一种基于特征模型的动力电池SOC估算方法

摘要

本发明提供一种基于特征模型的动力电池SOC估算方法，包括以下步骤：在动力电池运行中采集电压和/或电流值，根据采集到的电压和/或电流大小确定重采样系数Q；建立电池的电压与SOC的特征模型，根据当前的电压值以及历史的SOC值进行估算下一时刻的SOC值，采用带遗忘因子的递推最小二乘法进行特征系数的辨识，将估算值与实际值作比较。本发明提出的方法，根据电流的和电压的大小对采样参数进行重新的选取，当电压在工作范围两端的时候，采样系数Q为1；当电压在工作范围中间阶段的时候，分两种情况，电流较小时减小计算量，提高了计算效率；电流较大时保持采样数量基本不变，不会漏掉参数的特征，保证了估算的准确性。

说明书

技术领域

本发明属于二次电池领域，具体涉及一种锂离子电池荷电状态的估算方法。

背景技术

电池的荷电状态(State of Charge；SOC)也被称为剩余电量，是反映电池状态的重要参数，同时也是电动汽车电池管理系统(BMS)和整车控制器制定控制策略的一项主要依据。准确估算SOC，可以保证电池工作在合理的SOC范围内，防止过充和过放对电池造成的损伤，延长电池的使用寿命，降低了使用和维护成本。除此以外，准确的SOC值可以使用户更好的计算行驶里程，拥有更好的驾驶体验。因此，如何准确又可靠的估算SOC，是电池管理系统一项重要而又艰巨的任务。

在实际估算中，有两方面问题使得准确估计SOC具有较大的难度。一方面是SOC不能通过传感器直接测量，只能通过检测电池电的压、电流、内阻和温度来估算SOC的大小，其中各参量的检测都会有误差；另一方面是电池在运行时受充放电电流大小、温度、自放电、寿命等因素的影响，表现出复杂的非线性，使得建立一个准确的电池模型很困难。

近年来，国内外学者在电池SOC估计方面已经做了大量和深入的研究工作，提出了多种估算方法。较早提出的有开路电压法、安时积分法、线性模型法、内阻法或者前两种方法的结合；近些年又将一些智能算法应用于电池的SOC估算，比如卡尔曼滤波算法、神经网络法和模糊控制算法等。

由于硬件条件的限制，常用的方法是开路电压法、按时积分法以及两者的结合算法。然而开路电压法需要电池静置足够长的时间后，端电压才能稳定，并且充放电的曲线通常不是完全对称的，查表过程中容易混淆，因此不能实时的估算SOC；安时积分法存在着电流测量累积误差和自放电变化对初始值给定不准确这两方面的问题。内阻法是利用电池内阻与电池电量存在有一定的函数关系来确定SOC，但由于电池内阻数值太小，利用常规的测量电路难以准确测量，存在较大误差，所以不适用于电动汽车。线性模型法是建立电池电压、电流与SOC的线性方程，递推得到当前的SOC值，但仅适用于低电流和SOC变化缓慢的情况，并且初值不准确同样会造成SOC的计算误差。神经网络法的SOC估算精度较高，也可在线估算，但是需要对大量数据进行训练，现有硬件设备无法满足，并且学习时间较长，产生一定的延时,同时精度受训练方法和训练数据的影响较大。卡尔曼滤波法是当前比较流行的算法，可以克服安时积分法的积累误差，也可以在初始误差很大的情况下很快的将SOC值收敛到真实值附近，但是该算法对模型的精确性要求很严格，然而在实际中，模型是时变和非线性的，对SOC的估算有较大的影响。模糊逻辑控制算法对模型的建立没有要求，但是需要大量的逻辑经验，对于车况复杂的情况不适用。

发明内容

为了弥补上述算法的不足，本发明公开了一种基于特征模型的动力电池SOC的估计方法，建立电池的特征模型，即采用一个二阶时变差分方程来建立电池的模型，并采用递推最小二乘法对特征的时变系数进行辨识，克服了时变和非线性对建模精度的影响，具有较强的鲁棒性和面对突变状态的适应性，并且计算量适中。

