一种低荷电状态的估计方法与流程

本发明涉及一种电池技术，特别涉及一种低荷电状态的估计方法。

背景技术：

随着科技的不断进步，电子产品的使用也越来越广泛，电池的应用领域更是越来越广泛，可谓是无处不见。小到生活工作中常用的手机，平板，电脑；大到由电池单体串并联构成的动力电池在电动汽车等领域的应用。

在电池的使用过程中，消费者很关心的一种信息就是剩余电量，一般通过荷电状态SOC表示。但是对于电池而言，其SOC不能直接由传感器测得，而需要一些算法来计算得到，因而就需要有精确的SOC估计算法。对于生活工作中的电子产品，如手机等，其耗电的过程中电流变化不是很剧烈，采用最简单的安时积分法一般就可以得到较精确的SOC估计值。

然而，对于电动汽车，特别是混合动力汽车，电流变化很大，如果简单但运用安时积分法，其误差会比较大，不能得到满意的SOC估计值，因而一般工程领域会考虑采用扩展卡尔曼滤波EKF算法，通过采用等效电路模型ECM将安时积分法与开路电压法结合起来使用以提高SOC的估计精度。并且EKF估计的精度很大程度上会受到模型精度的影响。

在工程领域中，为了降低计算量，一般会选择采用比较简洁的ECM，如一阶RC模型等。这类ECM在高区间的SOC范围内，SOC-OCV有较好的线性关系，因而能够较好的模拟电池特性。但是，在低SOC区间内，由于SOC-OCV的线性关系较差，所以一般简单的ECM不能较好的模拟这段区间的电池特性，这也就造成了EKF算法在低SOC区间内估计SOC的效果变差。

技术实现要素：

本发明是针对工程应用的ECM在低SOC区间内不能很好的模拟电池特性，进而导致使用EKF算法在低SOC区间内估计SOC的效果变差的问题，提出了一种低荷电状态的估计方法，通过在低SOC区间内大幅度改变EKF算法中的状态噪声的方差∑_w和测量噪声的方差∑_v方法，实现电池在整个状态区间内的精确的SOC估计。

本发明的技术方案为：一种低荷电状态的估计方法，对采用等效电路模型ECM结合扩展卡尔曼滤波EKF算法实现电池在整个状态区间内的荷电状态SOC估计方法中，在SOC在0-20％的低荷电状态区间内，大幅度降低∑_w的值，并大幅度提高∑_v的值，使得在0-20％的低荷电状态区间内，EKF算法估计SOC的过程中只相信由安时积分法得到的SOC估计值。

所述等效电路模型ECM为一阶RC模型，二阶RC模型，三阶RC模型中的任意一种。

所述大幅度降低∑_w的值，并大幅度提高∑_v的值为：状态噪声的方差S_w从∑_w＝1e-8附近降低到∑_w＝1e-20附近，测量噪声的方差∑_v从∑_v＝0.01^2附近提高到∑_v＝1附近。

本发明的有益效果在于：本发明低荷电状态的估计方法，可以在基本不改变现有技术方法的条件下，得到整个状态区间内精确的SOC估计值。

附图说明

图1为本发明用于精确估计电池整个状态区间内的SOC估计方法的流程图。

具体实施方式

采用等效电路模型ECM结合扩展卡尔曼滤波EKF算法实现电池在整个状态区间内精确的荷电状态SOC估计。首先针对目标电池选择合适的ECM；进一步利用融合算法，通过EKF算法将安时积分法与开路电压法结合起来估计SOC，在SOC高于20％的区间内，根据系统实际使用中的工作环境适当调节EKF算法中的状态噪声的方差∑_w和测量噪声的方差∑_v；在SOC在0-20％的区间内，大幅度降低∑_w的值，并大幅度提高∑_v的值，使得在0-20％的区间内，EKF算法估计SOC的过程中只相信由安时积分法得到的SOC估计值；进而得到电池在整个状态区间内精确的SOC估计值。

如图1所示用于精确估计电池整个状态区间内的SOC估计方法的流程图，具体包括以下步骤：

S1、针对目标电池选择合适的等效电路模型；

步骤S1可选用的等效电路模型包括一阶RC模型，二阶RC模型，三阶RC模型等，具体根据目标电池的种类进行选择，一般的，三元锂电池LiNMC选用一阶RC模型；LiFePO₄电池选用带状态滞回的一阶RC模型。

S2、判断SOC值是否大于20％，如果是，执行步骤3)，否则，转至步骤4)；

步骤S2中利用当前EKF估计得到的SOC值进行判断，这里运用EKF算法的方法是：

以传感器测得电流I为输入，先通过安时积分初步得到SOC的一个初步观测值再利用SOC-OCV关系表，并结合步骤S1选择的模型得到电池的端电压估计值U'_B，进而得到U'_B与传感器测得的电池的端电压值U_B的差异值，由该差异值乘以卡尔曼增益L_k对初步观测值进行更新，得到即由EKF算法得到的电池SOC_k的估计值。

其中，卡尔曼增益L_k很大程度上取决于状态噪声W_k和测量噪声V_k的协方差∑_w和∑_v的对比；W _k，V _k是相互独立，均值为0的高斯白噪声。状态噪声的方差∑_w越大，测量噪声的方差∑_v越小，则表示输入值受干扰程度大(即由安时积分得到的观测值值不可靠)，系统输出所对比值受干扰程度小(即所对比值更可靠)，这里的对比值指电压传感器测得的电压值，即系统更相信电压传感器实际测得的参数值，对应的卡尔曼增益值L_k越大。反过来，∑_w越小，∑_v越大，则输入值更可靠，系统输出所对比值不可靠，因而系统更相信由安时积分法得到的观测值对应的卡尔曼增益值L_k越小。

S3、根据系统实际使用中的工作环境适当调节EKF算法中的状态噪声的方差∑_w和测量噪声的方差∑_v；

步骤S3中状态噪声的方差∑_w可取在∑_w＝1e-8附近，测量噪声的方差∑_v可取在∑_v＝0.01^2附近。

S4、大幅度降低EKF算法中∑_w的值，并大幅度提高EKF算法中∑_v的值，即使得EKF算法在0-20％的区间内估计SOC的过程中只相信安时积分法计算得到的SOC估计值；

步骤S4中大幅度改变的状态噪声的方差∑_w可取在∑_w＝1e-20附近，测量噪声的方差∑_v可取在∑_v＝1附近。

S5、由步骤3)和4)得到电池在整个状态区间内精确的SOC估计值。

根据以上流程，本发明通过在低SOC区间内大幅度改变EKF算法中的状态噪声的方差∑_w和测量噪声的方差∑_v方法，实现电池在整个状态区间内的精确的SOC估计，可以在基本不改变现有技术方法的条件下，得到整个状态区间内精确的SOC估计值。