一種聯合估計動力電池系統荷電狀態與健康狀態的方法與流程

背景技術：
：：目前，基于模型的SOC算法大多需要采用卡爾曼濾波系列算法來估計電池的SOC，雖然理論表明卡爾曼濾波是一種最優的線性狀態估計算法，但是其只適用于模型精確、輸入噪聲統計特性已知的情況，這顯然不能滿足實際的需求。基于此，本發明所采用的H∞濾波是一種專為魯棒性而設計的算法。該算法主要方式參見《最優狀態估計——卡爾曼，H∞及非線性濾波》，國防工業出版社。不同于卡爾曼濾波，即使在模型的存在誤差、噪聲的輸入統計特性未知，甚至是在最壞情況下，該算法依舊能準確地完成狀態估計。現有動力電池SOC的在線估計方法，由于最大可用容量(以下簡稱為容量)的不確定性使得動力電池SOC的估計結果可靠性低。且現有將相對穩定的SOC-OCV曲線(即開路電壓曲線)作為SOC估計算法的修正曲線，由電池使用溫度、老化程度等不同時，該曲線同樣會發生較為明顯的變化。基于此，本發明考慮到不同老化程度、溫度下的OCV-SOC曲線與容量均會產生一定的變化，從而建立容量、荷電狀態以及開路電壓的三維響應面，即容量-SOC-OCV三維響應面，以此為基礎實現了不同使用環境(老化程度、溫度)下的SOC與容量的聯合估計。本發明還針對動力電池系統狀態量的快速時變特性與參數量的緩慢時變特性，采用微觀時間尺度估計動力電池的SOC、采用宏觀時間尺度估計動力電池的模型參數與可用容量，形成基于多時間尺度的動力電池SOC和容量的聯合估計方法，實現動力電池SOC和容量在不確定性應用環境中的精確聯合估計。不僅使得估計結果更加穩定可靠，同時降低了系統的計算成本。技術實現要素：：本發明涉及一種聯合估計動力電池系統荷電狀態與健康狀態的方法，所述方法包括：首先，建立容量-SOC-OCV三維響應面，所述OCV是所述系統的開路電壓；其次，在線數據獲取，實時采集動力電池單體和動力電池組的電壓和電流；然后，多時間尺度濾波算法，獲得所述動力電池系統的當前宏觀時間尺度下的系統容量預估修正值與當前微觀時間尺度下的系統SOC預估修正值；在每個SOC估計微觀采樣點下更新所述系統SOC預估修正值，每隔L個所述SOC估計微觀采樣點為容量估計宏觀采樣點，在該容量估計宏觀采樣點下更新所述系統容量預估修正值，每次更新后的所述系統容量預估修正值作為當前容量估計宏觀采樣點后L次的更新所述系統SOC預估修正值所用的參數；所述L是兩個以上；最后，在線SOC與SOH提取，利用所述多時間尺度濾波算法獲得的當前所述系統SOC預估修正值與系統容量預估修正值，估計動力電池系統荷電狀態與健康狀態。優選地、所述多時間尺度濾波算法包括：步驟①：進行當前SOC估計微觀采樣點k下的系統SOC預估，得到系統SOC預估值；步驟②：基于步驟①中的獲得的系統SOC預估值和上個容量估計宏觀采樣點的系統容量預估修正值，利用所述容量-SOC-OCV三維響應面，更新當前系統開路電壓得到第一開路電壓；然后，基于上述第一開路電壓，進行所述系統SOC預估值的修正，得到所述系統SOC預估修正值；步驟③：k+1作為新的SOC估計微觀采樣點，判斷k-1是否能被L整除，如果能，則進行步驟④；否則返回步驟①；步驟④：進行容量估計宏觀采樣點l+1下的系統容量預估，得到系統容量預估值；步驟⑤：基于步驟④中的獲得的系統容量預估值和最近一次步驟②中獲得的系統SOC預估修正值，利用所述容量-SOC-OCV三維響應面，再次更新當前系統開路電壓得到第二開路電壓；基于所述第二開路電壓，進行容量估計宏觀采樣點l+1下的系統容量預估值的修正，得到系統容量預估修正值；并返回步驟①。