利用车载充电机辨识电池参数的电池荷电状态估计方法技术

本发明专利技术涉及利用车载充电机辨识电池参数的电池荷电状态估计方法。通过电动汽车车载双向充电机对电池进行脉冲实验辨识电池模型参数，利用双向充电机对电池深度充放电重新标定电池容量，再根据更新的电池参数进行扩展卡尔曼滤波估计电池荷电状态SOC，从而克服了老化引起的电池参数变化对电池SOC估算精度的影响。不仅可以有效跟踪变化的电池参数，且对初始数据的选择没有依赖性；通过车载双向充电机对电池充放电辨识电池参数，充分利用了电动汽车自身具备电力电子变换装置的优势；整个参数辨识过程中，电池释放出的电能反馈并入电网，能量损耗小；方法简单易行，避免了传统离线辨识电池参数方法需要将电池箱拆卸的繁琐操作。

【技术实现步骤摘要】

本专利技术涉及电动汽车动力电池管理系统
，具体涉及一种利用车载双向充 电机辨识电池参数的电池荷电状态估计方法。
技术介绍
动力电池是影响电动汽车使用寿命、安全性以及经济性的关键部件。通过电池管 理系统（Battery Management System, BMS)对其进行高效可靠的管理是实现车辆安全行驶 的重要保障。而对电池荷电状态（State of Charge, S0C)的准确估测则是电池管理系统的 核心技术，对动力电池的安全高效使用有着重要影响。 目前SOC的估算方法主要有经典的开路电压法和安时积分法，智能算法以及扩展 卡尔曼滤波法等。开路电压法是基于开路电压与SOC之间的一一对应关系，通过检测开路 电压来估算S0C。但是开路电压需要长时间静置，因此无法在整车上进行实时SOC估算， 通常将其作为辅助与其它算法结合来估算S0C。安时积分法方法简单且易于在线估算，但 是受初始SOC影响较大，随着时间累加会产生较大的累积误差，而且无法跟踪由于老化引 起的电池容量的非线性变化。当前的智能算法如神经网络、模糊控制、支持向量机等，通过 描述SOC与电池电压、电流、温度间的非线性关系可以得到较高的估算精度，但是需要大量 的训练数据作为支撑，难于应用到整车上在线估算。扩展卡尔曼滤波（Extended Kalman Filter，EKF)是基于电池等效电路模型的一种高效线性滤波和预测方法，近年来广泛应用 于电池的SOC估算。EKF作为一种递推线性最小方差估计，通过将实时观测值和上一时刻的 估计值比较来进行实时估计，能够动态跟踪SOC的真实值，更适用于电流剧烈波动的电动 汽车场合。但是，EKF只有在电池模型精准的前提下才能得到理想的SOC估算精度，电池模 型参数的变化会给估算带来明显的误差。 电池等效电路模型的参数辨识一般采用离线方法，即在电池箱装车之前对电池进 行标准的充放电脉冲实验获取相关电池参数，在使用EKF估算SOC的过程中，电池参数将 作为固定不变的常数进行计算。然而随着电动汽车长时间的使用，电池老化会引起电池模 型参数的变化以及电池容量的非线性衰减，如果EKF在计算过程中依然沿用初始的电池参 数，则会给估算带来严重误差。离线参数辨识方法需要将电池箱从整车上拆卸下来利用外 部设备对电池进行充放电实验来重新标定电池参数，拆装过程相当繁琐、操作难度大。 综上所述，动力电池是一个非线性、时变性较强的系统，如果扩展卡尔曼滤波算法 始终使用固定不变的电池模型参数作为状态变量来估算S0C，随着电池老化估算的误差会 越来越大，无法满足整车的使用需求；若通过离线的充放电实验重新标定电池模型参数及 电池容量，则需拆卸整车的电池箱，操作繁琐难于执行。
技术实现思路
本专利技术的目的在于克服现有SOC估算算法的不足，提出了一种更新电池模型参数 及电池容量的算法和扩展卡尔曼滤波算法相结合的电池SOC估算方法。 本专利技术的具体技术方案如下： -种利用车载双向充电机辨识电池参数的电池荷电状态估计方法，包括如下步 骤： (1)辨识电池模型参数 ⑵重新标定电池容量 (3)利用步骤（1)和（2)中辨识得到的参数使用扩展卡尔曼滤波算法估计电池荷 电状态（State of Charge, S0C)〇 进一步地，步骤（1)中具体包括如下步骤： (1-1)建立动力电池等效电路模型； (1-2)利用车载充电机对电池进行脉冲实验，记录电池电压响应曲线； (1-3)建立电池等效电路模型参数的电路方程，辨识电池模型参数。 