一种电动汽车动力电池多状态联合估计系统及方法技术方案

本发明专利技术公开了一种电动汽车动力电池多状态联合估计系统及方法，系统包括数据采集模块、数据预处理模块、参数辨识模块、状态估计模块以及储存模块；数据采集模块，用于采集电动汽车行驶数据以及动力电池状态数据；数据预处理模块用于数据清洗和数据插值；参数辨识模块，基于FFRLS方法和经数据预处理模块处理后的数据，进行动力电池二阶RC模型的参数辨识；状态估计模块，在二阶RC模型基础上，以DAEKF算法形成宏观和微观双时间尺度滤波器的状态联合估计方法，实现对电动汽车动力电池的SOC、SOE以及SOH状态联合估计；储存模块，用于储存和读取数据。本发明专利技术实现电动汽车动力电池的SOC、SOH和SOE三种核心状态联合估计。SOH和SOE三种核心状态联合估计。SOH和SOE三种核心状态联合估计。

【技术实现步骤摘要】
一种电动汽车动力电池多状态联合估计系统及方法


[0001]本专利技术属于电池状态估计
，具体涉及一种电动汽车动力电池多状态联合估计系统及方法。

技术介绍

[0002]随着国家对新能源汽车发展的推动，国内电动汽车的保有量逐年增加，锂离子动力电池的装机量也逐年上升。电池的荷电状态(State of Charge，SOC)指示着电池系统的可运行时间和充放电策略制定，是电池状态中最核心的内容之一。电池的能量状态(State of Energy，SOE)对续驶里程和续航时间的预估更为可靠，是表征电动汽车续航指标的核心状态参数。电池的健康状态(State of Heath，SOH)是用于评价动力电池剩余寿命及剩余价值的量化指标。但由于动力电池内部电化学反应动力学机理和电、热、力等多物理场耦合的复杂性，以及在实际行驶工况采集数据时受到外部环境干扰的影响，使得如何准确、稳定地估计电动汽车动力电池的核心状态，成为了实现先进电池管理、保障电动汽车安全与节能的关键技术。
[0003]但目前对电动汽车动力电池的状态估计研究主要集中于SOC和SOH，而作为续航能力指标的核心状态SOE却较少关注。另外，目前关于动力电池状态估计的研究大多基于实验室数据，基于实车数据更能反映动力电池真实的状态，建立多状态联合估计模型更符合实际行驶的工况，同时还减少了BMS的参数变化量，对电动汽车动力电池状态的估计具有现实应用意义。

