本發(fā)明屬于二次電池領域，具體涉及一種鋰離子電池荷電狀態(tài)的估算方法。

背景技術：

電池的荷電狀態(tài)(State of Charge；SOC)也被稱為剩余電量，是反映電池狀態(tài)的重要參數(shù)，同時也是電動汽車電池管理系統(tǒng)(BMS)和整車控制器制定控制策略的一項主要依據(jù)。準確估算SOC，可以保證電池工作在合理的SOC范圍內，防止過充和過放對電池造成的損傷，延長電池的使用壽命，降低了使用和維護成本。除此以外，準確的SOC值可以使用戶更好的計算行駛里程，擁有更好的駕駛體驗。因此，如何準確又可靠的估算SOC，是電池管理系統(tǒng)一項重要而又艱巨的任務。

在實際估算中，有兩方面問題使得準確估計SOC具有較大的難度。一方面是SOC不能通過傳感器直接測量，只能通過檢測電池電的壓、電流、內阻和溫度來估算SOC的大小，其中各參量的檢測都會有誤差；另一方面是電池在運行時受充放電電流大小、溫度、自放電、壽命等因素的影響，表現(xiàn)出復雜的非線性，使得建立一個準確的電池模型很困難。

近年來，國內外學者在電池SOC估計方面已經(jīng)做了大量和深入的研究工作，提出了多種估算方法。較早提出的有開路電壓法、安時積分法、線性模型法、內阻法或者前兩種方法的結合；近些年又將一些智能算法應用于電池的SOC估算，比如卡爾曼濾波算法、神經(jīng)網(wǎng)絡法和模糊控制算法等。

由于硬件條件的限制，常用的方法是開路電壓法、按時積分法以及兩者的結合算法。然而開路電壓法需要電池靜置足夠長的時間后，端電壓才能穩(wěn)定，并且充放電的曲線通常不是完全對稱的，查表過程中容易混淆，因此不能實時的估算SOC；安時積分法存在著電流測量累積誤差和自放電變化對初始值給定不準確這兩方面的問題。內阻法是利用電池內阻與電池電量存在有一定的函數(shù)關系來確定SOC，但由于電池內阻數(shù)值太小，利用常規(guī)的測量電路難以準確測量，存在較大誤差，所以不適用于電動汽車。線性模型法是建立電池電壓、電流與SOC的線性方程，遞推得到當前的SOC值，但僅適用于低電流和SOC變化緩慢的情況，并且初值不準確同樣會造成SOC的計算誤差。神經(jīng)網(wǎng)絡法的SOC估算精度較高，也可在線估算，但是需要對大量數(shù)據(jù)進行訓練，現(xiàn)有硬件設備無法滿足，并且學習時間較長，產生一定的延時,同時精度受訓練方法和訓練數(shù)據(jù)的影響較大?？柭鼮V波法是當前比較流行的算法，可以克服安時積分法的積累誤差，也可以在初始誤差很大的情況下很快的將SOC值收斂到真實值附近，但是該算法對模型的精確性要求很嚴格，然而在實際中，模型是時變和非線性的，對SOC的估算有較大的影響。模糊邏輯控制算法對模型的建立沒有要求，但是需要大量的邏輯經(jīng)驗，對于車況復雜的情況不適用。

技術實現(xiàn)要素：

為了彌補上述算法的不足，本發(fā)明公開了一種基于特征模型的動力電池SOC的估計方法，建立電池的特征模型，即采用一個二階時變差分方程來建立電池的模型，并采用遞推最小二乘法對特征的時變系數(shù)進行辨識，克服了時變和非線性對建模精度的影響，具有較強的魯棒性和面對突變狀態(tài)的適應性，并且計算量適中。

實現(xiàn)本發(fā)明上述目的技術方案為：

一種基于特征模型的動力電池SOC估算方法，包括以下步驟:

