在线前馈补偿的动力电池电荷状态估计方法与系统的制作方法
【技术领域】
[0001] 本发明涉及电动汽车动力电池电荷状态估计技术领域，具体为一种在线前馈补偿 的动力电池电荷状态估计方法与系统。
【背景技术】
[0002] 电动汽车与传统燃料汽车相比，具有无污染、高效率、舒适的行车环境等优点。动 力电池，如锂电池，被广泛用作电动汽车的能源，是因为此类电池具有高效率、高充放电率、 低自放电和无记忆效应等优点。
[0003] 电荷状态（StateofCharge，SOC)是动力电池管理系统（batterymanagement system,BMS)中的重要参数。由于电池内部电化学过程不能直接通过传感器测量得到，所以 只能依据电池模型，运用相应的算法估计得到。通常采用可测量的电流和电压参数进行电 荷状态估计。
[0004] 目前S0C估计方法主要可以分为定义估计和间接估计。定义估计方法主要是安时 法，其存在累积误差的问题。间接估计的方法是使用S0C和电池参数的内部关系，主要有开 路电压（OpenCircuitVolatge)OCV法、基于状态空间电池模型的状态估计法、递推卡尔曼 滤波法、扩展卡尔曼滤波及无迹卡尔曼滤波等。随着电池能量消耗一般情况下随0CV以一 定确定的关系下降，因此0CV被广泛用于S0C估计。但是测定开路电压0CV需电池长时间 静置，很难在线使用。利用从0CV估计S0C，便于对动力电池在长时间充放电过程中表现出 的迟滞特性，进行细化描述。同时0CV与S0C关系，不随时间和温度而明显变化，体现出良 好一致性。也就是说，从0CV估计S0C，不受电池制造工艺不一致性的影响。
[0005] 目前从0CV估计S0C方法是以一阶RC网络等效回路电池模型在频域变换整理后 的电池模型为基础，采用自适应卡尔曼滤波在线辨识模型参数，得到开路电压。依据神经网 络建立0CV-S0C模型，通过神经网络辨识得到S0C。
[0006] 但现有的基于0CV的S0C估计方法精度不足，难以实用，因此研宄0CV法的S0C估 计仍为当前热点。
【发明内容】
[0007] 本发明的目的是设计一种在线前馈补偿的动力电池电荷状态估计方法，采用自适 应卡尔曼滤波在线辨识电池模型的参数，得到开路电压0CV，依据神经网络建立0CV和S0C 模型，并引入基于检测电流的前馈补偿，对神经网络辨识得到的S0C进行在线前馈补偿，有 效提高S0C估计精度。
[0008] 本发明的另一目的是设计一种在线前馈补偿的动力电池电荷状态估计系统，为嵌 入式系统，与动力电池一起，嵌入到使用的动力电池的装备中，对动力电池电荷状态实时估 计并显示。
[0009] 本发明设计的在线前馈补偿的动力电池电荷状态估计方法，包括以下步骤：
[0010] 步骤I、建立动力电池模型及电压电流采样、参数辨识
[0011] 本发明的动力电池模型为：采用常用的一阶RC等效回路电池模型描述电量传输 效应和动态电压性能，等效极化电阻&与等效极化电容Ci并联构成一阶RC网络，串接等效 欧姆电阻Rc^PUoc，Uoc为电池的开路电压OCV，电池放电过程负载电流为正，电池充电过程 负载电流为负。
[0012] 一阶RC等效回路动力电池模型在频域下，动力电池模型表示为：
【主权项】
1.在线前馈补偿的动力电池电荷状态估计方法，包括如下步骤： 步骤I、建立动力电池模型及电压电流采样、参数辨识 动力电池模型为：等效极化电阻R1与等效极化电容匕并联构成一阶RC网络，串接等效 欧姆电阻Rc^PUoc，Uoc为电池的开路电压OCV，电池放电过程负载电流I为正，电池充电过 程负载电流I为负， 动力电池的模型表示为：
