CN113835033A - 一种新能源汽车电池管理系统sof估算方法 - Google Patents

Abstract

本发明公开了一种新能源电动汽车电池管理系统SOF估算方法，根据电池特性建立锂电池二阶RC模型，生成六个电池控制参数，采用递推最小二乘法对SOF进行在线实时估算：读取电压值及电流值，设定自适应参数θ及相对矩阵P初始值，根据电压值及电流值计算参数矩阵及增益矩阵，计算估算误差，对当前时刻自适应参数θ进行更新，对相对矩阵P进行升级；根据自适应参数θ值计算电池的实时参数；并根据电池实时参数，估算电池当前状态最大充放电电流值。本发明可以有效的估计电池SOF，精度较高，根据电池特性可适当调整控制参数，适用于锂电池SOF估计。

Description

一种新能源汽车电池管理系统SOF估算方法

技术领域

本发明涉及一种新能源电动汽车电池管理系统SOF估算方法，具体涉及一种基于递推最小二乘法的新能源汽车电池管理系统SOF估算方法。

背景技术

现阶段，新能源汽车高速发展，其中以电能为动力源，电机为驱动装置的新能源汽车发展显著。动力电池及电池管理系统是电动汽车的关键部件。电池SOF(State ofFunction，充放电能力)是电池管理系统状态估算的重要参数，简单的说就是电池状态下的最大充放电电流，如果没有精确的SOF，BMS(主电池管理系统)将无法正常工作，因为SOF估算精度不高会对电动车产生两种不良影响：1、SOF估算过高，电池容易过放，影响电池使用寿命；2、SOF估算过低，整车动力性能会受到影响，达不到整车设定动力性目标。SOF精度越高，对于相同容量的电池，可以在任何行驶工况下充分发挥电池的性能，满足驾驶需求，在一定程度上提高电池的使用寿命。准确的估算电池的最大充放电能力一直是国内外研究的重点和难点。

目前新能源电动汽车主流的SOF估算方法为查表方法，即经过大量的试验得到试验数据，考虑温度和当前SOC状态，查二维功率电流表得到当前电池的最大充放电能力。但这种方法过分依赖大数据，如果试验数据不充分将会影响SOF的精度估算。目前的SOF估算方法也没有考虑电池保护、安全、故障及上下电模态的影响整车的续驶里程和动力性能会受到影响，电池的寿命也会降低。

发明内容

为了解决现有电动汽车电池管理系统SOF估算方法存在累计误差大，需要大量标定数据，不能实时修正等问题，本发明提供一种新能源电动汽车电池管理系统SOF估算方法，根据电池特性建立锂电池二阶RC模型，生成六个电池控制参数，采用递推最小二乘法对SOF进行在线实时估算，提高估算精度。本发明方法可以有效的估计电池SOF，精度较高，根据电池特性可适当调整控制参数，适用于锂电池SOF估计。

本发明的目的是通过以下技术方案实现的：

一种新能源电动汽车电池管理系统SOF估算方法，包括以下步骤：

步骤一、建立锂电池二阶RC离散时间模型，生成六个电池控制参数：

锂电池二阶RC离散时间模型为：

其中，V(k)为电池的测量终端电压；

为可测量参数矩阵，包括终端电压和电流；θ为待估参数；

待估参数θ包含六个参数向量：

θ＝[θ₁,θ₂,θ₃,θ₄,θ₅,θ₆]^T

步骤二、通过递推最小二乘法估算θ值：

2.1)读取两组电压值V(1)、V(2)，及两组电流值I(1)、I(2)，设定自适应参数θ及相对矩阵P初始值；

2.2)定义遗忘因子，0<a<1，以保持新数据对参数估计值的修正能力；

2.3)读取一组新的电压值V(k)及电流值I(k)；

2.4)根据电压值V(k)、电流值I(k)，上一时刻读取的电压值V(k-1)、电流值I(k-1)，再上一时刻读取的电压值V(k-2)、电流值I(k-2)，计算本时刻的参数矩阵