優選地、步驟①中利用SOC估計微觀采樣點k-1下的系統電流值和系統SOC預估修正值，以及最近一次采樣點l的系統容量預估修正值來進行系統SOC預估。優選地、步驟②中進行所述系統SOC預估值的修正，基于步驟①中的獲得的系統SOC預估值、所述第一開路電壓、SOC估計微觀采樣點k下的電流值和電壓值。優選地、步驟⑤中進行所述系統容量預估值的修正，基于第二開路電壓、容量估計宏觀采樣點l+1或最近一次SOC估計微觀采樣點下的電流值和電壓值。優選地、利用系統容量預估修正值評估所述SOH。優選地、所述SOC估計微觀采樣點的采樣頻率與所述電流、電壓采樣頻率相同。優選地、建立所述容量-SOC-OCV三維響應面的方法為：對不同容量下的SOC與OCV關系進行擬合，得到各所述不同容量下的組合模型系數，采用二次函數對各組合模型系數與容量的關系進行擬合，完成容量-SOC-OCV三維響應面的建立。優選地、通過電池管理系統實時采集動力電池單體和動力電池組的電壓和電流。本發明所提出的聯合估計方法與傳統方法相比具有以下優勢：(1)采用SOC估計的期望值與誤差限(以95％置信區間為例，但不限于95％)更加全面、準確地評價動力電池的荷電狀態可能分布情況；(2)在SOC與容量初值均不準確(20％誤差)的情況下均能快收斂到真值，即實現了電池最大容量未知時，SOC的準確估計，解決了傳統SOC估計算法以最大可用容量已知為前提而無法成功運用到實車上的難題；(3)相比單時間尺度算法而言，不僅估計精度得到了較大的提高，而且較大地減少了算法計算量與計算時間。附圖說明：圖1多時間尺度的動力電池系統SOC和SOH聯合估計方法流程圖；圖2動力電池Thevenin等效電路模型；圖3容量-SOC-OCV三維響應面；圖4單時間尺度雙H∞濾波算法端電壓、SOC與容量估計結果。其中：(a)、端電壓預測值與測量值對比；(b)、端電壓預測誤差；(c)、SOC估計值與參考值對比；(d)、SOC估計誤差；(e)、容量估計值與參考值對比；(f)、容量估計誤差。圖5多時間尺度H∞濾波算法端電壓、SOC與容量估計結果。其中：(a)、端電壓預測值與測量值對比；(b)、端電壓預測誤差；(c)、SOC估計值與參考值對比；(d)、SOC估計誤差；(e)、容量估計值與參考值對比；(f)、容量估計誤差。具體實施方式：如本領域公知的，本發明的動力電池系統包括動力電池單體、動力電池包、或者成組后的動力電池。本發明使用OCV代表開路電壓，SOC代表電池荷電狀態，SOH代表電池健康狀態。本發明所述的一種基于多時間尺度的動力電池系統荷電狀態(SOC)與健康狀態(SOH)的聯合估計方法如附圖1所示。本發明的基于多時間尺度的動力電池系統荷電狀態(SOC)與健康狀態(SOH)的聯合估計方法也同樣適用于非線性系統。本發明系統的狀態指代時時變化的系統指標，包括電池SOC、極化電壓，如SOC一次完全充放電過程中即完成了一個完整周期的變化。而系統的參數指代相對于狀態變化較慢的系統指標，如電池容量和電池模型參數，其在一次完全充放電過程中幾乎沒有變化。本發明下述系統非特殊說明皆指代動力電池系統，系統狀態對應電池系統狀態，優選地對應電池系統的SOC。系統參數對應電池系統參數，優選地對應電池系統SOH或最大可用容量。