[发明专利]一种基于动态参数模型的动力电池SOC估计方法和系统

说明书

技术领域

本发明涉及电动汽车动力电池管理系统领域，具体为一种基于动态参数模型的动力电池SOC估计方法和系统。

背景技术

动力电池作为电动汽车的动力源，是电动汽车最为关键的核心部件之一，直接影响到电动汽车的续航里程、加速能力以及最大爬坡度等性能指标。电池管理系统(Battery Management System，BMS)，负责对电池的状态监测、电量均衡、热管理、能量分配等诸多方面进行协调管理，对延长电池使用寿命、提高电池安全性、降低电池全生命周期使用成本等具有重要意义。荷电状态(State of Charge，SOC)是反映电池剩余电量及做功能力的一项重要指标，是电池充放电控制、健康状态监测、能量分配以及电量均衡等的重要依据。然而，电池SOC受温度、电流、循环次数等诸多因素的影响，具有明显的不确定性和很强的非线性，因此SOC在线估计被认为是电池管理系统研究与设计的核心和难点技术。

目前，国内外报道的动力电池SOC估计方法主要包括：内阻法、安时积分法(也称库仑计量法)、开路电压法、神经网络法、卡尔曼滤波法和观测器法等。其中，内阻法依据电池内阻和SOC之间的函数关系，通过检测电池内阻来计算电池SOC，然而在线、准确地测量电池内阻存在困难，限制了该方法在实际工程中的应用。安时积分法虽然原理简单、易于实现，但是无法消除SOC的初始误差以及因电流测量不准确而引起的累计误差。开路电压法根据开路电压(Open-Circuit Voltage，OCV)和SOC的对应关系来计算电池SOC，需要将电池充分静置后才能测量OCV，因此不适用于SOC的在线估计。神经网络法，需要大量的训练样本，在实际应用中我们不可能得到能够覆盖所有实际工况的样本数据，因此其精度将受到一定的影响，而且该方法计算量大难以在硬件中实现。卡尔曼滤波法和观测器法，都能很好地修正电池SOC的初始误差，且具有良好的抗噪能力，然而它们对模型精度的要求非常高，且卡尔曼滤波的计算开销相对较大。动力电池是个复杂的非线性动力系统，电池参数明显受到温度、电流、老化等诸多因素的影响，因此卡尔曼滤波和观测器法在实际工况下的精度难以保证。

综上可知，现有的电池SOC估计方法在实际应用中，都不同程度地存在一定不便和缺陷，因此有必要做进一步的改进。其中，卡尔曼滤波和观测器法具有较好的误差修正能力和抵抗噪声能力，然而它们的精度都明显地依赖于电池模型的精度。

发明内容

为了解决上述技术问题，本发明的目的是提供一种精准度高、适应性强、计算量小的动力电池SOC估计方法和系统。

本发明所采用的技术方案是：一种基于动态参数模型的动力电池SOC估计方法，包括以下步骤：

对动力电池进行间歇性放电-静置实验，根据所得实验数据拟合出SOC-OCV的关系表达式；

在不同的SOC处对电池进行恒定电流的脉冲放电-静置实验，记录期间的电压响应，根据所得电压响应曲线辨识出不同SOC值所对应的电池等效电路模型的参数值；

建立用于参数在线辨识的电池系统离散状态空间模型；

根据所述离散状态空间模型对电池参数进行在线辨识；

得到电池的动态参数模型；

建立用于SOC估计的电池系统离散状态空间模型；

对电池SOC进行在线估计。

作为该技术方案的改进，所述电池参数采用无迹卡尔曼滤波器进行在线辨识。

作为该技术方案的改进，所述无迹卡尔曼滤波器的系数矩阵包括过程噪声协方差矩阵和测量噪声协方差矩阵。

作为该技术方案的改进，所述在线辨识得到的电池参数进行滤波处理。

作为该技术方案的进一步改进，所述滤波方法采用滑动均值滤波。

作为该技术方案的进一步改进，所述SOC估计的算法采用自适应非线性观测器进行在线估计。

作为该技术方案的进一步改进，所述自适应非线性观测器的增益矩阵的取值根据系统观测误差自适应地进行调整。

作为该技术方案的进一步改进，所述SOC估计是基于电池动态参数模型来实现的。

本发明还提供一种基于动态参数模型的动力电池SOC估计系统，包括：

动力电池SOC-OCV关系表达式确定模块，用于对动力电池进行间歇性放电-静置实验，根据所得实验数据拟合出SOC-OCV的关系表达式；

动力电池参数离线辨识模块，用于在不同的SOC处对电池进行恒定电流的脉冲放电-静置实验，记录期间的电压响应，根据所得电压响应曲线辨识出不同SOC值所对应的电池等效电路模型的参数值；