一种纯电动汽车用动力锂电池SOC估计系统技术方案

本实用新型专利技术提供了一种纯电动汽车用动力锂电池SOC估计系统，数据采集模块通过电压传感器、电流传感器和温度传感器采集得到动力电池的端电压、电流和温度数据，然后将采集的数据传到SOC估计模块，本实用新型专利技术使用遗忘因子的递推最小二乘方法实时在线辨识电池模型参数，并将实时模型参数输入到SOC估计器中估计得到SOC值，逻辑判断模块根据整车工况确定最终SOC值输出；控制模块判断SOC估计值情况，对整车发出相应信息指令，同时将估计结果显示到LCD显示器上。

【技术实现步骤摘要】

本技术属于电动汽车动力电池
，具体涉及一种纯电动汽车用动力锂电池SOC估计系统。
技术介绍
在动力电池管理系统中，电池荷电状态SOC(StateOfCharge)的预测具有重要意义，其预测的准确性，直接影响电池管理系统的控制策略，从而影响电池性能的发挥和电池寿命的长短。同时，精确的电池模型对于荷电状态SOC的评估算法具有重要的意义，由于电池具有高度的非线性特点，电池模型与动力电池的一致性非常好，才能得出比较准确的预测结果。目前，常用的动力电池模型有三类：电化学模型、人工神经网络模型和等效电路模型。电化学模型可以较为详细的描述电池内部的电化学反应过程，但其结构非常复杂，不适合电池SOC估计；人工神经网络模型具有高度的非线性、容错性、自学性等特点，可以实现精确的SOC估计，但其不足之处在于需要大量的实验数据来预测电池的性能，且对电池历史数据的依赖性较大；等效电路模型借助传统的电阻、电容、恒压源等电路元件组成电路网络来描述动力电池的外特性，由于其结构简单且能很好的描述电池特性，常被研究者使用。动力电池SOC估计方法主要有：开路电压法、安时积分法、卡尔曼滤波法。开路电压法只能在实验室条件下实现离线估计，不能实时估计；安时积分法经典易用，但其估计精度受SOC初值和电流测量值的精度影响较大；卡尔曼滤波方法又有扩展卡尔曼滤波、无迹卡尔曼滤波、自适应卡尔曼滤波等种类，卡尔曼滤波法能够比较准确的预测SOC值，是电池SOC估计研究使用最多的方法。
技术实现思路
本技术目的是针对上述问题，提供一种通过电池模型参数和SOC状态值联合估计的系统，以减小电池模型不精确对SOC估计准度的影响。本技术提供的纯电动汽车用动力锂电池SOC估计系统，该系统包括动力锂电池1，电压检测模块2，电流检测模块3，温度传感器4，SOC估计模块5，控制模块6；其中，动力锂电池1分别连接电压检测模块2、电流检测模块3、温度传感器4；电压检测模块2、电流检测模块3、温度传感器4分别用于采集锂电池的端电压、电流和温度数据；并且电压检测模块2、电流检测模块3、温度传感器4连接至SOC估计模块5，将采集到的数据信息发送至SOC估计模块5；所述SOC估计模块5采用使用开路电压法、安时积分法和卡尔曼滤波方法对电池SOC值进行估计和校正，并输出至控制模块6；所述控制模块6连接到动力锂电池1上，根据SOC估计模块5的输出值控制动力锂电池1的充、放电输出功率。该系统还包括一LCD显示器7，所述LCD显示器7与控制模块6相连接，用于显示当前的SOC值。所述SOC估计模块5具体包括模型参数在线辨识模块8，SOC估计器9和逻辑判断模块10；三个模块依次单向连接，并且逻辑判断模块10连接到模型参数在线辨识模块8；所述逻辑判断模块10利用卡尔曼滤波方法对SOC估计值进行校正后作为最终的SOC值输出。SOC估计模块5中模型参数在线辨识模块8与SOC估计器9联合在线估计。有益效果传统SOC估计中，电池模型参数往往为离线辨识所得，由于电池随着外界环境变化和自身容量衰减，模型参数将出现很大误差，SOC估计值也不再准确。本技术使用含有遗忘因子的递推最小二乘法实现模型参数的在线辨识，SOC估计器基于在线的模型参数去预估SOC值，输出的预估值作为模型参数在线辨识的输入值，形成闭环系统。逻辑判断模块检测出电动汽车长时间没有运行时，使用开路电压法估计SOC值作为最终估计值。电动汽车运行后一段时间以内，采用安时积分法估计SOC，当时间超过较长时，安时积分法会出现累计误差，此时利用扩展卡尔曼滤波法获得SOC值较准确，之后交互使用安时积分法和扩展卡尔曼滤波法作为SOC估计结果。控制模块根据SOC估计模块的输出结果，当SOC估计值低于15％时，控制电池放电输出功率大小，并将结果输出到LCD显示屏，提醒驾驶员电量偏低；SOC值为100％时，控制模块向充电器发出指令，终止充电。附图说明图1是一种纯电动汽车用动力锂电池SOC估计系统的结构示意图；图2是一种纯电动汽车用动力锂电池SOC估计方法中的EKF算法流程图；图3是一种纯电动汽车用动力锂电池SOC估计系统的逻辑判断模块流程图；图中，1-动力锂电池、2-电压检测模块、3-电流检测模块、4-温度传感器、5-SOC估计模块、6-控制模块、7-LCD显示器、8-模型参数在线辨识模块、9-SOC估计器、10-逻辑判断模块。具体实施方式本技术提供一种纯电动汽车用动力锂电池SOC估计系统，为使本技术的目的，技术方案及效果更加清楚，明确，以及参照附图并举实例对本技术进一步详细说明。应当理解，此处所描述的具体实施仅用以解释本技术，并不用于限定本技术。如图1所示，本技术提供的一种纯电动汽车用动力锂电池SOC估计系统，包括动力锂电池1，电压检测模块2，电流检测模块3，温度传感器4，SOC估计模块5，控制模块6和LCD显示器7，模块5中包括模型参数在线辨识模块8，SOC估计器9和逻辑判断模块10。电压检测模块2，电流检测模块3和温度传感器4采集到动力锂电池的相应数据，并将其传递到SOC估计模块5，控制模块6检测到SOC估计值对动力锂电池发出相应的指令，防止电池过充和过放，同时将SOC估计结果显示到LCD显示器7上，提醒驾驶员电池电量使用情况。基于上述系统，对具体的锂电池SOC估计方法做补充介绍：步骤一：将电压检测模块2，电流检测模块3和温度传感器4采集到的动力锂电池相应电压、电流和温度数据用于模型参数在线辨识，基于遗忘因子的递推最小二乘参数辨识方法的具体步骤为：电池模型采用二阶RC等效电路模型：U·1=I/C1-U1/(R1C1);---(1)]]>U·2=I/C2-U2/(R2C2);---(2)]]>Ut＝Uoc-U1-U2-IRs；(3)其中，Uoc为开路电压；Ut为端电压；I为电流；Rs为欧姆内阻；R1、C1表示浓度差极化反映，R1为浓度差极化内阻，C1为浓度差极化电容，U1为浓度差极化电压；R2、C2表示电化学极化反映，R2为电化学极化内阻，C2为电化学极化电容，U2为电化学极化电压。对步骤一中式1、2、3离散化处理得到模型差分方程：Ut(k)＝m0+m1Ut(k-1)+m2Ut(k-2)+m3I(k)+m4I(k-1)+m5I(k-2)(4)式中，m0、m1、m2、m3、m4、m5为模型差分方程待定系数，其值与模型中待辨识参数成函数关系。式(4)可以写成的形式，其中θ＝[m0，m1，m2，m3，m4，m5](6)确定最小二乘协方差P0和参数矩阵θ的初值，建立最小二乘增益矩阵Kk：Kk=Pk-1hk(hkTPk-1hk+υ)-1---(7)]]>式中υ为最小二乘加权因子，取υ＝0.98。得到随时间变化的增益矩阵后计算参数估计矩阵θk：θk=θk-1+Kk(yk-hkTθk-1)---(8)]]>式中yk为k时刻的端电压测量值，θk为θk-1在k-1时刻对k时刻的参数估计值。协方差矩阵的更新：Pk=(I-KkhkT)Pk-1---(9)]]>这样，便完成了基于遗忘因子的递推最小二乘算法的一步递推，重复此过程，辨识出m0、本文档来自技高网...