2.5)由上一时刻计算得到的参数矩阵

和相对矩阵P(k-1)计算本时刻增益矩阵G(k)；

2.6)计算估算误差α，由估算误差α和前一时刻自适应参数θ(k-1)对当前时刻自适应参数θ进行更新；

2.7)对相对矩阵P进行升级，预留下一时刻使用；

2.8)根据自适应参数θ值计算电池的实时参数，包括欧姆内阻R_Ω、电化学极化内阻R_m、电化学极化电容C_m、浓差极化内阻R_s、浓差极化电容C_s、开路电压V_oc；

2.9)根据上述电池实时参数，估算电池当前状态最大充放电电流值。

进一步地，所述步骤一生成六个电池控制参数，具体包括：

可测参数矩阵为：

其中，V、I分别为电压电流传感器采集的电池端电压和电流；

所述锂电池二阶RC离散时间模型的等效表达式为：

V＝V_oc+I_BR_Ω+V_s+V_m

其中，V_s为浓差极化电压；V_m为电化学极化电压；V_oc为电池的开路电压；R_Ω为电池的内阻；I_B为电流传感器采集的电池包输入输出电流；V为电压传感器采集电池端电压；

将浓差极化电压V_s和电化学极化电压V_m离散化，可得：

其中，Δt为电压、电流采样周期；

令：

则：

V_s(k)＝a₁V_s(k-1)+b₁I_B(k-1)

V_m(k)＝a₂V_m(k-1)+b₂I_B(k-1)

根据Z函数转换，二阶离散模型可转化成差分方程：

V(k)＝(a₁+a₂)V(k-1)-a₁a₂V(k-2)+R_ΩI(k)+[b₁-b₂-R_Ω(a₁+a₂)]I(k-1)

+(a₁a₂R_Ω-b₁a₂-b₂a₁)I(k-2)+[1-(a₁+a₂)+a₁a₂]V_oc

由于：

V(k)＝θ₁V(k-1)+θ₂V(k-2)+θ₃I(k)+θ₄I(k-1)+θ₅I(k-2)+θ₆

则根据对应关系得：

a₁+a₂＝θ₁

-a₁a₂＝θ₂

R_Ω＝θ₃

b₁-b₂-R_Ω(a₁+a₂)＝θ₄

a₁a₂R_Ω-b₁a₂-b₂a₁＝θ₅

[1-(a₁+a₂)+a₁a₂]V_oc＝θ₆

则待估算参数为：

θ＝[a₁+a₂,-a₁a₂,R_Ω,b₁-b₂-R_Ω(a₁+a₂),a₁a₂R_Ω-b₁a₂-b₂a₁,[1-(a₁+a₂)+a₁a₂]V_oc]^T

电池特性参数R_Ω、R_m、C_m、R_s、C_s、V_oc通过计算θ值后求得，其中：

V_oc＝θ₆/(1-θ₁-θ₂)。

进一步地，所述步骤2.1)中，自适应参数θ初始值和相对矩阵P初始值由上一时刻存入NVM中的数据获得。

进一步地，所述步骤2.4)中，参数矩阵

的计算公式为：

进一步地，所述步骤2.5)中，增益矩阵G(k)的计算公式为：

进一步地，所述步骤2.6)中，估算误差α的计算公式为：

自适应参数θ更新公式为：

θ(k)＝θ(k-1)+G(k)α。

进一步地，所述步骤2.7)中，相对矩阵P升级计算公式为：

进一步地，所述步骤2.9)中，根据V_t＝V_oc–V_r-V_s-V_m公式求得电池当前状态下最大的充放电电流，

其中，V_t为电池的截止充放电电压；V_oc为当前状态电池的开路电压；V_r为电池的欧姆压降；V_s为电池的电化学极化压降；V_m为电池的浓差极化压降。

本发明具有以下有益效果：

本发明提供一种新能源电动汽车电池管理系统SOF估算方法，根据电池特性建立锂电池二阶RC模型，生成六个电池控制参数，采用递推最小二乘法对SOF进行在线实时估算，提高估算精度。本发明方法可以有效的估计电池SOF，精度较高，根据电池特性可适当调整控制参数，适用于锂电池SOF估计。

