本申请是关于一种锂离子电池SOC估计方法。该锂离子电池SOC估计方法包括：在线获取电池的充放电数据，并进行预处理；选取电池模型，采用带遗忘因子的递推最小二乘法获取电池模型参数；利用所述在线充放电数据和所述电池模型参数，通过第一个自适应扩展卡尔曼滤波算法完成开路电压OCV的估计，将所述开路电压OCV和所述模型参数输入到第二个自适应扩展卡尔曼滤波算法中完成SOC的估计。本申请提供的方案，采用在不进行OCV实验的情况下对电池的SOC和容量进行在线估算，节省了大量时间、费用和精力；锂离子电池的等效电路模型参数是在线确定的，提升了SOC估计精度；对电池的容量进行辨识，进一步提高了SOC估算的精确性。
【技术实现步骤摘要】
本申请涉及电池荷电状态估计，尤其涉及锂离子电池soc估计方法。
技术介绍
1、目前，锂离子电池因其在能量、功率密度、循环寿命以及安全性等方面具有的较好表现，使其在电动汽车上得到广泛的运用。为了能够安全的发挥锂离子电池的作用，延长其使用寿命，对锂离子电池状态进行精确的监测至关重要。电荷状态(state of charge,soc)是bms电池系统最基础的参数之一，准确地估计soc是合理使用电池的前提，因此soc估计对于电池管理乃至整车能量管理都有着重要的意义。
2、现在常用的soc估算方法可以分为两大类：一类是直接测量进行估算，包括开路电压法、安时积分法等，其中开路电压法可以准确估算电池在非工作条件下的soc值，但是电池须经过长时间的静置或在线估算以获取开路电压(open circuit voltage,ocv)，然后通过查询ocv-soc关系得到相应的soc。安时积分法能满足实时性问题，受初始soc误差和测量误差的影响较大，且随着时间的延长，积累的误差会导致soc的估计精度低。开路电压法和安时积分法均是一种开环估算的方法，不能利用测量反馈进行估算校正，难以满足soc在线、高精度估算的要求。
3、另一类基于模型的智能算法得到了广泛应用，具有代表性的有神经网络算法、卡尔曼滤波算法等。神经网络法利用实验输入输出数据建立神经网络模型，通过对样本的学习、记忆、处理等完成soc的估算，拥有较高的估算精度，训练好的模型可以实现在线估计，但是神经网络法需要大量的实验数据来进行训练，且估算结果受数据样本影响较大。
<
p>4、上述这些soc估算方法没有考虑电池容量变化，降低了soc估算精度。卡尔曼滤波算法在电池动态模型基础上对其soc进行估算，计算量小，适合soc的在线估算，并且卡尔曼滤波算法具有闭环性质，更易处理各种不确定性，因此得到了广泛的应用，但卡尔曼估算方法需要开展离线ocv试验，获取ocv-soc关系曲线，这需要花费大量的时间和费用，且不能适应工况和环境变化。
技术实现思路
1、为解决或部分解决相关技术中存在的问题，本申请提供一种锂离子电池soc和容量联合估计方法，该估计方法在不进行ocv实验的情况下进行在线估算，节省大量时间和费用；锂离子电池的等效电路模型参数是在线确定的，提升了soc估计精度；对电池的容量进行估算，进一步提高了soc估算的准确性。
2、本申请提供一种锂离子电池soc和容量在线联合估计方法，包括：
3、在线获取电池的充放电数据，并进行预处理，其中获取所需数据包括：提取原始数据中的电压、电流和温度数据；
4、选取电池模型，采用带遗忘因子的递推最小二乘法获取电池模型参数；
5、利用所述充放电数据和所述电池模型参数，通过第一个自适应扩展卡尔曼滤波算法完成开路电压ocv的估计，将所述开路电压ocv和所述模型参数输入到第二个自适应扩展卡尔曼滤波算法中完成soc的估计。
6、第一方面可选的，特征测试具体包括：采集预设温度下锂离子电池的充放电数据，形成原始数据集，测试主要为增量ocv测试和城市内驾驶循环测试。
7、第一方面可选的，电池模型选取包括：
8、根据模型的精度及复杂度，选择thevenin模型应用于锂离子电池soc估计中，对thevenin模型进行处理，转化为利于模型辨识的形式。
9、第一方面可选的，thevenin模型处理过程包括：
10、thevenin模型的数学表达式可以表示为，
11、
12、对式(1)进行离散化可以得到thevenin模型的状态方程，表示为：
13、
14、式中，il表示电池的工作电流，ts表示系统的采样时间，uocv表示电池的开路电压，ut表示电池的端电压，rp和cp分别表示电池的极化电阻与极化电容，r0表示电池的欧姆内阻；
