[发明专利]基于比例积分H∞观测器的锂离子电池剩余电量估计方法

说明书

本发明公开了一种基于比例积分H∞观测器的锂离子电池剩余电量估计方法，电流检测器和数模转换器将采集到的电压电流数据通过采集卡，再经低通滤波器将数据传输给剩余电量估计模块；建立二阶RC模型；利用电池包的电流电压响应辨识出模型参数以及开路电压关于剩余电量的非线性函数；对非线性函数部分提出了单边利普希茨条件，以保证非线性函数在观测器设计上起到积极作用；采用基于线性矩阵不等式的H∞设计判据的设计比例积分观测器。本发明能够减小传统按时积分算法的累积误差和对初值准确性的要求，所建立的模型能够有效地描述动力电池充放电的物理特性，能够实时估计剩余电量，收敛性好，估计精度高适用于电动汽车动力电池的剩余电量估计。

技术领域

本发明涉及新能源汽车电池管理技术领域，具体为基于比例积分H∞观测器的锂离子电池剩余电量(state of charge，SOC)估计方法。

背景技术

为了应对环境恶化和能源危机，电动汽车产业在近些年迅速发展。动力电池作为电动汽车的主要能源，其性能和工作状态对整车起着至关重要的作用。充电状态(SOC)是电池在使用中最重要的参数之一，它是指电池在一段时间内或在长时间内搁置后其剩余容量与总容量的比值，通常以百分数的形式表示。一个精确的SOC不仅可以直观、快速地掌握当前电池状态，而且还能有效地预防电池的过充电和过放电。因此，准确估计电池的SOC是电池管理系统(BMS)的关键技术之一，也是电池管理系统研究的重点和难点。然而，SOC不能直接测量获得，只能通过各种不同的算法来进行估计。因此，SOC估计在电动汽车的理论和应用中都具有相当重要的意义。

在以往的研究中，广泛采用了基于模型的剩余电量估计方法，大致可以分为两大类。一种是基于滤波器的方法，另一种是基于观测器的方法。最广泛使用的滤波技术是各种卡尔曼滤波器(KF)，卡尔曼滤波方法是应用卡尔曼滤波原理的一类估计方法的总称，该方法的核心思想是把电池看作一个动态系统，并对动态系统的状态进行最优极小估计。具体方法包括扩展卡尔曼滤波器(EKF)，无迹卡尔曼滤波(UKF)、自适应卡尔曼滤波(AKF)、双扩展卡尔曼滤波器(DEKF)等等，不同的卡尔曼滤波方法是根据电池的模型选择。此外，基于观测器的方法的思想是类似于卡尔曼滤波方法的，建立电池的状态空间模型，以SOC作为电池系统的状态量，然后利用控制理论知识设计一个收敛状态观测器来估计SOC。具体方法包括Luenberger观测器、H∞观测器、非线性观测器和滑模观测器。观测器在实际控制系统中的误差是不可避免的，因为状态不易观测，有时结果有严重的噪声干扰。

发明内容

针对上述问题，本发明的目的在于提供一种本发明的目的在在比例积分观测器的基础上提供一种有效的抑制模型的非高斯干扰，并且对电池非线性系统具有良好的适用性的动力电池剩余电量估计方法。技术方案如下：

一种基于比例积分H∞观测器的锂离子电池剩余电量估计方法，包括一下步骤：

S1：建立二阶RC模型的状态空间方程；

S11：建立被控对象的等效电路模型：将电阻R₀、R₁、R₂依次串联在电池包U_OC的输出端，并将电容C₁与电阻R₁并联，电容C₂与电阻R₂并联；

S12：根据上述等效模型建立系统的微分方程组；

状态方程：

输出方程：

U_T＝U_OC(SOC)-R₀I_T-U₁-U₂ (2)