[发明专利]一种电动汽车锂电池SOH的估计方法

说明书

本发明涉及一种电动汽车锂电池SOH的估计方法，其特征在于，包括以下步骤：1)构建动力锂电池的二阶RC等效模型；2)二阶RC等效模型的参数辨识，包括欧姆内阻R₀以及二阶RC环节参数；3)采用改进UPF方法计算欧姆内阻R₀；4)计算动力锂电池的SOH值。与现有技术相比，本发明具有跟踪预测能力强、估计精度高等优点。

技术领域

本发明涉及动力锂电池技术领域，尤其是涉及一种电动汽车锂电池SOH的估计方法。

背景技术

全球石油资源日益枯竭，燃油汽车的普及所导致的环境污染问题和能源危机引起了人们的高度关注。电动汽车作为一种环境友好型、资源节约型交通工具，促使世界各国投入大量的人力物力从事电动汽车的研发。动力电池作为电动汽车的核心部件，其发展势必对电动汽车的性能起着关键作用。目前，锂离子电池在电动汽车上的应用前景最好，对其性能的研究也成为近些年的热点，表征着电池性能的状态参数主要有荷电状态(State ofCharge,SOC)和健康状态(State of Health,SOH)。荷电状态SOC表征了电池的储能能力，影响电动汽车的续航里程等性能，健康状态SOH则表征了电池的循环使用寿命，直接影响了电动汽车的可靠性和安全性。相较于SOC的研究，国内外学者对SOH的研究较少，SOH是电池研究的薄弱环节，对SOH进行精准地监测和估计有助于完善电池管理系统(BatteryManagement System,BMS)，提高SOC估计精度，避免过充电、过放电，有助于故障诊断和安全预警，对电动汽车整体安全稳定运行具有重要意义。

目前，在锂电池SOH估算方面的主要研究方法有：定义法(《Intelligentprognostics for battery health monitoring based on sample entropy.ExpertSystems with Applications》，《State-of-Health estimation of Lithium-ion batterybased on interval capacity》)，又称容量法，直接放电法，实质是通过电池的容量、电量、功率等特征量变化的比例关系进行SOH评估。内阻法(《动力电池组健康状态评价方法的研究》，《State-of-health monitoring of lithium-ion batteries in electric vehiclesby on-board internal resistance estimation》)，主要是通过建立内阻与SOH之间的关系来估算SOH。神经网络法(Neural Network,NN)(《A Neural Network Based State-of-Health Estimation of Lithium-ion Battery in Electric Vehicles》，《灰色神经网络模型在线估算锂离子电池SOH》)，通过获取大量的实验数据来训练模型得到SOH。卡尔曼滤波法(Kalman Filter,KF)(《基于UKF的18650锂离子电池健康状况估计》，《基于AUKF的锂离子电池健康状态估计》)，基于电池的状态空间模型，通过递推迭代估计电池的SOH。粒子滤波法(Particle Filter,PF)(《一种基于粒子滤波的锂离子电池健康预测算法》，《基于SVR-PF的无人机电池健康状态诊断研究》，《State-of-health estimation of lithium-ionbattery packs in electric vehicles based on genetic resampling particlefilter》)，基本思想是用一组样本来近似表示系统的后验概率分布，然后使用这一近似的表示来估计非线性系统的状态。定义法是业界公认的评价电池健康状态的有效方法，但需将电池离线测量，对于车载动力电池组来说实现困难，而且需要专门的测试负载进行电池的反复充放电，实验时间长，实用价值不高。内阻法建立了电池老化程度与其内阻的相关性，通过精确地测量电池内阻值来估算其健康状态。内阻法能够实现动力电池健康状态的在线估计，但是电池内阻属于小信号，要想准确测量比较困难，所以目前这种方法还没有得到大量的应用。