[发明专利]一种SOC估算方法

说明书

技术领域

本发明涉及到电动汽车电池管理系统领域，特别涉及一种SOC估算方法。

背景技术

智能电网、光伏发电、风能发电、电动汽车等新能源产业，基础共性的关键技术实质上就是电池组集成成组及控制系统的应用技术。电池管理系统负责对电池的状态检测、电量均衡、热管理、能量分配等诸多方面进行协调，对延长电池使用寿命、提高电池安全性、高效运行、降低全生命周期使用成本等具有重要意义。荷电状态是反映电池剩余电量及功率输出能力的一项重要指标，是电池充放电控制、健康状态检测、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，导致现在的SOC估计算法准确性普遍偏低，因此SOC在线估计被认为电池管理系统研究与设计的核心和难点技术。

目前，国内外关于动力电池SOC估计方法主要包括：内阻法、安时积分法、开路电压法、卡尔曼滤波法、观测器法和神经网络法。其中，内阻法依据电池内阻和SOC之间的函数关系，通过检测电池内阻检测内阻来计算电池SOC，然而在线、准确地测量电池内阻存在因难，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（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。卡尔曼滤波法和观测器法，都能够很好地修正电池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。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覆盖所有实际工况的样本数据，因此其精度也将受到一定的影响，而且该方法计算量大难以在硬件中实现。动力电池是是个复杂的非线性动力系统，电池参数明显受到温度、电池、老化等诸多因素的影响。

综上所述，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，因此可以通过对电池模型参数进行在线参数辨识提高模型的实时参数值，提高卡尔曼滤波法对SOC 估算的精度。

发明内容

在本方案中，提供了一种SOC估算方法，克服了安时积分法中的SOC初值不准确及累计误差的现象，适应电池特性的动态变化，电池模型精度高，收敛速度快，稳定可靠的特点。

一种SOC估算方法，包括电池OCV-SOC关系模块、参数采集模块、离线辨识参数值、参数离散状态空间模型、电池参数在线辨识模块、电池动态参数更新模块、电池SOC估算模块，具体步骤如下。

一、进行放电-静置实验，拟合OCV-SOC的关系表达式并辨识出电池二阶RC模型在不同的SOC值所对应的参数值等效电路模型中的参数值。

二、测量电池工作的电压值，根据OCV-SOC特性曲线获得荷电状态的初始值SOC(0)。

三、根据步骤二，得到状态方程矩阵的初始值A0、B0、C0、D0，并初始化状态量x和协方差矩阵，运行扩展卡尔曼滤波算法，得到k时刻的SOC估计值。

四、根据步骤一所获得的OCV-SOC关系表达式，得到k时刻的开路电压值，利用RRFLS算法得求到k时刻的 值，再计算出k时刻模型参数值、、、、。

五、实时更新EFK算法中状态方程的参数值Ak、Bk、Ck、Dk，然后再运行扩展卡尔曼滤波算法，得到k+1时刻的SOC估计值，然后返回步骤四。

六、通过步骤五计算更新模型参数和步骤四估算SOC这两个循环步骤，将每一次经过得到的SOC和时刻模型参数值、、、、代入离散状态空间方程得到新的预测值，通过不断的预测和修正的递推方式进行计算，便可以递推得到锂电池模型的实时参数值和当前的SOC估算值，使最终的SOC和模型参数值、、、、滤波结果不断趋近于电池的实际情况。

优选的，二阶RC等效电路模型频域下的状态方程为:。

其中，电容为简化的理想电压源；代表电池的开路电压（OCV）；为电池组的端电压；为电池的欧姆内阻；分别为电池充放电过程中的电化学极化和浓度差极化电阻；分别为电池充放电过程中的暂态电容效应、电化学极化和浓度差极化电容；分别为通过电容的电压值；为电池端电压,为电池端电流。

优选的， RRFLS算法为利用含遗传因子的递推最小二乘法RRFLS，对二阶RC模型进行参数辨识，令时间常数 ， ，将二阶RC等效电路模型频域下的状态方程化简为

。