一种利用卡尔曼滤波预估电池荷电状态的方法技术

一种利用卡尔曼滤波预估电池荷电状态(SOC,State of Charge)的方法，其技术要点是，锂电池组SOC采用扩展卡尔曼滤波算法(Extended Kalman Filter,EKF)进行估算，建立锂电池组的Vmin状态空间模型，电池组内单体电池负载电压的最小值Vmin和电池组的SOC分别作为模型的观测变量和状态变量。所述的卡尔曼滤波器采用扩展卡尔曼滤波器，用安时积分法递推SOC，代入观测方程得到Vmin的估计值，计算每一步的Kalman增益，由状态估计观测更新方程得到SOC的最优估计。所述的动力电池SOC预估方法克服了安时积分法电流误差累积的缺点，实现了对状态变量SOC的闭环估计。由于在计算过程中考虑了噪声的影响，所以算法对噪声有很强的抑制作用。

【技术实现步骤摘要】

本专利技术设及电动汽车
，具体地说是一种利用卡尔曼滤波预估电池荷电状 态(S0C，S化teofCharge)的方法，适用于所有需要使用动力电池的车辆，尤其是需要实时 预估动力电池荷电状态S0C的车辆。 关键字:动力电池电动车S0C
技术介绍
电动汽车电池组在使用过程中表现出高度的非线性性，准确估计S0C具有很大的 难度。电池组S0C状态是电源管理系统的基础，且电池均衡，寿命状态预测均需要准确的S0C 值。随着电动汽车的推广，如何准确的估计动力电池组的S0C值称为近些年研究的热点。 目前常用的S0C估计方法是通过测量电池组的外特性一电流、电压、内阻等来对 S0C进行估计。 安时积分法通过电池组负载电流的动态积分来估计S0C，算法简单，实用性强，在 实际电动汽车中应用最多。安时积分法是一种开环预测，在电流波动剧烈的电动汽车实际 工况中，会因为电流误差的积累而精度越来越差。对于便携式电子设备等要求不高的情况 下可W采用。 开路电压法依据电池空载时候的电压和S0C的关系曲线，测量得到电池的开路电 压值，通过查找关系曲线图来估计S0C。电动汽车用动力裡电池通常要静置很长时间电压才 趋于稳定，并且电动汽车在行驶过程中无法测量开路电压，因此不适合用于动态估计。 神经网络法能够模拟任何非线性系统，可W用于在线估计S0C。但是要经过较长的 学习时间，在此期间需要大量训练数据，估计误差受训练数据和学习方法的影响较大。[000引扩展卡尔曼滤波法通过建立裡电池组的非线性状态空间模型，结合递推算法实现 模型状态变量S0C的最小方差估计，是一种在线实时的估计方法。并且扩展卡尔曼滤波法可 W给出误差的估计范围，对于S0C的初始误差有较强的抑制作用，特别适用于电流变化剧烈 的电动汽车动力电池组。 本专利技术的估计策略均是建立在扩展卡尔曼滤波的基础上，通过建立适合的电池模 型来应用卡尔曼滤波，实现对状态变量的准确估计。
技术实现思路
本专利技术的目的是提供。该方法采用 扩展卡尔曼滤波方法作为基本工具，实现了在动力电池BMS启动后，S0C的预估在整个时间 阶段都保持很高的准确度，并具有实时性、抑制噪音等优点。 本专利技术的目的是通过如下技术方案来实现的： -种利用卡尔曼滤波预估电池荷电状态的方法，它包括有电池包，其特征在于：电 池包的输出端分别与高压采集单元和电流采集单元相连接;所述高压采集单元与卡尔曼预 估单元内的输出方程相连接，所述电流采集单元与卡尔曼预估单元内的状态方程相连接； 所述输出方程和状态方程的输出端与soc计算单元相连接;所述soc计算单元输出端则与车 载仪表中的S0C显示单元相连接。 为了实现上述目的，本专利技术采用了裡电池组的Vmin模型作为扩展卡尔曼滤波器的 时间更新、测量更新引擎，滤波器运行初期的初值采用S0C、对应误差的历史数据;采用扩展 卡尔曼滤波算法预估电池的S0C。 本专利技术的初值采用S0C、相应误差的历史数据。[001引本专利技术的采用了电池的Vmin模型作为它的更新引擎。所述Vmin模型的状态方程是安 时法原理方程，观测方程是关于电池最小负载电压的表达式。 将整个电池当做动态系统，输入为电池的放电电流，输出为电池的最小负载电压， 预估电池的S0C，最终预估出电池的S0C。 上述S0C估测方法采用扩展卡尔曼滤波器作为基本预测工具。 上述S0C估测方法采用电池Vmin模型作为卡尔曼滤波器的时间更新、测量更新引 擎。 上述S0C估测方法在运行过程中采用扩展卡尔曼滤波算法预估电池的S0C，利用最 终预估的内阻值计算电池的S0C。 