附图说明

图1为锂电池二阶RC模型电路图；

图2为本发明新能源汽车电池管理系统SOF估算方法流程图。

具体实施方式

以下结合附图和实施例详细描述本发明的技术方案：

锂电池大量应用在新能源汽车上，为了更好的控制电池管理系统以使电池具有更长的使用寿命和经济性，电池参数如开路电压V_oc、欧姆内阻和电池容量等参数需要估算。

当前状态下电池最大的充放电能力受电池开路电压、电池内阻、温度及极化效应的影响，然而开路电压V_oc和其它电池内部参数都无法直接测量。因此需要通过可直接测量的端电压和电池输入输出电流对电池内部参数进行估算。

锂电池的特征参数包括端电压V、欧姆内阻R_Ω、开路电压V_oc、时间常数τ₁(τ₁＝R_sC_s)、时间常数τ₂(τ₁＝R_mC_m)，其中R_s为浓差极化内阻，C_s为浓差极化电容，R_m为电化学极化内阻，C_m为电化学极化电容。

通过实时监测电池的端电压、电流值估算电池的特性参数，从而估算电池当前状态下允许的最大的充放电电流。

本实施例提供一种动力电池的SOF估算方法：

一、建立锂电池二阶RC离散时间模型，其方程表达式为：

其中V(k)为电池的测量终端电压；

为可测量参数矩阵，包括终端电压和电流；θ为待估参数。

本实施例中建立的锂电池二阶RC离散时间模型中，待估参数θ包含六个参数向量：

θ＝[θ₁,θ₂,θ₃,θ₄,θ₅,θ₆]^T

可测参数矩阵为：

其中，V、I分别为电压电流传感器采集的电池端电压和电流。

本实施例中建立的锂电池二阶RC离散时间模型，考虑电池充放电过程中内阻和极化反应，电路图如图1所示，极化反应包括浓差极化和电化学极化，其等效表达式为：

V＝V_oc+I_BR_Ω+V_s+V_m

其中，V_s为浓差极化电压；V_m为电化学极化电压；V_oc为电池的开路电压；R_Ω为电池的内阻；I_B为电流传感器采集的电池包输入输出电流；V为电压传感器采集电池端电压。

将浓差极化电压V_s和电化学极化电压V_m离散化，可得：

其中，Δt为电压、电流采样周期。

令：

则：

V_s(k)＝a₁V_s(k-1)+b₁I_B(k-1)

V_m(k)＝a₂V_m(k-1)+b₂I_B(k-1)

实际应用中，电压、电流的采集计算都是离散的，进行电池荷电状态估计需对数学公式进行离散化处理。

根据Z函数转换，二阶离散模型可转化成差分方程：

V(k)＝(a₁+a₂)V(k-1)-a₁a₂V(k-2)+R_ΩI(k)+[b₁-b₂-R_Ω(a₁+a₂)]I(k-1)

+(a₁a₂R_Ω-b₁a₂-b₂a₁)I(k-2)+[1-(a₁+a₂)+a₁a₂]V_oc

由于：

V(k)＝θ₁V(k-1)+θ₂V(k-2)+θ₃I(k)+θ₄I(k-1)+θ₅I(k-2)+θ₆

则根据对应关系得：

a₁+a₂＝θ₁

-a₁a₂＝θ₂

R_Ω＝θ₃

b₁-b₂-R_Ω(a₁+a₂)＝θ₄

a₁a₂R_Ω-b₁a₂-b₂a₁＝θ₅

[1-(a₁+a₂)+a₁a₂]V_oc＝θ₆

则待估算参数为：

θ＝[a₁+a₂,-a₁a₂,R_Ω,b₁-b₂-R_Ω(a₁+a₂),a₁a₂R_Ω-b₁a₂-b₂a₁,[1-(a₁+a₂)+a₁a₂]V_oc]^T

电池特性参数R_Ω、R_m、C_m、R_s、C_s、V_oc可通过计算θ值后求得，其中：

V_oc＝θ₆/(1-θ₁-θ₂)

