[发明专利]基于求积分卡尔曼滤波的锂电池剩余电量估计方法

说明书

本发明公开了一种基于求积分卡尔曼滤波的锂电池剩余电量估计方法，包括步骤一、建立锂电池的等效电路模型；二、根据等效电路模型建立状态方程和观测方程；三、对等效电路模型中参数进行参数辨识；四、以SOC为状态变量，建立离散时间的状态方程；五、确定Gauss‑Hermite求积分点的大小以及求积分点所对应的权值；六、采用求积分卡尔曼滤波的运算流程对放电过程中的锂电池剩余电量不断估计。本发明方法步骤简单，实现方便，通过求积分卡尔曼滤波算法对锂电池剩余电量进行估计，对锂电池的动态适应性好，估计精度高，能够有效应用在新能源汽车等对锂电池剩余电量估计实时性和精确性要求较高的领域，效果显著，便与推广。

技术领域

本发明属于锂电池技术领域，具体涉及一种基于求积分卡尔曼滤波的锂电池剩余电量估计方法。

背景技术

电池荷电状态(SOC)也叫做电池剩余电量，是锂离子电池的一个重要指标，一般定义为电池剩余容量与标称容量的比值。针对锂离子电池SOC估计的重要意义，国内外投入大量资源进行算法研究，并取得了不错的估计效果。但目前已有的SOC估计方法仍然存在着一些问题，因此SOC估计算法的研究依然是当前的研究热点。常用的锂电池SOC估计方法有安时积分法、开路电压法、神经网络方法、以及卡尔曼滤波方法等。

在锂离子电池发展初期，锂离子电池主要应用在一些基础设备中，对电池的SOC估计要求较低，所以使用的算法也相对简单，主要包括内阻分析法、安时积分法和开路电压法等。安时积分法对锂离子电池SOC进行估计，该算法根据一段时间内电流与时间的积分估计剩余电量，理论上具有很好的估计效果，且操作简单，易于实现。但是安时积分法不能准确确定SOC估计的初始值，并且是一种开环算法，将导致估计误差增加。开路电压法估计电池SOC，利用电池SOC与开路电压之间的比例关系估计电池剩余电量，不存在误差累积的缺点，能够较为精确的估计电池SOC，但是开路电压法得到电池开路电压需要长时间的静置，导致电池SOC估计不能达到实时估计的效果。

随着应用环境的不断变化，对锂离子电池的SOC估计标准也在不断提高，早期的估计算法已经不能满足SOC的估计需求，逐渐出现了一些智能化算法如神经网络算法。基于BP神经网络的SOC估计方法，采用大量的锂离子电池样本数据进行训练，如电池工作电流、电压、时间等数据，得到基于BP神经网络的SOC估计模型，将电池SOC估计误差降低到3％以下。简单的神经网络算法估计电池SOC可能存在不适用于所有工况的问题，在估计过程中加入了遗传算法，提高对参数的辨识精度，对电池SOC估计具有很好的适用性。但是神经网络算法需要大量的样本数据进行学习训练，样本的数据量越大，估计的精度越高，在实际的工程实践应用中使用较少。

近些年来，锂离子电池应用在新能源汽车等领域，对SOC估计算法的实时性和精确性要求越来越高。卡尔曼滤波算法作为一种递推的估计方法，在线性系统中能够进行实时预测且具有很高的精度。结合锂离子电池估计问题，一些非线性滤波算法开始应用于SOC估计，如扩展卡尔曼滤波算法(EKF)、无迹滤波算法(UF)等。使用EKF算法估计电池SOC，对非线性函数进行线性化处理，实时估计下一时刻的剩余电量，且能够对估计值不断修正，以达到跟随真实值的效果，该方法简单易行，计算方便。UF算法估计电池SOC，不用线性化近似来估计SOC，而是近似函数的概率密度分布来估计SOC值，估计精度较EKF方法得到提升。

UDDS(Urban Dynamometer Driving Schedule)工况是美国用来评价车辆排放状况的实验方法，其实质是模拟城市或者郊区车辆运行状况，主要包括加速爬坡、减速和匀速行驶等。现有技术中，在动态UDDS工况下对锂电池剩余电量的估计精度有待进一步提高。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于求积分卡尔曼滤波的锂电池剩余电量估计方法，其方法步骤简单，实现方便，通过求积分卡尔曼滤波算法对锂电池剩余电量进行估计，对锂电池的动态适应性好，估计精度高，能够有效应用在新能源汽车等对锂电池剩余电量估计实时性和精确性要求较高的领域，效果显著，便与推广。