該聯合估計方法包括：容量-SOC-OCV三維響應面的建立、在線數據獲取、多時間尺度H∞濾波算法、以及在線SOC與SOH提取四個方面。下面分別對上述四個方面就行詳細敘述：算法準備工作：容量-SOC-OCV三維響應面的建立相對穩定的SOC-OCV曲線，即開路電壓曲線，常常作為SOC估計算法的修正曲線，但電池使用溫度、老化程度等變化時，該曲線同樣會發生較為明顯的變化。本發明將溫度、老化程度等因素對該曲線的影響直接反映到電池容量的差異之上，利用容量、SOC與OCV三者的關系作為容量與SOC聯合估計算法的修正曲面。具體過程如下：在不同電池容量(即溫度、老化程度變化時)下進行開路電壓試驗，以獲取不同電池容量下的SOC與OCV對應關系，采用組合模型(如式(1)所示)分別對不同容量下的SOC與OCV關系進行擬合，從而得到各個不同容量下的α0,α1,…,α6參數值，最后采用二次函數(如式(2)所示)對參數α0,α1,…,α6與容量的關系進行擬合，至此完成容量-SOC-OCV三維響應面的建立。Uoc(Ca,z)＝α0+α1z+α2z2+α3z3+α4/z+α5ln(z)+α6ln(1-z)(1)α0α1α2α3α4α5α6T=Λ×Ca2Ca1T---(2)]]>Ca為電池容量；z為電池SOC；Uoc(Ca,z)表示開路電壓(OCV)，其為電池容量與SOC的函數；α0,α1,…,α6為組合模型的系數；上標T表示矩陣的轉置；Λ為7×3常數矩陣。1、在線數據獲取當電動汽車運行時，動力電池系統中的電池管理系統(BMS)能夠通過數據采集器實時采集動力電池單體和動力電池組的電壓、電流等信息，并儲存在相應的存儲器，為下面的多時間尺度H∞濾波算法提供可靠地實時信息輸入，所述信息輸入包括tk時刻系統的測量值yk＝Ut,k，tk時刻系統的輸入信息uk＝iL,k。iL,k為控制電流；Ut,k為端電壓。2、多時間尺度H∞濾波算法本發明使用多時間尺度H∞濾波算法來實現動力電池參數與狀態聯合精確估計。該算法適用于如下非線性離散系統：xk=f(xk-1,θl,uk-1)+wk-1θl=θl-1+ρl-1yk=g(xk,θl,uk)+vk---(3)]]>x表示系統的狀態；θ表示系統的參數；下標k表示tk時刻系統采樣時間點(外界輸入)，同時也代表了狀態估計的時間尺度，即在每個采樣時間點下均進行一次狀態估計；下標l表示參數估計的時間尺度，其數值上等于k除以L的商(L為尺度轉換限值)，即每隔L個采樣時間點進行一次參數辨識，且每次參數辨識結果被用來估計tl×L時刻之后的L個時刻下的狀態值；微觀時間尺度，即上述狀態估計的時間尺度；宏觀時間尺度，即上述參數估計的時間尺度；f(xk-1,θl,uk-1)表示模型的狀態函數；g(xk,θl,uk)表示模型的觀測函數；yk為tk時刻系統的測量值,yk＝Ut,k；uk為tk時刻系統的輸入信息,uk＝iL,k；wk-1和ρl-1分別為系統狀態噪聲和參數噪聲，vk為測量噪聲，在H∞濾波算法之中，所述系統狀態噪聲、參數噪聲和測量噪聲被設計為隨機且未知的，突破了傳統濾波算法狀態噪聲、參數噪聲和測量噪聲為白噪聲這一假設，因而與實際生產結合更加緊密。對于電池系統這一非線性離散系統而言，將上述參數具體定義如下：本發明使用Thevenin動力電池等效電路模型為例來闡述該動力電池SOC與SOH聯合估計方法。圖2為Thevenin動力電池等效電路模型，該模型由電壓源、歐姆內阻、以及RC網絡三部分組成。