[发明专利]一种电池SOC、SOH、SOE联合估算方法

说明书

本发明公开了一种电池SOC、SOH、SOE联合估算方法，包括以下步骤：步骤S1）读取电池状态初始值和容量初始值；步骤S2）根据电池特性建立电池二阶RC等效电路模型；步骤S3）通过HPPC采集数据，利用最小二乘法对数据辨识获得模型参数；步骤S4）根据状态初始值、容量初始值和模型参数，通过EKF算法建立电池SOC、SOH、SOE联合估算多尺度计算公式；步骤S5）根据实时电压、实时电流和容量初始计算值计算SOC和SOE，当到达时间T后，计算SOH，然后同步更新到SOC、SOE计算中，本方案既能保证计算的实时性和准确性，又能减少计算复杂度。

技术领域

本发明涉及电池管理技术领域，具体涉及一种电池SOC、SOH、SOE联合估算方法。

背景技术

随着新能源汽车市场占有率逐年增加，储能规模扩大，市场对电池管理系统要求越来越高。SOC(State of Charge,荷电状态)、SOH(State of Health,健康状态)、SOE(State of Energy,能量状态)是电池管理系统关键技术，准确的SOC、SOH、SOE估算可有效避免电池过充、过放、循环寿命衰减过快等不利现象。现阶段，主要的SOC和SOE估算方法类似，为安时积分法、卡尔曼滤波法和神经网络法；SOH估算方法主要为循环容量法、模型法、卡尔曼滤波算法等。因SOC与SOP、SOE相关性大，要求实时性高，SOC估算周期一般在100ms内。SOH是一个长期性参数，对实时性要求低，估算周期可按照小时或天进行。安时积分法简单，但是受电流积分器精度影响大，易产生累计误差；卡尔曼滤波法适用于线性系统，由于电池SOC、SOH估算为非线性系统，所以根据卡尔曼滤波原理采用扩展卡尔曼滤波(ExtendedKalman Filter，EKF)、无迹卡尔曼滤波(Unscended Kalman Filter，UKF)进行非线性系统估算；神经网络法需要大量样本进行训练，方法较为复杂且受电池老化影响较大。SOC、SOH联合估算可以采用双卡尔曼滤波估算，但是进行双卡尔曼滤波计算需要消耗大量计算机内存，对硬件有一定要求。

发明内容

本发明主要是为了解决现有技术中电池SOC、SOH、SOE计算精度低、方法复杂的问题，提供了一种电池SOC、SOH、SOE联合估算方法，采用EKF算法进行SOC、SOH、SOE联合估算，既保证计算的准确性实时性，又能减少计算复杂度。

为了实现上述目的，本发明采用以下技术方案：