电池荷电状态的估计方法与流程

本发明涉及一种电池荷电状态估算方法领域，尤其涉及一种电池荷电状态的估计方法。

背景技术：

电动汽车以电能为能量驱动电动机驾驶，替代以汽油为能量来源的传统汽车，是未来汽车的发展趋势，又是国家目前大力发展的技术，对环境自然保护和能源的可持续利用具有重大意义。

BMS(Battery Management System，电池管理系统)作为电动汽车的核心，电动汽车的“大脑”，是电动汽车安全稳定运行的重要保障。

随着电池SOH(State Of Health，健康状态)下降，电池的模型参数会随着发生变化，内部直流阻抗会变大。而在同一电池组中，各个单体电池的健康状态SOH存在差异性，因此，其内部阻抗差异也较大，在电池的某一个SOH状态下测取的电池参数所建立的电池模型，只能较为精确的预测当前电池的SOH状态下所对应的荷电状态值，无法精准预测下一个SOH状态下所对应的荷电状态值，若采用同一电池模型参数进行卡尔曼滤波算法，会增大算法的误差，无法获得较为精准的计算结果。

技术实现要素：

为克服现有技术存在的不足，本发明提供一种基于多模型的扩展卡尔曼滤波算法的电池荷电状态的估计方法。

本发明解决技术问题的技术方案是提供1.一种电池荷电状态的估计方法，其包括以下的步骤：基于扩展卡尔曼滤波算法建立至少两个在不同电池SOH下的估计模型；对所述在不同电池SOH下的估计模型，进行扩展卡尔曼滤波算法计算，获得与所述在不同电池SOH下的估计模型对应的电池荷电状态估计值；及基于所述电池荷电状态估计值获得一时刻在不同电池SOH下的估计模型各自的权重值，以得到该时刻所述电池荷电状态的最优估计。

优选地，基于扩展卡尔曼滤波算法建立至少两个在不同电池SOH下的估计模型具体包括以下步骤：建立基于扩展卡尔曼滤波算法的在一电池SOH下的估计模型；测量获得至少两个不同电池SOH下对应的电池参数；将所述电池参数代入并获得所需至少两个在不同电池SOH下的估计模型。

优选地，基于扩展卡尔曼滤波算法的在一电池SOH下的估计模型为一阶RC模型或二阶RC模型。

优选地，基于扩展卡尔曼滤波算法的在一电池SOH下的估计模型具体表示为：

其中，在公式(Ⅰ)C表示为电容值，R₁表示为电容阻抗，i_k表示为k时刻的电流，Δt表示为采样时间间隔，η_i表示为库伦效率，C_n表示为电池的总容量，x_k可表示为SOC_k进一步表示为k时刻的电池荷电状态，v_1,进一步表示为t＝k时刻的电池的电容电压，w_k表示为所述电池在测量过程中的噪声；在公式(Ⅱ)中OCV(SOC_k)表示为电池开路电压与k时刻的电池荷电状态的关系，v_C1,k表示为k时刻电池的电容电压，R₀表示为电池内部的直流内阻，q_k表示为电池电压的测量误差。

优选地，所述测量获得至少两个在不同电池SOH下对应的电池参数具体包括以下步骤：确立电池开路电压和电池荷电状态的函数关系；基于所述函数关系，测量获得在不同电池SOH下所述电池的内部参数。

优选地，所述电池的内部参数包括电池内部的直流内阻、极化电容或电压中的一种或多种。

优选地，对所述在不同电池SOH下的估计模型，进行扩展卡尔曼滤波算法计算的具体步骤为：分别对在不同电池SOH下的多个时刻电池荷电状态估计进行迭代运算。

优选地，对所述在不同电池SOH下的估计模型，进行扩展卡尔曼滤波算法计算的具体步骤为：并行对在不同电池SOH下的多个时刻电池荷电状态估计进行迭代运算。

优选地，在对所述在不同电池SOH下的估计模型，并行进行扩展卡尔曼滤波算法计算之后，且在获得所述在不同电池SOH下的估计模型中各自的权重值之前，进一步包括：对并行进行的扩展卡尔曼滤波算法计算结果进行误差分析。

