一种估算电池组SOH的方法技术

本发明专利技术公开了一种估算电池组SOH的方法，采用双自适应扩展卡尔曼滤波算法估计电池SOH，利用两个独立的卡尔曼滤波器分别在线估算电池欧姆内阻值和电池荷电状态，通过电池欧姆内阻变化反映出电池SOH。在参数设置方面改变了原有卡尔曼滤波算法的设置方法，调整为参数自适应变化使得算法收敛性更好，整个算法受参数初始值设置影响较小，算法容易移植且在运行过程中比较稳定。自适应扩展卡尔曼滤波算法实际上是一种递推线性最小方差估计，通过算法实时观测值和上一时刻估计值对SOH进行实时估计，及时反映电池健康状况。适用于电池的各种场合，相比于其他方法双自适应扩展卡尔曼滤波算法能够动态反映电池组SOH，更适用于电流波动剧烈的电动汽车应用环境。

【技术实现步骤摘要】

本专利技术属于电池管理
，更具体地，涉及一种估算电池组SOH的方法。
技术介绍
能源危机和环境污染已经向人类敲响警钟，因此如何替代传统的燃油汽车成为人们一直以来争论的话题。目前应用动力锂离子电池组作为动力源的电动汽车受到人们的高度关注和青睐，成为新能源汽车的研究热点。有关动力锂离子电池组的研究除了围绕动力锂离子电池本身外，有关电池管理系统的研究也在进行当中，其中电池管理系统准确估计锂离子电池的健康状况是当前研究的薄弱环节，成为当前电池管理系统的最大缺陷，直接影响到锂离子电池组的实用性、经济性、安全性等方面。电池组的健康状况传统估计方法主要有：定义法、电阻折算法、容量衰减法、化学分析法、部分放电法、阻抗分析法以及交流阻抗分析法等。这些方法主要是以电池循环充放电试验为基础，对电池特性的变化情况进行分析，从而估计电池的SOH(Section Of Health)，缺点是造成浪费、试验周期长、不能在线实时测量等，不适合电动汽车的使用要求。此外，还可通过人工神经网络算法、卡尔曼滤波算法等间接法进行估算电池SOH，但神经网络法由于其系统设置困难，且在电池管理系统中应用成本高，不具备优势。
技术实现思路
针对现有技术的缺陷，本专利技术的目的在于提供一种估算电池组SOH的方法，旨在解决现有的电池组健康状况估计方法中成本高、不能在线实时测量的问题。本专利技术提供了一种估算电池组SOH的方法，包括下述步骤：S1：初始化0时刻的SOC初始值x0、第一误差协方差初始值P0、第一过程噪声初始值Q0和第一观测噪声初始值R0；并转入步骤S4；S2：初始化0时刻的欧姆内阻初始值RES0、第二误差协方差初始值PRES0、第二过程噪声初始值QRES0和第二观测噪声初始值RRES0；并转入步骤S3；S3：根据初始值预估k时刻的系统状态RESk及k时刻的状态先验估计误差协方差并估算欧姆内阻后转入步骤S6；S4：根据初始值预估k时刻的系统状态xk及k时刻的状态先验估计误差协方差并估算SOC后转入步骤S5；S5：依次对估算SOC卡尔曼滤波器，进行卡尔曼增益矩阵更新、状态估计测量更新、误差协方差测量更新、自适应因子更新、过程噪声Qk和观测噪声Rk更新后转入步骤S7；S6：依次对估算欧姆内阻卡尔曼滤波器，进行卡尔曼增益矩阵更新、状态估计测量更新、误差协方差测量更新、自适应因子更新、过程噪声QRESk和观测噪声RRESk更新后转入步骤S7；S7：当达到预设的迭代次数时，结束迭代，否则返回S3。