一种利用卡尔曼滤波预估电池荷电状态的方法
【技术领域】
[0001] 本发明设及电动汽车技术领域，具体地说是一种利用卡尔曼滤波预估电池荷电状 态(S0C，S化teofCharge)的方法，适用于所有需要使用动力电池的车辆，尤其是需要实时 预估动力电池荷电状态S0C的车辆。
[0002] 关键字:动力电池电动车S0C
【背景技术】
[0003] 电动汽车电池组在使用过程中表现出高度的非线性性，准确估计S0C具有很大的 难度。电池组S0C状态是电源管理系统的基础，且电池均衡，寿命状态预测均需要准确的S0C 值。随着电动汽车的推广，如何准确的估计动力电池组的S0C值称为近些年研究的热点。
[0004] 目前常用的S0C估计方法是通过测量电池组的外特性一电流、电压、内阻等来对 S0C进行估计。
[0005] 安时积分法通过电池组负载电流的动态积分来估计S0C，算法简单，实用性强，在 实际电动汽车中应用最多。安时积分法是一种开环预测，在电流波动剧烈的电动汽车实际 工况中，会因为电流误差的积累而精度越来越差。对于便携式电子设备等要求不高的情况 下可W采用。
[0006] 开路电压法依据电池空载时候的电压和S0C的关系曲线，测量得到电池的开路电 压值，通过查找关系曲线图来估计S0C。电动汽车用动力裡电池通常要静置很长时间电压才 趋于稳定，并且电动汽车在行驶过程中无法测量开路电压，因此不适合用于动态估计。
[0007] 神经网络法能够模拟任何非线性系统，可W用于在线估计S0C。但是要经过较长的 学习时间，在此期间需要大量训练数据，估计误差受训练数据和学习方法的影响较大。
[000引扩展卡尔曼滤波法通过建立裡电池组的非线性状态空间模型，结合递推算法实现 模型状态变量S0C的最小方差估计，是一种在线实时的估计方法。并且扩展卡尔曼滤波法可 W给出误差的估计范围，对于S0C的初始误差有较强的抑制作用，特别适用于电流变化剧烈 的电动汽车动力电池组。
[0009] 本发明的估计策略均是建立在扩展卡尔曼滤波的基础上，通过建立适合的电池模 型来应用卡尔曼滤波，实现对状态变量的准确估计。
【发明内容】
[0010] 本发明的目的是提供一种利用卡尔曼滤波预估电池荷电状态的方法。该方法采用 扩展卡尔曼滤波方法作为基本工具，实现了在动力电池BMS启动后，S0C的预估在整个时间 阶段都保持很高的准确度，并具有实时性、抑制噪音等优点。
[0011] 本发明的目的是通过如下技术方案来实现的：
[0012] -种利用卡尔曼滤波预估电池荷电状态的方法，它包括有电池包，其特征在于：电 池包的输出端分别与高压采集单元和电流采集单元相连接;所述高压采集单元与卡尔曼预 估单元内的输出方程相连接，所述电流采集单元与卡尔曼预估单元内的状态方程相连接； 所述输出方程和状态方程的输出端与soc计算单元相连接;所述soc计算单元输出端则与车 载仪表中的S0C显示单元相连接。
[0013] 为了实现上述目的，本发明采用了裡电池组的Vmin模型作为扩展卡尔曼滤波器的 时间更新、测量更新引擎，滤波器运行初期的初值采用S0C、对应误差的历史数据;采用扩展 卡尔曼滤波算法预估电池的S0C。
[0014] 本发明的初值采用S0C、相应误差的历史数据。
[001引本发明的采用了电池的Vmin模型作为它的更新引擎。所述Vmin模型的状态方程是安 时法原理方程，观测方程是关于电池最小负载电压的表达式。
[0016] 将整个电池当做动态系统，输入为电池的放电电流，输出为电池的最小负载电压， 预估电池的S0C，最终预估出电池的S0C。
[0017] 上述S0C估测方法采用扩展卡尔曼滤波器作为基本预测工具。
[0018] 上述S0C估测方法采用电池Vmin模型作为卡尔曼滤波器的时间更新、测量更新引 擎。
[0019] 上述S0C估测方法在运行过程中采用扩展卡尔曼滤波算法预估电池的S0C，利用最 终预估的内阻值计算电池的S0C。
[0020] 本发明具有W下特点：
[0021] 1、S0C预测精度高，实现了电流与电压的数据融合，无论在运行初期还是中后期， 均具有很高的精度。
[0022] 2、本发明采用了电池Vmin模型作为扩展卡尔曼滤波器的更新引擎，本模型能准确 描述电池的全部特性，因此特别适用于扩展卡尔曼滤波器S0C测算法，本发明又对电池模型 的描述方程进行了离散化处理，因此具有易于实施的优点。
[0023] 3、由于在计算过程中考虑了噪声的影响，故算法对噪声有很强的抑制作用。
【附图说明】
[0024] 附图1为本发明的原理结构图；
[0025] 附图2为扩展卡尔曼滤波算法流程图；
[00%]附图3为Rint等效电路模型示意图。
[0027] 下面将结合附图通过实例，对本发明作进一步详细说明，但下述实例仅仅是本发 明的例子而已，并不代表本发明所限定的权利保护范围，本发明的权利保护范围W权利要 求书为准。