S1、在動力電池運行中采集電壓和電流值，根據(jù)采集到的電壓和電流大小確定重采樣系數(shù)Q；

S2、建立電池的電壓與SOC的特征模型，根據(jù)電壓值以及SOC值估算下一時刻的SOC值；

S3、采用帶遺忘因子的遞推最小二乘法進行特征系數(shù)的辨識，特征系數(shù)的初值選取為零矩陣，遺忘因子為0到1之間的數(shù)值；

S4、將估算值與實際值作比較，若誤差大于所要求誤差，則返回步驟S1，改變Q值，進行重新計算。

本方法中，S2的操作克服了電池在建模過程中由于非線性和時變性而不準確的問題。S3、采用帶遺忘因子的遞推最小二乘法，既可以辨識慢時變的特征系數(shù)，同時也克服了傳統(tǒng)最小二乘法容易飽和的缺點。

動力電池在充滿或者放空的時候，電壓變化比較劇烈，此時，采樣點盡量保持不變；當電壓值在電池電壓范圍的中間階段時，根據(jù)電流值進行判定，當電流值較小時，Q可選擇較大的值，當電流值較大時，Q的值盡量較小。該選擇方式符合動力電池運行特點，而且適當減少了計算量。具體為：

步驟S1中，Q為大于等于1的正整數(shù)，根據(jù)當前的電壓值和電流值確定Q的值，動力電池在充滿或者放空的時候，Q為1；當電壓值在電池電壓范圍的中間階段時，根據(jù)電流值進行判定，分兩種情況：當電流值小于0.5C時，Q選為2的倍數(shù)；當電流值大于等于0.5C時，Q＝1或2。

更進一步地，當當前的電壓值大于額定電壓值1.1～1.2倍、和小于額定電壓值0.8～0.7倍時，Q為1；所述Q選為2的倍數(shù)，是2、4、6、8中的一個。

其中，步驟S2中，根據(jù)經(jīng)過歸一化處理的電壓值和SOC值估算下一時刻的SOC值，用于歸一化處理電壓值和SOC值是電池管理系統(tǒng)或者充放電設備中保存的歷史數(shù)據(jù)。

其中，步驟S2中，建立如下式的特征模型：

SOC(k+1)＝f₁(k)SOC(k)+f₂(k)SOC(k-1)+g₁(k)U(k) (1)

式(1)中，f₁(k)、f₂(k)和g₁(k)是動態(tài)慢時變的特征系數(shù)；

SOC(k+1)是SOC的估算值，SOC(k)是當前時刻SOC值，SOC(k-1)是前一時刻的SOC值，U(k)為當前時刻的電壓值。

在所述步驟S2中，建立的特征模型為：

SOC(k+1)＝f₁(k)SOC(k)+f₂(k)SOC(k-1)+g₁(k)U(k)

＝φ^T(k)θ(k)

其中，

φ^T(k-1)＝[SOC(k) SOC(k-1) U(k)]，θ(k)＝[f₁(k) f₂(k) g₁(k)]^T (4)

f₁(k)、f₂(k)和g₁(k)是動態(tài)慢時變的特征系數(shù)。

其中，步驟S3中，帶遺忘因子的遞推最小二乘法計算公式為：

其中，f為遺忘因子，選擇0到1之間的數(shù)值；I為3階單位矩陣，P為三階對角陣，為θ(k)的估計值。

其中，步驟S4中，誤差的計算公式為

和為步驟S3中的估算值。

優(yōu)選地，步驟S4中,將所要求誤差設定為2～10％。若誤差大于2～10％，通常增大Q值進行重新計算。

本發(fā)明的有益效果在于：

本發(fā)明提出的方法，根據(jù)電流的和電壓的大小對采樣參數(shù)進行重新的選取，當電壓在工作范圍兩端的時候，采樣系數(shù)Q為1；當電壓在工作范圍中間階段的時候，分兩種情況，電流較小時，即電壓和SOC變化較慢時，可以明顯減小計算量，提高計算效率；電流較大時，即SOC變化較快的時候，保持采樣數(shù)量基本不變，即不會漏掉參數(shù)的特征，可以保證估算的準確性。其次，特征模型為二階慢時變差分方程，將系統(tǒng)的特征壓縮在慢時變系數(shù)中，模型建立的過程不用考慮復雜的非線性和高階特性，提高了建模的效率。最后，本發(fā)明計算量適中，提高了估算精度并且可以在線計算，因此具有良好的可操作性和實用性。