更进一步地，在步骤S3和S4中，采用如下公式yk＝Ckxk+Dkuk和进行预估；yk＝Ckxk+Dkuk，其中，yk输出量，uk为输入量，Ak表示一个采样间隔内的传递矩阵、Bk代表输入矩阵、Ck表示输出矩阵、Dk表示前馈矩阵，为k时刻的系统状态后验估计值，Γ为噪声矩阵；其中，Pk为误差协方差矩阵，为k时刻的状态先验估计误差协方差，AT为传递矩阵A的转置矩阵，Qk为过程误差，Γ为噪声矩阵。更进一步地，在步骤S5和S6中，采用如下公式dk＝(1-b)/(1-bk)、和进行预估；其中，Hk为k时刻的卡尔曼滤波增益矩阵，Rk为k时刻的观测噪声，表示输出矩阵，为k时刻的状态先验估计误差协方差；其中，表示输出矩阵，表示前馈矩阵，Hk为k时Ck Dk刻的卡尔曼滤波增益矩阵，为k时刻的系统状态先验估计值，为k时刻的系统状态后验估计值，yk为k时刻采集到的电池的实际电压信号；其中，表示输出矩阵，为k时刻的状态先验估计误差协方差，Hk为k时刻的卡尔曼滤波增益矩阵，I为单位阵；dk＝(1-b)/(1-bk)，其中，b为遗忘因子，d为自适应因子，dk-1为k-1时刻的自适应因子值；其中，yk为k时刻采集到的电池的实际电压信号，为k时刻的电池模型的模型电压信号，为k时刻的电池荷电状态先验估计值； Q k = ( 1 - d k - 1 ) Q k - 1 + d k - 1 G ( H k e k e k T H k T + P k - - AP k - A T ) G T , ]]>其中，G为白噪声，Qk-1为k-1时刻的过程噪声，Rk-1为k-1时刻的观测噪声，为k时刻的实际电压信号与模型电压信号之间的差值ek的转置，为k时刻的卡尔曼滤波增益矩阵Hk的转置。更进一步地，在步骤S7中，预设的迭代次数为500次。本专利技术采用双自适应扩展卡尔曼滤波算法估计电池SOH，此算法利用两个独立的卡尔曼滤波器分别在线估算电池欧姆内阻值和电池荷电状态，通过电池欧姆内阻变化反映出电池SOH。在参数设置方面改变了原有卡尔曼滤波算法的设置方法，调整为参数自适应变化使得算法收敛性更好，整个算法受参数初始值设置影响较小，算法容易移植且在运行过程中比较稳定。自适应扩展卡尔曼滤波算法实际上是一种递推线性最小方差估计，通过算法实时观测值和上一时刻估计值对SOH进行实时估计，及时反映电池健康状况。该方法适用于电池的各种场合，相比于其他方法双自适应扩展卡尔曼滤波算法能够动态反映电池组SOH，更适用于电流波动剧烈的电动汽车应用环境。附图说明图1是本专利技术实施例提供的估算电池组SOH的方法的实现流程图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。电池组的健康状况(State-of-Health，SOH)传统估计方法主要有:定义法、电阻折算法、容量衰减法、化学分析法、部分放电法、阻抗分析法以及交流阻抗分析法等。这些方法主要是以电池循环充放电试验为基础，对电池特性的变化情况进行分析，从而估计电池的SOH，缺点是造成浪费、试验周期长、不能在线实时测量等，不适合电动汽车的使用要求。此外，还可通过人工神经网络算法、卡尔曼滤波算法等方法进行电池SOH估算，但神经网络由于其系统设置困难，且在电池管理系统中应用成本高，不具备优势。针对不同方法的优劣及适用性，本专利技术采用一种双自适应扩展卡尔曼滤波算法来计算电池的SOH。本专利技术采用双自适应扩展卡尔曼滤波算法来估计电池的SOH，此算法通本文档来自技高网...