【具体实施方式】
[0028] 实例 1
[0029] 本发明的原理结构由图1所示，它包括有电池包，其特征在于：电池包的输出端分 别与高压采集单元和电流采集单元相连接;所述高压采集单元与卡尔曼预估单元内的输出 方程相连接，所述电流采集单元与卡尔曼预估单元内的状态方程相连接;所述输出方程和 状态方程的输出端与S0C计算单元相连接;所述S0C计算单元输出端则与车载仪表中的S0C 显示单元相连接。
[0030] 图1中包括带有采集动力电池实时电流的电流采集单元、动力电池总高压的高压 采集单元的动力电池，存储着由电池供应商通过实验得到电池特性的电池特性数据存储单 元，所述的电流采集单元输出端与状态方程单元连接，高压采集单元输出端与输出方程单 元连接，状态方程和输出方程单元一同连接SOC计算单元;SOC计算单元输出端直接与车载 仪表中的SOC显示单元相连接。
[0031] 下面W实例方式对本发明进行详细描述：
[0032] EKF估计全称为扩展卡尔曼滤波，可W实现实时估计和噪声抑制。本专利旨在实现 基于Vmin模型的S0C状态EKF估计。根据附图3所示的电池等效电路模型，附图3中Uoc表示电 池开路电压，R0表示电池内阻，V表示电池工作电压，具体表现为公式1中的电流可W根据该 模型求出，公式2中的Vmin为电池工作电压，V0即为开路电压，R即为电池内阻；系统的非线 性状态空间模型：
[0033]
[0034] 式中：屯为库仑效率;Cn为电池额定容量;i(t)为电池放电电流;Vo为电池充满电后 的空载电压;S0C(t)为电池的S0C值;S0C(0)为电池S0C初始值;Vmin(t)为电池最小负载电 压;R为电池内阻;Κο、Kl、K2、Κ3为经验系数，暂时全取1;
[0035] 对非线性状态空间模型离散化，得到电池组的离散状态方程
[0036]
[0037] 式中:Vk为电池测量时的观测噪声；
[0038] 结合附图2,本发明所采用的共同扩展卡尔曼滤波算法的流程如下：
[0039] S0C表示为状态变量X，Vmin表示为输出变量y，定义
[0044] 迭代过程
[0045] 状态向量X的时间更新
[0049] 式中:R、Q均为观测过程中的高斯白噪声。
[0050] 当然，本发明还可能有其他多种实施实例，在不背离本发明精神及其实质的情况 下，熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形，但运些相应的改 变和变形都应属于本发明所附的权利要求的保护范围。
【主权项】
1. 一种利用卡尔曼滤波预估电池荷电状态的方法，它包括有电池包，其特征在于：电池 包的输出端分别与高压采集单元和电流采集单元相连接;所述高压采集单元与卡尔曼预估 单元内的输出方程相连接，所述电流采集单元与卡尔曼预估单元内的状态方程相连接;所 述输出方程和状态方程的输出端与SOC计算单元相连接;所述SOC计算单元输出端则与车载 仪表中的SOC显示单元相连接。2. 根据权利要求1所述的利用卡尔曼滤波预估电池荷电状态的方法，其初值采用SOC、 相应误差的历史数据。3. 根据权利要求1所述的利用卡尔曼滤波预估电池荷电状态的方法，其特征还在于，其 采用了电池的V_模型作为它的更新引擎。4. 根据权利要求1所述的利用卡尔曼滤波预估电池荷电状态的方法，其特征在于，将整 个电池当做动态系统，输入为电池的放电电流，输出为电池的最小负载电压，预估电池的 SOC，最终预估出电池的SOC。5. 根据权利要求3所述的利用卡尔曼滤波预估电池荷电状态的方法，其特征在于，所述 Vmin模型的状态方程是安时法原理方程，观测方程是关于电池最小负载电压的表达式。
【专利摘要】一种利用卡尔曼滤波预估电池荷电状态(SOC,State？of？Charge)的方法，其技术要点是，锂电池组SOC采用扩展卡尔曼滤波算法(Extended？Kalman？Filter,EKF)进行估算，建立锂电池组的Vmin状态空间模型，电池组内单体电池负载电压的最小值Vmin和电池组的SOC分别作为模型的观测变量和状态变量。所述的卡尔曼滤波器采用扩展卡尔曼滤波器，用安时积分法递推SOC，代入观测方程得到Vmin的估计值，计算每一步的Kalman增益，由状态估计观测更新方程得到SOC的最优估计。所述的动力电池SOC预估方法克服了安时积分法电流误差累积的缺点，实现了对状态变量SOC的闭环估计。由于在计算过程中考虑了噪声的影响，所以算法对噪声有很强的抑制作用。
【IPC分类】G01R31/36
【公开号】CN105445665
【申请号】CN201510777212
【发明人】王寒星, 王旭, 单冲, 卜凡涛, 王子威, 孙杨, 杨依楠, 高力, 单红艳
【申请人】华晨汽车集团控股有限公司
【公开日】2016年3月30日
【申请日】2015年11月12日