電池荷電狀態的估計方法與流程
本發明涉及一種電池荷電狀態估算方法領域，尤其涉及一種電池荷電狀態的估計方法。
背景技術：
電動汽車以電能為能量驅動電動機駕駛，替代以汽油為能量來源的傳統汽車，是未來汽車的發展趨勢，又是國家目前大力發展的技術，對環境自然保護和能源的可持續利用具有重大意義。
BMS(Battery Management System，電池管理系統)作為電動汽車的核心，電動汽車的“大腦”，是電動汽車安全穩定運行的重要保障。
隨著電池SOH(State Of Health，健康狀態)下降，電池的模型參數會隨著發生變化，內部直流阻抗會變大。而在同一電池組中，各個單體電池的健康狀態SOH存在差異性，因此，其內部阻抗差異也較大，在電池的某一個SOH狀態下測取的電池參數所建立的電池模型，只能較為精確的預測當前電池的SOH狀態下所對應的荷電狀態值，無法精準預測下一個SOH狀態下所對應的荷電狀態值，若采用同一電池模型參數進行卡爾曼濾波算法，會增大算法的誤差，無法獲得較為精準的計算結果。
技術實現要素：
為克服現有技術存在的不足，本發明提供一種基于多模型的擴展卡爾曼濾波算法的電池荷電狀態的估計方法。
本發明解決技術問題的技術方案是提供1.一種電池荷電狀態的估計方法，其包括以下的步驟：基于擴展卡爾曼濾波算法建立至少兩個在不同電池SOH下的估計模型；對所述在不同電池SOH下的估計模型，進行擴展卡爾曼濾波算法計算，獲得與所述在不同電池SOH下的估計模型對應的電池荷電狀態估計值；及基于所述電池荷電狀態估計值獲得一時刻在不同電池SOH下的估計模型各自的權重值，以得到該時刻所述電池荷電狀態的最優估計。
優選地，基于擴展卡爾曼濾波算法建立至少兩個在不同電池SOH下的估計模型具體包括以下步驟：建立基于擴展卡爾曼濾波算法的在一電池SOH下的估計模型；測量獲得至少兩個不同電池SOH下對應的電池參數；將所述電池參數代入并獲得所需至少兩個在不同電池SOH下的估計模型。
優選地，基于擴展卡爾曼濾波算法的在一電池SOH下的估計模型為一階RC模型或二階RC模型。
優選地，基于擴展卡爾曼濾波算法的在一電池SOH下的估計模型具體表示為：
其中，在公式(Ⅰ)C表示為電容值，R1表示為電容阻抗，ik表示為k時刻的電流，Δt表示為采樣時間間隔，ηi表示為庫倫效率，Cn表示為電池的總容量，xk可表示為SOCk進一步表示為k時刻的電池荷電狀態，v1,進一步表示為t＝k時刻的電池的電容電壓，wk表示為所述電池在測量過程中的噪聲；在公式(Ⅱ)中OCV(SOCk)表示為電池開路電壓與k時刻的電池荷電狀態的關系，vC1,k表示為k時刻電池的電容電壓，R0表示為電池內部的直流內阻，qk表示為電池電壓的測量誤差。
優選地，所述測量獲得至少兩個在不同電池SOH下對應的電池參數具體包括以下步驟：確立電池開路電壓和電池荷電狀態的函數關系；基于所述函數關系，測量獲得在不同電池SOH下所述電池的內部參數。
優選地，所述電池的內部參數包括電池內部的直流內阻、極化電容或電壓中的一種或多種。
優選地，對所述在不同電池SOH下的估計模型，進行擴展卡爾曼濾波算法計算的具體步驟為：分別對在不同電池SOH下的多個時刻電池荷電狀態估計進行迭代運算。
優選地，對所述在不同電池SOH下的估計模型，進行擴展卡爾曼濾波算法計算的具體步驟為：并行對在不同電池SOH下的多個時刻電池荷電狀態估計進行迭代運算。
優選地，在對所述在不同電池SOH下的估計模型，并行進行擴展卡爾曼濾波算法計算之后，且在獲得所述在不同電池SOH下的估計模型中各自的權重值之前，進一步包括：對并行進行的擴展卡爾曼濾波算法計算結果進行誤差分析。
優選地，在獲得在不同電池SOH下的估計模型中各自的權重值之后，通過加權運算得到該時刻所述電池荷電狀態的最優估計。
