一种基于IMM-EKF的电池组SOC估算的方法技术

本申请公开了一种基于IMM‑EKF的电池组SOC估算的方法，包括：根据电池组电压建立最大单体电压交互模型、最小单体电压交互模型和平均电压交互模型；利用IMM‑EKF滤波程序分别对最大单体电压交互模型、最小单体电压交互模型和平均电压交互模型的SOC进行估算；计算各模型的信息分配因子，并根据各信息分配因子对各模型的SOC进行概率融合，得到电池组整体SOC。该方法将电池组分为三个模型，然后根据信息分配因子对各模型的SOC进行概率融合，得到精度较高的电池组整体SOC，解决了单模型估算误差较大的问题。本申请同时还提供了一种基于IMM‑EKF的电池组SOC估算的系统，具有上述有益效果。

A method of estimating the SOC of battery group based on IMM-EKF

This application discloses a method of SOC estimation based on IMM EKF, including the maximum single voltage interaction model, the minimum single voltage interaction model and the average voltage interaction model based on the battery voltage, and the maximum single voltage interaction model and the minimum single voltage interactive mode using the IMM filter EKF filter program. The SOC of the model and the average voltage interaction model is estimated; the information distribution factor of each model is calculated, and the SOC of each model is fused according to each information distribution factor, and the overall SOC of the battery group is obtained. In this method, the battery group is divided into three models, then the SOC of each model is fused according to the information distribution factor, and the overall SOC of the battery group with high precision is obtained, which solves the problem of large error in the single model estimation. The application also provides a battery SOC estimation system based on IMM EKF, which has the above beneficial effects.

【技术实现步骤摘要】
一种基于IMM-EKF的电池组SOC估算的方法
本申请涉及电动汽车
，特别涉及一种基于IMM-EKF的电池组SOC估算的方法及系统。
技术介绍
电池管理系统(BatteryManagementSystem，BMS)是电动汽车的重要组成部分，电池荷电状态(StateofCharge，SOC)的估计是电池管理系统的核心，SOC代表的是电池的剩余容量与其完全充电状态的容量的比值，精度直接影响到电池的使用寿命、安全性能、均衡控制和热管理策略的定制，因此精确的SOC估算对于BMS极为重要。由于电动汽车行驶过程中电压和能量的需求，电池管理系统需将数百个单体电池进行串联或并联。然而，由于电池生产过程中材料的差异，以及充放电过程中电池参数的变化，会使得同一电池组中的电池单体存在一定程度的不一致性，进而导致各电池单体的SOC存在差异，使得电池组整体的SOC难以估算。现有技术中，对电池组整体的SOC估算通常用最小SOC或者平均SOC来代替整体SOC，若以最小SOC为整体SOC，则会导致电池组整体过充，或者电池单体的电压达到充电截至时电池包SOC不为100％；若以平均SOC为整体SOC，随着电池组的本文档来自技高网...

【技术保护点】
一种基于IMM‑EKF的电池组SOC估算的方法，其特征在于，包括：根据电池组电压建立最大单体电压交互模型、最小单体电压交互模型和平均电压交互模型；利用IMM‑EKF滤波程序分别对所述最大单体电压交互模型、所述最小单体电压交互模型和所述平均电压交互模型的SOC进行估算，对应得到SOCmax、SOCmin和SOCaverage；计算所述最大单体电压交互模型、所述最小单体电压交互模型和所述平均电压交互模型各自的信息分配因子；根据各所述信息分配因子对所述SOCmax、所述SOCmin和所述SOCaverage进行概率融合，得到电池组整体SOC。