二、本实施例通过递推最小二乘法估算θ值，具体方法如下：

递推辨识算法的原理为：

新的参数估计值＝旧的参数估计值+修正项

即新的递推参数估计值是在旧的递推估计值的基础上而成。

首先，读取两组电压值及两组电流值，V(1)、V(2)、I(1)、I(2)，设定自适应参数θ及相对矩阵P初始值，自适应参数θ初始值和相对矩阵P初始值由上次下电存入NVM中的数据获得。

在辨识计算过程中，防止算法增益矩阵G(k)急剧衰减，使得新数据失去对参数估计值的修正能力，引进遗忘因子a，a为0～1之间的数，以保持新数据对参数估计值的一定的修正能力，使得能得到更准确的参数估计值，或能适应对慢时变参数的辨识。

读取一组新的电压值V(k)及电流值I(k)，根据电压值V(k)、电流值I(k)，上一时刻读取的电压值V(k-1)、电流值I(k-1)，再上一时刻读取的电压值V(k-2)、电流值I(k-2)，计算本时刻的参数矩阵

由上一时刻计算得到的参数矩阵φ(k-1)和相对矩阵P(k-1)计算本时刻增益矩阵：

计算相应估算误差：

由估算误差α和前一时刻自适应参数θ(k-1)对当前时刻自适应参数θ进行更新：

θ(k)＝θ(k-1)+G(k)α

对相对矩阵P进行升级：

根据自适应参数θ值计算电池的参数R_Ω、R_m、C_m、R_s、C_s、V_oc。

根据上述电池实时参数，估算电池当前状态最大充放电电流值：

V_t(t)＝V_oc(t)–V_r(t)-V_s(t)-V_m(t)

其中，V_t为电池的充放电截止电压，由锂电池特性决定(放电截止电压3.2V～3.5V，充电截止电压4.1V～4.3V)；V_oc为当前状态电池的开路电压；V_r为电池的欧姆压降；V_s为电池的电化学极化压降；V_m为电池的浓差极化压降。

欧姆压降V_r由电池充放电电流乘以电池欧姆内阻得到：

V_r(t)＝I_B*R_Ω

电化学极化压降V_s由前一采样时刻的电化学极化压降和电池充放电电流决定：

V_s(t)＝I_B*R_s(1-e^-t/RsCs)-V_s(t-1)e^-t/RsCs

其中，V_s(t-1)为前一采样时刻电化学极化压降。

浓差极化压降V_m由前一采样时刻的浓差极化压降和电池充放电电流决定：

V_m(t)＝I_B*R_m(1-e^-t/RmCm)–V_m(t-1)e^-t/RmCm

其中，V_s(t-1)为前一采样时刻浓差极化压降。

根据电池状态参数估算当前状态电池的最大充放电电流为：

V_t(t)＝V_oc(t)-I_B*R_Ω–(I_B*R_s(1-e^-t/RsCs)-V_s(t-1)e^-t/RsCs)–(I_B*R_m(1-e^-t/RmCm)–V_m(t-1)e^-t/RmCm)

I_{B_max}＝(V_oc(t)+V_s(t-1)e^-t/RsCs+V_m(t-1)e^-t/RmCm-V_t(t))/(R_Ω+R_s(1-e^-t/RsCs)+R_m(1-e^-t/RmCm))

