本发明专利技术提出了一种锂离子电池荷电状态、健康状态与功率状态的联合估计方法，包括在线估计电池的健康状态：采用带遗忘因子的递归最小二乘法在线辨识开路电压以及内阻，并根据预先建立的OCV-SOC对应关系间接获取荷电状态，再根据两SOC点之间的累计充放电电量估计电池容量的大小；在线估计电池的荷电状态：基于二阶RC等效电路模型，采用卡尔曼滤波算法估计电池的荷电状态，并根据电池容量估计结果更新卡尔曼滤波算法中的电池容量参数；以及在线估计电池的功率状态：根据在线辨识得到的内阻，基于电池本身的电压限制和电流限制，计算最大可充放电电流，再进一步计算得到最大可充放电功率。
【技术实现步骤摘要】
本专利技术属于电池管理
，具体涉及电池荷电状态、健康状态与功率状态的 估计方法。
技术介绍
锂离子电池状态包括荷电状态（SOC，State of Charge)、健康状态（SOH，State of Health)及功率状态（SOF，State of Function)。其中，SOC反映电池的剩余电量，SOH 反映电池的老化情况，SOF则反映电池能提供的可用功率。电池当前的状态将影响电池管 理系统（BMS, Battery Management System)对电动汽车的能量管理决策，如纯电动汽车的 电池组充电、混合动力汽车的电池组能量分配等。因此电池状态估计是BMS最重要的功能 之一。 荷电状态SOC反映电池的剩余电量。目前已有一些SOC估计方法，比较常用的SOC 估计方法包括加权融合算法、卡尔曼滤波算法以及不同类型的观测器等。其中卡尔曼滤波 算法精确可靠，且适用于动态工况，是近年来比较主流的方法。 健康状态SOH反映电池的老化程度，通常用容量的衰减程度来表征。一种容量估 计方法是采用容量衰减模型进行开环估计，但由于电池之间存在不一致性，采用模型开环 估计容量的方法存在较大误差。还有一种方法是利用两SOC点之间的累计充放电电量来估 计电池的容量。这种方法简单且易于实现，方法的关键在于荷电状态SOC的获取。 功率状态SOF反映电池的功率状态，可以用最大可充放电功率来表征。目前对SOF 估计方法的研究较少。 综上所述，电池状态估计是电池管理的基础。对电池 SOC、SOH及SOF的准确估计 对于电池进行准确有效管理至关重要。
技术实现思路
有鉴于此，有必要提出一种锂离子电池荷电状态、健康状态与功率状态的更为准 确的估计方法。 -，包括如下步骤： S1，在线估计电池的健康状态SOH :采用带遗忘因子的递归最小二乘法在线辨识开路 电压OCV (Open Circuit Voltage)以及内阻R。，并根据预先建立的OCV-SOC对应关系间接 获取荷电状态S0C，再根据两SOC点之间的累计充放电电量估计电池容量的大小； 52, 在线估计电池的荷电状态SOC :基于二阶RC等效电路模型，采用卡尔曼滤波算法估 计电池的荷电状态S0C，并根据步骤Sl的电池容量估计结果更新卡尔曼滤波算法中的电池 容量参数；以及 53, 在线估计电池的功率状态SOF :根据步骤Sl在线辨识得到的内阻R。，基于电池本身 的电压限制和电流限制，计算最大可充放电电流，再进一步计算得到最大可充放电功率。 与现有技术比较，本专利技术提出一种锂离子电池荷电状态、健康状态与功率状态的 联合估计方法，在估计SOC的过程中，根据SOH的估计结果对算法中的相关参数进行了更 新，以保证电池老化后SOC的估计精度。在SOF估计过程中，用到了 SOC的估计结果，以及 SOH估计过程中辨识得到的内阻。这一联合估计方法考虑到电池状态之间存在的相互影响， 充分利用SOC、SOH及SOF三者之间的联系，改善状态估计效果，使估计结果更为接近实际情 况，体现出了电池状态联合估计的优势。【附图说明】 图1是本专利技术实施例 的整体算法框图。 图2是Rint等效电路模型电路结构示意图。 图3是二阶RC等效电路模型电路结构示意图。 图4是本专利技术实施例DST工况的电流数据图。 图5是本专利技术实施例采用带遗忘因子的递归最小二乘法在线辨识开路电压OCV的 结果数据图。 图6是本专利技术实施例采用带遗忘因子的递归最小二乘法在线辨识内阻R。的结果 数据图。 图7是本专利技术实施例根据OCV-SOC对应关系通过线性插值法得到的SOC的结果数 据图。 图8是本专利技术实施例采用卡尔曼滤波算法得到的SOC估计结果数据图。 图9是本专利技术实施例采用卡尔曼滤波算法得到的SOC估计误差数据图。 图10是本专利技术实施例根据电压、电流限制计算得到的最大可充放电电流数据图。 