附圖說明

圖1為本發(fā)明基于特征模型的電池SOC的估計方法的流程圖；

圖2為進行基于特征模型的電池SOC的估計方法的結構框圖；

圖3采用本發(fā)明估計所得曲線與實驗所得曲線的對比(電池包額定電壓為48V)。

圖4采用本發(fā)明的SOC估計方法與實驗數(shù)據(jù)的誤差曲線。

具體實施方式

下面通過最佳實施例來說明本發(fā)明。本領域技術人員所應知的是，實施例只用來說明本發(fā)明而不是用來限制本發(fā)明的范圍。

實施例中，如無特別說明，所用手段均為本領域常規(guī)的手段。

實施例1

如圖2所示，本發(fā)明基于特征模型的電池SOC的估計方法主要包括信號采集，重采樣系數(shù)確定，重采樣，特征系數(shù)計算以及特征模型估算環(huán)節(jié)，具體步驟為：

S1、在動力電池運行中采集電壓和電流值，根據(jù)采集到的電壓和/或電流大小確定重采樣系數(shù)Q；當采樣的電壓值大于額定電壓值的1.14倍的時候，或者小于0.8倍的時候，Q為1，否則，按照電流值判定，當電流值小于0.5C時，Q可選擇為2的倍數(shù)。當電流值大于等于0.5C時，說明電池的電壓和SOC變化較快，Q的值盡量較小，例如Q＝1或2。確定Q值的公式如下：

其中，n＝1,2,3……。

S2、建立電池的電壓與SOC的特征模型，根據(jù)當前的電壓值以及電池管理系統(tǒng)中存儲的歷史的SOC值進行估算下一時刻的SOC值。

S3、采用帶遺忘因子的遞推最小二乘法進行特征系數(shù)的辨識，特征系數(shù)的初值選取為零矩陣，遺忘因子為0到1之間的數(shù)值。

S4、將估算值與實際值作比較，若誤差大于所要求誤差，則返回步驟S1，改變Q值，進行重新計算。

本實施例中，信號采集模塊采集了運行中動力電池的電壓值和當前電流值，根據(jù)當前的電流值和電壓值確定重采樣的系數(shù)大小，采樣電壓值大于額定電壓的1.14倍或者小于額定電壓的0.8倍的時候，重采樣系數(shù)為1；當采樣電壓值為額定電壓的0.8倍到1.14倍之間時，根據(jù)電流的大小來判定，在此實施例中，當電流在0.5C以內時，可視為小電流，Q＝6，則計算量為原來的1/6，當電流大于0.5C時，可視為大電流，Q＝1。

第二，對電壓值和電池管理系統(tǒng)中存儲的SOC值進行歸一化處理，公式如下所示：

設置辨識算法的初始參數(shù)，辨識算法的公式為：

其中，f為遺忘因子，本實施例中f＝0.99；I為3階單位矩陣，P為三階對角陣，本實施例中為θ(k)的估計值，(k表示采樣的時刻，采樣間隔為10ms)

將上一步中得出的帶入計算SOC的特征方程中，如下：

式中，SOC_估算(k+1)是根據(jù)當前時刻SOC(k)和前一時刻SOC(k-1)的SOC值，以及當前時刻的電壓值U(k)(即式(5)計算的“新數(shù)值”)，進行估算所得的SOC的估算值，和是上一步中估算出的系數(shù)。

第五，上一步辨識出的參數(shù)收斂，進行誤差的計算，計算式如下：

式中，e(k)為實際的SOC與估計的SOC的誤差值，用來驗證該方法是否滿足實際要求，本實施例中誤差要求設為5％.

圖3和圖4中分別表示出充電過程的估算結果和誤差，由圖3和圖4可見，在SOC為0.1，即10％的時候，系統(tǒng)的估算誤差已經(jīng)收斂到3％以內，并且在計算之前加入了重采樣的過程，使得運算量減少，運算速度加快。在電池包實際工作中，一般使用的SOC范圍為20％到80％，因此保證了SOC的估算較快的達到較高的精度，滿足實際使用時的需求。

以上的實施例僅僅是對本發(fā)明的優(yōu)選實施方式進行描述，并非對本發(fā)明的范圍進行限定，在不脫離本發(fā)明設計精神的前提下，本領域普通工程技術人員對本發(fā)明的技術方案做出的各種變型和改進，均應落入本發(fā)明的權利要求書確定的保護范圍內。