实现本发明上述目的技术方案为：

一种基于特征模型的动力电池SOC估算方法，包括以下步骤:

S1、在动力电池运行中采集电压和电流值，根据采集到的电压和电流大小确定重采样系数Q；

S2、建立电池的电压与SOC的特征模型，根据电压值以及SOC值估算下一时刻的SOC值；

S3、采用带遗忘因子的递推最小二乘法进行特征系数的辨识，特征系数的初值选取为零矩阵，遗忘因子为0到1之间的数值；

S4、将估算值与实际值作比较，若误差大于所要求误差，则返回步骤S1，改变Q值，进行重新计算。

本方法中，S2的操作克服了电池在建模过程中由于非线性和时变性而不准确的问题。S3、采用带遗忘因子的递推最小二乘法，既可以辨识慢时变的特征系数，同时也克服了传统最小二乘法容易饱和的缺点。

动力电池在充满或者放空的时候，电压变化比较剧烈，此时，采样点尽量保持不变；当电压值在电池电压范围的中间阶段时，根据电流值进行判定，当电流值较小时，Q可选择较大的值，当电流值较大时，Q的值尽量较小。该选择方式符合动力电池运行特点，而且适当减少了计算量。具体为：

步骤S1中，Q为大于等于1的正整数，根据当前的电压值和电流值确定Q的值，动力电池在充满或者放空的时候，Q为1；当电压值在电池电压范围的中间阶段时，根据电流值进行判定，分两种情况：当电流值小于0.5C时，Q选为2的倍数；当电流值大于等于0.5C时，Q＝1或2。

更进一步地，当当前的电压值大于额定电压值1.1～1.2倍、和小于额定电压值0.8～0.7倍时，Q为1；所述Q选为2的倍数，是2、4、6、8中的一个。

其中，步骤S2中，根据经过归一化处理的电压值和SOC值估算下一时刻的SOC值，用于归一化处理电压值和SOC值是电池管理系统或者充放电设备中保存的历史数据。

其中，步骤S2中，建立如下式的特征模型：

SOC(k+1)＝f₁(k)SOC(k)+f₂(k)SOC(k-1)+g₁(k)U(k)(1)

式(1)中，f₁(k)、f₂(k)和g₁(k)是动态慢时变的特征系数；

SOC(k+1)是SOC的估算值，SOC(k)是当前时刻SOC值，SOC(k-1)是前一时刻的SOC值，U(k)为当前时刻的电压值。

在所述步骤S2中，建立的特征模型为：

SOC(k+1)＝f₁(k)SOC(k)+f₂(k)SOC(k-1)+g₁(k)U(k)

＝φ^T(k)θ(k)

其中，

φ^T(k-1)＝[SOC(k)>1(k)>2(k)>1(k)]^T(4)

f₁(k)、f₂(k)和g₁(k)是动态慢时变的特征系数。

其中，步骤S3中，带遗忘因子的递推最小二乘法计算公式为：

其中，f为遗忘因子，选择0到1之间的数值；I为3阶单位矩阵，P为三阶对角阵，为θ(k)的估计值。

其中，步骤S4中，误差的计算公式为

和为步骤S3中的估算值。

优选地，步骤S4中,将所要求误差设定为2～10％。若误差大于2～10％，通常增大Q值进行重新计算。

本发明的有益效果在于：

本发明提出的方法，根据电流的和电压的大小对采样参数进行重新的选取，当电压在工作范围两端的时候，采样系数Q为1；当电压在工作范围中间阶段的时候，分两种情况，电流较小时，即电压和SOC变化较慢时，可以明显减小计算量，提高计算效率；电流较大时，即SOC变化较快的时候，保持采样数量基本不变，即不会漏掉参数的特征，可以保证估算的准确性。其次，特征模型为二阶慢时变差分方程，将系统的特征压缩在慢时变系数中，模型建立的过程不用考虑复杂的非线性和高阶特性，提高了建模的效率。最后，本发明计算量适中，提高了估算精度并且可以在线计算，因此具有良好的可操作性和实用性。

