一种基于稳态卡尔曼滤波器的电池SOC估计方法及系统技术方案

一种基于稳态卡尔曼滤波器的电池SOC估计方法及系统，涉及电池状态估计领域。本发明专利技术为了解决传统卡尔曼滤波器在估计电池SOC时计算量大、成本高、效率低、实用性差的缺陷，采用如下方法：建立电池开路电压OCV和荷电状态SOC之间的映射关系；根据所述映射关系开展动态应力测试工况DST测试试验，辨识电池模型中的参数；采用Hamiltonian算法计算卡尔曼滤波器的稳态误差协方差和卡尔曼增益；基于k

【技术实现步骤摘要】
一种基于稳态卡尔曼滤波器的电池SOC估计方法及系统


[0001]本专利技术涉及电池状态估计领域，尤其涉及一种基于稳态卡尔曼滤波器的电池SOC估计方法及系统。

技术介绍

[0002]锂离子电池由于具有能量密度高、自放电率低、循环寿命长等特点，备受电动汽车和电化学储能电站等领域的青睐。为确保电池能够安全可靠高效运行，通常需配备电池管理系统(Battery Management System, BMS)对荷电状态(State of Charge, SOC)、健康状态(State of Health, SOH)、功率状态(State of Power, SOP)等各种状态指标进行监控。其中，荷电状态(State of Charge, SOC)描述了电池的剩余电量，是最基础和最重要的状态之一，对其估计的精度攸关电动汽车整车能量管理和动力分配、电池储能系统优化调度与实时控制的水平。
[0003]从本质上来讲，SOC估计实际上是考虑锂离子电池动态特性和复杂多变运行环境下的状态观测问题。在众多方法中，卡尔曼滤波器法使用电池模型建立电池电流、SOC与端电压之间的特性关系，并进一步使用扩展卡尔曼滤波器（Extended Kalman Filter, EKF）、无迹卡尔曼滤波器等方法估计SOC，由于具有闭环、自修正、估计精度高等优点，已成为当前BMS领域研究的热点。
[0004]然而，现有方法通常需要不断计算先验误差协方差、后验误差协方差以及卡尔曼滤波增益，涉及大量矩阵乘积及求逆运算，对于BMS中计算资源弥足珍贵的微处理器来说，计算负担过重。为满足存储和计算功能的实际需求，产品设计时需选用相对高昂的微处理器，导致成本上扬，产品竞争力减弱。
[0005]因此，就需要一种计算复杂程度低、执行效率高、实用性强的基于稳态卡尔曼滤波器的电池SOC估计方法及系统。

