[发明专利]一种基于EKF算法的蓄电池SOC在线估测方法

说明书

技术领域

本发明属于电动汽车动力电池技术领域，具体涉及一种基于EKF算法的蓄电池SOC在线估测方法。

背景技术

电池是电动汽车的主要能量载体和动力来源，也是电动汽车整车车体的主要组成部分，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。准确的预测电池SOC(State of Charge，电池荷电状态)，不仅可以提高电池的容量利用效率，还可以避免电池的过充电和过放电损坏电池，延长电池使用寿命。然而由于电池内部复杂的电化学性质及物理反应，SOC不能直接测量，一般是通过可测量的电压、电流和温度等的参数来估测。随着电动汽车的推广，如何准确的估测动力电池组的SOC值成为近些年研究的热点。但目前关于电池SOC估测方法的研究大多数是针对锂电池，关于蓄电池SOC的研究比较少。这是由于蓄电池的能量密度等特性不如其他动力电池，而且自放电特性严重，估测起来相对比较困难。

SOC估测方法主要有以下几种：开路电压法、安时积分法、内阻法、线性模型法、KF(Kalman Filter，卡尔曼滤波)算法。开路电压法容易实现，原理简单，估算出来的SOC精度也很高，但需要对电池进行长时间的静置，直到电池恢复到端电压稳定状态，因而无法对SOC进行在线估计。安时积分法从SOC定义出发，适用于所有电池类型，也可以用于电池的在线检测，但是这种方法没有反馈修正环节，如果电流数据采集过程中产生测量误差，那么此误差会因为积分作用而累加，累积误差会导致SOC的估计值与真实值产生较大的偏差。内阻法采用测量电池电压电流计算电阻来估算电池SOC，此方法在现实运动中的汽车电池行不通，而且随着电池温度变化内阻值变化很大，电池用久后老化问题也加剧内阻变化，不同的电池内部结构也会不一样，限制了该方法的精度。线性模型法适合电池SOC变化缓慢的情况，对于电压、电流急剧变化的情况就不适用。EKF算法是一种递推线性最小方差估计的运算方法，利用实时观测向量及待估算的状态向量的前一时刻估算值对状态向量作最小方差估算，可以方便地得出状态的最优估计，广泛地用于解决各种动态系统的状态估计，但KF算法只能应用在线性系统之中，而电动汽车电池系统一般为非线性离散系统。因此EKF(Extended Kalman Filter，扩展卡尔曼滤波)算法应运而生，EKF算法通过建立非线性状态空间模型，结合递推算法实现模型状态变量SOC的最小方差估计，是一种在线实时的估计方法，具有较好的收敛性，适用于电流变化剧烈的电动汽车动力电池组。但在EKF估测中，电池SOC初始值的选取影响估测曲线的收敛速度，因此电池SOC初始值的优选问题不容忽视。同时，蓄电池SOC估测结果的精确度受到温度、电池寿命、蓄电池的自放电效应等因素的影响。

发明内容

本发明的目的是在EKF算法的基础上，提高电动汽车蓄电池SOC在线估测的收敛速度和估测精度。

为实现上述目的，本发明提供了一种基于EKF算法的蓄电池SOC在线估测方法，包括以下步骤：

S1、确立电池等效电路模型，建立电池非线性系统的离散状态空间模型；

S2、通过恒流充放电实验建立电池SOC初值SOC(0)与开路电压初值U_OC(0)之间的拟合函数关系，求解获得电池SOC初值SOC(0)；

S3、以SOC(0)为输入的初始状态量，利用EKF算法进行电池SOC估测，生成SOC估测值；

S4、对生成的SOC估测值进行温度、电池寿命及自放电效应补偿，输出修正后的SOC估测值。

进一步的，S1所述确立电池等效电路模型具体包括：对Thevenin等效电路模型方程式进行离散化处理，获得电池模型参数间的函数关系

U_L(K)＝U_oc(K)+R₀I_K+U_P(K)

U_P(K+1)＝U_P(K)e^-Δt/τ+I_KR_P(1-e^-Δt/τ)

式中，U_L(K)为电池K时刻的端电压，U_OC(K)为电池K时刻的开路电压，R₀为电池内阻，I_K为电池负载电流，U_P(K)为电池极化电阻两端的电压，Δt为采样周期，τ为时间常数，R_P为电池极化电阻。