技术实现思路

[0004]本专利技术的主要目的在于克服现有技术的缺点与不足，提出一种电动汽车动力电池多状态联合估计系统及方法，实现电动汽车动力电池的SOC、SOH和SOE三种核心状态联合估计。
[0005]为了达到上述目的，本专利技术采用以下技术方案：
[0006]一种电动汽车动力电池多状态联合估计系统，其特征在于，包括数据采集模块、数据预处理模块、参数辨识模块、状态估计模块以及储存模块；
[0007]数据采集模块，用于采集电动汽车行驶数据以及动力电池状态数据；
[0008]数据预处理模块，用于数据清洗和数据插值；
[0009]参数辨识模块，基于FFRLS方法和经数据预处理模块处理后的数据，进行动力电池二阶RC模型的参数辨识；
[0010]状态估计模块，基于所述的数据采集模块和参数辨识模块，在二阶RC模型基础上，以DAEKF算法形成宏观和微观双时间尺度滤波器的状态联合估计方法，实现对电动汽车动力电池的SOC、SOE以及SOH状态联合估计；
[0011]储存模块，用于储存和读取数据采集模块采集的数据、预处理后数据、参数辨识模块的辨识过程与结果以及状态估计模块的估计过程与结果。
[0012]进一步的，估计系统包括在线车载状态和离线状态两种使用场景；
[0013]在在线车载状态使用场景下，估计系统设置在电动汽车上，数据采集模块通过CAN总线采集动力电池数据，并进行后续在线数据预处理、在线模型参数辨识以及在线状态联合估计，状态估计模块通过CAN总线连接上位机显示估计结果，CAN总线连接各CAN节点，对动力电池系统实施相对应的控制；
[0014]在离线状态使用场景下，通过数据采集模块直接读取动力电池离线数据，数据可以为电动汽车实际行驶时车载动力电池的离线数据或实验室条件下进行车载动力电池行驶工况测试的数据，读取数据后进行数据预处理、模型参数辨识以及状态联合估计，通过连接上位机显示状态估计结果。
[0015]进一步的，数据采集模块采集的数据包括采样时间、电动汽车整车状态、充放电状态、行驶速度和行驶里程、动力电池总电压和电流以及单体电池电压和温度。
[0016]进一步的，数据清洗具体为对数据错误值和重复值予以剔除；
[0017]数据插值具体为对连续工作状态下数据缺失值或空白值若间隔大于60s，对其中间的数据进行线性插值。
[0018]进一步的，基于DAEKF算法建立宏观和微观双时间尺度滤波器的状态联合估计方法，由两个自适应扩展卡尔曼滤波器组成，其中一个AEKF构成微观时间尺度滤波器，进行SOC和SOE的估计，另一个AEKF构成宏观时间尺度滤波器，进行SOH的估计；
[0019]在运行过程中判断系统是否达到时间转换标准，当微观时间尺度累积达到转换标准时，将激活宏观时间尺度的滤波器，同时进行微观和宏观时间尺度的更新，即同时更新SOC、SOE和SOH；
[0020]否则只进行微观时间尺度的状态更新，即只更新SOC和SOE，保持SOH的当前值。
[0021]本专利技术还包括基于提供的电动汽车动力电池多状态联合估计系统的电动汽车动力电池多状态联合估计方法，基于电动汽车动力电池实际行驶数据，经过预处理后，采用FFRLS进行模型参数辨识，构建DAEKF算法状态空间方程，以多时间尺度下的DAEKF滤波器实现动力电池的SOC、SOH和SOE多状态联合估计，具体包括以下步骤：
[0022]S1、建立锂离子动力电池二阶RC等效电路模型，其动态微分方程为：
[0023][0024]二阶RC模型中的端电压输出方程为：
[0025]U
t
＝U
OC
‑
U1‑
U2‑
i
L
R0(2)
[0026]其中，U
t
为电池端电压，U
OC
为开路电压，i
L
为电池电流，R0为欧姆等效内阻，R1和C1分别为浓差极化等效电阻和等效电容，R2和C2分别表示电化学极化等效电阻和等效电容，U1和U2分别为两个RC网络两端的电压；
[0027]S2、根据已知的数据，拟合OCV
‑
SOC曲线；
[0028]S3、参数辨识；
[0029]S4、建立锂离子动力电池SOC、SOE的数学计算表达式：
[0030][0031][0032]其中，SOC0和SOE0分别为初始值；η为库伦效率，η
e
能量充放电效率，C
act
为实际最大可用容量，E
e
为额定能量；
[0033]S5、建立锂离子动力电池SOH的数学计算表达式：
[0034][0035]其中，C
act
为实际最大可用容量；C
q
为额定最大可用容量；C
act
由公式(6)求得：
[0036][0037]其中，ΔQ为能量变化量，ΔSOC为SOC变化量；
[0038]S6、系统方程离散化；
[0039]S7、基于AEKF算法，建立双AEKF的状态空间方程；