步骤（1-1)中采用改进型PNGV等效电路模型。该电路模型由两个并联的等效极 化电阻和等效极化电容与等效欧姆内阻串联而成，电压源和大电容串联代表电池的开路电 压； 步骤（1-2)中，电池管理系统通过CAN通信向充电机发送脉冲实验指令，利用车载 双向充电机对电池进行短时间（10秒左右）恒流充电脉冲过程，再将电池静置至端电压稳 定。在此同时，利用电池管理系统的电压采样单元记录脉冲实验全过程的电池端电压响应 曲线； 步骤（1-3)建立电池模型参数之间的关系式，由电池等效模型及脉冲实验的电压 响应曲线可得： R0= AU/I (1) 其中，AU为充电开始时刻垂直上升的电压差，I为充电电流，R。为欧姆内阻；AQ 为充电电量，由电池管理系统通过安时积分计算得到，U。。为静置时刻的开路电压，AU。。* 充电引起的开路电压差，C b为模型中串联的大电容；由此可得电池模型参数R。和Cb; 充电结束后电池端电压缓慢下降过程所对应的双RC并联环节零输入响应的关系 表达式为： Up=upl+up2= U olexp (-t/xi) +Uo2exp (-t/x2) (4) 其中Ucil和Uci2分别为初始极化电压，T挪T2分别为两个RC并联环节的时间常 数，T1=C plRpl, T2=C p2Rp2;upl和Up2分别代表的是两个RC并联环节上的极化电压压降， Up代表总的极化压降。利用电池管理系统记录的实验数据以上式为目标式进行曲线拟合， 得到时间常数T ,和T 2;充电过程中电池端电压上升过程对应的双RC并联环节零状态响应的关系表达式 为： 其中，1]2为充电开始时刻电压垂直上升后的起点值，iu为电池端电压；同理利用曲 线拟合得到两个极化电阻参数R pl和Rp2，由时间常数计算公式T1=CplRpl, T2= Cp2Rp2得 到极化电容参数Cpl和Cp2。 进一步地，步骤（2)中具体包括如下步骤： (2-1)利用车载双向充电机对电池进行深度充放电实验； (2-2)在电池充电过程中，利用安时积分重新标定电池容量。 步骤（2-1)中，首先电池管理系统通过CAN通信向车载双向充电机发送电池放电 命令，接着充电机开始反向工作，对电池进行放电实验，直到电池电压下降到电池厂家规定 的最低截止电压为止。在此过程中电池放出的电能将由充电机反向并入电网。随后，电池管 理系统发送电池充电命令，充电机正向工作，对电池进行恒流充电，将电网能量充入电池， 直到电池电压上升到电池厂家规定的最高截止电压为止； 步骤（2-2)中，在（2-1)恒流充电过程中，电池管理系统的电流检测单元实时采样 电池充电电流，并利用安时积分计算出总充电容量，进而对电池总容量进行重新标定，并由 此估算出电池健康状态（State of Health，S0H): 其中，Q_表示电池老化后的能放出的电池容量，Q。表示电池出厂时的电池额定容 量，n表示电池充放电效率，Q。和n均可从电池厂家获取。 进一步地，步骤（3)中具体包括如下步骤： (3-1)以动力电池为对象，建立系统状态方程和观测方程，根据步骤⑴和⑵中 辨识得到的参数更新状态变量； (3-2)用扩展卡尔曼滤波算法估算电池荷电状态。 进一步地，步骤（3-1)中具体包括如下步骤： (1)以电池为对象建立系统状态方程和观测方程； (2)对电池的系统状态方程和观测方程进行泰勒展开线性化； (3)根据辨识得到的电池参数更新系统方程。 步骤（1)中所建立的电池状态方程和观测方程为： 系统状态方程和观测方程如下： xk+1 = f (x k,uk)+wk (8) Yk= g(Xk,uk)+vk (9) 其中&为k时刻系统的状态变量，xk+1本文档来自技高网...

【技术保护点】
一种利用车载充电机辨识电池参数的电池荷电状态估计方法，其特征在于，包括如下步骤：(1)辨识电池模型参数；(2)重新标定电池容量；(3)利用步骤(1)和(2)中辨识得到的参数使用扩展卡尔曼滤波算法估计电池荷电状态SOC。

【技术特征摘要】

【专利技术属性】
技术研发人员：顾东杰，张之梁，程祥，王栋，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：江苏;32