[发明专利]基于多模型的电池SOC动态估算方法、系统及存储介质

说明书

本发明公开了基于多模型的电池SOC动态估算方法、系统及存储介质，方法包括：采用开路电压‑内阻模型构建电池基准模型；根据电池基准模型，生成多个随机模型；对于每个随机模型，采用Luenberger观测器进行初步SOC估算；采用梯度校正法确定各个随机模型的权值；将各个随机模型的SOC估算值进行加权累加，得到电池SOC动态估算结果。本发明采用了轻量级的梯度校正法，降低了复杂度和计算量，另外，本发明对每个随机模型采用独立的Luenberger观测器进行状态估计，最后得到逼近真实的荷电状态，提高了估算精度，可广泛应用于电池状态检测技术领域。

技术领域

本发明涉及电池状态检测技术领域，尤其是基于多模型的电池SOC动态估算方法、系统及存储介质。

背景技术

在化石能源日益枯竭的今天，发展新能源汽车，特别是电动汽车是解决人类对化石能源过渡依赖的重要途径。电池是电动汽车的动力源，虽然各类新型电池不断涌现，但是锂电池以其优越的性能和成熟的技术仍会成为未来十年新能源汽车用动力单元的首选。锂电池必须配备专用的电池管理系统，才能保障电池安全、可靠、高效的运行。

现有的电池技术决定了电池在使用过程中，不可避免的会出现老化现象。电动汽车使用的动力电池因老化而容量衰减达到20％左右后，无法再满足用户对车辆续航的期望而会被更换，这个时间段一般是5-8年。在这个期间内，实时精准估计电池的剩余电量(SOC)对保障车辆使用安全、决策合理的充电时间以及延长电池寿命都具有重要意义，可以说，在考虑电池老化的前提下，精确的估计电池的剩余电量是电池管理系统的基本需求，也是电池管理系统的核心功能之一。

现有的SOC估计算法大致可以分为两类：基于电流积分的开环算法和基于模型的闭环算法。前者通常会受到积分漂移的作用，且无法对电池的老化和环境的变化做出恰当的响应；相比之下，基于模型的算法是更加具有吸引力的。早期的基于模型的算法主要集中于采用不同种算法对电池的SOC进行估计，这些算法包括卡尔曼滤波类算法、最小二乘类算法、比例积分滤波、状态观测器、滑膜观测器、粒子滤波等。一般认为，复杂度低于扩展卡尔曼滤波的算法更加适用于嵌入式BMS，而更复杂的粒子滤波等算法往往具有更高的精度，但是其计算量难以依托商用BMS硬件承载。

基于模型的算法都需要精准的电池模型作为支撑，为了避免对电池模型的过渡依赖，科研工作者们提出了一批自适应观测器算法，典型的有基于最小二乘-自适应扩展卡尔曼滤波的算法、多时间尺度卡尔曼滤波算法、双比例积分算法等。这些算法的基本思路是交替的估计电池的模型参数和电池状态变量，从而获得更好的效果。然而，这类算法的复杂度通常较高，而且，并非所有的电池模型都是全局能观的，这导致了模型自适应观测器对初始值的选择和系统噪声都非常敏感。为了克服自适应观测器类算法的不足，现有技术还提出了多模型混合算法，这类算法采用多个固定模型来对电池状态进行观测，并通过一系列不同的评价指标，来确定每一个模型的权重，这类算法的弊端在于它的复杂度至少是普通基于模型算法的几倍，且性能受限于所采用的模型。

发明内容

有鉴于此，本发明实施例提供一种复杂度较低且精度高的，基于多模型的电池SOC动态估算方法、系统及存储介质。

第一方面，本发明实施例提供了一种基于多模型的电池SOC动态估算方法，包括以下步骤：

采用开路电压-内阻模型构建电池基准模型；

根据电池基准模型，生成多个随机模型；

对于每个随机模型，采用Luenberger观测器进行初步SOC估算；

采用梯度校正法确定各个随机模型的权值；

将各个随机模型的SOC估算值进行加权累加，得到电池SOC动态估算结果。

进一步，所述采用开路电压-内阻模型构建电池基准模型这一步骤中，所述电池基准模型为：