15、将式(2)采用复数域表达为，
16、
17、式中，et定义为ut与uocv之间的差值，代表系统的输出，s为复数因子；
18、将式(3)转换为传递函数，
19、
20、令q为离散变换因子，将式(4)进行双线性变换，
21、
22、
23、由于电池uocv具有缓慢变化特性，在模型参数辨识阶段，uocv在时间步长k和k-1时的变化忽略不计，故式(5)可以表示为，
24、ut,k＝β1ut,k-1+(1-β1)uocv,k+β2il,k+β3il,k-1 (7)
25、第一方面可选的，所述采用带遗忘因子的递推最小二乘法获取电池模型参数过程包括：带遗忘因子的递推最小二乘法详细过程表示为，
26、
27、
28、式中，为信息矩阵，θ为参数矩阵，ε为随机噪声变量，y为系统的输出。k表示为算法增益，p表示为协方差。
29、第一方面可选的，所述通过第一个自适应扩展卡尔曼滤波算法完成开路电压ocv和容量的在线联合估计，包括以下步骤：
30、建立开路电压ocv和电池容量的微分方程，两种方程如下：
31、状态方程：
32、
33、测量方程：
34、ut,k＝uocv,k-up,k-il,kro (11)
35、式中，cn，k-1表示k-1时刻的cn估计值，uocv，k-1表示k-1时刻的uocv估计值，η表示库伦效率，up，k-1表示k-1时刻的up估计值；
36、选取状态变量[cn,uocv,up],得到相应的状态矩阵：
37、
38、初始化aekf算法中的参数，包括初始容量cn，初始开路电压uocv,初始极化电压up，初始系统噪声协方差q0，初始误差协方差p0,初始测量噪声协方差r0；
39、利用式(10)(11)两个方程进行状态变量的时间更新；
40、计算k时刻的误差协方差pk,
41、
42、式中，qk-1表示噪声协方差；
43、计算k时刻的卡尔曼增益kk，
44、
45、计算k时刻的新息ek，
46、
47、式中，yk表示测量的端电压，表示预测的端电压；
48、计算k时刻状态变量和协方差的最优估计，
49、
50、计算k时刻的过程噪声qk和测量噪声rk的协方差，
51、
52、第一方面可选的，所述将所述开路电压ocv、容量和所述模型参数输入到第二个自适应扩展卡尔曼滤波算法中完成soc的估计，包括：
53、建立基于aekf算法估算soc的状态方程，公式如下：
54、状态方程：
55、
56、测量方程：
57、ut,k＝uocv,k-up,k-il,kro (19)
本文档来自技高网...
【技术保护点】
1.一种锂离子电池SOC估计方法，其特征在于，所述锂离子电池SOC估计方法包括：
2.根据权利要求1所述的锂离子电池SOC估计方法，其特征在于，所述特征测试具体包括：在线采集行驶工况下锂离子电池的充放电数据，形成原始数据集。
3.根据权利要求1所述的锂离子电池SOC估计方法，其特征在于，所述电池模型选取包括：
4.根据权利要求3所述的锂离子电池SOC估计方法，其特征在于，所述Thevenin模型处理过程包括：
5.根据权利要求1所述的锂离子电池SOC估计方法，其特征在于，所述采用带遗忘因子的递推最小二乘法获取电池模型参数过程包括：带遗忘因子的递推最小二乘法详细过程表示为，
6.根据权利要求1所述的锂离子电池SOC估计方法，其特征在于，所述通过第一个自适应扩展卡尔曼滤波算法完成开路电压OCV和容量的在线联合估计，包括以下步骤：
7.根据权利要求1所述的锂离子电池SOC估计方法，其特征在于，所述将所述开路电压OCV、容量和所述模型参数输入到第二个自适应扩展卡尔曼滤波算法中完成SOC的估计，包括：
【技术特征摘要】
1.一种锂离子电池soc估计方法，其特征在于，所述锂离子电池soc估计方法包括：
2.根据权利要求1所述的锂离子电池soc估计方法，其特征在于，所述特征测试具体包括：在线采集行驶工况下锂离子电池的充放电数据，形成原始数据集。
3.根据权利要求1所述的锂离子电池soc估计方法，其特征在于，所述电池模型选取包括：
4.根据权利要求3所述的锂离子电池soc估计方法，其特征在于，所述thevenin模型处理过程包括：
5.根据权利要求1所述的锂...
【专利技术属性】
技术研发人员：肖仁鑫，胡严文，陈贵升，贾现广，
申请(专利权)人：昆明理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。