优估计量，A^T为系统状态转移矩阵A的转置矩阵，Q_k为系统噪声矩阵；

计算卡尔曼增益：

式中，K_k+1为k+1时刻卡尔曼增益，C^T为观测矩阵C的转置矩阵，R_k+1测量噪声矩阵；

结合先验估计值和观测值计算k+1时刻状态量的最优估计值：

式中，Z_k+1为k+1时刻观测值，此处为电池端电压值U₀，U_k+1为k+1时刻系统输入值，包括电池电流I,上一时刻温度T₁，以及当前温度T₂，

为k+1时刻系统观测方程；

校正误差协方差矩阵P：

式中，I为单位矩阵，

为k+1时刻误差协方差矩阵P的最优估计量；

重复上述过程进行迭代，实现对SOC的在线估算；

其中，

表示先验估计，

表示后验估计，Q为系统噪声协方差，R为观测噪声协方差，P为系统各状态量误差协方差，I为单位矩阵，K为卡尔曼增益。

8.一种实现权利要求1-7任意一项所述锂离子电池的SOC在线估测方法的系统，其特征在于，包括主控单元、温度采集单元、电压采集单元、电流采集单元、通讯单元和上位机显示单元；

所述温度采集单元用于采集电池的温度，所述电压采集单元用于采集电池的电压，所述电流采集单元用于采集电池的电流；

所述温度采集单元、电压采集单元和电流采集单元分别与电池以及主控单元相连接并将采集的温度、电压和电流信号传送到主控单元，所述主控单元根据双温度电池解析模型的在线SOC估算算法计算出电池的SOC值；

所述通讯单元分别和主控单元与上位机显示单元连接，将电池温度、电流、电压和电池SOC值发送给上位机显示单元。

9.根据权利要求8所述的锂离子电池的SOC在线估测方法的系统，其特征在于，所述温度采集单元包括温度传感器，电压采集单元包括电压传感器，电流采集单元包括电流传感器。

10.根据权利要求8所述锂离子电池的SOC在线估测方法的系统，其特征在于，所述主控单元包括单片机。

Images