优选地，在获得在不同电池SOH下的估计模型中各自的权重值之后，通过加权运算得到该时刻所述电池荷电状态的最优估计。

与现有技术相比，本发明所提供的一种电池荷电状态的估计方法具有以下的有益效果：

本发明所提供的电池荷电状态的估计方法其包括先建立至少两个在不同电池SOH下的估计模型，并对该模型进行扩展卡尔曼滤波算法计算，获得在不同电池SOH下的估计模型对应的电池荷电状态估计值，进一步获得某一时刻在不同电池SOH下的估计模型各自的权重值，以得到该时刻所述电池荷电状态的最优估计。采用本发明所提供的电池荷电状态的估计方法可有效避免现有采用同一电池模型参数进行卡尔曼滤波算法，从而使算法误差较大的问题，还可进一步克服采用同一算法估计电池组中在不同电池SOH下的电池荷电状态造成的准确度漂移的问题，以增加电池荷电状态算法的稳定性和可靠性。

【附图说明】

图1为本发明第一实施例电池荷电状态的估计方法的流程示意图。

图2是图1中所示步骤S101的具体步骤流程示意图。

图3是本发明中所提供的一阶RC模型的简化电路示意图。

图4是图2中所示步骤Q101的具体步骤流程示意图。

图5是本发明中电池开路电压与电池荷电状态之间的函数关系曲线示意图。

图6是本发明中所示在一电池SOH下脉冲放电中时间与对应电阻电压差之间的关系曲线示意图。

图7是本发明中不同电池SOH下的电池的内部参数之间关系列表的示意图。

图8是本发明中所提供在不同电池SOH下多模型的电池模型示意图。

【具体实施方式】

为了使本发明的目的，技术方案及优点更加清楚明白，以下结合附图及实施实例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

请参阅图1，本发明第一实施例提供一种电池荷电状态的估计方法S10，其包括如下的步骤：

步骤S101，基于扩展卡尔曼滤波算法建立至少两个不同电池SOH的估计模型；

步骤S102，对所述在不同电池SOH下的估计模型，进行扩展卡尔曼滤波算法计算，获得与所述在不同电池SOH下的估计模型对应的电池荷电状态估计值；

步骤S103，基于所述电池荷电状态估计值获得一时刻在不同电池SOH下的估计模型各自的权重值，以得到该时刻所述电池荷电状态的最优估计。

在本发明中，所述电池可为如二次锂离子电池包、铅酸蓄电池、金属氢化物/镍电池、燃料电池等充电装置中的任一种，在一些优选的实施例中，本发明所述电池优选为二次锂离子电池。

请参阅图2，在本发明一些较为优选的实施例中，上述步骤S101中，具体包括以下步骤：

步骤Q101，建立基于扩展卡尔曼滤波算法的在一电池SOH下的估计模型；

步骤Q102，测量获得至少两个不同电池SOH下对应的电池参数；

步骤Q103，将所述电池参数代入并获得所需至少在两个不同电池SOH下的估计模型。

在本发明上述步骤S101中，建立基于扩展卡尔曼滤波算法的在某一电池SOH下的估计模型一般采用戴维宁等效电路，所述基于扩展卡尔曼滤波算法的电池荷电状态估计模型具体可为一阶RC模型或二阶RC模型。

在本发明一些较为优选的实施例中，为了简化多模型算法计算量，采用一阶RC模型，如图3，根据电路的基尔霍夫定律(Kirchhoff’s Law)，电容电压v₁(t)可通过如下微分方程(1)来表示：