根據各元器件特性以及電學基本定律建立相應數學模型，如式(4)所示。U·p=-1CpRpUp+1CpiLUt=Uoc-Up-iLR0---(4)]]>Up為極化電壓，為其導數；Cp為極化電容；Rp為極化電阻；iL為控制電流；Ut為端電壓；Uoc為開路電壓；R0為歐姆內阻。動力電池SOC的計算方程為：z=z0-∫iLdtCa---(5)]]>z0表示SOC的初值；Ca為動力電池最大可用容量(下文簡稱為容量)，即指在一定的使用條件下，電池充滿電后能放出的最大電量，同時電池最大可用容量是表征電池健康狀態(SOH)的重要參數，即相同使用條件下，電池最大可用容量越小，電池衰退越明顯，電池健康狀態(SOH)越差。鑒于電壓電流的采樣是離散的，即SOC估計算法的輸入也是離散的，因而有必要將式(4)和(5)線性離散化，同時改寫成如式(6)所示的包含隱含狀態xk和隱含參數θl的多時間尺度動力電池系統，即：xk=f(xk,θl,uk)+wk=exp(-ΔtCp,lRp,l)001xk+[1-exp(-ΔtCp,lRp,l)]iL,kRp,lη(iL,k)iL,kΔt/Ca,l+wkθl+1=θl+ρlyk=g(xk,θl,uk)=Uoc,k-Up,k-R0,liL,k+vkxk=Up,kzkTθl=R0,lRp,lCp,lCa,lTyk=Ut,kuk=iL,k---(6)]]>Δt表示時間尺度k的單位時間間隔；η(iL,k-1)表示充放電效率。基于上式(1)、(2)與(6)，得到雙H∞濾波算法中狀態函數與觀測函數關于狀態或參數的雅克比矩陣：Ak-1=df(x,θl,uk-1)dx=exp(-ΔtCp,lRp,l)001---(7)]]>Ckx=dg(x,θl,uk)dx=[-1∂Uoc(Ca,l,z)∂z]T---(8)]]>Clθ=dg(xk,θ,uk)dθ=-iL,k00∂Uoc(Ca,zk)∂CaT+Ckx∂xk∂θ---(9)]]>Ak-1為狀態函數關于狀態的雅克比矩陣；為觀測函數關于狀態的雅克比矩陣；為觀測函數關于參數的雅克比矩陣。這里，對上式(7-9)中各函數求導結果進行整理，即：∂Uoc∂z=α1+2α2z+3α3z2-α4/z2+α5/z-α6/(1-z)---(10)]]>∂Uoc∂Ca=1zz2z31/zln(z)ln(1-z)×Λ×2Ca10---(11)]]>dxkdθ=∂f(xk-1,uk-1,θ)∂θ+Ak-1dxk-1dθ---(12)]]>其中，初值dx0/dθ在未能得到可信的經驗值的情況下，常常被初始化為零。∂f(xk-1,uk-1,θ)∂θ=0b1b20000b4---(13)]]>b1=Up,k-1ΔtRp,l2Cp,lexp(-ΔtCp,lRp,l)-iL,k-1ΔtCp,lRp,lexp(-ΔtCp,lRp,l)-iL,k[exp(-ΔtCp,lRp,l)-1]b2=Up,k-1ΔtCp,l2Rp,lexp(-ΔtCp,lRp,l)-iL,k-1ΔtCp,l2exp(-ΔtCp,lRp,l)b4=η(iL,k)iL,kΔtCa,l2---(14)]]>至此，已完成動力電池非線性離線系統中各相關參數的定義，如式(6)-(9)所示。下面對該算法具體過程進行描述：算法的初始化：分別設置宏觀參數觀測器H∞Fθ和微觀狀態觀測器H∞Fx的初始參數值。