[发明专利]基于自学习的电池SOP估算方法和系统

说明书

本发明提供了一种基于自学习的电池SOP估算方法和系统，方法包括如下的步骤：当检测到电池满足第一截止条件时启动本次自学习；设定本次充电关键因子α和本次放电关键因子β；根据本次充电关键因子α和本次放电关键因子β分别计算本次SOP充电限值和/或本次SOP放电限值并对电池进行充电和/或放电；当检测到电池再次满足第一截止条件时，记录本次放电容量Cc，并且若本次放电容量Cc大于备份放电容量Cl，则同时记录本次充电关键因子α和本次放电关键因子β。本发明的SOP估算方法和系统可以使得电池在多次运行过程中始终以较优的SOP充放电限值进行充电和放电，在保证SOP估算精度的同时减少了计算工作量，节约SOP算法研发的经济成本和时间成本。

技术领域

本发明主要涉及电池管理系统领域，尤其涉及一种基于自学习的电池SOP估算方法和系统。

背景技术

锂离子电池广泛应用于新能源电动汽车领域与储能系统领域，对锂电池状态的精准估算与监控是电池管理系统BMS(Battery Management System)的重要研究课题。电池功率状态SOP(State of Power)用来表征电池在当前状态下的充放电峰值功率，是关系到电动汽车启动、加速、爬坡，以及电力储能系统电网调频、削峰填谷的重要性能参数。SOP与电池荷电状态、老化状态、电池内阻特性和温度等因素密切相关，并且是非线性动态变化的，这些因素导致SOP的精确估算具有一定的难度。目前，SOP估算方法主要包含基于实验数据插值法，基于等效模型的方法以及基于数据驱动的方法等估算方式。

首先，实验数据插值法为一种离线功率估算方法，估算方法比较简单，主要包含混合脉冲功率特性实验(Hybrid Pulse Power Characteristic，HPPC)方法，日本电动车辆功率测试法(JEVS法)以及基于我国的电动汽车用电池管理系统技术条件所给出的SOP真值测试方法等。HPPC测试方法假定脉冲电流是恒定的，JEVS测试方法未考虑温度因素的影响，均存在一定的局限性，因此会影响SOP的估算精度。我国电动汽车用电池管理系统技术条件中给出的测试SOP真值的方法，能准确的反应电池的SOP，但在同一温度、同一荷电状态(Stateof Charge，SOC)下，至少需要进行5次恒功率脉冲测试。因此，想要获取锂电池在不同温度、不同SOC状态以及10s/30s/60s等不同峰值持续时间的完整SOP数据，需要的实验测试工作量很大。

基于等效模型的SOP估算方法，可以反应锂电池的动态特性，通常有一阶RC模型，扩展的一阶RC模型，二阶RC模型等，通常结合卡尔曼滤波、扩展卡尔曼滤波和双卡尔曼滤波等估算方法。对于选取模型的精度要求比较高，需在所选取模型的复杂度与模型的精度、SOP估算结果的鲁棒性中做出平衡。而基于数据驱动的SOP估算方法，需要大量的数据支撑，且对计算量提出很高的要求。

综上，在电池管理系统中，对于电池功率状态的估算，还存在尚待深入研究与解决的问题，提出一种实验测试量小，而且估算方法简单的确定电池功率状态的方法很有意义。

发明内容

本发明要解决的技术问题是提供一种基于自学习的电池SOP估算方法和系统，可以使得电池在多次运行过程中始终以较优的SOP充放电限值进行充电和放电，在保证SOP估算精度的同时减少了计算工作量，节约SOP算法研发的经济成本和时间成本。

为解决上述技术问题，本发明提供了一种基于自学习的电池SOP估算方法，适于在电池的多次运行过程中对所述电池的SOP放电限值和SOP充电限值进行估算，其中，所述运行过程包括充电过程和/或放电过程，所述方法包括如下的步骤：

在电池的本次运行过程中，当检测到所述电池满足第一截止条件时启动本次自学习；

设定本次充电关键因子α和本次放电关键因子β，其中，所述本次充电关键因子α和所述本次放电关键因子β的取值均为大于0且小于1的常数；

根据所述本次充电关键因子α和本次放电关键因子β分别计算本次SOP充电限值和/或本次SOP放电限值；