解上述微分方程(1)并获得如下公式(2)：

上述公式(2)，在t＝k时刻离散化为如下的公式(3)：

其中，v_1,k+1表示为t＝k+1时刻的电池的电容电压，C表示为电容值，R₁表示为电容阻抗，i_k表示为k时刻的电流，Δt表示为采样时间间隔。

电池荷电状态对应的数学模型公式表示为如下公式(4)：

上述公式(4)可进一步简化为离散方程：

其中，在上述离散方程(5)中，SOC_k表示为k时刻的电池荷电状态，SOC_k+1表示为k+1时刻的电池荷电状态，范围为0～100％；η_i表示为库伦效率，一般为取1；C_n表示为电池的总容量，单位为mAh。利用SOC_k+1和v_1,k+1以表示电池待估计的荷电状态状态x_k+1，并进一步向量化为如下公式(6)：

其中，在上述公式(6)中，x_k可表示为v_1,k表示为t＝k时刻的电池的电容电压，w_k表示为所述电池在测量过程中的噪声，在本发明中，w_k是一个必然存在的噪声误差。

根据电路的基尔霍夫定律，在本发明中，所述电池内部等效电路模型的对外表现的总电压为v，对应方程为如下公式(7)：

v(t)＝OCV(SOC(t))-v₁(t)-R₀i(t) (7)

离散化后为如下公式(8)：

v_k+1＝OCV(SOC_k)-v_C1,k-R₀i_k+q_k (8)

其中，OCV(SOC_k)表示为电池开路电压与k时刻的电池荷电状态的关系，在本发明中所述电池的开路电压与k时刻的电池荷电状态是一个可靠稳定的关系，同样也是电池的重要参数，可对所述电池进行测试得出；v_C1,k表示为k时刻电池的电容电压；R₀表示为电池内部的直流内阻；q_k表示为电池电压的测量误差，其中，电池电压v(t)的测量误差v_k是无法避免及消除的，只可能尽量减少。

基述公式(1)-公式(8)，可建立获得在某一SOH状态下，所述电池的一阶RC等效电路模型，即基于扩展卡尔曼滤波算法的在一电池SOH下的估计模型可具体地表示为如下公式：

如图4中所示，在本发明上述步骤Q101中，利用所述估计模型，测量获得不同电池SOH下的电池参数具体可包括如下的步骤：

步骤T101，确立电池开路电压和电池荷电状态的函数关系；

步骤T102，基于所述函数关系，测量在不同的SOH下所述电池的内部参数。

在本发明一些具体的实施例中，所述步骤T101中确立电池开路电压和电池荷电状态之间函数关系的步骤具体可为：在所述电池充满的情况下，以1/20C的电流放电，每次放所述电池中初始充满状态电量的5％后，使所述电池转至开路一次，测量此时所述电池的开路电压，得到第一个记录数据点；采用上述方式逐次将所述电池初始充满的电量完全放完后，记录得到20个记录数据点；然后同样以1/20C的电流充电，每次充5％的电量后，使所述电池转至开路一次，测量此时所述电池的开路电压，记录一次数据点，将同一荷电状态的所述电池充电和放电的开路电压数据去平均值得到20个数据点，最后将此数据用多项式拟合成如图5中所示的曲线，所述曲线可表示为如拟合成如下公式(9)的多项式形式：

OCV(SOC)＝a₁SOC⁴+a₂SOC³+a₃SOC²+a₄SOC+a₅ (9)

通过上述的方法，可消除电池极化效应的影响，从而获得准确度更高的电池开路电压与电池荷电状态之间的关系。

在本发明一些实施例中，所述步骤T102中，所述电池的内部参数包括电池内部的直流内阻、极化电容、电压等参数。

在本发明一些具体的实施例中，上述步骤P101可进一步为：提供一额定容量为2250mAh的电池，采用小电流放电1/20C，其中，具体的放电电流为112mAh，放电截止到电流小于50mAh为止，此时可采用安时积分法计算出电池的总容量。

在本发明一些具体的实施例中，上述步骤P102进一步包括选定电池SOH的几个状态，如所述电池SOH状态为100％、95％、90％、85％、80％等，在每个状态下测量所述电池的内部参数，具体地，在某一个选定的电池SOH下，采用脉冲放电的形式，如图6中所示可计算获得如下公式(10)与公式(11)：