【技术特征摘要】
1.一种基于IMM-EKF的电池组SOC估算的方法，其特征在于，包括：根据电池组电压建立最大单体电压交互模型、最小单体电压交互模型和平均电压交互模型；利用IMM-EKF滤波程序分别对所述最大单体电压交互模型、所述最小单体电压交互模型和所述平均电压交互模型的SOC进行估算，对应得到SOCmax、SOCmin和SOCaverage；计算所述最大单体电压交互模型、所述最小单体电压交互模型和所述平均电压交互模型各自的信息分配因子；根据各所述信息分配因子对所述SOCmax、所述SOCmin和所述SOCaverage进行概率融合，得到电池组整体SOC。2.根据权利要求1所述的方法，其特征在于，利用IMM-EKF滤波程序分别对所述最大单体电压交互模型、所述最小单体电压交互模型和所述平均电压交互模型的SOC进行估算，对应得到SOCmax、SOCmin和SOCaverage，包括：对所述最大单体电压交互模型、所述最小单体电压交互模型和所述平均电压交互模型进行离散化，得到基于所述IMM-EKF滤波程序的目标状态方程和观测方程：所述电池组模型的状态方程为：Xk+1,i＝A×Xk,i+B×(Ik-Ik,drf)；所述电池组模型的观测方程为：Uk,i＝Uk,oc-V1k,i-V2k,i-ItrueR0,i；其中，i为max、min或average，对应于所述最大单体电压交互模型、所述最小单体电压交互模型或所述平均电压交互模型，Xk+1,i为对应模型k+1时刻的电池组状态，Xk,i为对应模型k时刻的电池组状态，Ik为k时刻的采集电流值，Ik,drf为k时刻的电流漂移量，A和B为系统参数；Uk,i为对应模型k时刻的端电压，V1k,i为对应模型k时刻的电池组极化电容C1的极化电压，V2k,i为对应模型k时刻的电池组极化电容C2的极化电压，Itrue为电流真实值，且Itrue＝Ik-Ik,drf，R0,i为对应模型的电池组内阻。3.根据权利要求2所述的方法，其特征在于，包括：所述对应模型k+1时刻的电池组状态Xk+1,i具体为所述对应模型k时刻的电池组状态Xk,i具体为所述利用IMM-EKF滤波程序分别对所述最大单体电压交互模型、所述最小单体电压交互模型和所述平均电压交互模型的SOC进行估算，对应得到SOCmax、SOCmin和SOCaverage，包括：根据公式SOCk,i＝Xk,i×[1000]T计算得到SOCk,max、SOCk,min和SOCk,average；其中，SOCk+1,i为对应模型k+1时刻的SOC值，包括SOCk+1,max、SOCk+1,min和SOCk+1,average，SOCk,i为对应模型k时刻的SOC值，包括SOCk,max、SOCk,min和SOCk,average，Ik+1,drf为k+1时刻的电流漂移量，V1k+1,i为对应模型k+1时刻的电池组极化电容C1的极化电压，V2k+1,i为对应模型k+1时刻的电池组极化电容C2的极化电压。4.根据权利要求3所述的方法，其特征在于，所述Xk,i的计算过程包括：根据公式计算对应模型k时刻的卡尔曼增益矩阵Kk,i；根据公式Kk,i＝[KSOC,iKV1,iKV2,iKI]T将V1及V2所对应的卡尔曼增益值KV1及KV2乘以相应的抑制系数k1及k2，并将Kk,i更新为Kk,i＝[KSOC,ik1×KV1,ik2×KV2,iKI]T；根据公式计算得到所述对应模型k时刻的电池组状态Xk,i；其中，P-k,i为对应模型的误差协方差估计，h(Xk,Itrue)为所述电池组模型的观测方程，Ck,i为所述电池组模型的观测方程h(Xk,Itrue)的偏导数，KSOC,i为对应模型SOC值对应的卡尔曼增益值，KV1,i为V1对应的卡尔曼增益值，KV2,i为V2对应的卡尔曼增益...

【专利技术属性】
技术研发人员：朱浩，陈华，邓元望，江银锋，
申请(专利权)人：湖南宏迅亿安新能源科技有限公司，
类型：发明
国别省市：湖南,43