[发明专利]一种用于锂电池均衡充放电控制的SOC估算方法

说明书

本发明提出了一种用于锂电池均衡充放电控制的SOC估算方法，首先建立单体锂电池的一阶RC等效电路模型，并确定锂电池系统的状态方程和观测方程；确定卡尔曼滤波离散状态空间模型、状态参数变量和观测参数变量；更新状态参数变量预估值和测量误差的协方差矩阵以及根据观测到的锂电池端电压值获取新息序列；引入自适应渐消因子对锂电池系统协方差预测矩阵进行跟踪修正；计算离散状态空间模型的卡尔曼滤波增益矩阵，并更新当前时刻的最优估计值和误差协方差矩阵值；获取过程噪声的统计特性；获取当前时刻的SOC估算值，并将当前时刻的参数用于下一时刻的强跟踪自适应卡尔曼滤波的递推迭代计算中；本发明的方法实现了锂电池SOC的实时精确估算。

技术领域

本发明属于锂电池技术领域，特别是一种用于锂电池均衡充放电控制的SOC估算方法。

背景技术

目前，在混合动力系统中，对电池组荷电状态(State Of Charge，SOC)的估算方法研究是一个核心点，SOC是锂电池的技术指标，反映当前电池的剩余电量，准确及时的估算出SOC值能为电池管理系统采取准确的控制策略提供依据。因此，对锂电池SOC的精确估算是锂电池均衡充放电控制策略研究的关键。

现阶段主流的SOC估算方法主要采用扩展卡尔曼滤波法，扩展卡尔曼滤波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上的最优估算，从而得到精度较高的SOC估算值。但是扩展卡尔曼滤波方法的运用条件是要保证在锂电池系统中过程噪声和观测噪声是均值为零的白噪声序列，然而在实际的应用中，这些噪声是时变的，所以滤波得到的状态估计可能有偏差，导致产生远超公式计算的方差所定的范围而产生滤波发散的问题。同时由于模型的简化、噪声统计特征的不准确、对实际系统初始状态的统计特征建模不准以及在实际系统参数发生变动等原因，使得锂电池模型存在大量的不确定性因数。标准扩展卡尔曼滤波方法恰恰对模型不确定性的鲁棒性较差，这使得发散问题更为突出。总结来说，目前标准的扩展卡尔曼滤波对锂电池SOC估算的不足之处主要有以下几点：

(1)无法消除锂电池模型自身的误差且模型中存在大量不确定性误差；(2)对系统的过程噪声和观测噪声初值和统计特征不准确，使滤波发生发散现象；(3)在扩展卡尔曼滤波递推的过程中，随着迭代次数的增加，舍入误差逐渐累计，使系统产生计算发散。

发明内容

本发明所解决的技术问题在于提供一种用于锂电池均衡充放电控制的SOC估算方法，以实现准确实时地估算锂电池的SOC值，为锂电池组的均衡充放电控制策略提供控制依据。

实现本发明目的的技术解决方案为：

一种用于锂电池均衡充放电控制的SOC估算方法，包括以下步骤：

步骤1、建立单体锂电池的一阶RC等效电路模型，并确定锂电池系统的状态方程和观测方程；

步骤2、根据锂电池等效电路模型，对锂电池系统进行离散化，确定卡尔曼滤波离散状态空间模型、状态参数变量和观测参数变量；

步骤3、更新状态参数变量预估值和测量误差的协方差矩阵以及根据观测到的锂电池端电压值获取新息序列；

步骤4、引入自适应渐消因子对锂电池系统协方差预测矩阵进行跟踪修正；

步骤5、根据观测到的锂电池端电压值来计算离散状态空间模型的卡尔曼滤波增益矩阵，并更新当前时刻的最优估计值和误差协方差矩阵值；

步骤6，利用简化的Sage-Husa自适应滤波方法，对锂电池系统的过程噪声进行实时的估计和修正，获取过程噪声的统计特性；

步骤7，获取当前时刻的SOC估算值，并将当前时刻的参数用于下一时刻的强跟踪自适应卡尔曼滤波的递推迭代计算中，从而实现锂电池SOC的实时精确估算。

本发明与现有技术相比，其显著优点：