[发明专利]一种电动汽车动力电池系统SOC和SOH联合在线估算方法

说明书

本发明属于电动汽车动力电池管理领域，涉及一种电动汽车动力电池系统SOC和SOH联合在线估算方法。该方法主要包括以下步骤：第一，采集实验数据，建立电池模型并辨识出模型参数初始值，获取空间方程的系数初值A₀、B₀、C₀、D₀；第二，两个扩展卡尔曼(EKF)滤波环分别对电池组SOC和内阻R₀进行估算，两者估算结果可以相互修正；第三，将步骤二的估算结果SOC和R₀输入到BCRLS算法中输出辨识出的模型参数R₀、R₁、C₁,并更新空间方程系数A_k、B_k、C_k、D_k进行下一时刻的SOC和SOH估算；该方法融合了双卡尔曼滤波和BCRLS算法，有效解决了不确定性噪声引起的算法不再具有无偏性的问题，提高了电池组模型的精度，双卡尔曼滤波算法有效解决了在线SOC值对电池SOH估算的影响，提高了SOH的估算精度和鲁棒性。

技术领域

本发明属于电动汽车电池管理领域，涉及一种电池系统SOC和SOH联合在线估算方法。

背景技术

近年来，电动汽车的发展尤为火热，动力电池系统作为电动汽车的三电系统之一，动力电池的性能直接影响着整车的性能。电池的荷电状态(SOC)是反映动力电池剩余容量和做功能力的一项重要指标，而电池健康状态(SOH)反映的是电池剩余循环寿命，动力电池系统SOC和SOH的实时准确估算对于提高电池使用安全性、电池寿命、电动汽车性能具有重要的理论意义和应用价值。

SOC和SOH作为动力电池的内部状态参数，无法直接测取，只能通过对电池电压、电流、内阻等参数的测量来间接计算。常用的SOC估算方法有安时积分法、开路电压法、神经网络法、卡尔曼滤波法等，常用的SOH估算方法有定义法、放电实验法、电阻折算法、交流阻抗分析法、卡尔曼滤波法、支持向量机法等。卡尔曼滤波法在SOC估算和SOH估算方面都有所应用，但通常都是单独对SOC和SOH进行估算研究，且卡尔曼滤波算法是一种基于模型的状态最优估计方法，该算法对电池模型的精度要求较高，电池模型的不准确会导致卡尔曼滤波发散从而失去滤波作用。

发明内容

本发明的目的是针对上述现有技术的不足，提供了一种电动汽车动力电池系统SOC和SOH联合在线估算方法，以建立较高精度的电池模型，解决动力电池系统SOC和SOH联合在线估算问题。

本发明的目的可以通过如下技术方案实现：一种电动汽车动力电池系统SOC和SOH联合在线估算方法，用于电动汽车动力电池系统SOC和SOH的实时在线估算，包括步骤：

S1：对电动汽车动力电池组进行快速充放电实验，标定电池组开路电压(OCV)与SOC之间的关系式，电池组戴维宁模型(Thevenin模型)参数初始值通过对电池组进行不同SOC值下的单脉冲实验获得，并获取电动汽车电池组模型相应状态空间方程的匹配系数初值矩阵A₀、B₀、C₀、D₀；

S2：获取电动汽车动力电池组的端电压U、电流I；

S3：根据电动汽车电池组Thevenin等效电路模型列写电路基本方程，并根据脉冲响应不变法对电池组电路方程进行离散化处理，并将离散后的方程改写成最小二乘形式，然后运用偏差补偿递推最小二乘算法(BCRLS算法)并结合上一步得出的OCV与SOC之间的关系式，运用上一步获取的电池组的电压、电流、温度数据对电动汽车动力电池组模型参数R₀、R₁、C₁进行在线辨识，然后更新系统状态方程中的A_k、B_k、C_k、D_k；