其中，I_{B_max}为电池根据状态参数估算的最大充放电电流。

三、考虑电池保护、故障、安全及模态估算电池当前最大的充放电电流：

考虑电池保护对电池最大充放电电流的限制：

1、当电池温度过高或者过低时，将I_{B_max}乘以一与电池温度相关的修正系数α₁当电池温度在[0℃40℃]之间时，α_T为1，当电池温度在此区间之外，随着温度升高或降低，α_T逐渐减小到0，温度区间为标定量，与电池特性相关。

2、估算电池最大放电电流时，当电池单体最低电压过低，将I_{B_max}乘以一与电池电压相关的修正系数α₂，当电池最低单体电压在[3.7V 4.2V]时，α₂为1，随着单体电压降低，α₂逐渐减小到0，电压区间为标定量，与电池特性相关。

3、估算电池最大充电电流时，当电池单体最高电压过高，将I_{B_max}乘以一与电池电压相关的修正系数α₃，当电池最高单体电压在[3.2V 3.7V]时，α₃为1，随着单体电压升高，α₃逐渐减小到0，电压区间为标定量，与电池特性相关。

考虑电池故障对电池最大充放电电流的限制：

动力电池故障管理系统将电池故障分三个等级，故障处理方案为：SOF估算模块接收到故障诊断上报的故障信息后，将电池的最大充放电电流乘以一与故障相关的修正系数α₄，一级故障α₄为0.7，二级故障α₄为0.5，三级故障α₄为0。

考虑电池系统安全对电池最大充放电电流的限制：

当电池系统发生安全故障时，对最大充放电电流进行限制，将I_{B_max}乘以一与电池系统安全相关的修正系数α₅：

1、发生环路互锁故障或电池系统绝缘故障时，同时考虑车速对系统安全行驶的影响，当故障发生且车速高于20km/h时，α₅为0.5，当车速低于20km/h时，α₅为0；

2、电池系统发生短路、短路或者碰撞安全故障时，α₅为0。

考虑电池系统模态对电池最大充放电电流的限制：

1、当电池系统处于放电模态时，将充电桩充电最大充放电电流限为0A，最大放电电流、最大制动能量回收电流能力由上述估算最大充放电值决定；

2、当电池系统处于充电模态时，将放电最大电流、最大制动能量回收电池限为0A，充电桩充电最大电流能力由上述最大充电电流估算值决定。

Claims (8)

1.一种新能源电动汽车电池管理系统SOF估算方法，其特征在于，包括以下步骤：

步骤一、建立锂电池二阶RC离散时间模型，生成六个电池控制参数：

锂电池二阶RC离散时间模型为：

其中，V(k)为电池的测量终端电压；

为可测量参数矩阵，包括终端电压和电流；θ为待估参数；

待估参数θ包含六个参数向量：

θ＝[θ₁,θ₂,θ₃,θ₄,θ₅,θ₆]^T

步骤二、通过递推最小二乘法估算θ值：

2.1)读取两组电压值V(1)、V(2)，及两组电流值I(1)、I(2)，设定自适应参数θ及相对矩阵P初始值；

2.2)定义遗忘因子，0<a<1，以保持新数据对参数估计值的修正能力；

2.3)读取一组新的电压值V(k)及电流值I(k)；

2.4)根据电压值V(k)、电流值I(k)，上一时刻读取的电压值V(k-1)、电流值I(k-1)，再上一时刻读取的电压值V(k-2)、电流值I(k-2)，计算本时刻的参数矩阵

2.5)由上一时刻计算得到的参数矩阵

和相对矩阵P(k-1)计算本时刻增益矩阵G(k)；

2.6)计算估算误差α，由估算误差α和前一时刻自适应参数θ(k-1)对当前时刻自适应参数θ进行更新；

2.7)对相对矩阵P进行升级，预留下一时刻使用；

2.8)根据自适应参数θ值计算电池的实时参数，包括欧姆内阻R_Ω、电化学极化内阻R_m、电化学极化电容C_m、浓差极化内阻R_s、浓差极化电容C_s、开路电压V_oc；

