[发明专利]一种基于动态阻抗校正的电池SOC估计方法及系统

说明书

本发明公开了一种基于动态阻抗校正的电池SOC估计方法及系统，方法包括：获取电池在不同温度下开路电压与SOC的数学模型；进行离线辨识，得到电池等效电路模型的参数；根据获取的数学模型以及电池等效电路模型的参数，得到完整的电池模型及其参数；采用基于模型的电池SOC估计算法计算电池的剩余电量；采用动态阻抗校正的方法计算完整的电池模型的参数，并实时更新完整的电池模型的参数以及电池的剩余电量。本发明采用动态阻抗校正的方法计算电池模型的参数，将电池使用过程中的动态阻抗作为电池模型参数的校正依据，基于实时更新的具有更高精度的动态电池模型来修正SOC，精度高且算法复杂度较低。本发明可广泛应用于电池领域。

技术领域

本发明涉及电池领域，尤其是一种基于动态阻抗校正的电池SOC估计方法及系统。

背景技术

电动汽车，作为汽车工业节能环保的代表，发展迅速，而锂电池则以其能量密度高、循环寿命长、安全性高和自放电率低等优良特性成为电动汽车的主要动力源。然而，锂电池是一个包含着复杂物理与电化学变化的，强耦合的，高度非线性的系统。且电动汽车的行驶工况恶劣、干扰严重，如何在复杂工况下实现对动力电池荷电状态(state of charge，SOC)的估计，对延长电池的寿命、准确预测车辆的剩余行驶里程、防止过充过放以及电动汽车本身的发展和推广具有十分重要的意义。

目前，电动汽车中估计SOC的方法主要包括安时积分法、开路电压法、神经网络法、模糊算法、滑模观测器法、卡尔曼滤波算法和粒子滤波算法等。安时积分法简单易行，但是初始误差无法确定，且会随着时间的推移有累积误差；开路电压法需要将电池长时间静置，只适合于实验室使用；神经网络法需要大量的训练数据，且算法结果与训练方法的关联很大；模糊算法的主观因素很强，且同样需要大量数据；滑膜观测器常伴有输出震颤的问题；卡尔曼滤波法计算量适中但对模型依赖严重；粒子滤波法精度高但是算法十分复杂。

除了安时积分法，上述的所有方法都需要通过模型反馈(包括隐性的模型反馈)的方式来对估计的SOC进行修正，而基于固定参数的电池模型反馈方法对电池状态进行估计，在复杂工况下往往满足不了精度的要求。

发明内容

为解决上述技术问题，本发明的目的在于：提供一种精度高且算法复杂度低的，基于动态阻抗校正的电池SOC估计方法。

本发明的另一目的在于：提供一种精度高且算法复杂度低的，基于动态阻抗校正的电池SOC估计系统。

本发明解决其技术问题所采取的技术方案是：

一种基于动态阻抗校正的电池SOC估计方法，包括以下步骤：

S1、获取电池在不同温度下开路电压与SOC的数学模型；

S2、进行离线辨识，得到电池等效电路模型的参数；

S3、根据不同温度下开路电压与SOC的数学模型以及电池等效电路模型的参数，得到完整的电池模型及其参数；

S4、根据完整的电池模型及其参数采用基于模型的电池SOC估计算法计算电池的剩余电量；

S5、采用动态阻抗校正的方法计算完整的电池模型的参数，并实时更新完整的电池模型的参数以及电池的剩余电量。

进一步，所述步骤S1具体为：

通过离线测量的方式获取电池在不同温度下开路电压与SOC的关系，从而得到电池在不同温度下开路电压与SOC的数学模型，所述得到的数学模型包括但不限于：

OCV＝E₀-k₀/SOC-k₁·SOC+k₂·ln(SOC)+k₃·ln(1-SOC)，