【技术保护点】
一种估算电池组SOH的方法，其特征在于，包括下述步骤：S1：初始化0时刻的SOC初始值x0、第一误差协方差初始值P0、第一过程噪声初始值Q0和第一观测噪声初始值R0；并转入步骤S4；S2：初始化0时刻的欧姆内阻初始值RES0、第二误差协方差初始值PRES0、第二过程噪声初始值QRES0和第二观测噪声初始值RRES0；并转入步骤S3；S3：根据初始值预估k时刻的系统状态RESk及k时刻的状态先验估计误差协方差并估算欧姆内阻后转入步骤S6；S4：根据初始值预估k时刻的系统状态xk及k时刻的状态先验估计误差协方差并估算SOC后转入步骤S5；S5：依次对估算SOC卡尔曼滤波器，进行卡尔曼增益矩阵更新、状态估计测量更新、误差协方差测量更新、自适应因子更新、过程噪声Qk和观测噪声Rk更新后转入步骤S7；S6：依次对估算欧姆内阻卡尔曼滤波器，进行卡尔曼增益矩阵更新、状态估计测量更新、误差协方差测量更新、自适应因子更新、过程噪声QRESk和观测噪声RRESk更新后转入步骤S7；S7：当达到预设的迭代次数时，结束迭代，否则返回S3。

【技术特征摘要】
1.一种估算电池组SOH的方法，其特征在于，包括下述步骤：S1：初始化0时刻的SOC初始值x0、第一误差协方差初始值P0、第一过程噪声初始值Q0和第一观测噪声初始值R0；并转入步骤S4；S2：初始化0时刻的欧姆内阻初始值RES0、第二误差协方差初始值PRES0、第二过程噪声初始值QRES0和第二观测噪声初始值RRES0；并转入步骤S3；S3：根据初始值预估k时刻的系统状态RESk及k时刻的状态先验估计误差协方差并估算欧姆内阻后转入步骤S6；S4：根据初始值预估k时刻的系统状态xk及k时刻的状态先验估计误差协方差并估算SOC后转入步骤S5；S5：依次对估算SOC卡尔曼滤波器，进行卡尔曼增益矩阵更新、状态估计测量更新、误差协方差测量更新、自适应因子更新、过程噪声Qk和观测噪声Rk更新后转入步骤S7；S6：依次对估算欧姆内阻卡尔曼滤波器，进行卡尔曼增益矩阵更新、状态估计测量更新、误差协方差测量更新、自适应因子更新、过程噪声QRESk和观测噪声RRESk更新后转入步骤S7；S7：当达到预设的迭代次数时，结束迭代，否则返回S3。2.如权利要求1所述的方法，其特征在于，在步骤S3和S4中，采用如下公式yk＝Ckxk+Dkuk和进行预估；yk＝Ckxk+Dkuk，其中，yk输出量，uk为输入量，Ak表示一个采样间隔内的传递矩阵、Bk代表输入矩阵、Ck表示输出矩阵、Dk表示前馈矩阵，为k时刻的系统状态后验估计值，Γ为噪声矩阵；其中，Pk为误差协方差矩阵，为k时刻的状态先验估计误差协方差，AT为传递矩阵A的转置矩阵，Qk为过程误差，Γ为噪声矩阵。3.如权利要求1所述的方法，其特征在于，在步骤S5和S6中，采用如下公式dk＝(1-b)/(1-bk)、和进行预估；其中，Hk为k时刻的卡尔曼滤波增益矩阵，Rk为k时刻的观测噪声，Ck表示输出矩阵，为k时刻的状态先验估计误差协方差；其中，Ck表示输出矩阵，Dk表示前馈矩阵，Hk为k时刻的卡尔曼滤波增益矩阵，为k时刻的系统状态先验估计值，为k时刻的系统状态后验估计值，yk为k时刻采集到...

【专利技术属性】
技术研发人员：张鲁宁，
申请(专利权)人：深圳市沃特玛电池有限公司，
类型：发明
国别省市：广东;44