【技术保护点】
一种纯电动汽车用动力锂电池SOC估计系统，其特征在于，该系统包括动力锂电池（1），电压检测模块（2），电流检测模块（3），温度传感器（4），SOC估计模块（5），控制模块（6）；其中，动力锂电池（1）分别连接电压检测模块（2）、电流检测模块（3）、温度传感器（4）；电压检测模块（2）、电流检测模块（3）、温度传感器（4）分别用于采集锂电池的端电压、电流和温度数据；并且电压检测模块（2）、电流检测模块（3）、温度传感器（4）连接至SOC估计模块（5），将采集到的数据信息发送至SOC估计模块（5）；所述SOC估计模块（5）采用使用开路电压法、安时积分法和卡尔曼滤波方法对电池SOC值进行估计和校正，并输出至控制模块（6）；所述控制模块（6）连接到动力锂电池（1）上，根据SOC估计模块（5）的输出值控制动力锂电池（1）的充、放电输出功率。

【技术特征摘要】
1.一种纯电动汽车用动力锂电池SOC估计系统，其特征在于，该系统包括动力锂电池（1），电压检测模块（2），电流检测模块（3），温度传感器（4），SOC估计模块（5），控制模块（6）；其中，动力锂电池（1）分别连接电压检测模块（2）、电流检测模块（3）、温度传感器（4）；电压检测模块（2）、电流检测模块（3）、温度传感器（4）分别用于采集锂电池的端电压、电流和温度数据；并且电压检测模块（2）、电流检测模块（3）、温度传感器（4）连接至SOC估计模块（5），将采集到的数据信息发送至SOC估计模块（5）；所述SOC估计模块（5）采用使用开路电压法、安时积分法和卡尔曼滤波方法对电池SOC值进行估计和校正，并输出至控制模块（6）；所述控制模块（6）连接到动力锂电池（1）上，根据SOC估计模块（5）的输出值控制动力锂电池...

【专利技术属性】
技术研发人员：孔祥创，赵万忠，王春燕，杨遵四，
申请(专利权)人：南京航空航天大学，
类型：新型
国别省市：江苏;32