本专利技术具有W下特点： 1、S0C预测精度高，实现了电流与电压的数据融合，无论在运行初期还是中后期， 均具有很高的精度。 2、本专利技术采用了电池Vmin模型作为扩展卡尔曼滤波器的更新引擎，本模型能准确 描述电池的全部特性，因此特别适用于扩展卡尔曼滤波器S0C测算法，本专利技术又对电池模型 的描述方程进行了离散化处理，因此具有易于实施的优点。 3、由于在计算过程中考虑了噪声的影响，故算法对噪声有很强的抑制作用。【附图说明】 附图1为本专利技术的原理结构图； 附图2为扩展卡尔曼滤波算法流程图；附图3为Rint等效电路模型示意图。 下面将结合附图通过实例，对本专利技术作进一步详细说明，但下述实例仅仅是本发 明的例子而已，并不代表本专利技术所限定的权利保护范围，本专利技术的权利保护范围W权利要 求书为准。【具体实施方式】 实例 1 本专利技术的原理结构由图1所示，它包括有电池包，其特征在于：电池包的输出端分 别与高压采集单元和电流采集单元相连接;所述高压采集单元与卡尔曼预估单元内的输出 方程相连接，所述电流采集单元与卡尔曼预估单元内的状态方程相连接;所述输出方程和 状态方程的输出端与S0C计算单元相连接;所述S0C计算单元输出端则与车载仪表中的S0C 显示单元相连接。 图1中包括带有采集动力电池实时电流的电流采集单元、动力电池总高压的高压 采集单元的动力电池，存储着由电池供应商通过实验得到电池特性的电池特性数据存储单 元，所述的电流采集单元输出端与状态方程单元连接，高压采集单元输出端与输出方程单 元连接，状态方程和输出方程单元一同连接SOC计算单元;SOC计算单元输出端直接与车载 仪表中的SOC显示单元相连接。 下面W实例方式对本专利技术进行详细描述： EKF估计全称为扩展卡尔曼滤波，可W实现实时估计和噪声抑制。本专利旨在实现 基于Vmin模型的S0C状态EKF估计。根据附图3所示的电池等效电路模型，附图3中Uoc表示电 池开路电压，R0表示电池内阻，V表示电池工作电压，具体表现为公式1中的电流可W根据该 模型求出，公式2中的Vmin为电池工作电压，V0即为开路电压，R即为电池内阻；系统的非线 性状态空间模型： 式中：屯为库仑效率;Cn为电池额定容量;i(t)为电池放电电流;Vo为电池充满电后 的空载电压;S0C(t)为电池的S0C值;S0C(0)为电池S0C初始值;Vmin(t)为电池最小负载电 压;R为电池内阻;Κο、Kl、K2、Κ3为经验系数，暂时全取1; 对非线性状态空间模型离散化，得到电池组的离散状态方程 式中:Vk为电池测量时的观测噪声； 结合附图2,本专利技术所采用的共同扩展卡尔曼滤波算法的流程如下： S0C表示为状态变量X，Vmin表示为输出变量y，定义 迭代过程 状态向量X的时间更新 式中:R、Q均为观测过程中的高斯白噪声。 当然，本专利技术还可能有其他多种实施实例，在不背离本专利技术精神及其实质的情况 下，熟悉本领域的技术人员当可根据本专利技术作出各种相应的改变和变形，但运些相应的改 变和变形都应属于本专利技术所附的权利要求的保护范围。【主权项】1. ，它包括有电池包，其特征在于：电池 包的输出端分别与高压采集单元和电流采集单元相连接;所述高压采集单元与卡尔曼预估 单元内的输出方程相连接，所述电流采集单元与卡尔曼预估单元内的状态方程相连接;所 述输出方程和状态方程的输出端与SOC计算单元相连接;所述SOC计算单元输出端则与车载 仪表中的SOC显示单元相连接。2. 根据权利要求1所述的利用卡尔曼滤波预估电池荷电状态的方法，其初值采用SOC、 相应误差的历史数据。3. 根据权利要求1所述的利用卡尔曼滤波预估电池荷电状本文档来自技高网...

【技术保护点】
一种利用卡尔曼滤波预估电池荷电状态的方法，它包括有电池包，其特征在于：电池包的输出端分别与高压采集单元和电流采集单元相连接；所述高压采集单元与卡尔曼预估单元内的输出方程相连接，所述电流采集单元与卡尔曼预估单元内的状态方程相连接；所述输出方程和状态方程的输出端与SOC计算单元相连接；所述SOC计算单元输出端则与车载仪表中的SOC显示单元相连接。

【技术特征摘要】

【专利技术属性】
技术研发人员：王寒星，王旭，单冲，卜凡涛，王子威，孙杨，杨依楠，高力，单红艳，
申请(专利权)人：华晨汽车集团控股有限公司，
类型：发明
国别省市：辽宁;21