[发明专利]基于后向差分离散模型的动力电池SOC估计方法与系统

说明书

技术领域

本发明涉及汽车动力电池的电荷状态估计技术领域，具体为基于后向差分离散模型的动力电池SOC估计方法与系统。

背景技术

近年来，作为动力电池，锂电池与传统的铅酸电池、镍氢电池相比，具有能量密度高、无记忆效应、循环寿命长、环境友好等特点，所以锂电池已经成为电动汽车动力电池的主体。

在电动汽车中，准确估计电池的电荷状态SOC(state-of-charge)，即电池剩余电量，是电动汽车电池管理系统BMS(battery management system)良好运行的前提和关键。

电池电荷状态SOC的准确估计主要包括两部分：参数辨识与电荷状态SOC的估算。常用的参数辨识方法有遗传算法、最小二乘法、双卡尔曼滤波等；常用的电荷状态SOC的估算方法有开路电压法、安时积分法、卡尔曼滤波、扩展卡尔曼滤波、无迹卡尔曼滤波、自适应卡尔曼滤波等。

这两个部分不同的组合，构成不同SOC估计方法,得到SOC的速度和精度有明显差异。目前使用较多的、较有代表性的有：①无迹卡尔曼滤波的电池荷电状态估计试验研究，最小二乘法与无迹卡尔曼滤波的组合；②最小二乘法与开路电压法的结合；③自适应卡尔曼滤波器在车用锂离子动力电池SOC估计上的应用，遗传算法与自适应卡尔曼滤波的组合；④基于RLS与EKF算法的锂电池SOC估计，最小二乘法与扩展卡尔曼滤波的组合；⑤利用双卡尔曼滤波算法估计电动车用锂离子动力电池的内部状态，利用双卡尔曼滤波算法同时估计了电动汽车用锂离子动力蓄电池的SOC和内部参数变化。

但现有的这些SOC估计方法有些是精度不高，有些是计算复杂速度慢，均未能满足汽车动力电池——锂电池电荷状态的在线准确估计。

发明内容

本发明的目的是公开一种基于后向差分离散模型的动力电池SOC估计方法，动力电池的充放电过程是一个较缓慢的过程，即在短时间内开路电压相对稳定，本方法采用后向差分，得到结构简单的动力电池后向差分离散模型；采用含遗忘因子的最小二乘法(Forgetting Factor Recursive Least Squares algorithm，FFRLS)对后向差分离散模型进行参数辨识，结合基于极大似然准则的自适应扩展卡尔曼滤波(AEKF)计算方法，完成动力电池电荷状态SOC的有效估计。

本发明的另一目的设计一个基于后向差分离散模型的动力电池SOC估计系统，其可嵌入使用动力电池的装备中，实现动力电池的实时SOC在线估计与显示。

本发明设计的基于后向差分离散模型的动力电池SOC估计方法，包括两个步骤：

第一步、建立动力电池的后向差分离散模型，通过含遗忘因子的最小二乘法(FFRLS)对后向差分离散模型的参数进行辨识。

第二步、基于第一步所得的动力电池的后向差分离散模型，结合开路电压与SOC的非线性关系，采用自适应扩展卡尔曼滤波(AEKF)计算方法，完成动力电池SOC的有效估计。

第一步、动力电池后向差分离散模型及参数辨识

1.1.动力电池模型

对于电池管理系统，常用的电池模型有：热模型、电化学模型和等效电路模型等。等效电路模型与其他电池模型相比，可以更直观地表现电流与电压之间的关系，易于数学解析式的表达，便于电池的分析及模型参数辨识。

本发明采用目前最广泛使用的一种电池等效模型，电池的Thevenin模型，描述电池的静态和动态性能。电池的极化电阻R_p与电池的极化电容C_p并联构成一阶RC结构，表示电池的极化反应，RC两端电压为U_p(t)；串接欧姆电阻R₀和Uoc，Uoc为电池的开路电压OCV，采样得到电池端电压U(t)和流过欧姆内阻R₀的电流i(t)。

电池Thevenin模型表示如下：