[发明专利]一种锂离子电池荷电状态估算方法

说明书

本发明公开了一种锂离子电池荷电状态估算方法，包括以下步骤：建立锂离子电池的二阶RC等效电路模型；获取电池模型状态空间方程；使用扩展卡尔曼滤波算法初步估算锂离子电池荷电状态；基于扩展卡尔曼滤波初步估算SOC过程中的相关变量训练BP神经网路模型；使用联合BP神经网络的扩展卡尔曼滤波算法估算电池SOC。本发明通过将BP神经网络与扩展卡尔曼滤波算法进行融合，能够优化算法对电池模型精度的依赖，实现对锂离子电池荷电状态的精确估计。

技术领域

本发明属于锂离子电池技术领域，应用于锂离子电池管理系统，具体涉及一种锂离子电池荷电状态估算方法。

背景技术

锂离子电池的荷电状态(State of charge,SOC)是判断电池状态的重要依据之一。精确估算电池SOC可以为电池管理系统均衡策略的制定提供有效帮助，从而延长电池使用寿命，提高电池安全性。然而，锂离子电池内部的电化学反应复杂多变，其SOC无法直接测量获取，仅能基于电池相关物理量通过一定方法估算获得。

目前国内外常见的SOC估算方法包括：(1)安时积分法，计算简单，但电流测量误差会在积分过程中不断累积；(2)开路电压法，需要足够长的静置时间，难以应用于实时估计；(3)机器学习法，包括神经网络法、支持向量机法等，需要大量全面的样本数据进行训练，估算效果依赖于所选数据与训练方法；(4)自适应滤波法，包括非线性卡尔曼滤波算法、粒子滤波算法等。

扩展卡尔曼滤波算法是非线性卡尔曼滤波算法中的常用算法，该算法是在高斯假设前提下的次优估计，对SOC初值偏差和系统噪声有较好的鲁棒性，但扩展卡尔曼滤波算法的估算精度受限于电池模型精度。

发明内容

针对上述现有技术存在的问题，本发明提供了一种锂离子电池荷电状态估算方法，该方法通过联合BP神经网络对扩展卡尔曼滤波算法中进行改进，降低扩展卡尔曼滤波算法在SOC估算过程中对电池模型精度的依赖并提高SOC估算精度。

为实现上述目的，本发明提供了如下方案：本发明提供了一种锂离子电池荷电状态估算方法，包括如下步骤：

步骤1、建立锂离子电池的二阶RC等效电路模型：采集开路电压数据与荷电状态数据，基于所述等效电路模型，获取不同状态下的电池模型参数；

步骤2、获取电池模型状态空间方程：基于基尔霍夫定律，利用所述等效电路模型和电池模型参数，得到模型状态空间方程；

步骤3、初步估算：基于所述模型状态空间方程，使用扩展卡尔曼滤波算法初步估算锂离子电池荷电状态；

步骤4、训练BP神经网络模型：选取扩展卡尔曼滤波估算过程中的相关变量作为BP神经网络输入，输出为SOC误差值，训练BP神经网络模型；

步骤5、联合估算：在新的扩展卡尔曼滤波估算锂离子电池SOC过程中，使用BP神经网络模型输出实时参与状态变量一步预测。

优选地，所述步骤4中BP神经网络输入为扩展卡尔曼滤波算法初步估算锂离子电池SOC过程中的电池模型输出端电压误差、SOC先验预测值、卡尔曼滤波增益、模型输出端电压与电流变化率，输出为SOC估算误差。

优选地，所述步骤5中经BP神经网络模型参与后的状态变量一步预测：

x_k|k-1＝Ax_k-1|k-1+Bi_k-1+H_k-1SOC_BP,k-1

其中，x_k|k-1为状态变量k时刻一步预测值，I_k-1为k-1时刻电池工作电流，x_k-1|k-1为k-1时刻状态变量最优估计值，H_k-1为k-1时刻卡尔曼滤波增益，SOC_BP,k-1为BP神经网络的SOC估算误差值，A、B分别为系统传递矩阵与输入矩阵。