一种动力电池荷电状态与健康状态的联合估计方法技术

技术编号:15180500 阅读:130 留言:0更新日期:2017-04-16 07:47
本发明专利技术公开了一种新型的动力电池荷电状态(SOC)与健康状态(SOH)的联合估计方法,该方法通过实时记录电池使用过程中各个时刻的电压、电流以及温度值,利用H∞滤波算法结合虚拟电池模型求解电池偏置电流噪声,并使用H∞滤波算法估算电池的SOC,使用扩展Kalman滤波算法估算电池的SOH,包括电池实际容量和内阻,并存储算法运行中的计算数据。整个算法无需对电池使用环境作参数假设,利用先进的滤波算法计算电池相关参数。整个算法抗噪声能力强,误差小,算法流程简单,有较好的精确度。

【技术实现步骤摘要】

本专利技术属于电池
,具体涉及到一种动力电池内部状态的实时估计方法,具体涉及到在保证电池荷电状态实时估计准确的前提下,实现电池实际容量以及内阻参数的实时估计。
技术介绍
电池管理系统是保障电动汽车安全、稳定行驶的重要组成部分,而电池的荷电状态(StateofCharge,以下简称SOC)估计是电池管理系统的核心,也是实现电池充放电管理,负载均衡的基础。然而电池的高度非线性导致其SOC容易受到多种因素的影响,使得准确估计SOC变得十分困难。电池的健康状态(StateofHealth,以下简称SOH)是电动汽车的电池管理系统中重要的性能指标之一。SOH反映了电池在使用过程中的老化过程,也就是电池的寿命。针对SOH的精确估计有助于保证电池性能,避免因电池衰老影响车体的正常运行。目前常见的针对SOH的研究一般是指结合了SOC估计的联合估计算法,考虑电池管理系统的实际需求,在保证SOC估计精度的前提下,实现SOH相应参数的实时估计。学术界针对SOH定义的指标主要包括电池的实际容量和内阻,这两个指标在电池的使用过程中,会随着电池的老化而发生大的改变。随着电池使用次数的增多,电池实际的可释放电量不断减小,进而影响电池的工作时长。当实际容量和额定容量之比小于某个阈值时,也就标志着电池的报废。同时由于电池内部复杂的化学反应,其内阻不断上升,造成电池电压随电流的波动剧烈,影响电池的稳定性。传统意义上单独的SOC估计算法开路电压法、安时积分法以及扩展卡尔曼滤波法等。这些算法有些需要长期静置后估计结果,不具备实时性,有些在恶劣环境下容易积累噪声的误差以及采样精度带来的误差,在外部环境恶劣、电池电流变化剧烈时难以取得理想的效果。更重要的是,这些方法难以和SOH估计相结合,对电池健康状态的观测造成了一定的困难。目前常用的SOH估计方式主要有两类:1、使用离线数据驱动的方式,这一方法通过特定电池型号的大量实验数据,使用机器学习的相关算法从数据中获取电池相应指标的模型方程,实现健康状态预测。这一方法对前期实验数据的准备要求较高,计算量大,而且得到的模型仅仅适用于对应的电池类型,而不具备扩展性与通用性。这一方法在实验数据缺乏时,也会产生较大的估计误差。2、使用在线参数跟踪的方法。这一方法将电池健康指标的变化视为无序参数,使用特定的控制算法,跟踪参数变化。一种常用的参数跟踪算法是双Kalman滤波算法。这一方法通过建立电池模型以及电池参数衰减的状态空间方程,实现针对SOC和SOH的联合估计。这一算法对电池模型要求较高,同时对外部环境作了过于理想化的假设,导致了其难以很好处理具有偏置的噪声,在特定情况下同样易导致噪声的积累,削弱了SOC与SOH估算的抗干扰能力。
技术实现思路
