[发明专利]一种计及温度和循环次数的锂离子电池SOC估计方法

说明书

本发明公开了一种计及温度和循环次数的锂离子电池SOC估计方法，包括步骤：（1）建立锂电池模型，包括电池模型、温度模型和循环损失模型；（2）做锂电池恒流放电实验，对锂电池模型参数进行识别；（3）以安时积分法作为状态方程、锂电池模型作为观测方程；（4）利用EKF算法进行SOC估计。本发明考虑的影响电池SOC的因素更多，即增加考虑温度和循环次数，同时温度模型的复杂度有效降低、循环次数模型的精度得到提升；具有SOC估计的精度高、模型参数识别的难度低、计算的复杂度低、模型适用性好等特点。

技术领域

发明设计锂离子电池SOC预测领域，尤其是一种锂离子电池SOC估计方法，该方法通过计及锂离子电池的温度和循环次数影响进行SOC的估计。

背景技术

与其他(如镍铬和铅酸)电池相比，锂离子电池具有更高的能量和功率密度，更高的效率和更低的自放电率，是电动汽车(EV)青睐的动力源。EV的关键要求是估计电池的荷电状态(SOC)，直接测量法(如安时积分法)是开环方法，它们易于实现，但对电流和电压测量误差敏感。基于模型的SOC估计方法是闭环方法，对测量误差不敏感，但它们依赖于精确的电池模型。因此，建立精确地电池模型是提高SOC估算精度的关键。

对于锂离子电池，电池温度不仅会影响开路电压，内阻和可用容量，而且如果在规定的温度限制以上运行，也可能导致电池快速老化甚至热失控。基于电化学/物理的模型涉及复杂或多维微分方程，并且已被证明能够以更高的精度表示热效应。然而，它们需要大量深入和专有的参数(如电极孔隙率，电解质厚度等)。一些用于SOC估计的电气和热耦合模型，充分考虑了电池的产热和散热机制，但其热模型的建立需要热测试室和热电偶，且对于圆柱电池来说很难获取其内部温度。一些SOC的估计方法(如神经网络法(NN))能避免使用热测试室和热电偶，尽管这些模型能反映热效应，但参数识别过程也受到复杂性的影响，并且对可用的电池数据(训练数据)量敏感。此外，这些模型忽略了准确的电池循环次数(老化)因素对于预测可用电池容量和内阻的影响。

发明内容

本发明目的就是为了解决现有技术的不足，提供了一种耦合了简化的温度模型和准确的循环损失的锂离子电池SOC估计方法，提高SOC估计的精度。

本发明是通过以下技术方案实现的：

一种计及温度和循环次数的锂离子电池SOC估计方法，包括步骤：

(1)建立锂电池模型，包括电池模型、温度模型和循环损失模型；

(2)做锂电池恒流放电实验，对锂电池模型参数进行识别；

(3)以安时积分法作为状态方程、锂电池模型作为观测方程；

(4)利用EKF算法进行SOC估计。

所述步骤(1)，锂电池模型分为三个部分，分别为：

1)电池模型：

其中，V_batt为电池端电压，E₀为电池恒压(V)，K为极化常数V/(Ah)，C为电池可用容量(Ah)，it＝∫idt为电池实际电量(Ah)，i^*为滤波后的电池电流(A)，A_b为指数区振幅(V)，B为指数区时间常数逆(Ah)^-1，D为极化电压斜率V/(Ah)，R分别为电池欧姆内阻(Ω)，i为电池电流(A)。

2)温度模型: