[发明专利]一种动力电池荷电状态估计方法

说明书

技术领域

本发明涉及动力电池电源管理系统领域，尤其涉及一种动力电池荷电状态估计方法。

背景技术

动力电池荷电状态(SOC-State of Charge)的估计是电源管理系统中一个非常重要的内容。目前常用的动力电池SOC估计方法有以下三种：

第一，安时计量法，将充放电电流随时间的积分值加于初始的SOC上对实时的SOC进行估计。该方法存在以下两方面缺陷：一方面，由于动力电池可能在任何一个SOC开始工作，故而初始的SOC难以确定；另一方面，动力电池在实际使用过程中，会不确定地以不同倍率电流进行放电，而在不同倍率电流放电的情况下，特别是在高倍率电流放电情况下，动力电池的放电效率有较大变化(如图2所示)，此时仅凭充放电电流随时间的直接积分而不对该积分过程加以修正，无法体现放电效率变化对实时的SOC造成的影响，从而估计所得的SOC有较大误差。

第二，开路电压法，利用开路电压(OCV-Open Circuit Voltage)与SOC的对应关系进行估计。该方法需要基于OCV的测定，但由于在动力电池工作过程中，无法测定开路电压，故该方法无法应用于动力电池的工作过程中。

第三，神经网络法，利用神经网络模型，直接预测某个放电电流DC和放电电压DV下的放电量，并根据初始SOC，由上述两者的差值推算出实时的SOC。该方法也不适用于动力电池的SOC估计，一方面因为初始SOC难以确定；另一方面因为神经网络模型受输入维数限制，仅预测单个倍率下的放电电量，而实际应用中动力电池以变化的倍率电流放电，因此神经网络法不符合实际使用情况。

发明内容

针对现有的动力电池SOC估计方法存在误差较大、不适用工作状态的缺陷，本发明提供了一种具有较小误差的动力电池荷电状态估计方法，其特征在于，该方法包括以下步骤：

(a)测量动力电池在多个不同放电倍率下的放电量，并且与额定放电量进行比值计算，得到多组不同放电倍率下的充放电效率修正系数K_i数据，然后将所述多组数据引入数据拟合工具，得到不同放电倍率下的K_i变化曲线；

(b)测量动力电池在多个不同温度下的放电量，并且与额定放电量进行比值计算，得到多组不同温度下的充放电效率修正系数K_w数据，然后将所述多组数据引入数据拟合工具，得到不同温度下的K_w变化曲线；

(c)将电池工作状态的初始时刻至t时刻划分为多个时间段t_j，通过下式计算工作状态下的动力电池在t时刻的剩余电量C_t(即SOC)，

C_t＝(K_CC₀+∑K_iI_jt_j)K_w

式中，

K_c为对电池的一致性差异和不同循环次数进行修正的实际电量修正系数，

C₀为工作状态下初始时刻电池的剩余电量，

K_i为从所述K_i变化曲线得到的tj时间段内的放电倍率下的K_i值，

K_w为从所述K_w变化曲线得到的工作温度下的K_w值，

I_j为每个时间段结束时的电流值。

与现有技术相比，本发明的方法的优点在于：适用于电池工作状态；考虑了影响电池的放电倍率、温度、循环次数、电池一致性差异等因素，更符合动力电池的实际使用情况，估计结果误差较小；使用数据拟合工具建立相关曲线，简化建模过程，易于该方法的工业应用。

附图说明

图1是根据本发明的不同开路电压下的非工作状态电池在t时刻的初始剩余电量C_0t的曲线图。

图2是根据本发明的不同倍率下的充放电效率修正系数K_i的曲线图。

图3是根据本发明的不同温度下的充放电效率修正系数K_w的曲线图。

图4是根据本发明的具体实施方式的单隐层BP网络模型结构图示。

图5是开路电压和放电量实测结果与网络拟合结果的比较图示。

图6是根据本发明的具体实施方式的方法的原理流程图。

具体实施方式

下面参照附图对本发明进行详细说明。