與現有技術相比，本發明所提供的一種電池荷電狀態的估計方法具有以下的有益效果：
本發明所提供的電池荷電狀態的估計方法其包括先建立至少兩個在不同電池SOH下的估計模型，并對該模型進行擴展卡爾曼濾波算法計算，獲得在不同電池SOH下的估計模型對應的電池荷電狀態估計值，進一步獲得某一時刻在不同電池SOH下的估計模型各自的權重值，以得到該時刻所述電池荷電狀態的最優估計。采用本發明所提供的電池荷電狀態的估計方法可有效避免現有采用同一電池模型參數進行卡爾曼濾波算法，從而使算法誤差較大的問題，還可進一步克服采用同一算法估計電池組中在不同電池SOH下的電池荷電狀態造成的準確度漂移的問題，以增加電池荷電狀態算法的穩定性和可靠性。
【附圖說明】
圖1為本發明第一實施例電池荷電狀態的估計方法的流程示意圖。
圖2是圖1中所示步驟S101的具體步驟流程示意圖。
圖3是本發明中所提供的一階RC模型的簡化電路示意圖。
圖4是圖2中所示步驟Q101的具體步驟流程示意圖。
圖5是本發明中電池開路電壓與電池荷電狀態之間的函數關系曲線示意圖。
圖6是本發明中所示在一電池SOH下脈沖放電中時間與對應電阻電壓差之間的關系曲線示意圖。
圖7是本發明中不同電池SOH下的電池的內部參數之間關系列表的示意圖。
圖8是本發明中所提供在不同電池SOH下多模型的電池模型示意圖。
【具體實施方式】
為了使本發明的目的，技術方案及優點更加清楚明白，以下結合附圖及實施實例，對本發明進行進一步詳細說明。應當理解，此處所描述的具體實施例僅僅用以解釋本發明，并不用于限定本發明。
請參閱圖1，本發明第一實施例提供一種電池荷電狀態的估計方法S10，其包括如下的步驟：
步驟S101，基于擴展卡爾曼濾波算法建立至少兩個不同電池SOH的估計模型；
步驟S102，對所述在不同電池SOH下的估計模型，進行擴展卡爾曼濾波算法計算，獲得與所述在不同電池SOH下的估計模型對應的電池荷電狀態估計值；
步驟S103，基于所述電池荷電狀態估計值獲得一時刻在不同電池SOH下的估計模型各自的權重值，以得到該時刻所述電池荷電狀態的最優估計。
在本發明中，所述電池可為如二次鋰離子電池包、鉛酸蓄電池、金屬氫化物/鎳電池、燃料電池等充電裝置中的任一種，在一些優選的實施例中，本發明所述電池優選為二次鋰離子電池。
請參閱圖2，在本發明一些較為優選的實施例中，上述步驟S101中，具體包括以下步驟：
步驟Q101，建立基于擴展卡爾曼濾波算法的在一電池SOH下的估計模型；
步驟Q102，測量獲得至少兩個不同電池SOH下對應的電池參數；
步驟Q103，將所述電池參數代入并獲得所需至少在兩個不同電池SOH下的估計模型。
在本發明上述步驟S101中，建立基于擴展卡爾曼濾波算法的在某一電池SOH下的估計模型一般采用戴維寧等效電路，所述基于擴展卡爾曼濾波算法的電池荷電狀態估計模型具體可為一階RC模型或二階RC模型。
在本發明一些較為優選的實施例中，為了簡化多模型算法計算量，采用一階RC模型，如圖3，根據電路的基爾霍夫定律(Kirchhoff’s Law)，電容電壓v1(t)可通過如下微分方程(1)來表示：
解上述微分方程(1)并獲得如下公式(2)：
上述公式(2)，在t＝k時刻離散化為如下的公式(3)：
其中，v1,k+1表示為t＝k+1時刻的電池的電容電壓，C表示為電容值，R1表示為電容阻抗，ik表示為k時刻的電流，Δt表示為采樣時間間隔。
電池荷電狀態對應的數學模型公式表示為如下公式(4)：
上述公式(4)可進一步簡化為離散方程：
其中，在上述離散方程(5)中，SOCk表示為k時刻的電池荷電狀態，SOCk+1表示為k+1時刻的電池荷電狀態，范圍為0～100％；ηi表示為庫倫效率，一般為取1；Cn表示為電池的總容量，單位為mAh。利用SOCk+1和v1,k+1以表示電池待估計的荷電狀態狀態xk+1，并進一步向量化為如下公式(6)：
