[发明专利]一种基于特征模型的动力电池SOC估算方法

说明书

本发明提供一种基于特征模型的动力电池SOC估算方法，包括以下步骤：在动力电池运行中采集电压和/或电流值，根据采集到的电压和/或电流大小确定重采样系数Q；建立电池的电压与SOC的特征模型，根据当前的电压值以及历史的SOC值进行估算下一时刻的SOC值，采用带遗忘因子的递推最小二乘法进行特征系数的辨识，将估算值与实际值作比较。本发明提出的方法，根据电流的和电压的大小对采样参数进行重新的选取，当电压在工作范围两端的时候，采样系数Q为1；当电压在工作范围中间阶段的时候，分两种情况，电流较小时减小计算量，提高了计算效率；电流较大时保持采样数量基本不变，不会漏掉参数的特征，保证了估算的准确性。

技术领域

本发明属于二次电池领域，具体涉及一种锂离子电池荷电状态的估算方法。

背景技术

电池的荷电状态(State of Charge；SOC)也被称为剩余电量，是反映电池状态的重要参数，同时也是电动汽车电池管理系统(BMS)和整车控制器制定控制策略的一项主要依据。准确估算SOC，可以保证电池工作在合理的SOC范围内，防止过充和过放对电池造成的损伤，延长电池的使用寿命，降低了使用和维护成本。除此以外，准确的SOC值可以使用户更好的计算行驶里程，拥有更好的驾驶体验。因此，如何准确又可靠的估算SOC，是电池管理系统一项重要而又艰巨的任务。

在实际估算中，有两方面问题使得准确估计SOC具有较大的难度。一方面是SOC不能通过传感器直接测量，只能通过检测电池电的压、电流、内阻和温度来估算SOC的大小，其中各参量的检测都会有误差；另一方面是电池在运行时受充放电电流大小、温度、自放电、寿命等因素的影响，表现出复杂的非线性，使得建立一个准确的电池模型很困难。

近年来，国内外学者在电池SOC估计方面已经做了大量和深入的研究工作，提出了多种估算方法。较早提出的有开路电压法、安时积分法、线性模型法、内阻法或者前两种方法的结合；近些年又将一些智能算法应用于电池的SOC估算，比如卡尔曼滤波算法、神经网络法和模糊控制算法等。

由于硬件条件的限制，常用的方法是开路电压法、按时积分法以及两者的结合算法。然而开路电压法需要电池静置足够长的时间后，端电压才能稳定，并且充放电的曲线通常不是完全对称的，查表过程中容易混淆，因此不能实时的估算SOC；安时积分法存在着电流测量累积误差和自放电变化对初始值给定不准确这两方面的问题。内阻法是利用电池内阻与电池电量存在有一定的函数关系来确定SOC，但由于电池内阻数值太小，利用常规的测量电路难以准确测量，存在较大误差，所以不适用于电动汽车。线性模型法是建立电池电压、电流与SOC的线性方程，递推得到当前的SOC值，但仅适用于低电流和SOC变化缓慢的情况，并且初值不准确同样会造成SOC的计算误差。神经网络法的SOC估算精度较高，也可在线估算，但是需要对大量数据进行训练，现有硬件设备无法满足，并且学习时间较长，产生一定的延时,同时精度受训练方法和训练数据的影响较大。卡尔曼滤波法是当前比较流行的算法，可以克服安时积分法的积累误差，也可以在初始误差很大的情况下很快的将SOC值收敛到真实值附近，但是该算法对模型的精确性要求很严格，然而在实际中，模型是时变和非线性的，对SOC的估算有较大的影响。模糊逻辑控制算法对模型的建立没有要求，但是需要大量的逻辑经验，对于车况复杂的情况不适用。

发明内容

为了弥补上述算法的不足，本发明公开了一种基于特征模型的动力电池SOC的估计方法，建立电池的特征模型，即采用一个二阶时变差分方程来建立电池的模型，并采用递推最小二乘法对特征的时变系数进行辨识，克服了时变和非线性对建模精度的影响，具有较强的鲁棒性和面对突变状态的适应性，并且计算量适中。

实现本发明上述目的技术方案为：

一种基于特征模型的动力电池SOC估算方法，包括以下步骤:

S1、在动力电池运行中采集电压和电流值，根据采集到的电压和电流大小确定重采样系数Q；