图11是本专利技术实施例根据最大可充放电电流进一步计算得到的最大可充放电功 率数据图。【具体实施方式】 以下将结合附图对本专利技术的锂离子电池荷电状态、健康状态与功率状态的联合估 计方法作进一步的详细说明。 首选，对本专利技术说明书中涉及的一些名词进行解释。 本专利技术说明书中提到的"在线"是指锂离子电池处于实际工作使用的状态，例如安 装在电动汽车中运行的状态，在线状态为一复杂的动态工况，电流和/或电压不确定，随时 间变化。该在线状态区别于锂离子电池在实验室中利用充放电设备进行充放电的状态，又 称"离线"状态，在该状态下电池的充放电电流和/或电压通过充放电设备控制形成有规律 的变化或保持恒定。 本专利技术说明书中提到的"电量"(electric charge)是指电池在某一时刻具有的实 际电量。 本专利技术说明书中提到的"容量"（capacity)是指电池在完全充电状态具有的实际 电量，也就是电池能够存储的最大电量。 本专利技术说明书中提到的"荷电状态"（SOC)，代表的是电池使用一段时间或长期搁 置不用后的电池所具有的电量与电池完全充电状态时具有的电量的比值，取值范围为〇~1， 当SOC=O时表示电池放电完全，当SOC=I时表示电池完全充满。 本专利技术说明书中提到的"健康状态"（SOH)代表的是电池实际容量与初始容量的 比值。电池在出厂时的容量为初始容量，随着电池的不断使用，电池的实际容量会逐渐减 少。 本专利技术说明书中提到的"功率状态"(S0F)代表的是最大可充电功率和最大可放电 功率。 本专利技术提出了一，包 括如下步骤： S1，在线估计电池的健康状态SOH :采用带遗忘因子的递归最小二乘法在线辨识开路 电压（OCV，Open Circuit Voltage)以及内阻R。，并根据预先建立的OCV-SOC对应关系间 接获取荷电状态S0C，再根据两SOC点之间的累计充放电电量估计电池容量的大小； 52, 在线估计电池的荷电状态SOC :基于二阶RC等效电路模型，采用卡尔曼滤波算法估 计电池的荷电状态S0C，并根据步骤Sl的电池容量估计结果更新卡尔曼滤波算法中的电池 容量参数；以及 53, 在线估计电池的功率状态SOF :根据步骤Sl在线辨识得到的内阻R。，基于电池本身 的电压限制和电流限制，计算最大可充放电电流，再进一步计算得到最大可充放电功率。 具体地，在本专利技术实施例中所述步骤Sl包括： 步骤Sll :对被测锂离子电池在离线状态下进行开路电压实验，获得不同SOC对应的开 路电压OCV ; 步骤S12 :在线测试电池随时间变化的端电压及电流，基于Rint等效电路模型，根据带 遗忘因子的递归最小二乘法，利用电池在线测量获得的电压及电流数据在线辨识电池的开 路电压OCV以及内阻1 ; 步骤S13 :根据步骤Sll中得到的OCV-SOC对应关系，由步骤S12中在线辨识得到的OCV 通过线性插值法得到对应的SOC ;以及 步骤S14 :任意选取两个SOC不同的时刻ta和t e，由电流积分得到这两个时刻间的累 计充放电电量，再根据容量计算公式，估计电池当前状态下的容量，即得到电池容量的估计 值Cai J5，从而实现电池 SOH的在线估计，该容量计算公式为：其中，t代表时间，ta和t Ji为两个SOC不同时刻，优选地，t a和t Ji选取为SOC差距较 大的两个时刻。Ia11代本文档来自技高网...
【技术保护点】
一锂离子电池荷电状态、健康状态与功率状态的联合估计方法，包括如下步骤：S1，在线估计电池的健康状态SOH：采用带遗忘因子的递归最小二乘法在线辨识开路电压OCV以及内阻R0，并根据预先建立的OCV‑SOC对应关系间接获取荷电状态SOC，再根据两SOC点之间的累计充放电电量估计电池容量的大小；S2，在线估计电池的荷电状态SOC：基于二阶RC等效电路模型，采用卡尔曼滤波算法估计电池的荷电状态SOC，并根据步骤S1的电池容量估计结果更新卡尔曼滤波算法中的电池容量参数；以及S3，在线估计电池的功率状态SOF：根据步骤S1在线辨识得到的内阻R0，基于电池本身的电压限制和电流限制，计算最大可充放电电流，再进一步计算得到最大可充放电功率。
【技术特征摘要】
【专利技术属性】
技术研发人员：沈萍，卢兰光，欧阳明高，任东生，冯旭宁，
申请(专利权)人：清华大学，
类型：发明
国别省市：北京;11
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。