其中，时间常数表示τ，△V₀表示为电阻R₀的电压差，△V₁表示为电阻R₁的电压差。而所述电池的电容可进一步表示为在所述电池不同的SOH下重复相同的实验，可测得其在不同电池SOH下的电池的内部参数，具体如图7中所示。

由于卡尔曼滤波算法相当依赖算法模型的准确性，而算法模型的误差增大也会严重影响算法的精度和可靠性；而所述电池内部的直流内阻和极化电容等参数都会随着电池健康状态(SOH)变化，而在电池不同SOH下测量其电池内部参数，可有效解决上述的问题，从而提高扩展卡尔曼滤波算法的精度和可靠性。

在本发明一些实施例中，所述步骤S102中，对所述在不同电池SOH下的估计模型，进行扩展卡尔曼滤波算法计算，获得与所述在不同电池SOH下估计模型对应的电池荷电状态估计值，具体包括以下的步骤：

本发明具体采用多模型下的扩展卡尔曼滤波算法，其中，所述多模型指在多个不同电池SOH下测得电池模型参数。在本发明中，可获得在不同电池SOH下对应的估计模型1-m。

具体来说，在不同电池SOH下多模型的电池模型如图8，y_k和i_k为k时刻系统的观测值，分别为k时刻的电池电压和电流。

将上述步骤S101中所获得的一阶RC模型

进一步简化为：

其中，D_k＝-R₀，y_k为k时刻电池测量电压，w_k和q_k为噪声系数。

上述算法模型的迭代运算过程为：表示为k时刻电池的先验估计，表示为k时刻电池的后验估计，其中，后验估计即为在该k时刻下电池电荷状态的最优估计。

具体地，k＝0时表示所述电池为初始化状态。

当k＝0时刻，所述电池尚未开始运行时，取等于任意的猜测值为最优估计，如可为此时刻依据扩展卡尔曼滤波算法将协误差阵的后验估计取任意较小的数，如可为对所述电池的初始化，这里按实际情况去猜测值，之后进行上述模型的算法迭代会慢慢收敛到真实值。

当k＝1，2，3，……时刻：

k时刻电池的状态先验估计更新为：其中为k-1时刻的后验估计。

k时刻的协方差误差矩阵的后验估计更新为：

其中为k-1时刻的协方误差矩阵的后验估计，Σ_w为则表示为所述电池的过程噪声的协方误差矩阵。

在获得k时刻的协方差误差矩阵的后验估计更新之后进一步进行获得卡尔曼增益：

其中,L_k为k时刻的卡尔曼增益，Σ_v为测量噪声的协方误差矩阵，表示为k时刻的协方误差矩阵的先验估计。

k时刻的电池后验估计状态更新为：

通过获得k时刻的电池状态先验估计、卡尔曼增益和k时刻的电压电流的测量值将更新系统的后验状态协方差后验更新为：

以上5个方程为扩展卡尔曼滤波算法的基本算法过程，基于上述的5个方程式，可获得单一与所述在不同电池SOH下的估计模型对应的电池荷电状态估计值。

在本发明一些实施例中，对所述在不同电池SOH下的估计模型，进行扩展卡尔曼滤波算法计算的具体步骤为：分别对在不同电池SOH下的多个时刻电池荷电状态估计进行迭代运算；或并行对在不同电池SOH下的多个时刻电池荷电状态估计进行迭代运算。

在本发明一些优选的实施例中，在对所述在不同电池SOH下的估计模型，并行进行扩展卡尔曼滤波算法计算之后，且在获得所述在不同电池SOH下的估计模型中各自的权重值之前，进一步包括：对并行进行的扩展卡尔曼滤波算法计算结果进行误差分析。

基于上述的说明，在本发明较优的实施例中，对算法模型1-m，同时输入k时刻的观测值进行扩展卡尔曼滤波算法并行计算，然后通过误差分析，计算各自的权重值P(θ_i|y_k)，最后通过加权得到所述电池荷电状态的最优估计：