包括：θ^0+,Q0θ,R0θ,P0θ,+,Sθ,λθ---(15)]]>x^0+,Q0x,R0x,P0x,+,Sx,λx,Σ0x,+]]>為參數觀測器H∞Fθ中系統參數的初始值；表示參數θk的估計值或期望值，即為參數觀測器H∞Fθ中矩陣的初始值；為設計者基于系統噪聲ρl所設計的對稱正定陣，如假如我們提前知道了ρk的第三個元素很大(如比其它元素大幾個數量級)時，那么應該大于中其它元素；為參數觀測器H∞Fθ中矩陣的初始值；為設計者基于測量噪聲vk所設計的對稱正定陣，如假如我們提前知道了vk的第二個元素很大時，那么應該大于中其它元素；Sθ為參數觀測器H∞Fθ中設計者基于參數θ中各分量的關心程度而設定的對稱正定陣，如當我們對狀態向量θk的第3個元素非常感興趣時，那么可以設計Sθ(3,3)使得其遠遠大于Sθ中其它元素；為參數觀測器H∞Fθ中設計者基于系統估計誤差所設計的對稱正定陣，如當我們對參數向量初值θ0的第3個元素一無所知時，那么可以設計使得其遠遠大于中其它元素；λθ為參數觀測器H∞Fθ選定的性能邊界，選定的性能邊界值越大說明算法魯棒性越強，即能更好地適應外界的干擾(如噪聲等)，且當性能邊界設置為0(最小值)時，算法退化為卡爾曼濾波算法，但大的性能邊界值往往依賴于矩陣與的充分合理設計，因而使得算法的調試難度較大；為狀態觀測器H∞Fx中的系統狀態的初始值；即為狀態xk的估計值或期望值，即為狀態觀測器H∞Fx中的系統狀態估計誤差協方差矩陣的初始值；為狀態估計協方差矩陣，不同于以往僅從期望值評價估計結果，本專利從期望值和方差兩個方面更全面地評價系統估計結果，并引入估計誤差限(式(12))概念，使得估計結果更加直觀；為狀態觀測器H∞Fx中矩陣初始值；為設計者基于系統噪聲wk所設計的對稱正定陣，如假如我們提前知道了wk的第二個元素很大時，那么應該大于中其它元素；為狀態觀測器H∞Fx中矩陣初始值；為設計者基于測量噪聲vk所設計的對稱正定陣，如假如我們提前知道了vk的第三個元素非常大時，那么應該大于中其它元素；Sx為參數觀測器H∞Fx中設計者基于狀態x中各分量的關心程度而設定的對稱正定陣，如當我們對狀態向量xk的第三個元素非常感興趣時，那么可以設計Sx(3,3)使得其遠遠大于Sx中其它元素；為參數觀測器H∞Fx中設計者基于系統估計誤差所設計的對稱正定陣，如當我們對參數向量初值x0的第三個元素一無所知時，那么可以設計使得其遠遠大于中其它元素；λx為狀態觀測器H∞Fx選定的性能邊界，選定的性能邊界值越大說明算法魯棒性越強，即能更好地適應外界的干擾(如噪聲等)，且當性能邊界設置為0(最小值)時，算法退化為卡爾曼濾波算法，但大的性能邊界值往往依賴于矩陣與的充分合理設計，因而此時算法的調試難度較大。當采樣時間k∈{1,2,...,∞}時，基于電流、電壓等信息的不斷輸入，計算：步驟①：基于微觀時間尺度的狀態觀測器H∞Fx的時間更新(先驗估計)利用k-1采樣點的電流值uk-1＝iL,k-1、系統狀態估計值的修正值，以及最近一次采樣點l的系統參數估計值的修正值來進行系統狀態預估。同時，利用k-1采樣點的系統狀態設計矩陣預估完成系統狀態設計矩陣的時間更新所述系統狀態設計矩陣更新在步驟②中被用來更新狀態增益矩陣如式(20)所示。