本专利技术的目的是提供一种新型动力电池的荷电状态与健康状态的联合估算方法,本专利技术主要分为两部分,基于H∞鲁棒控制滤波算法的电池偏置电流抑制,以及采用H∞鲁棒控制滤波和Kalman滤波的联合算法进行电池SOC与SOH的同步估计。上述目的可由下述技术方案实现。本专利技术的技术方案为一种动力电池荷电状态与健康状态的联合估计方法,该方法包括以下步骤:步骤1:建立虚拟电池模型,设k时刻系统内部状态为包括k时刻的电池电池荷电状态SOC,以及k时刻第一个RC并联环节的分压以及k时刻第二个RC并联环节的分压则k+1时刻的系统内部状态可以通过方程获取其中uk表示系统的输入电流I,同时系统在k时刻的理论输出电压yk满足其中Δt为采样周期,R1,R2表示模型中电阻参数,C1,C2表示模型中电容参数,电阻参数和电容参数都根据事情情况设定,OCV(SOC)表示电池开路电压与电池荷电状态之间的非线性关系,η表示充电效率,OCV表示电池开路电压,R0表示电池的;设置电池容量Cap及欧姆内阻R0为固定值,电池容量Cap值为初始电池容量Cap0的70~80%;步骤2:建立实际电池模型,实际电池模型的组成与虚拟电池模型一致,设置实际电池模型的容量与欧姆内阻随时间变化,设置γk=(CapkR0,k)为k时刻的相应参数,Capk表示系统在k时刻的实际容量,R0,k表示系统在k时刻的欧姆内阻,初始参数γ0通过电池充放电实验获取;步骤3:获取电池两端电压V、电池电流I、电池温度T;步骤4:将电池电流I输入虚拟电池模型,通过库仑积分计算第一荷电状态值SOC1;将I、V、T输入到虚拟电池模型对应的H∞滤波算法,计算第二荷电状态值SOC2,两次荷电状态值求差,计算获得偏置电流噪声,从电池电流I中去除偏置噪声,获得滤波后的电流值I′;步骤5:将I′、V、T,输入实际电池模型,利用H∞滤波获得电池第三荷电状态值SOC3,并记录;步骤6:将I′、V、T,输入实际电池模型,使用Kalman滤波获得电池的健康状态,该健康状态采用电池随时间变化的容量及欧姆内阻参数γk=(CapkR0,k),使用γk更新实际电池模型,作为下一个采样周期荷电状态值、电池的健康状态估计的基准模型;进一步的,所述步骤4的具体步骤:步骤4.1:通过库仑积分计算第一荷电状态值SOC1,k=SOC1,k-1+IΔt,其中SOC1,k即为k时刻的第一荷电状态值,从k-1时刻的SOC1,k-1递推而来,0时刻的初始SOC1通过用户设定得到,Δt为采样周期;步骤4.2:计算第二荷电状态值SOC2,具体过程中需要维护任意k时刻电池内部状态变量其内部状态如步骤1所述,包括电池SOC,以及两个RC并联环节的分压,内部状态变量的初始值视电池实际状态设置,并设置算法过程噪声权值Q,输出噪声权值V,算法估计误差上界θ,以及初始状态估计误差权重P0,这一权重矩阵将在算法运行过程中递推更新,在k时刻表示为Pk,同时根据虚拟电池模型,建立转移矩阵输入矩阵设任意k时刻输入H∞滤波的电流值I为uk,电压值V为yk,η为充电效率、在k时刻执行以下步骤:步骤4.2.1:输出当前时刻的SOC估计值其中M=(100),即为步骤4.2中明确表明需要维护的电池内部状态变量;步骤4.2.2:对OCV-SOC关系求导获得输出矩阵其中电池开路电压的取值和电池荷电状态SOC呈非线性固定关系,这一关系采用函数形式OCV(SOC)表示;步骤4.2.3:设置矩阵J为单位矩阵,Q为算法过程噪声权值,Pk为在算法运行过程中不断递推更新的初始状态估计误差权重P0,在k时刻表示为Pk,表示输出矩阵的转置,V表示输出噪声权值;步骤4.2.4:求解控制增益Pk为在算法运行过程中不断递推更新的初始状态估计误差权重P0,在k时刻表示为Pk,Lk表示步骤4.2.3中计算出的矩阵表示输出矩阵的转置,V表示输出噪声权值;步骤4.2.5:预测k+1时刻的系统状态,其中方程满足所有符号含义均在上文步骤中得到解释,表示k+1时刻系统内部状态A表示转移矩阵B表示输入矩阵表示控制增益Pk为在算法运行过程中不断递推更新的初始状态估计误差权重P0,在k时刻表示为Pk,Lk表示步骤4.2.3中计算出的矩阵表示输出矩阵的转置,V表示输出噪声权值;步骤4.2.6:输出步骤4.2.1中得到的其中M=(100),即为步骤4.2中明确表明需要维护的电池内部状态变量;步骤4.3:获得滤波后的电流值其中Cap代表虚拟电池模型的电量参数,k为当前的采样时刻本文档来自技高网
...

