[发明专利]一种锂离子电池的SOC和SOH自适应协同估计方法

说明书

本发明公开了一种锂离子电池的SOC和SOH自适应协同估计方法，属于锂离子电池状态估计技术领域。其步骤如下：首先通过混合功率脉冲特性实验测取锂离子电池的端电压和负载电流数据；接着离线建立锂离子电池的分数阶等效电路模型；然后根据所建立模型的状态空间，构建一种针对锂离子电池状态估计的双自适应平方根容积卡尔曼滤波器；最后，通过随机游走充放电实验模拟实际工况，对锂离子电池的SOC和SOH进行在线协同估计。本发明在考虑电池老化的影响下实现了高精度的SOC和SOH估计，解决了协同估计中滤波器协方差矩阵易失去半正定性和平方根容积卡尔曼算法不适用于的问题，具有较强的鲁棒性和泛化能力，更具机理地减少了计算成本。

技术领域

本发明涉及锂离子电池状态估计技术领域，尤其涉及一种锂离子电池的SOC和SOH自适应协同估计方法。

背景技术

目前，针对锂离子电池状态估计问题，主要分为数据驱动方法和模型驱动方法。数据驱动方法种类繁多，该方法不必考虑电池本身工作原理和内部反应机理，适用范围广，对于高度非线性数据具有较强的学习能力,但其底层代价是对计算成本的要求，避不开大量训练数据的前提性条件，同时其泛化能力受到训练数据范围的约束。而模型驱动方法通过构造锂电池电化学模型或等效电路模型，建立电池状态与可观测信号之间的非线性动态关系，进而搭建电池的状态空间。在状态空间搭建好之后，该方法通过状态观测器或滤波器对电池状态进行估计。该类方法虽然在一定程度上受模型精度的约束，但能反映电池的内部特征和退化机理，在获得准确的估计结果的同时具有较强的鲁棒性，能够适用于不同的复杂工况。

在锂电池的工作过程中，电池的模型参数会逐渐发生漂移，这会影响电池模型的可靠性，不利于电池状态的估计，使其误差不断累加。传统基于模型的方法对SOC进行单一估计，忽视了SOC、SOH与模型参数紧密耦合的关系，因而近年来对锂电池状态进行协同估计的方法受到了大量的关注。协同估计在对SOC进行估计的同时，同步更新电池实际容量及模型参数文献，使其匹配当前电池状态，能获得更可靠精准的估计结果。但相较于周期内SOC变化，电池模型参数的漂移十分缓慢，并不需要递推更新。传统协同估计方法同步更新电池状态与模型参数具有较大的计算负荷，并且模型参数协方差矩阵随着递推易失去半正定性，影响估计的稳定与精度，因此将估计的时间尺度区分是有必要的。目前，由人工给定模型参数更新条件已经被证明可行，该方法通过设定预测观测值误差阈值或限制模型参数更新步长实现自适应协同估计，极大地减少了在线估计的计算成本。但这类由人工给定自适应更新条件的估计方法，其鲁棒性会受到限制，并且由于误差在规定范围内电池模型参数无需更新，这种自适应机制会带来一定的估计偏差。此外，为克服电池高度非线性状态估计，上述方法使用通过泰勒分解逼近线性的扩展卡尔曼或在期望值附近均匀取Sigma点进行概率密度逼近的无迹卡尔曼，而这会丢失一定估计精度。

发明内容

本发明针对上述背景技术中指出的问题，为了精确稳定地估计锂离子电池的SOC和SOH，给出了一种锂离子电池的SOC和SOH自适应协同估计方法，本发明所采用的技术方案包括以下步骤：

步骤1、通过混合功率脉冲特性实验测取锂离子电池的端电压和负载电流数据；

步骤2、离线建立锂离子电池的分数阶等效电路模型，具体步骤如下：

步骤2.1、根据基尔霍夫电压定律，锂离子电池系统的输入输出关系方程可以得到：

U_T(k)＝OCV[SOC(k)]-U₁(k)-U₂(k)-R₀I(k) (37)

式中，U₁和U₂为分数阶元件C₁和C₂的负载电压，R₀和I分别为欧姆内阻和负载电流，OCV[SOC(k)]为OCV-SOC多项式，SOC(k)由安时积分法表示为：