系統狀態預估：系統狀態設計矩陣預估：系統狀態誤差協方差預估：為tk時刻狀態先驗估計值，即采用tk時刻之前(不包括k)的測量值來預估xk；表示模型的狀態函數；為tk-1時刻狀態后驗估計值，即采用tk-1時刻與tk-1時刻以前的測量值來估計xk-1，這里基于上一次循環(即tk-1時刻)的輸出直接得到；為tl×L時刻參數后驗估計值，即采用tl×L時刻與tl×L時刻以前的測量值來估計θl，這里基于先前循環的輸出直接得到；uk為tk時刻系統的輸入信息，其為已知量；為tk時刻狀態設計矩陣的先驗估計結果，與相對應；為以為初值并通過式(17)、(22)不斷遞推得到的H∞無窮濾波狀態設計矩陣；為tk-1時刻的狀態設計矩陣的后驗估計結果，與相對應，這里基于上一次循環(即tk-1時刻)的輸出直接得到；為設計者基于系統噪聲wk所設計的對稱正定陣在tk-1時刻的值；為tk時刻狀態估計誤差協方差矩陣的先驗估計結果，與相對應；為tk-1時刻的狀態估計誤差協方差矩陣的后驗估計結果，與相對應，這里基于上一次循環(即tk-1時刻)的輸出直接得到。步驟②：基于微觀時間尺度的狀態觀測器H∞Fx的測量更新(后驗估計)基于步驟①中的獲得的系統狀態預估和上個參數估計采樣點的系統參數估計值修正值(即參數后驗估計值)，利用容量-SOC-OCV三維響應面，獲得對應的第一開路電壓Uoc。然后，基于上述Uoc和當前采樣點下的電流uk＝iL,k和電壓值yk＝UL,k，進行當前狀態估計微觀采樣點k下的狀態測量更新，即公式(21)所示系統狀態估計值修正。其中如公式(6)所示，Uoc與直接決定了的大小，利用Uoc完成公式(19)所示系統狀態估計新息更新。系統狀態估計新息更新：系統狀態增益矩陣：Kkx=Pkx,-(I-λxSkxPkx,-+(Ckx)T(Rkx)-1CkxPkx,-)-1(Ckx)T(Rkx)-1---(20)]]>在系統狀態預估的基礎上，利用系統狀態估計新息更新和系統狀態增益矩陣對進行修正，得到系統狀態估計值修正系統狀態估計值修正：其中，利用步驟①獲得的系統狀態設計矩陣預估值完成系統狀態設計矩陣的測量更新所述系統狀態設計矩陣更新被用來預估下一時刻的系統狀態設計矩陣見式(17)。系統狀態設計矩陣更新：由于最終狀態估計結果呈現以為期望值，為方差的近似正態分布，因此利用狀態估計誤差協方差評價狀態估計值的精確度與穩定性。系統狀態估計誤差協方差更新：系統狀態估計誤差限(95％置信區間)：為狀態估計新息，即測量值的預估誤差；yk為tk時刻系統的測量值；表示模型的觀測函數；為狀態增益矩陣；為設計者基于測量噪聲vk所設計的對稱正定陣在tk時刻的值；I為單位矩陣；α為常向量，用于提取矩陣(此矩陣對角線上元素遠大于其所在行其它元素)對角線上的元素，且α＝[111]T。步驟③：判斷k-1是否能被L整除，如果能，則令l＝l+1，并繼續下一步；否則，則返回準備下一采樣時刻的計算。步驟④：基于宏觀時間尺度的狀態觀測器H∞Fθ的時間更新(先驗估計)系統參數預估：系統參數設計矩陣預估：為tl×L時刻參數先驗估計值，即采用tl×L時刻之前(不包括tl×L)的測量值來預估θl；為tl×L時刻狀態設計矩陣Plθ的先驗估計結果，與相對應；Plθ為以為初值并通過式(26)、(30)不斷遞推得到的H∞無窮濾波參數設計矩陣；為t(l-1)×L時刻的狀態設計矩陣的后驗估計結果，與相對應，這里通過上一次循環的計算結果直接得到；為設計者基于系統噪聲ρl-1所設計的對稱正定陣在時刻t(l-1)×L的值。