【技术保护点】
一种动力电池荷电状态与健康状态的联合估计方法,该方法包括以下步骤:步骤1:建立虚拟电池模型,设k时刻系统内部状态为包括k时刻的电池电池荷电状态SOC,以及k时刻第一个RC并联环节的分压以及k时刻第二个RC并联环节的分压则k+1时刻的系统内部状态可以通过方程获取其中uk表示系统的输入电流I,同时系统在k时刻的理论输出电压yk满足其中Δt为采样周期,R1,R2表示模型中电阻参数,C1,C2表示模型中电容参数,电阻参数和电容参数都根据事情情况设定,OCV(SOC)表示电池开路电压与电池荷电状态之间的非线性关系,η表示充电效率,OCV表示电池开路电压,R0表示电池的;设置电池容量Cap及欧姆内阻R0为固定值,电池容量Cap值为初始电池容量Cap0的70~80%;步骤2:建立实际电池模型,实际电池模型的组成与虚拟电池模型一致,设置实际电池模型的容量与欧姆内阻随时间变化,设置γk=(Capk R0,k)为k时刻的相应参数,Capk表示系统在k时刻的实际容量,R0,k表示系统在k时刻的欧姆内阻,初始参数γ0通过电池充放电实验获取;步骤3:获取电池两端电压V、电池电流I、电池温度T;步骤4:将电池电流I输入虚拟电池模型,通过库仑积分计算第一荷电状态值SOC1;将I、V、T输入到虚拟电池模型对应的H∞滤波算法,计算第二荷电状态值SOC2,两次荷电状态值求差,计算获得偏置电流噪声,从电池电流I中去除偏置噪声,获得滤波后的电流值I′;步骤5:将I′、V、T,输入实际电池模型,利用H∞滤波获得电池第三荷电状态值SOC3,并记录;步骤6:将I′、V、T,输入实际电池模型,使用Kalman滤波获得电池的健康状态,该 健康状态采用电池随时间变化的容量及欧姆内阻参数γk=(Capk R0,k),使用γk更新实际电池模型,作为下一个采样周期荷电状态值、电池的健康状态估计的基准模型。...