[0040]S8、以L
Z
作为时间尺度转换标准，判断当前时刻是否达到转换标准，当微观时间尺度累积尚未达到转换标准L
Z
时，只进行微观时间尺度的状态更新，即只更新SOC和SOE，保持C
act
，即SOH的当前值；当微观时间尺度累积达到转换标准L
Z
时，激活宏观本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电动汽车动力电池多状态联合估计系统，其特征在于，包括数据采集模块、数据预处理模块、参数辨识模块、状态估计模块以及储存模块；数据采集模块，用于采集电动汽车行驶数据以及动力电池状态数据；数据预处理模块，用于数据清洗和数据插值；参数辨识模块，基于FFRLS方法和经数据预处理模块处理后的数据，进行动力电池二阶RC模型的参数辨识；状态估计模块，基于所述的数据采集模块和参数辨识模块，在二阶RC模型基础上，以DAEKF算法形成宏观和微观双时间尺度滤波器的状态联合估计方法，实现对电动汽车动力电池的SOC、SOE以及SOH状态联合估计；储存模块，用于储存和读取数据采集模块采集的数据、预处理后数据、参数辨识模块的辨识过程与结果以及状态估计模块的估计过程与结果。2.根据权利要求1所述的一种电动汽车动力电池多状态联合估计系统，其特征在于，估计系统包括在线车载状态和离线状态两种使用场景；在在线车载状态使用场景下，估计系统设置在电动汽车上，数据采集模块通过CAN总线采集动力电池数据，并进行后续在线数据预处理、在线模型参数辨识以及在线状态联合估计，状态估计模块通过CAN总线连接上位机显示估计结果，CAN总线连接各CAN节点，对动力电池系统实施相对应的控制；在离线状态使用场景下，通过数据采集模块直接读取动力电池离线数据，数据可以为电动汽车实际行驶时车载动力电池的离线数据或实验室条件下进行车载动力电池行驶工况测试的数据，读取数据后进行数据预处理、模型参数辨识以及状态联合估计，通过连接上位机显示状态估计结果。3.根据权利要求1所述的一种电动汽车动力电池多状态联合估计系统，其特征在于，数据采集模块采集的数据包括采样时间、电动汽车整车状态、充放电状态、行驶速度和行驶里程、动力电池总电压和电流以及单体电池电压和温度。4.根据权利要求1所述的一种电动汽车动力电池多状态联合估计系统，其特征在于，数据清洗具体为对数据错误值和重复值予以剔除；数据插值具体为对连续工作状态下数据缺失值或空白值若间隔大于60s，对其中间的数据进行线性插值。5.根据权利要求1所述的一种电动汽车动力电池多状态联合估计系统，其特征在于，基于DAEKF算法建立宏观和微观双时间尺度滤波器的状态联合估计方法，由两个自适应扩展卡尔曼滤波器组成，其中一个AEKF构成微观时间尺度滤波器，进行SOC和SOE的估计，另一个AEKF构成宏观时间尺度滤波器，进行SOH的估计；在运行过程中判断系统是否达到时间转换标准，当微观时间尺度累积达到转换标准时，将激活宏观时间尺度的滤波器，同时进行微观和宏观时间尺度的更新，即同时更新SOC、SOE和SOH；否则只进行微观时间尺度的状态更新，即只更新SOC和SOE，保持SOH的当前值。6.基于权利要求1所述电动汽车动力电池多状态联合估计系统的电动汽车动力电池多状态联合估计方法，其特征在于，基于电动汽车动力电池实际行驶数据，经过预处理后，采用FFRLS进行模型参数辨识，构建DAEKF算法状态空间方程，以多时间尺度下的DAEKF滤波器
实现动力电池的SOC、SOH和SOE多状态联合估计，具体包括以下步骤：S1、建立锂离子动力电池二阶RC等效电路模型，其动态微分方程为：二阶RC模型中的端电压输出方程为：U
t
＝U
OC
‑
U1‑
U2‑
i
L
R0ꢀꢀꢀꢀ
(2)其中，U
t
为电池端电压，U
OC
为开路电压，i
L
为电池电流，R0为欧姆等效内阻，R1和C1分别为浓差极化等效电阻和等效电容，R2和C2分别表示电化学极化等效电阻和等效电容，U1和U2分别为两个RC网络两端的电压；S2、根据已知的数据，拟合OCV
‑
SOC曲线；S3、参数辨识；S4、建立锂离子动力电池SOC、SOE的数学计算表达式：子动力电池SOC、SOE的数学计算表达式：其中，SOC0和SOE0分别为初始值；η为库伦效率，η
e
能量充放电效率，C
act
为实际最大可用容量，E
e
为额定能量；S5、建立锂离子动力电池SOH的数学计算表达式：其中，C
act
...

【专利技术属性】
技术研发人员：罗玉涛，吴志强，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：