离散化后得到 E (k) = B1E (k-1) +a2I (k) +a3I (k-1) Δ Uoc (k) = Uoc (k)-Uoc (k-1) U(k) = (1-a) Uoc (k)+B1U(Ii-I)+a2I(k)+a3I(k_l) 定义 Φ(々)=[1 ^⑷'(H)]，Θ (k) = [(l-aJUocCk) B1 a2 a3]T和 yk= U(k)，其中，k时刻得到电压采样值U(k)和负载电流采样值I(k); 贝Ij =(P(左)Θ⑷； 步骤II、自适应卡尔曼滤波的参数辨识 直接对步骤I所得的认)Θ(幻使用自适应卡尔曼滤波算法，对模型参数Θ = [(l-a^Uoc S1 a2 a3]T进行辨识，得到开路电压Uoc，即0CV; 由辨识出ai，a2, a3，得对应电池模型参数为：
步骤III、OCV-SOC关系的神经网络建模 选择BP神经网络描述开路电压OCV到电荷状态SOC的映射关系，含M节点隐层的BP 网络结构中i为输入层，j为隐层，k为输出层； OCV为神经网络输入为Xj= 0CV， 隐层神经元的输出为
输出层神经元的输出为
采用最速下降法，对BP神经网络学习，建立OCV-SOC映射关系，其中，OCV由步骤II得 到，SOC通过高精度电池回路电流的SOC定义的传统实验方法得到；用OCV-SOC映射关系、 由开路电压OCV得到电荷状态SOC估计值，表示为NNSOC ; 步骤IV、电荷状态估计值的前馈补偿 求k时刻的前馈补偿为BS0Ck，用于对步骤III神经网络辨识得到的NNSOC的前馈补偿；
其中，库伦效率Hlrl= l，At= 1，Cn为电池标称容量； 在线前馈补偿的电荷状态SOCFMdbadt，k由下式求得 SOCfeekb喊 k= a*NNS0Ck+f3*BS0Ck 其中，NNSOCk为通过神经网络辨识得到的电荷状态估计值，a、β为加权系数。
2. 根据权利要求1所述的在线前馈补偿的动力电池电荷状态估计方法，其特征在于： 所述步骤IV中加权系数0< α <1，〇< β <1，且α+β =1。
3. 根据权利要求1或2所述的在线前馈补偿的动力电池电荷状态估计方法建立的在线 前馈补偿的动力电池电荷状态估计系统，其特征在于： 包括嵌入式微控制器及其连接的显示器，动力电池输出端接有电压传感器和电流传感 器；嵌入微控制器含有自适应卡尔曼滤波的动力电池模型参数辨识模块、SOC与OCV的神经 网络模型的SOC估计模块以及SOC前馈补偿模块；电压传感器和电流传感器经模数转换模 块连接嵌入微控制器，嵌入微控制器的CAN接口与使用动力电池设备的CAN网络连接。
4. 根据权利要求3所述的在线前馈补偿的动力电池电荷状态估计系统，其特征在于： 所述在线前馈补偿的动力电池电荷状态估计系统与动力电池一起，嵌入在使用动力电 池的设备中。
【专利摘要】本发明一种在线前馈补偿的动力电池电荷状态估计方法与系统，本方法步骤为：Ⅰ、建立动力电池模型及电压电流采样、参数辨识；Ⅱ、用自适应卡尔曼滤波的参数辨识；Ⅲ、OCV-SOC关系的神经网络建模，由开路电压OCV得到电荷状态估计值NNSOC；Ⅳ、根据前一时刻电流求当前时刻的电荷状态估计值BSOCk，此值与NNSOC加权求和得前馈补偿的电荷状态估计值。本系统的动力电池所接电压电流传感器连接嵌入式微控制器，微控制器含有自适应卡尔曼滤波的参数辨识模块、OCV-SOC神经网络SOC估计模块以及前馈补偿模块。本发明结构简单，不受SOC初始值影响，辨识与估计速度加快，在线前馈补偿提高了SOC估计精度。
【IPC分类】G01R31-36
【公开号】CN104535934
【申请号】CN201410851183
【发明人】党选举, 姜辉, 伍锡如, 莫妍, 李爽, 张向文, 许勇, 龙超, 唐士杰, 言理
【申请人】桂林电子科技大学
【公开日】2015年4月22日
【申请日】2014年12月31日