[发明专利]一种动力电池健康状态的估算方法

说明书

本发明提供了一种动力电池健康状态的估算方法，所述方法包括：建立动力电池的等效电路模型；搭建动力电池测试平台，测出电池模型中的电池内阻；使用两个扩展卡尔曼滤波器，初始化状态方程中的状态变量和协方差；将电池内阻作为第一个扩展卡尔曼滤波器的输入量，输出为SOC，建立相关的状态方程和观测方程；将第一个扩展卡尔曼滤波器的输出SOC作为第二个扩展卡尔曼滤波器的输入量，选择容量Q作为估算SOH的状态变量，建立相应的状态方程和观测方程；以及重复循环第一个和第二个扩展卡尔曼滤波算法，直至双扩展卡尔曼滤波算法结束，得到估计的SOC值和估计的容量值Q，根据所得到的容量值Q求得电池的SOH。本发明估算精度高。

技术领域

本发明涉及动力电池技术领域，具体地，涉及一种动力电池健康状态的估算方法。

背景技术

受环境污染和能源危机的影响，新能源汽车被列为国家重点扶持产业，近几年新能 源汽车的产销量逐年递增。由于锂离子电池在能量密度、功率密度、环境友好度和循环寿命方面有着优异的表现，成为新能源汽车的动力电池主流选择。锂离子电池运行状态 是否正常，直接影响着应用领域中各种设备的正常、可靠和安全运行。

动力电池健康状态(SOH)是表征电池当前状态的一个重要参数，反映的是电池当前状态下的容量能力，以便于驾驶员掌握当前电池的健康状况，从而最大限度地发挥整 个电池组的容量能力，延长续驶里程。准确、实时估计电动汽车电池组SOH，对电池组 的健康状况做出判断，能够有效地延长整个电池组的使用寿命，为电池的剩余电量(SOC) 估计和电池均衡控制提供基础数据。由于电动汽车电池组表现出的是一个高度的非线性 时变系统，并且受环境因素影响较大，因而准确实时估计电动汽车电池组SOH具有较 大的难度。

目前，动力电池健康状态估算常用的方法有容量法、内阻法、电化学阻抗法、双脉冲放电负载测量法、卡尔曼滤波法、神经网络法等等。然而，这些方法均存在着不足， 容量法虽然简单直接，但设备精度要求高、耗时长，易损坏电池，主要用于实验室研究， 不适合实车估计。电化学阻抗法对设备的精度要求较高，经济效益低。双脉冲放电负载 测量法普适性较差，针对每一种电池均需要重新实验。卡尔曼滤波法虽然精度高，能够 同时得到估计方差，可实现在线估计，但该方法对模型精度和系统处理能力要求高，且 卡尔曼滤波应用的前提是在线性模型条件下，而电池实际模型并不是线性模型。神经网 络法虽然不需要建立系统模型，但需要大量的训练样本数据。

发明内容

针对现有技术中的缺陷，本发明的目的在于提供一种动力电池健康状态的估算方法， 解决了现有动力电池健康状态估计方法的缺陷，采用双扩展卡尔曼滤波算法和内阻测量 法相结合的方法，大大的提高了动力电池健康状态的估算精度。

为解决上述问题，本发明的技术方案为：

一种电池健康状态的估算方法，所述方法包括以下步骤：

建立动力电池的等效电路模型；

搭建动力电池测试平台，测出电池模型中的电池内阻；

使用两个扩展卡尔曼滤波器，初始化状态方程中的状态变量和协方差；

将电池内阻作为第一个扩展卡尔曼滤波器的输入量，输出为SOC，建立相关的状态方程和观测方程；

将第一个扩展卡尔曼滤波器的输出SOC作为第二个扩展卡尔曼滤波器的输入量，选择容量Q作为估算SOH的状态变量，建立相应的状态方程和观测方程；以及

重复循环第一个和第二个扩展卡尔曼滤波算法，直至双扩展卡尔曼滤波算法结束， 得到估计的SOC值和估计的容量值Q，根据所得到的容量值Q求得电池的SOH。

可选地，所述建立动力电池的等效电路模型步骤中，所述等效电路模型的电路方程 为：