[发明专利]一种锂电池荷电状态估计方法及装置

说明书

本发明公开了一种锂电池荷电状态估计方法及装置，该方法首先使用多新息带遗忘因子的递推最小二乘法辨识电池参数，将标量新息拓展为新息向量，将增益向量拓展为增益矩阵，充分利用系统的输入输出所包含的参数信息，通过迭代的计算方式辨识系统参数，数据使用率更高，收敛速度快，参数辨识的准确性高。然后利用加权多新息自适应扩展卡尔曼滤波法估计电池SOC，在传统扩展卡尔曼滤波算法的基础上对噪声参数进行估计，然后通过利用多个时刻的新息向量来替换原本算法中使用当前时刻的新息对估计值的修正，并且新数据占有更高的权重，可以有效提升精度。

技术领域

本发明涉及储能系统运行、控制技术领域，尤其涉及一种锂电池荷电状态估计方法及装置。

背景技术

近年来，随着新能源电动汽车的快速发展，锂离子电池由于其高功率、高能量密度、可回收利用等优点，使其成为了新能源电动汽车的主要动力电池。发挥电动汽车动力电池的性能尤其重要，这就需要电池管理系统(battery management system,BMS)对电池的荷电状态进行精确估计，准确的估计电池荷电状态(state of charge,SOC)可以确保电池的最佳工作状态，从而有助于延长电池寿命，降低使用成本，提高新能源电动汽车的可靠性。

电池荷电状态是不能被直接测量的，仅能通过采集电池相关参数，建立模型后通过估算算法获得。递推最小二乘(recursive least squares,RLS)算法是一种容易实现的算法，但随着数据的增加会出现数据饱和的现象；带遗忘因子递推最小二乘法(forgettingfactor least squares algorithm,FFRLS)在其基础上引入了遗忘因子可以有效克服数据饱和的现象，但其要求系统输入具有遍历性和平稳性，且初值的选取对算法的辨识结果影响较大。

目前，国内外提出的SOC估计方法主要分为两大类，一类是基于电池物理特性的SOC估计方法，如安时积分法、开路电压法等；另一类是智能算法，如神经网络法、卡尔曼滤波法等。安时积分法对电池初始SOC值和测量电流的精度要求过高，而且容易产生累计误差；开路电压法是通过测量电池的开路电压进行SOC估算，但是需要长时间静置，无法实现在线检测；神经网络法需要依靠大量的样本进行数据训练才可以得到较高的精度。卡尔曼滤波法是线性系统中使用广泛的一类方法，扩展卡尔曼滤波法(extended Kalman filter，EKF)将其推广到了非线性系统中，EKF算法虽然考虑到了实际过程中的噪声，但是它假设噪声是不变的，这显然与实际不符，必定会给估计带来误差，而且传统EKF算法只利用当前时刻的信息来对估计值完成修正，这会给估计带来一定的误差。

发明内容

本发明的目的在于提供一种锂电池荷电状态估计方法及装置，采用的技术方案如下：

本发明一方面提供一种锂电池荷电状态估计方法，包括：

建立锂电池二阶RC等效电路的离散差分模型；

基于多新息辨识理论，将所述锂电池二阶RC等效电路的离散差分模型中的误差信息扩展为采样误差多新息矩阵；

对带采样误差多新息矩阵的锂电池二阶RC等效电路的离散差分模型进行参数辨识；

基于辨识后的参数和锂电池二阶RC等效电路的离散差分模型建立锂电池荷电状态模型；

基于多新息辨识理论，将锂电池荷电状态模型中的噪声误差信息扩展为噪声误差多新息矩阵；

对带噪声误差多新息矩阵的锂电池荷电状态模型进行求解，得到锂电池荷电状态估计量。

进一步的，所述建立锂电池二阶RC等效电路的离散差分模型，包括：

根据基尔霍夫定律，锂电池二阶RC等效电路的状态方程为：