[发明专利]一种锂离子动力电池荷电状态估计方法及系统

权利要求书

1.一种锂离子动力电池荷电状态估计方法，其特征在于，包括以下步骤：

S1、建立电池的一阶RC等效电路模型，并建立模型的状态方程；

S2、定义状态方程的状态向量，所述状态向量包含模型的模型参数和电池的OCV值；

S3、根据状态向量，求解状态方程的系数矩阵的表达式，所述系数矩阵包括状态转移矩阵和观测矩阵；

S4、将电池的实时工作电流作为系统激励，实时工作电压作为观测量，采用扩展卡尔曼滤波算法在线辨识模型的模型参数以及OCV估计值；

S5、根据OCV估计值以及电池的OCV-SOC关系曲线，插值获得电池的SOC估计值；

所述电池的OCV-SOC关系曲线是通过对电池进行间歇性放电-静置实验，所测试获得的。

2.根据权利要求1所述的锂离子动力电池荷电状态估计方法，其特征在于，所述步骤S4，具体包括：

S41、将电池的实时工作电流作为系统激励，结合当前时刻的状态向量，采用扩展卡尔曼滤波算法预测下一时刻的状态向量；

S42、根据预测获得的下一时刻的状态向量，获得模型的OCV估计值，并计算获得电池模型的模型参数；

S43、根据计算获得的模型参数，实时更新状态方程的系数矩阵，将更新后的系数矩阵用于下一次预测计算。

3.根据权利要求2所述的锂离子动力电池荷电状态估计方法，其特征在于，所述步骤S41之前还包括初始化步骤：

S40、初始化状态方程的状态向量、误差协方差矩阵，并根据系统特性赋值过程噪声矩阵Q，根据测量设备的精度赋值测量噪声R。

4.根据权利要求2所述的锂离子动力电池荷电状态估计方法，其特征在于，所述步骤S41，具体包括：

S411、根据当前时刻的误差协方差矩阵，预测下一时刻的误差协方差矩阵；

S412、根据误差协方差矩阵的预测值，求解下一时刻的卡尔曼滤波增益的预测值；

S413、根据卡尔曼滤波增益的预测值，计算下一时刻的状态向量，并更新误差协方差矩阵。

5.根据权利要求1所述的锂离子动力电池荷电状态估计方法，其特征在于，所述电池的一阶RC等效电路模型包括恒压源、欧姆内阻、极化内阻和极化电容，其中，所述极化内阻和极化电容并联后，依次与欧姆内阻和恒压源串联。

6.根据权利要求1所述的锂离子动力电池荷电状态估计方法，其特征在于，所述步骤S1中所述状态方程为：

其中，U_1,k表示当前时刻一阶RC等效电路的极化电压，U_1,k+1表示下一时刻一阶RC等效电路的极化电压，T表示采样周期，R_1,k表示当前时刻的极化内阻值，R_0,k表示当前时刻的欧姆内阻值，I_k表示电池的实时工作电流，U_k表示电池的实时工作电压，OCV_k表示当前时刻电池的OCV值，τ_1,k表示时间常数，且τ_1,k＝R_1,kC_1,k。

7.根据权利要求6所述的锂离子动力电池荷电状态估计方法，其特征在于，所述步骤S2中所述状态向量x_k为：

x_k＝[U_1,k R_1,k τ_1,k R_0,k OCV_k]。

8.根据权利要求7所述的锂离子动力电池荷电状态估计方法，其特征在于，所述步骤S3中，电池模型的状态转移矩阵A为：

9.根据权利要求7所述的锂离子动力电池荷电状态估计方法，其特征在于，所述步骤S3中，电池模型的观测矩阵C为：

C＝[-1 0 0 -I_k 1]。

10.一种锂离子动力电池荷电状态估计系统，其特征在于，包括：

至少一个处理器；

至少一个存储器，用于存储至少一个程序；

当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如权利要求1-9任一项所述的锂离子动力电池荷电状态估计方法。