[发明专利]一种电池SOC估算方法及系统

说明书

本发明涉及一种电池SOC估算方法及系统，该方法包括：确定电池的电池模型，及，控制模型；将所述电池模型的计算结果代入控制模型，得到卡尔曼滤波的控制参数；根据所述控制参数，采用卡尔曼滤波算法估算电池SOC；其中，所述卡尔曼滤波的控制参数包括：噪声协方差；所述噪声协方差，根据模糊控制算法进行估算。本发明提供的技术方案，通过模糊控制算法估算电池模型的噪声协方差，进而更新卡尔曼滤波的控制参数，提高了卡尔曼滤波算法估算电池SOC的精确度，提高了算法的鲁棒性和容错率，用户体验度好、满意度高。

技术领域

本发明涉及电池电量估算技术领域，具体涉及一种电池SOC估算方法及系统。

背景技术

电池管理系统核心的功能一般包括：电池状态的估算算法和故障诊断以及保护。状态估算包括SOC(State Of Charge)、SOP(State Of Power)、SOH(State of Health)以及均衡和热管理。

SOC(State Of Charge，荷电状态)，简单地说，就是电池还剩下多少电。SOC是BMS中最重要的参数，因为其他一切都是以SOC为基础的，所以它的精度和健壮性极其重要。如果没有精确的SOC，加再多的保护功能也无法使BMS正常工作，因为电池会经常处于被保护状态，更无法延长电池的寿命。SOC的估算精度也是十分重要的。精度越高，对于相同容量的电池，可以有更高的续航里程。

现有的SOC估算主要采用安时积分法，此方法在线测试中存在累计误差，公式计算结果与实际值有一定偏差。新型的SOC估算算法主要有神经网络法、模糊控制法、卡尔曼滤波估计法等。神经网络法适用于大多数电池模型，但准确性依赖于输入量精度，同时需要大量样本训练，估算精度无法保证；模糊控制可针对复杂非线性参数影响的SOC估算，但估算精度不高；卡尔曼滤波法精度较高，但依赖于精确的电池模型，同时由于累计的噪声误差，不适用于非高斯噪声系统。

发明内容

有鉴于此，本发明的目的在于提供一种电池SOC估算方法及系统，以解决现有技术中电池电量估算算法精确度不高的问题。

根据本发明实施例的第一方面，提供一种电池SOC估算方法，包括：

确定电池的电池模型，及，控制模型；

将所述电池模型的计算结果代入控制模型，得到卡尔曼滤波的控制参数；

根据所述控制参数，采用卡尔曼滤波算法估算电池SOC；

其中，所述卡尔曼滤波的控制参数包括：噪声协方差；

所述噪声协方差，根据模糊控制算法进行估算。

优选地，所述确定电池的电池模型，包括：

采用二阶RC电池模型，其数学模型为：

其中，U_oc为开路电压，U_i为端电压，R_d1、R_d2为极化内阻，C_d1、C_d2为极化电容；U₁、I₁为R_d1、C_d1所在支路的电压和电流；U₂、I₂为R_d2、C_d2所在支路的电压和电流。

优选地，所述方法，还包括：

将公式(1)离散化，得到：

U_i(k+1)＝U_oc(k+1)-U₁(k+1)-U₂(k+1)-R₀I(k)+v_(k) (2)