2.9)根据上述电池实时参数，估算电池当前状态最大充放电电流值。

2.如权利要求1所述的一种新能源电动汽车电池管理系统SOF估算方法，其特征在于，所述步骤一生成六个电池控制参数，具体包括：

可测参数矩阵为：

其中，V、I分别为电压电流传感器采集的电池端电压和电流；

所述锂电池二阶RC离散时间模型的等效表达式为：

V＝V_oc+I_BR_Ω+V_s+V_m

其中，V_s为浓差极化电压；V_m为电化学极化电压；V_oc为电池的开路电压；R_Ω为电池的内阻；I_B为电流传感器采集的电池包输入输出电流；V为电压传感器采集电池端电压；

将浓差极化电压V_s和电化学极化电压V_m离散化，可得：

其中，Δt为电压、电流采样周期；

令：

则：

V_s(k)＝a₁V_s(k-1)+b₁I_B(k-1)

V_m(k)＝a₂V_m(k-1)+b₂I_B(k-1)

根据Z函数转换，二阶离散模型可转化成差分方程：

V(k)＝(a₁+a₂)V(k-1)-a₁a₂V(k-2)+R_ΩI(k)+[b₁-b₂-R_Ω(a₁+a₂)]I(k-1)+(a₁a₂R_Ω-b₁a₂-b₂a₁)I(k-2)+[1-(a₁+a₂)+a₁a₂]V_oc

由于：

V(k)＝θ₁V(k-1)+θ₂V(k-2)+θ₃I(k)+θ₄I(k-1)+θ₅I(k-2)+θ₆

则根据对应关系得：

a₁+a₂＝θ₁

-a₁a₂＝θ₂

R_Ω＝θ₃

b₁-b₂-R_Ω(a₁+a₂)＝θ₄

a₁a₂R_Ω-b₁a₂-b₂a₁＝θ₅

[1-(a₁+a₂)+a₁a₂]V_oc＝θ₆

则待估算参数为：

θ＝[a₁+a₂,-a₁a₂,R_Ω,b₁-b₂-R_Ω(a₁+a₂),a₁a₂R_Ω-b₁a₂-b₂a₁,[1-(a₁+a₂)+a₁a₂]V_oc]^T

电池特性参数R_Ω、R_m、C_m、R_s、C_s、V_oc通过计算θ值后求得，其中：

V_oc＝θ₆/(1-θ₁-θ₂)。

3.如权利要求1所述的一种新能源电动汽车电池管理系统SOF估算方法，其特征在于，所述步骤2.1)中，自适应参数θ初始值和相对矩阵P初始值由上一时刻存入NVM中的数据获得。

4.如权利要求1所述的一种新能源电动汽车电池管理系统SOF估算方法，其特征在于，所述步骤2.4)中，参数矩阵

的计算公式为：

5.如权利要求1所述的一种新能源电动汽车电池管理系统SOF估算方法，其特征在于，所述步骤2.5)中，增益矩阵G(k)的计算公式为：

6.如权利要求1所述的一种新能源电动汽车电池管理系统SOF估算方法，其特征在于，所述步骤2.6)中，估算误差α的计算公式为：

自适应参数θ更新公式为：

θ(k)＝θ(k-1)+G(k)α。

7.如权利要求1所述的一种新能源电动汽车电池管理系统SOF估算方法，其特征在于，所述步骤2.7)中，相对矩阵P升级计算公式为：

8.如权利要求1所述的一种新能源电动汽车电池管理系统SOF估算方法，其特征在于，所述步骤2.9)中，根据V_t＝V_oc–V_r-V_s-V_m公式求得电池当前状态下最大的充放电电流，

其中，V_t为电池的截止充放电电压；V_oc为当前状态电池的开路电压；V_r为电池的欧姆压降；V_s为电池的电化学极化压降；V_m为电池的浓差极化压降。

Images