[发明专利]一种锂离子电池剩余电量估计方法

说明书

本发明公开了一种锂离子电池剩余电量估计方法，包括步骤一、建立锂离子电池的分数阶模型；二、对分数阶模型中的参数进行参数辨识；三、根据分数阶模型建立状态方程和观测方程；四、对状态方程和观测方程离散化，建立以SOC为状态变量的离散状态方程和离散观测方程；五、建立锂离子电池的交互式多分数阶模型；六、对锂离子电池的剩余电量不断估计。本发明建立多个表征不同电池寿命状态的分数阶模型，利用交互式多模型算法自适应跟踪目标状态，可以避免电池老化导致参数变化从而影响估计精度的问题，降低了模型和算法的复杂度，对锂离子电池的动态适应性好，估计精度高，效果显著，便于推广。

技术领域

本发明属于锂离子电池技术领域，具体涉及一种锂离子电池剩余电量估计方法。

背景技术

电池荷电状态(SOC)也叫做电池剩余电量，是锂离子电池的一个重要指标，一般定义为电池剩余容量与标称容量的比值。针对锂离子电池SOC的估计，国内外投入大量资源进行算法研究，并取得了不错的估计效果。但目前已有的SOC估计方法仍然存在着一些问题，因此SOC估计算法的研究依然是当前的研究热点。常用的锂离子电池SOC估计方法有安时积分法、开路电压法和神经网络方法，以及基于模型的方法等。

在锂离子电池发展初期，锂离子电池主要应用在一些基础设备中，对电池的SOC估计要求较低，所以使用的算法也相对简单，主要包括内阻分析法、安时积分法和开路电压法等。安时积分法对锂离子电池SOC进行估计，是根据一段时间内电流与时间的积分估计剩余电量，理论上具有很好的估计效果，且操作简单，易于实现。但是安时积分法不能准确确定SOC估计的初始值，并且是一种开环算法，将导致估计误差累积。开路电压法估计电池SOC，利用电池SOC与开路电压之间的比例关系估计电池剩余电量，不存在误差累积的缺点，能够较为精确地估计电池SOC，但是开路电压法得到电池开路电压需要长时间的静置，导致电池SOC估计不能达到实时估计的效果。

随着应用环境的不断变化，对锂离子电池的SOC估计标准也在不断提高，早期的估计算法已经不能满足SOC的估计需求，逐渐出现了一些智能化算法如神经网络算法等。基于BP神经网络的SOC估计方法，采用大量的锂离子电池样本数据进行训练，如电池工作电流、电压、时间等数据，得到基于BP神经网络的SOC估计模型，将电池SOC估计误差降低到3％以下。简单的神经网络算法估计电池SOC可能存在不适用于所有工况的问题，在估计过程中加入了遗传算法，提高对参数的辨识精度，对电池SOC估计具有很好的适用性。但是神经网络算法需要大量的样本数据进行学习训练，样本的数据量越大，估计的精度越高，在实际的工程实践应用中使用较少。

近些年来，锂离子电池应用在新能源汽车等领域，对SOC估计算法的实时性和精确性要求越来越高。锂离子电池模型包括电化学模型、等效电路模型和分数阶模型。电化学模型从电池内部反应原理出发，具有较高的精度，但计算量大，一般需要降阶处理。等效电路模型用电路元件描述锂离子电池的外特性，对电池的各种工作状态有较好的适用性。分数阶模型能够捕获锂离子电池内部电荷转移、离子运输与扩散等分数阶特性，仿真精度比等效电路模型高。传统模型易受到老化过程中的不确定性影响，电池老化过程伴随着容量损失、内阻增大等一系列参数变化，电池单模不确定性会加大电池全生命周期的SOC估计难度，分数阶模型自适应能力不高，在电池全生命周期中不准确，导致估计误差变大甚至发散。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种锂离子电池剩余电量估计方法，其方法步骤简单，设计合理，实现方便；基于交互式多分数阶模型的估计方法相较于单一模型的估计方法，在对电池老化状态的适应上，建立多个表征不同电池寿命状态的分数阶模型，利用交互式多模型算法自适应跟踪目标状态，可以避免电池老化导致参数变化从而影响估计精度的问题，降低了模型和算法的复杂度，提高了模型的适应性，有效提升了模型老化演化的能力。

为解决上述技术问题，本发明采用的技术方案是：一种锂离子电池剩余电量估计方法，包括以下步骤：

步骤一、建立锂离子电池的分数阶模型；