其中，表示为第m个模型的扩展卡尔曼滤波算法的估计值。

在本发明中，上述步骤S103进一步包括在获得多个不同电池SOH下的估计模型对应的电池荷电状态估计值之后，基于所述电池荷电状态估计值获得一时刻在不同电池SOH下的估计模型各自的权重值，以得到该时刻所述电池荷电状态的最优估计。其中，所述步骤S103中所获得的所述电池荷电状态的最优估计为最接近真实的电池荷电状态。在本发明中，对在不同电池SOH下的估计模型对应的每个时刻，对多种模型并行计算其后验状态和后验协方差误差残差定义为算法的估计值和测量值之差，具体可表示为残差表示为算法估计值和真实值的接近程度，残差越小，越接近真实的电池状态。

由条件概率公式可知：

其中，为第i个算法模型的条件概率密度函数，它的值可进一步由残差和后验协误差矩阵得出：

求得k时刻下不同电池SOH对应的各个模型的权值后，就可通过加权得到此时刻系统的最优估计：

进一步地，因而此时刻的基于多模型扩展卡尔曼滤波算法获得的电池的最优估计为SOC_k,best，即获得所述电池的最优荷电状态估计。

与现有技术相比，本发明所提供的电池荷电状态的估计方法具有如下的优点：

(1)本发明所提供的电池荷电状态的估计方法其包括先建立至少两个在不同电池SOH下的估计模型，并对该模型进行扩展卡尔曼滤波算法计算，获得在不同电池SOH下估计模型对应的电池荷电状态估计值，进一步获得某一时刻在不同电池SOH下的估计模型各自的权重值，以得到该时刻所述电池荷电状态的最优估计。采用本发明所提供的电池荷电状态的估计方法可有效避免现有采用同一电池模型参数进行卡尔曼滤波算法，从而使算法误差较大的问题，还可进一步克服采用同一算法估计电池组中在不同电池SOH下的电池荷电状态造成的准确度漂移的问题，以增加电池荷电状态算法的稳定性和可靠性。

(2)在本发明中，建立至少两个在不同电池SOH下的估计模型包括先基于扩展卡尔曼滤波算法建立一通用的估计模型，再经过测量获得不同电池SOH状态下的具体电池内部参数后，将所述电池内部参数代入所述估计模型中，从而获得算法准确度较高的多组不同电池SOH状态下的估计模型。

(3)在本发明中，为了使所述基于扩展卡尔曼滤波算法的在不同电池SOH下的估计模型运算更为简单，所述估计模型优选为一阶RC模型或二阶RC模型。更进一步地，在本发明中对在不同电池SOH下的估计模型采用公式(Ⅰ)及公式(Ⅱ)进行了具体的限定，以简化所述估计模型的算法计算量，加快所述估计模型的计算速率及其准确度。

(4)进一步地，为了获得更为准确的运算结果，对测量获得所述电池的内部参数的具体步骤也进行了限定，即先确定电池开路电压和电池荷电状态的函数关系后，基于该函数关系，获得所需在不同电池SOH下所述电池的内部参数。其中，所述电池的内部参数包括直流内阻、极化电容或电压中的一种或多种，可依据不同运算要求选用不同的参数，从而扩大所述电池荷电状态的估计方法的适用范围。

(5)在本发明中，对所述在不同电池SOH下的估计模型，进行扩展卡尔曼滤波算法计算包括分别或并行对在不同电池SOH下的多个时刻的电池荷电状态估计进行迭代运算，可根据不同运算要求，从而采用不同的迭代运算方式。

(6)在采用并行进行扩展卡尔曼滤波算法计算过程中，可对其计算结果进行误差分析，从而使获得的估计值更接近与真实值，从而获得精准的运算电池荷电状态的估算结果。

(7)在本发明中，在求得某一时刻的在不同电池SOH下的估计模型中各自的权重值之后，可以通过加权得到该时刻所述电池荷电状态的最优估计，上述加权的结果是基于各个估计模型而获得的，可使获得的所述电池荷电状态的最优估计更为准确、可靠性更高。

以上所述仅为本发明较佳实施例而已，并不用以限制本发明，凡在本发明原则之内所作的任何修改，等同替换和改进等均应包含本发明的保护范围之内。