附图说明

图1为本发明基于特征模型的电池SOC的估计方法的流程图；

图2为进行基于特征模型的电池SOC的估计方法的结构框图；

图3采用本发明估计所得曲线与实验所得曲线的对比(电池包额定电压为48V)。

图4采用本发明的SOC估计方法与实验数据的误差曲线。

具体实施方式

下面通过最佳实施例来说明本发明。本领域技术人员所应知的是，实施例只用来说明本发明而不是用来限制本发明的范围。

实施例中，如无特别说明，所用手段均为本领域常规的手段。

实施例1

如图2所示，本发明基于特征模型的电池SOC的估计方法主要包括信号采集，重采样系数确定，重采样，特征系数计算以及特征模型估算环节，具体步骤为：

S1、在动力电池运行中采集电压和电流值，根据采集到的电压和/或电流大小确定重采样系数Q；当采样的电压值大于额定电压值的1.14倍的时候，或者小于0.8倍的时候，Q为1，否则，按照电流值判定，当电流值小于0.5C时，Q可选择为2的倍数。当电流值大于等于0.5C时，说明电池的电压和SOC变化较快，Q的值尽量较小，例如Q＝1或2。确定Q值的公式如下：

其中，n＝1,2,3……。

S2、建立电池的电压与SOC的特征模型，根据当前的电压值以及电池管理系统中存储的历史的SOC值进行估算下一时刻的SOC值。

S3、采用带遗忘因子的递推最小二乘法进行特征系数的辨识，特征系数的初值选取为零矩阵，遗忘因子为0到1之间的数值。

S4、将估算值与实际值作比较，若误差大于所要求误差，则返回步骤S1，改变Q值，进行重新计算。

本实施例中，信号采集模块采集了运行中动力电池的电压值和当前电流值，根据当前的电流值和电压值确定重采样的系数大小，采样电压值大于额定电压的1.14倍或者小于额定电压的0.8倍的时候，重采样系数为1；当采样电压值为额定电压的0.8倍到1.14倍之间时，根据电流的大小来判定，在此实施例中，当电流在0.5C以内时，可视为小电流，Q＝6，则计算量为原来的1/6，当电流大于0.5C时，可视为大电流，Q＝1。

第二，对电压值和电池管理系统中存储的SOC值进行归一化处理，公式如下所示：

设置辨识算法的初始参数，辨识算法的公式为：

其中，f为遗忘因子，本实施例中f＝0.99；I为3阶单位矩阵，P为三阶对角阵，本实施例中为θ(k)的估计值，(k表示采样的时刻，采样间隔为10ms)

将上一步中得出的带入计算SOC的特征方程中，如下：

式中，SOC_估算(k+1)是根据当前时刻SOC(k)和前一时刻SOC(k-1)的SOC值，以及当前时刻的电压值U(k)(即式(5)计算的“新数值”)，进行估算所得的SOC的估算值，和是上一步中估算出的系数。

第五，上一步辨识出的参数收敛，进行误差的计算，计算式如下：

式中，e(k)为实际的SOC与估计的SOC的误差值，用来验证该方法是否满足实际要求，本实施例中误差要求设为5％.

图3和图4中分别表示出充电过程的估算结果和误差，由图3和图4可见，在SOC为0.1，即10％的时候，系统的估算误差已经收敛到3％以内，并且在计算之前加入了重采样的过程，使得运算量减少，运算速度加快。在电池包实际工作中，一般使用的SOC范围为20％到80％，因此保证了SOC的估算较快的达到较高的精度，满足实际使用时的需求。

以上的实施例仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通工程技术人员对本发明的技术方案做出的各种变型和改进，均应落入本发明的权利要求书确定的保护范围内。