[发明专利]一种蓄电池荷电状态的估算方法和系统

说明书

技术领域

本发明涉及蓄电池参数估算相关技术领域，特别是涉及一种蓄电池荷电状态的估算方法和系统。

背景技术

在太阳能光伏发电系统和光伏/风力混合发电系统中，蓄电池组作为能量源，起着储存和调节电能的作用。通常，系统中的蓄电池组由多个蓄电池串并联而成，且经常处于循环使用状态。运行时，由于电池的个体差异，蓄电池组中会不可避免存在落后电池过度放电且又充电不足的现象。如此反复，落后电池将会提前失效，从而严重影响蓄电池的使用寿命。

按照相关规范要求，每组电池的单体端电压不允许超出电池平均单体电压的±50mV。超出此范围的电池可能由于没有正常充电或电池故障。根据电池端电压的一致性，初步查找出电池组中的故障电池。在此基础上，对蓄电池剩余容量或荷电状态(State of Charge，SOC)进行实时准确地在线检测，避免蓄电池过充电和过放电，对保证系统稳定和延长蓄电池的使用寿命具有十分重要的意义。

铅酸蓄电池的技术比较成熟，相关理论与经验比较丰富，是目前应用最多的蓄电池，广泛应用于太阳能发电、电动车等领域。铅酸蓄电池的充放电是一个复杂的电化学过程，其实际容量也受很多因素影响，因此精确测算蓄电池SOC难度比较大。目前通常的做法是根据电池的外特性参数对蓄电池SOC进行预测。常用的方法主要有内阻法、安时计量法、神经网络法和卡尔曼滤波法，其具体特点如下：

内阻法，主要适用于蓄电池SOC低于40%时的情况，因为当其SOC在40%以上时，其内阻基本没变化，只有SOC低于40%时，蓄电池的内阻才会很快升高。

安时计量法，在应用中需要标定SOC的初始值和精确的充放电效率，以及准确地测量电流。电流测量不准，长期会存在电流积分的累积误差，同时充放电电流波动对电池剩余容量也有影响，都会导致SOC估算不准确。

神经网络法，能够较好地反映蓄电池容量的非线性特性。但该方法的误差受训练数据和训练方法影响很大，满足精度要求通常需要占用较大的计算机资源。

卡尔曼滤波法，在估算中能保持较好的精度。但该方法的估计精度严重依赖于蓄电池等效电路模型的准确性，并且运算数据量较大。

由此可见，上述几种方法并不能够在满足准确估算蓄电池SOC值的同时，提高算法的灵活性和降低运算量。

发明内容

基于此，有必要针对现有技术并不能够在满足准确估算蓄电池SOC值的同时，提高算法的灵活性和降低运算量的技术问题，提供一种蓄电池荷电状态的估算方法和系统。

一种蓄电池荷电状态的估算方法，包括：

获取多个蓄电池在线状态特征量数据，所述蓄电池在线状态特征量数据包括所述蓄电池的多个端电压离散点数据值、放电电流离散点数据值和放电容量离散点数据值；

根据所述多个端电压离散点数据值、放电电流离散点数据值和放电容量离散点数据值，采用牛顿插值法得到多个以端电压为自变量的放电容量的第一函数，以及多个以放电电流为自变量的放电容量的第二函数；

测量得到所述蓄电池的端电压作为测量端电压，测量得到所述蓄电池的放电电流作为测量放电电流；

根据至少一个第一函数和至少一个第二函数获得在测量端电压和测量放电电流状态下的测量放电容量估算值；

根据所述测量放电容量估算值得到对应的荷电状态的估算值。

进一步的，所述获取多个蓄电池在线状态特征量数据的步骤，具体包括：

根据所述蓄电池的电池类型确定的充电要求充入所述蓄电池额定容量的电量；

将所述蓄电池以至少三种的放电倍率恒流放电，在每种放电倍率下，分阶段使所述蓄电池放电至多个的荷电状态；

测量并保存所述蓄电池在每个荷电状态下的至少三个放电电流离散点数据值和至少三个端电压离散点数据值，以及在所述放电电流离散点数据值和端电压离散点数据值组合状态下所对应的放电容量离散点数据值。

再进一步的，所述根据所述多个端电压、放电电流和放电容量，采用牛顿插值法得到多个以端电压为自变量的放电容量的第一函数，以及多个以放电电流为自变量的放电容量的第二函数的步骤，具体包括：

采用牛顿插值法得到多个以端电压为自变量的放电容量的第一函数，具体包括：

对所有R个放电电流离散点数据值I_i(i=1,2,…,R)，计算以端电压U为自变量的放电容量Q的R个第一函数Q₁=f₁(I_i,U)：