[发明专利]一种锂离子动力电池荷电状态估计方法及系统

说明书

本发明公开了一种锂离子动力电池荷电状态估计方法及系统，该方法包括以下步骤：建立电池的一阶RC等效电路模型，并建立模型的状态方程；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；根据状态向量，求解状态方程的系数矩阵的表达式；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；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。本发明可以在电池使用过程中，实时在线辨识模型参数，并实时修正模型参数，从而估计获得高准确度的OCV估计值，保证了电池SOC估计值的精度，可广泛应用于电池行业中。

技术领域

本发明涉及锂离子电池技术领域，特别是涉及一种锂离子动力电池荷电状态估计方法及系统。

背景技术

SOC，全称是State of Charge，表示荷电状态，也叫剩余电量，代表的是电池使用一段时间或长期搁置不用后的剩余容量与其完全充电状态的容量的比值，常用百分数表示。新能源汽车用锂离子电池的SOC是不可直接测量的关键参数，准确的SOC估计值是保证锂离子电池在工作范围内使用的主要依据，也是提高锂离子电池寿命和能量利用率的前提。锂离子电池的SOC估计也是车辆进行能量、功率匹配和控制的重要依据，因此研究准确的SOC估计方法具有重要意义。

目前国内外学者提出了许多SOC估计方法，主要包括：安时积分法、开路电压法、模糊逻辑法、神经网络法、卡尔曼滤波法等，这些方法都有各自的适用范围。

安时积分法的优势在于简单易于工程实现。但是有以下三个缺点：首先，安时积分法只能解决一段时间内电量的变化情况，对初始值的依赖性很高；其次，由于电流传感器精度不足引起的累积误差无法实时校正；最后，电池管理系统不工作时，无法估算电池的自放电效应。开路电压法是根据开路电压OCV和SOC的单调关系来查表计算电池的SOC，需要将电池充分静置后才能获得准确的OCV，耗时长，不适用于在线估计SOC。模糊逻辑法根据大量实验数据，用模糊逻辑模拟人的模糊思维，最终实现可靠的SOC预测。缺点在于需要大量的实验数据，方法复杂，很难工程实现。而神经网络法，由于电池SOC的非线性特性，电池模型参数从数学上无法精确定义，神经网络技术在SOC的估计中就非常有用。神经网络法的缺点是需要大量实验数据进行训练，估计误差受训练数据和训练方法的影响很大，而且算法复杂，很难工程实现。卡尔曼滤波法是通过建立观测系统的状态与观测量之间的映射关系，实现对状态或参数估计的修正。卡尔曼滤波法的核心思想是对系统的状态做出最小方差意义上的最优估计，其优点是对初始SOC误差不敏感，缺点是对电池性能模型精度及电池管理系统计算能力要求高。

综上所述，现有的SOC估计方法均存在一定的缺陷与不足，存在估计精度差、算法复杂等问题。

发明内容

为了解决上述的技术问题，本发明的目的是提供一种锂离子动力电池荷电状态估计方法及系统。

本发明解决其技术问题所采用的技术方案是：

一种锂离子动力电池荷电状态估计方法，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。