[发明专利]一种锂电池SOC在线估计方法

说明书

技术领域

本发明涉及电动汽车电池管理领域，具体涉及一种锂电池SOC在线估计方法。

背景技术

近年来，随着空气质量的日益恶化以及石油资源的渐趋匮乏，新能源汽车，尤其是纯电动汽车成为当今世界各大汽车公司的开发热点。动力电池组作为电动汽车的关键部件，动力电池SOC被用来直接反应电池的剩余电量，是整车控制系统制定最优能量管理策略的重要依据，动力电池SOC值的准确估计对于提高电池安全可靠性、提高电池能量利用率、延长电池寿命具有重要意义。

目前，常用的SOC估计方法主要有开路电压法、安时积分法、卡尔曼滤波法和神经网络法等。

锂电池开路电压(OCV)可以表现其当前状态电池的放电能力，其与SOC有良好的线性关系，根据OCV-SOC关系估计SOC的方法称为开路电压法。开路电压在电池工作状态下不能直接测量，只有在电池未工作的情况下才能近似测量，所以这种方法只适用于电动汽车的驻车状态。通常，开路电压法用于为其它估计方法提供SOC的初始值。

安时积分方法的基本原理是电池在充放电过程中，通过电流对时间积分，可以计算出电池充入或放出的电量，将此电量除以电池当前状态可用容量，再与电池初始SOC进行相应的加减运算即可得出当前状态SOC值。安时积分法具有成本低、测量方便等优点，但在电动汽车场合应用时也有以下几个问题：需要借助其它方法获得SOC初始值；电流测量精度对SOC估计精度具有决定性影响；积分过程的累积误差无法消除，一次计算过程中如果充放电时间过长，累积误差可能导致估计结果不可靠。

神经网络法具有良好的非线性映射能力，理论上动力电池的非线性特性能够较好的由神经网络映射，但其需要大量的数据进行训练，使用复杂，训练数据和训练方法对估计精度的影响较大。

卡尔曼滤波法的核心思想是对动态系统的状态做出最小均方意义上的最优估计，卡尔曼滤波的优点在于误差纠正能力较强，不足在于估计精度对电池模型的准确性依赖较高。

因此需要建立一种简单易行、估算精度较高，鲁棒性强且能消除累积误差的SOC估计方法。

发明内容

本发明的目的是针对上述现有技术的不足，提供了一种锂电池SOC在线估计方法，该方法采用基于最小二乘法和卡尔曼滤波法相结合的状态变量的联合估计算法，在一步递推过程中先用最小二乘法更新卡尔曼滤波器的模型参数，再根据滤波得到的SOC求出OCV，根据OCV和测得的电压、电流信号用最小二乘法估计并更新下一步卡尔曼滤波运算中的模型参数，依次递推。实现了比传统无迹卡尔曼滤波算法精度更高，误差收敛性更强的技术效果。

本发明的目的可以通过如下技术方案实现：

一种锂电池SOC在线估计方法，所述方法包括以下步骤：

1)在估算程序开始前，测量电池在静止状态下的开路电压Voc(0)，根据OCV-SOC曲线，得到电池荷电状态的初始值SOC(0)；

2)根据电池的外特性建立电池的二阶RC等效模型，该模型包括一个电压源Voc、一个直流内阻R以及两个RC并联环路，所述RC并联环路包括Rs、Cs、Rp和Cp，根据电池工作初期的电压响应曲线，通过曲线拟合的方法，估算电池等效模型的参数初始值R(0)、Rs(0)、Cs(0)、Rp(0)和Cp(0)；

3)启动估算程序，根据步骤1)中电池荷电状态的初始值SOC(0)和步骤2)中电池等效模型的参数初始值R(0)、Rs(0)、Cs(0)、Rp(0)和Cp(0)，设定状态方程的匹配系数初值；

4)利用自适应无迹卡尔曼滤波算法得到当前电池荷电状态值SOC(k)，根据OCV-SOC曲线，得到当前的开路电压Voc(k)；

5)启动带遗忘因子的最小二乘法，对当前电池等效模型的参数R(k)、Rs(k)、Cs(k)、Rp(k)和Cp(k)进行辨识，将辨识出来的当前电池等效模型的参数更新状态方程的匹配系数，求出下一时刻电池荷电状态值；

6)重复步骤4)和步骤5)，反复推算，得到每个时刻的电池荷电状态值。

优选的，所述步骤3)中设定状态方程的匹配系数初值的具体过程为：根据电池的二阶RC等效模型以及荷电状态的积分法得：

其中，E(t)为电池开路电压OCV值，U(t)为电池端电压值，u_s为极化电容Cs两端的电压，u_p为极化电容Cp两端的电压，SOC(t)为SOC估计值，SOC(t')为电池荷电状态上一时刻的初始值，C_N为电池最大可用容量，η为库伦效率，对上式进行离散化，得状态方程：