步驟⑤：基于宏觀時間尺度的狀態觀測器H∞Fθ的測量更新(后驗估計)基于步驟④中的獲得的系統參數預估和最近一次步驟②中獲得的系統狀態估計值修正利用所述容量-SOC-OCV三維響應面，再次更新當前系統開路電壓Uoc；基于上述再次更新的當前系統開路電壓Uoc、當前采樣點下的電流uk＝iL,k和電壓值yk＝UL,k，進行當前容量估計宏觀采樣點下的系統參數估計值的修正。其中如公式(6)所示，Uoc與直接決定了的大小，利用Uoc完成系統狀態估計新息更新，見公式(27)。系統參數估計新息更新：系統參數增益矩陣：Klθ=Plθ,-(I-δθSlθPlθ,-+(Clθ)T(Rlθ)-1ClθPlθ,-)-1(Clθ)T(Rlθ)-1---(28)]]>在系統參數預估的基礎上，利用系統參數估計新息更新和系統參數增益矩陣對進行修正，得到系統狀態估計值修正系統參數估計值修正：參數設計矩陣更新：其中，利用步驟④獲得的系統參數設計矩陣預估完成系統參數設計矩陣的測量更新所述系統參數設計矩陣更新用來更新下一時刻的參數增益矩陣見公式(26)與(28)。為狀態估計新息，即測量值的預估誤差；同樣表示模型的觀測函數；為參數增益矩陣；同樣為設計者基于測量噪聲vk所設計的對稱正定陣在tk時刻的值；經過上述五步之后，獲得了tk時刻下系統參數估計值修正與系統狀態估計值修正然后相應結果將會返回到步驟①中，并將其作為下一時刻tk+1下參數與狀態估計的初值。3、SOC與SOH提取基于上述多時間尺度H∞濾波算法，得到實時的電池參數與狀態通過式(31)提取出狀態量zk，參數量Ca,l、R0,l與Rp,l。zk=01·x^k+Ca,l=0001·θ^l+R0,lRp,l=10000100·θ^l+---(31)]]>Ca,l表示tl×L時刻下更新的電池容量值；R0,l與Rp,l分別表示tl×L時刻下更新的電池歐姆內阻與極化內組值。式中，狀態量zk即為系統狀態估計值修正是實時的荷電狀態(SOC)；參數量Ca,l、R0,l和Rp,l與系統參數估計值修正相關，則能直接實時地反映電池的健康狀態(SOH)。在某一固定使用情況(如溫度恒定等)下，電池容量越小，反應電池老化越嚴重，同時意味著電池健康狀態(SOH)越差，在此算法過程中，電池容量精度較高，可以以此作為主要的SOH衡量參數；同時，對于一定的使用條件(如溫度恒定、SOC固定)而言，電池內阻越大，電池老化越嚴重，同樣意味著電池SOH越差，考慮到電池內阻估計精度未得到充分檢驗，因而僅將其作為SOH的輔助衡量參數。下面通過選用某一型號鎳鈷錳三元電池為例進行試驗，進而比對本發明的基于多時間尺度的估計值相對于基于單時間尺度的估計值。選用鎳鈷錳三元電池為研究對象，其額定容量為2Ah，充放電截止電壓分別為4.1V、3.0V。準備試驗包括三個固定溫度點(10℃、25℃、45℃)下的基礎容量、開路電壓、DST(DynamicStressTest，動態應力測試工況)循環工況三項試驗，以及室溫條件下的基礎容量與DST循環工況試驗。其中，三個固定溫度點下的試驗主要用于容量、SOC與OCV三者函數關系的獲取、SOC與容量聯合估計算法程序的調試；室溫條件下的試驗則用來驗證算法的精度與穩定性。基于基礎容量試驗，得到不同溫度下的最大可用容量，如表1所示。表1不同溫度下，該電池單體最大可用容量基于不同容量下(這里以溫度為例)的開路電壓與SOC關系曲線，建立電池容量-SOC-OCV三維響應面，如圖3所示。通過對容量、SOC和OCV三者關系，采用式(1)、(2)進行擬合，從而獲得常數矩陣Λ。