[发明专利]一种锂电池SOC预测方法

说明书

技术领域

本发明属于电池能源管理系统领域，涉及到电池能量管理系统以及锂电池荷电状态估计以及锂电池电池模型参数辨识。

背景技术

锂电池以其高能量密度和高比功率广泛应用在电动汽车电池系统中，电池的性能决定着电动汽车系统的安全性、可靠性以及效率。电池管理系统(BMS)需要提供精确的电池状态信息以供参考。电池荷电状态(SOC)是电池管理系统的核心，只有精确的锂电池SOC预测才可以准确预测电池的剩余电量，同时确定有效的电池管理策略，从而避免电池的过充电和过放电损坏电池，延长电池的使用寿命。

然而SOC不能够直接测量到，必须通过可测量的电压、电流和温度等的参数来预测，SOC预测的准确性对电池的使用效率、使用寿命以及安全性有着决定性影响。

发明内容

本发明的目的是提供一种高精度、快收敛速度以及低计算复杂度的锂电池SOC预测方法。采用本发明的预测方法，能够在实时运行环境下提高锂电池的估计精度，提高电池管理系统的安全性和可靠性。技术方案如下：

一种锂电池SOC预测方法，包括下列步骤：

(1)建立锂电池混合电化学模型，电池模型的状态方程为：

观测方程为：

式中，SOC(t)为t时刻的瞬时SOC预测值，SOC(0)为初始SOC值，i(t)为t时刻的瞬时电流，η为能量转换效率，Q_c为锂电池电荷量，U(t)为t时刻端电压值，K₀、K₁、K₂、K₃、K₄为锂电池混合电化学模型待辨识参数，R₀为锂电池欧姆内阻；

(2)对锂电池进行充放电测试，获取包括电池充放电电压、电流以及温度在内的实验数据；

(3)采用遗忘因子最小二乘法进行辨识对锂电池混合电化学模型中的参数进行在线辨识，得到锂电池的电压预测值；

(4)根据电压预测均方根误差值设置算法转换阈值电压U_th，联合采用无迹卡尔曼滤波和粒子滤波算法，方法如下：计算实际电压测量值和电压预测值的差值Err(t)＝|Z(t)-U(t)|，其中：U(t)为t时刻电压测量值，Z(t)为t时刻电压预测值；判断Err(t)是否大于算法转换阈值电压U_th，若Err(t)>U_th，则调用粒子滤波算法进行预测；否则，则调用无迹卡尔曼滤波算法进行预测。

本发明的有益效果如下：

1.本发明采用的混合算法结构能够避免粒子滤波的高计算复杂度以及无迹卡尔曼滤波算法的低收敛速度，能够同时拥有高精度、低计算复杂度以及快收敛速度。

2.电池模型利用遗忘因子最小二乘法进行在线辨识，模型的精度高，能够充分体现锂电池的动态特性。

附图说明

图1：DST测试电流波形。

图2：参数K0，K1，K2，K3和K4辨识结果。

图3：参数R0辨识结果。

图4：模型辨识电压和测量电压。

图5：单个FUDS测试电流波形。

图6：实验过程中电流测试波形。

图7：实验过程中电压测量值。

图8：实验过程中SOC值变化。

图9：测量电压和预测电压对比。

图10：电压预测误差。

图11：初始值为100％时SOC预测效果对比图。

图12：初始值为100％时SOC预测误差对比图。

图13：初始值为10％时SOC预测效果对比图。

图14：初始值为10％时SOC预测误差图。

具体实施方式

本发明在混合电化学模型的基础上，提出使用遗忘因子最小二乘法(FFLS)对锂电池电化学混合模型参数实现在线辨识，提高锂电池模型精度。同时提出了一种锂电池混合算法的预测模型，能够实现锂电池SOC预测的高精度以及快收敛速度，同时降低了运行过程中的计算复杂度。所采用的技术方案为：

1.算法模型依赖于电池模型，电池模型的精度严重影响着SOC预测精度，因此首先建立锂电池混合电化学模型，电池模型的状态方程为：

观测方程为：