技术实现思路

[0006]本专利技术的目的是为了解决传统卡尔曼滤波器在估计电池SOC时需要不断计算误差协方差和卡尔曼增益矩阵，计算量大、运算代价高、消耗时间长、占用资源多，应用于嵌入式系统时，需选用成本相对高昂的微处理器，导致产品竞争力弱、效率低、实用性差的缺陷，提供了一种计算复杂程度低、执行效率高、实用性强的基于稳态卡尔曼滤波器的电池SOC估计方法及系统。
[0007]本专利技术所述的一种基于稳态卡尔曼滤波器的电池SOC估计方法，包括如下步骤：S1.建立电池开路电压OCV和荷电状态SOC之间的映射关系；S2.根据所述映射关系开展动态应力测试工况DST测试试验，辨识电池模型中的参数；S3.采用Hamiltonian算法计算卡尔曼滤波器的稳态误差协方差和卡尔曼增益；S4.基于k
‑
1时刻状态向量的估计值更新k时刻的估计值。
[0008]进一步地：在S1中，在特定环境温度条件下，将充满电的电池以预设倍率电流进行放电，直至放电截止电压，静置预设时间后，再以相同倍率充电，直至充电截止电压，获取充放电过程端电压变化曲线。
[0009]进一步地：在S2中，基于获取的动态应力测试工况DST测试数据，使用粒子群优化算法对Thevenin模型中的参数进行辨识。
[0010]进一步地：在S2中，所述动态应力测试工况DST包含充电、放电和静置，电流幅值和/或持续时间动态变化，充分激发电池的不同模态，从而进行参数辨识。
[0011]进一步地：所述参数为RC参数，具体包括欧姆内阻、极化电阻和极化电容。
[0012]进一步地：在S3中，计算卡尔曼滤波器的稳态误差协方差和卡尔曼增益具体包括如下步骤：S31、构造Hamiltonian矩阵M；S32、计算矩阵M单位圆外的n个特征值对应的n个特征向量，将其组成矩阵φ并分块；S33、计算稳态离散Riccati方程的解，得到误差协方差矩阵的稳态值；S34、根据误差协方差矩阵的稳态值计算稳态卡尔曼增益。
[0013]本专利技术所述的一种基于稳态卡尔曼滤波器的电池SOC估计系统，包括：映射模块，用于建立电池开路电压OCV和荷电状态SOC之间的映射关系；测试模块，用于根据所述映射关系开展动态应力测试工况DST测试试验；辨识模块，用于辨识电池模型中的参数；计算模块，用于计算卡尔曼滤波器的稳态误差协方差和卡尔曼增益；估计模块，用于计算k
‑
1时刻状态向量的估计值；更新模块，用于根据估计模块的估计值更新k时刻的估计值。
[0014]进一步地：所述计算模块包括：矩阵模块，用于构造Hamiltonian矩阵M；分块模块，用于计算矩阵M单位圆外的n个特征值对应的n个特征向量，将其组成矩阵φ并分块；稳态模块，用于计算稳态离散Riccati方程的解，得到误差协方差矩阵的稳态值；稳态卡尔曼增益模块，用于根据误差协方差矩阵的稳态值计算稳态卡尔曼增益。
[0015]本专利技术的有益效果是：本专利技术所涉及的一种基于稳态卡尔曼滤波器的电池SOC估计方法，无需实时计算误差协方差和卡尔曼滤波增益，显著降低了运算成本，在产品设计和选型时，无需选用过于昂贵的微处理器，实用价值较高，SOC估计性能与时变卡尔曼滤波器方法几乎相近，但无需实时动态调整误差协方差和卡尔曼增益矩阵，计算复杂度低，执行效率高，实用价值高，尤其适合实际工程应用，在BMS等领域具有广阔的应用前景。
附图说明
[0016]图1是电池SOC估计方法的流程框图；图2是预设倍率为1/40C下的电压响应曲线；图3是动态应力测试工况DST电流曲线；
图4是动态应力测试工况DST端电压响应曲线；图5是Thevenin模型。
具体实施方式
[0017]以下仅为本专利技术较佳的具体实施例，但本专利技术的保护范围并不局限于此，任何熟悉本
的技术人员在本专利技术揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本专利技术的保护范围之内。以下所述实施例仅用于解释本专利技术，而不能解释为对本专利技术的限制，本专利技术的保护范围应该以权利要求的保护范围为准。下面详细描述本专利技术的实施例，为了便于描述本专利技术和简化描述，本专利技术的说明书中使用的技术术语应当做广义解读，包括但不限于本申请未提及的常规替换方案，同时包括直接实现方式和间接实现方式。
[0018]实施例1结合图1
‑
图5说明本实施例，本实施例公开的一种基于稳态卡尔曼滤波器的电池SOC估计方法，它包括如下步骤：S1.建立电池开路电压（Open Circuit Voltage,OCV）和SOC之间的映射关系。在特定环境温度条件下，将充满电的电池以小倍率电流（如1/40C）进行放电，直至放电截止电压，静置2小时，再以相同倍率充电，直至充电截止电压，获取充电过程端电压变化曲线和充电过程端电压变化曲线。环境温度为25℃下实测电池电压响应曲线如图1所示。为减小滞环效应的影响，取两条曲线的平均值，作为电池真实OCV，并将其分为m段，对每段采用线性拟合技术进行建模，可得：(1)。
[0019]式中，表示电池的OCV，z表示电池的SOC，和为多项式拟合系数。
[0020]S2.开展动态应力测本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于稳态卡尔曼滤波器的电池SOC估计方法，其特征在于，包括如下步骤：S1.建立电池开路电压OCV和荷电状态SOC之间的映射关系；S2.根据所述映射关系开展动态应力测试工况DST测试试验，辨识电池模型中的参数；S3.采用Hamiltonian算法计算卡尔曼滤波器的稳态误差协方差和卡尔曼增益；S4.基于k
‑
1时刻状态向量的估计值更新k时刻的估计值。2.根据权利要求1所述的一种基于稳态卡尔曼滤波器的电池SOC估计方法，其特征在于，在S1中，在特定环境温度条件下，将充满电的电池以预设倍率电流进行放电，直至放电截止电压，静置预设时间后，再以相同倍率充电，直至充电截止电压，获取充放电过程端电压变化曲线。3.根据权利要求1所述的一种基于稳态卡尔曼滤波器的电池SOC估计方法，其特征在于，在S2中，基于获取的动态应力测试工况DST测试数据，使用粒子群优化算法对Thevenin模型中的参数进行辨识。4.根据权利要求3所述的一种基于稳态卡尔曼滤波器的电池SOC估计方法，其特征在于，在S2中，所述动态应力测试工况DST包含充电、放电和静置，电流幅值和/或持续时间动态变化，充分激发电池的不同模态，从而进行参数辨识。5.根据权利要求3所述的一种基于稳态卡尔曼滤波器的电池SOC估计方法，其特征在于，所述参数为RC参数，具体包括欧姆内阻、极化电阻和极化电容。6.根据权利要求3所述...

【专利技术属性】
技术研发人员：朱瑞，吴晓亮，郭希红，段彬，马长武，杜刚强，刘可述，
申请(专利权)人：东方电子股份有限公司，
类型：发明
国别省市：