Λ=22.37-101.24118.36-57.39260.98-296.4556.30-258.66296.39-23.49108.48-124.480.01285-0.055410.059838.470-37.84042.385-0.13700.5997-0.6541---(33)]]>基于上述試驗數據與式(32)，通過上述多時間尺度H∞濾波算法來實現SOC與容量的聯合估計。具體過程為：首先，完成聯合估計算法程序的調試。即在三個固定溫度點(10℃、25℃、45℃)下，基于相應的DST試驗數據，共同完成上述基于雙H∞濾波的SOC與容量聯合估計算法程序的調試。然后將室溫下DST試驗數據直接調入上述調試好的聯合估計算法程序中，并將算法中SOC初值設置為80％(準確初值為100％)、容量初值設置為1.5Ah(準確初值為2.096Ah)，得到室溫下單時間尺度下SOC與容量估計結果。為了體現多時間尺度的優勢，這里取尺度轉換限值L＝1s(單尺度)和L＝60s(多尺度)兩種情況完成動力電池SOC與容量估計，估計結果分別如圖4、圖5所示。圖5中單尺度表示單時間尺度雙H∞濾波算法相應估計結果，多尺度以及未具體指明的曲線均表示多時間尺度雙H∞濾波算法相應估計結果。同時，表2給出了直觀的數字對比結果。需要說明的是，由于上述所有試驗(包括不同溫度下的基礎容量試驗、開路電壓試驗以及DST循環工況試驗)數據采樣時間均為1s，當L＝1s時，多時間尺度算法退化為單時間尺度算法。表2單時間尺度與多時間尺度雙H∞濾波估計結果對比注：端電壓誤差為電池模型端電壓預測值與測量值之差。測量值即通過試驗直接測量得到，在采集精度高的試驗情況下，即可認為其近似等于端電壓準確值。SOC誤差為上述濾波算法SOC估計值與SOC試驗參考值之差。所述SOC試驗參考值基于以下原理得到：在試驗條件下，設備傳感器精度很高，從而保證了電流電壓采集精度很高。在一定試驗條件下，按照標準的電流(一般為0.3C)充電使得電池容量充滿，此時電池SOC等于100％，倘若需要從90％SOC開始試驗，則可以按照標準電流放掉10％SOC的電流，按照此方法可以得到準確的初始SOC值。之后進行相關試驗，直至試驗完成時，按照標準的電流放電至0％SOC，可以得到準確的試驗完成時的SOC值。在已知初始與終止SOC的條件下，鑒于電流采集精度高、電流充放電效率已知，從而采用安時積分法能得到高精度的SOC參考曲線。容量誤差為上述濾波算法容量估計值與試驗參考值之差。容量試驗參考值即為在一定條件下，按照標準的電流充電使得電池容量充滿后，同樣對電池按標準電流放電至0％SOC的整個過程中所放出的總電量。從上述分析得出，本發明所提出的基于數據驅動的車載動力電池系統容量與SOC聯合估計方法與傳統方法相比具有以下優勢：(1)采用SOC估計的期望值與誤差限(以95％置信區間為例，但不限于95％)更加全面、準確地評價動力電池的荷電狀態可能分布情況；(2)圖4、圖5表明在SOC與容量初值均不準確(20％誤差)的情況下均能快收斂到真值，即實現了電池最大容量未知時，SOC的準確估計，解決了傳統SOC估計算法以最大可用容量已知為前提而無法成功運用到實車上的難題；(3)電池容量與內阻是衡量電池健康狀態(SOH)重要指標，因而上述聯合估計算法在一定程度上實現了SOC與SOH的聯合估計；(4)提出多時間尺度的容量與SOC估計算法，相比單時間尺度算法而言，不僅估計精度得到了較大的提高，而且較大地減少了算法計算量與計算時間。當前第1頁1 2 3