[发明专利]一种分布式电池组荷电状态估计算法

权利要求书

1.一种分布式电池组荷电状态估计算法，其特征在于，包括如下步骤：

(1)建立基于主、从控制器的电池组能量管理系统，其中一个从控制器对应一个电力电子变换器和一块电池单体，主控制器用于执行电池组整体的均衡管理策略，从控制器用于监测每块电池单体并控制电力电子变换器以完成电池间的能量均衡，电力电子变换器用于完成不同电池单体间的能量转移，以实现组内电池单体的主动均衡；

(2)构建各从控制器的分布式算法，基于偏差模型，使用扩展卡尔曼滤波来估计每块电池单体的荷电状态；基于电池单体的电流和电压的测量值，通过递归最小二乘来更新每块电池单体模型的参数；

(3)构建主控制器的分布式算法，基于电池组的平均等效电路模型，使用平方根无损卡尔曼滤波来估计电池组的平均荷电状态。

2.根据权利要求1所述的分布式电池组荷电状态估计算法，其特征在于，所述主控制器的状态空间模型构建过程如下，

建立电池单体的二阶等效电路模型：

U_t＝U_oc-U₁-U₂-I_t·R₀ (1)

建立电池单体的开路电压与荷电状态的具体关系U_oc＝f(SOC)：

通过提前离线测试电池单体在特定的荷电状态下的开路电压后，再使用如下多项式拟合得到开路电压与荷电状态的关系式，

由安时积分法可知，锂电池的荷电状态可以由(4)式计算得到，

式(4)中，SOC₀和SOC_t分别为荷电状态的初始值和当前值，C_cap是电池的容量，η是电池的库伦效率；

定义和那么，由式(1)-(4)可得如下电池组的平均等效电路模型的状态空间方程，

其中，

3.根据权利要求2所述的分布式电池组荷电状态估计算法，其特征在于，式(5)中的各参数均为电池组中所有电池单体的平均值，计算方法如下：

x^Average为式(1)-(4)中参数的平均值，x代表式(5)中的各种参数。

4.根据权利要求3所述的分布式电池组荷电状态估计算法，其特征在于，所述主控制器用于估计电池组的平均等效电路模型的荷电状态，所述平方根无损卡尔曼滤波通过使用QR分解和Cholesky分解进行协方差矩阵的更新，所述平方根无损卡尔曼滤波的具体计算步骤为：

1).定义状态变量的初始值和协方差矩阵的初始值P₀；

2).计算Sigma点和权重系数W_i

Sigma点的计算如下，

其中，n是状态变量的维数，1≤i≤n，n+1≤j≤2n，表示取矩阵的第i行；

权重系数W_i的计算如下，

其中，α决定了Sigma点的分布，其取值范围为[1e^-4 1]；λ的典型取值为0或者3-n；β为状态分布参数，κ＝α²(n+λ)；

3).状态预测

4).协方差预测

5).测量更新

6).增益矩阵计算

7).状态估计

8).协方差估计

5.根据权利要求4所述的分布式电池组荷电状态估计算法，其特征在于，所述从控制器的偏差状态空间模型构建过程如下，

求取电池单体和电池组平均模型之间的电压偏差如下，

由式(7)可得到电池单体偏差状态空间模型为，

其中，各变量的定义为其中，上标i表示电池组中第i个电池单体。

6.根据权利要求5所述的分布式电池组荷电状态估计算法，其特征在于，所述从控制器用于电池单体的荷电状态估计，其中

扩展卡尔曼滤波的计算步骤如下：

1).状态预测

2).协方差预测

3).卡尔曼增益矩阵

4).状态估计

5).协方差估计

为更新电池二阶等效电路模型中的参数，通过对(1)-(2)式进行双线性变换，得到如下方程，

由式(9)，定义θ(k)＝[b₁ b₂ b₃b₄ b₅ (1-b₁-b₂)·U_oc]，y(k)＝U_t(k)；

递归最小二乘的计算步骤如下：

其中，λ的遗忘因子，取值范围为0.98～0.995，K(k)是辨识的增益，P(k)是协方差矩阵。