[发明专利]一种考虑温度影响的锂离子电池SOC估计方法

说明书

本发明目的在于提出一种锂离子电池SOC的估计方法，估算过程中采用电池SOC模型、热电耦合电压模型以及反馈增益模型来提高锂离子电池的SOC估算精度并降低噪声，该发明考虑了锂电池在充放电过程中温度提升对估算精度的影响。本发明以锂离子电池为研究对象，基于锂离子电池的等效电路模型和生热功率方程，建立的热电耦合模型，引入了温度修正环节，形成了由电到热再到电的闭环耦合。本方法基于热电耦合模型对锂离子电池荷电状态进行估计，能够考虑电池充放电过程中温度的变化对电池内部参数的影响，通过估计的锂离子电池SOC和估计的电池温度更新电池参数，进而采用反馈增益模型来修正锂离子电池的荷电状态。

技术领域

本发明涉及电池荷电状态估计领域，具体涉及一种考虑温度影响的锂离子电池SOC估计方法。

背景技术

随着可再生能源电源并网规模扩大和电网调控灵活度要求增加，电网的储能需求逐渐增加；为了缓解环境污染和能源危机，以电动汽车为代表的新能源汽车已成为发展趋势。而电池作为一种电能的存储和转化载体，既能够满足电网储能需求最具前景的技术之一，也能够成为电动汽车的主要动力来源。因为锂离子电池在能量密度，功率密度和使用寿命等方面表现优异，所以成为研究的热点并迅速占领市场。电池剩余电量(SOC)估算准确是电池管理系统(BMS)的核心部分，其精度影响电池健康寿命、均衡策略、热管理策略等多项技术参数。

现在常见的SOC估计方法主要包括安时积分法、开路电压法、基于模型的滤波方法和神经网络的方法。安时积分法是对实时充放电电流积分而计算SOC变化量，并与当前SOC相加得出SOC更新值，但它是一个开环计算方法，其积累误差会一直存在并影响整个SOC估计系统；基于开路电压的估算方法是通过测量电池开路电压然后利用电池的放电曲线得到SOC值，但这种方法需要长时间静置而无法在线使用且易受温度影响；基于模型的卡尔曼滤波算法是一种递推线性最小方差估计的运算方法，利用实时观测向量和待估算状态向量的前一时刻估算值对状态向量作最小方差估算，适用于估计用状态空间表达式描述的动态系统的状态，该方法在低温、低SOC区间以及锂离子电池的电压平台期极易出现误差增大甚至结果发散的情况；基于人工神经网络的估算方法是通过BP神经网络算法对电池参数进行预测，对非线性系统具有较强的处理能力，该方法实现较为复杂，且可能由数据的不确定性引起难以预测的估计误差，因此实际使用较少。

发明内容

针对现有技术的不足，本发明提出了一种考虑温度影响的锂离子电池SOC估计方法。

本发明目的在于提出一种锂离子电池SOC的估计方法，估算过程中采用电池SOC模型、热电耦合电压模型以及反馈增益模型来提高锂离子电池的SOC估算精度并降低噪声，该发明考虑了锂电池在充放电过程中温度提升对估算精度的影响。

一种考虑温度影响的锂离子电池SOC估计方法，其中具体包括以下步骤：

步骤一，离线搭建电池SOC模型、热电耦合电压模型以及反馈增益模型；

步骤二，基于离线搭建的三种模型，在线对锂离子电池充放电过程中的荷电状态进行估算。分别采用电流传感器、电压传感器及温度传感器获取锂离子电池的测量电流I_m、测量电压U_m、电池表面温度T_s、环境温度T_f；

步骤三，将电池的测量电流I_m、上一时刻修正后的SOC_r作为电池SOC模型的输入，输出模型预测SOC_p；

步骤四，将电池的测量电流I_m、电池的测量电流U_m、预测SOC_p、电池表面温度T_s、环境温度T_f作为热电耦合电压模型的输入，输出该状态下的模型电压U_p；