[发明专利]一种基于模型切换及融合的荷电状态估计方法

说明书

本发明公开了一种基于模型切换及融合的荷电状态估计方法，用于提高动力电池SOC估计的准确性，当电动汽车或者电动水下航行器长时间工作时，根据电池管理系统采集到的温度和压强信息得到切换时间t_s作为切换动作执行判断的重要依据。工况前期利用Rint模型结合扩展卡尔曼滤波器对荷电状态进行估计，并作为相应时刻的最终结果；工况后期利用一阶和二阶RC模型各自得到的荷电状态估计结果进行加权融合，融合后同样作为该时刻的最终结果。并且任意时刻的最终估计结果要作为下一时刻估计的初始值，保证收敛速度。

技术领域

本发明属于电池管理技术领域，具体指代一种基于模型切换及融合的荷电状态估计方法。

背景技术

随着人口和经济的增长，燃油车的数量不断增多，这对国家的能源结构和自然环境提出了很大的挑战，新能源汽车应运而生并迅速成为各大车企的研究热点。新能源汽车主要指的是电动汽车，其动力核心是通过串并联方式形成的电池组。为了保证动力电池正常工作并处于良好的健康状态，电池管理系统(BMS)需要实时采集电动汽车电池组中的每块电池的端电压和温度、充放电电流等数据，防止电池发生异常情况。其中对电池SOC的精确估计是保证BMS良好运作的前提。

当前SOC估计的主要方法是通过对动力电池建模结合输入量进而得到SOC的估计值。电池模型主要分为电化学模型、等效电路模型和神经网络模型。其中，电化学模型能够准确仿真动力电池外特性并能深入描述内部的微观反应，但其参数众多，部分参数无法通过测量得到，辨识难度大，不适合实际应用。神经网络模型则需要大量的实验数据进行训练，并且对实验数据的准确性有严格要求，否则难以达到理想的精度。

等效电路模型利用电路元件模拟电池内部结构，所需辨识的参数能够通过实验数据进一步处理得到，难度相对较小。针对该模型已有大量研究和拓展，一阶RC和二阶RC模型由于考虑了极化效应的影响，能够保证动力电池在长时间的工作下依然能有较为精确的SOC估计值，并在不同SOC区间内，俩者的估计精度各有胜负。然而在工况运转前期，基于两个模型的估计误差较大，需要一定时间才能逐渐收敛接近真实值。对比发现Rint模型虽然简单，无RC单元，且基于此模型的SOC估计结果在一定时刻后误差逐渐增大，偏离真实值无法作为长期估计模型，但其在动力电池工作初期，有比一阶RC和二阶RC模型更加精确的SOC估计值，因此本发明根据此点考虑将这三个模型通过切换和融合方法共同用于SOC估计。

切换决策中核心是要通过大量实验对比三个模型在若干个DST循环中的估计结果，找到将Rint模型切换到融合模型的时间节点，并且考虑不同的工作温度和压强对时间节点的影响，这是因为俩个变量都会对估计结果产生较大影响。而基于一阶RC和二阶RC模型的融合是对二者估计结果通过取相应权值实现加权融合，从而在不同SOC区间内获得更加精确的估计值。

针对在时间节点中考虑压强的影响是因为本发明从减小电动汽车SOC估计误差的基础上，将动力电池使用范围扩展至包括水下机器人等水下航行器，所以需要考虑压强对动力电池SOC估计的影响，而不是将环境压强局限于普通的大气压。

发明内容

针对于上述现有技术的不足，本发明的目的在于提供一种基于模型切换及融合的荷电状态估计方法，以解决现有技术中使用一阶RC或二阶RC模型在不精确SOC初值情况下的估计结果在工况前期误差较大的问题。

为达到上述目的，本发明采用的技术方案如下：

本发明的一种基于模型切换及融合的荷电状态估计方法，包括步骤如下：

步骤S1)：选定待测动力电池，基于Rint(0阶RC)模型、一阶RC模型、二阶RC模型分别建立状态方程，确定其在线辨识的系统状态和模型参数；

步骤S2)：在不同温度和压强下对该动力电池进行恒流脉冲放电实验、混合脉冲功率特性实验以及动态应力测试循环，记录不同温度和压强下的实验数据；

步骤S3)：基于上述记录的实验数据，建立不同温度和压强下的开路电压与荷电状态关系模型；