【技术特征摘要】
1.一种动力电池荷电状态与健康状态的联合估计方法,该方法包括以下步骤:步骤1:建立虚拟电池模型,设k时刻系统内部状态为包括k时刻的电池电池荷电状态SOC,以及k时刻第一个RC并联环节的分压以及k时刻第二个RC并联环节的分压则k+1时刻的系统内部状态可以通过方程获取其中uk表示系统的输入电流I,同时系统在k时刻的理论输出电压yk满足其中Δt为采样周期,R1,R2表示模型中电阻参数,C1,C2表示模型中电容参数,电阻参数和电容参数都根据事情情况设定,OCV(SOC)表示电池开路电压与电池荷电状态之间的非线性关系,η表示充电效率,OCV表示电池开路电压,R0表示电池的;设置电池容量Cap及欧姆内阻R0为固定值,电池容量Cap值为初始电池容量Cap0的70~80%;步骤2:建立实际电池模型,实际电池模型的组成与虚拟电池模型一致,设置实际电池模型的容量与欧姆内阻随时间变化,设置γk=(CapkR0,k)为k时刻的相应参数,Capk表示系统在k时刻的实际容量,R0,k表示系统在k时刻的欧姆内阻,初始参数γ0通过电池充放电实验获取;步骤3:获取电池两端电压V、电池电流I、电池温度T;步骤4:将电池电流I输入虚拟电池模型,通过库仑积分计算第一荷电状态值SOC1;将I、V、T输入到虚拟电池模型对应的H∞滤波算法,计算第二荷电状态值SOC2,两次荷电状态值求差,计算获得偏置电流噪声,从电池电流I中去除偏置噪声,获得滤波后的电流值I′;步骤5:将I′、V、T,输入实际电池模型,利用H∞滤波获得电池第三荷电状态值SOC3,并记录;步骤6:将I′、V、T,输入实际电池模型,使用Kalman滤波获得电池的健康状态,该健康状态采用电池随时间变化的容量及欧姆内阻参数γk=(CapkR0,k),使用γk更新实际电池模型,作为下一个采样周期荷电状态值、电池的健康状态估计的基准模型。2.如权利要求1所述的一种动力电池荷电状态与健康状态的联合估计方法,其特征在于所述步骤4的具体步骤:步骤4.1:通过库仑积分计算第一荷电状态值SOC1,k=SOC1,k-1+IΔt,其中SOC1,k即为k时刻的第一荷电状态值,从k-1时刻的SOC1,k-1递推而来,0时刻的初始SOC1通过用户设定得到,Δt为采样周期;步骤4.2:计算第二荷电状态值SOC2,具体过程中需要维护任意k时刻电池内部状态变量其内部状态如步骤1所述,包括电池SOC,以及两个RC并联环节的分压,内部状态变量的初始值视电池实际状态设置,并设置算法过程噪声权值Q,输出噪声权值V,算法估计误差上界θ,以及初始状态估计误差权重P0,这一权重矩阵将在算法运行过程中递推更新,在k时刻表示为Pk,同时根据虚拟电池模型,建立转移矩阵输入矩阵设任意k时刻输入H∞滤波的电流值I为uk,电压值V为yk,η为充电效率、在k时刻执行以下步骤:步骤4.2.1:输出当前时刻的SOC估计值其中M=(100),即为步骤4.2中明确表明需要维护的电池内部状态变量;步骤4.2.2:对OCV-SOC关系求导获得输出矩阵其中电池开路电压的取值和电池荷电状态SOC呈非线性固定关系,这一关系采用函数形式OCV(SOC)表示;步骤4.2.3:设置矩阵J为单位矩阵,Q为算法过程噪声权值,Pk为在算法运行过程中不断递推更新的初始状态估计误差权重P0,在k时刻表示为Pk,表示输出矩阵的转置,V表示输出噪声权值;步骤4.2.4:求解控制增益Pk为在算法运行过程中不断递推更新的初始状态估计误差权重P0,在k时刻表示为Pk,Lk表示步骤4.2.3中计算出的矩阵表示输出矩阵的转置,V表示输出噪声权值;步骤4.2.5:预测k+1时刻的系统状态,其中方程满足所有符号含义均在上文步骤中得到解释,表示k+1时刻系统内部状态A表示转移矩阵B表示输入矩阵表示控制增益Pk为在算法运行过程中不断递推更新的初始状态估计误差权重P0,在k时刻表示为Pk,Lk表示步骤4.2.3中计算出的矩阵表示输出矩阵的转置,V表示输出噪声权值;步骤4.2.6:输出步骤4.2.1中得到的其中M=(100),即为步骤4...

【专利技术属性】
技术研发人员:冯代伟黄大贵陈岳航葛森吴献钢
申请(专利权)人:电子科技大学
类型:发明
国别省市:四川;51

网友询问留言 已有0条评论
  • 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。

1