其中，在上述公式(6)中，xk可表示為v1,k表示為t＝k時刻的電池的電容電壓，wk表示為所述電池在測量過程中的噪聲，在本發明中，wk是一個必然存在的噪聲誤差。
根據電路的基爾霍夫定律，在本發明中，所述電池內部等效電路模型的對外表現的總電壓為v，對應方程為如下公式(7)：
v(t)＝OCV(SOC(t))-v1(t)-R0i(t) (7)
離散化后為如下公式(8)：
vk+1＝OCV(SOCk)-vC1,k-R0ik+qk (8)
其中，OCV(SOCk)表示為電池開路電壓與k時刻的電池荷電狀態的關系，在本發明中所述電池的開路電壓與k時刻的電池荷電狀態是一個可靠穩定的關系，同樣也是電池的重要參數，可對所述電池進行測試得出；vC1,k表示為k時刻電池的電容電壓；R0表示為電池內部的直流內阻；qk表示為電池電壓的測量誤差，其中，電池電壓v(t)的測量誤差vk是無法避免及消除的，只可能盡量減少。
基述公式(1)-公式(8)，可建立獲得在某一SOH狀態下，所述電池的一階RC等效電路模型，即基于擴展卡爾曼濾波算法的在一電池SOH下的估計模型可具體地表示為如下公式：
如圖4中所示，在本發明上述步驟Q101中，利用所述估計模型，測量獲得不同電池SOH下的電池參數具體可包括如下的步驟：
步驟T101，確立電池開路電壓和電池荷電狀態的函數關系；
步驟T102，基于所述函數關系，測量在不同的SOH下所述電池的內部參數。
在本發明一些具體的實施例中，所述步驟T101中確立電池開路電壓和電池荷電狀態之間函數關系的步驟具體可為：在所述電池充滿的情況下，以1/20C的電流放電，每次放所述電池中初始充滿狀態電量的5％后，使所述電池轉至開路一次，測量此時所述電池的開路電壓，得到第一個記錄數據點；采用上述方式逐次將所述電池初始充滿的電量完全放完后，記錄得到20個記錄數據點；然后同樣以1/20C的電流充電，每次充5％的電量后，使所述電池轉至開路一次，測量此時所述電池的開路電壓，記錄一次數據點，將同一荷電狀態的所述電池充電和放電的開路電壓數據去平均值得到20個數據點，最后將此數據用多項式擬合成如圖5中所示的曲線，所述曲線可表示為如擬合成如下公式(9)的多項式形式：
OCV(SOC)＝a1SOC4+a2SOC3+a3SOC2+a4SOC+a5 (9)
通過上述的方法，可消除電池極化效應的影響，從而獲得準確度更高的電池開路電壓與電池荷電狀態之間的關系。
在本發明一些實施例中，所述步驟T102中，所述電池的內部參數包括電池內部的直流內阻、極化電容、電壓等參數。
在本發明一些具體的實施例中，上述步驟P101可進一步為：提供一額定容量為2250mAh的電池，采用小電流放電1/20C，其中，具體的放電電流為112mAh，放電截止到電流小于50mAh為止，此時可采用安時積分法計算出電池的總容量。
在本發明一些具體的實施例中，上述步驟P102進一步包括選定電池SOH的幾個狀態，如所述電池SOH狀態為100％、95％、90％、85％、80％等，在每個狀態下測量所述電池的內部參數，具體地，在某一個選定的電池SOH下，采用脈沖放電的形式，如圖6中所示可計算獲得如下公式(10)與公式(11)：
其中，時間常數表示τ，△V0表示為電阻R0的電壓差，△V1表示為電阻R1的電壓差。而所述電池的電容可進一步表示為在所述電池不同的SOH下重復相同的實驗，可測得其在不同電池SOH下的電池的內部參數，具體如圖7中所示。
由于卡爾曼濾波算法相當依賴算法模型的準確性，而算法模型的誤差增大也會嚴重影響算法的精度和可靠性；而所述電池內部的直流內阻和極化電容等參數都會隨著電池健康狀態(SOH)變化，而在電池不同SOH下測量其電池內部參數，可有效解決上述的問題，從而提高擴展卡爾曼濾波算法的精度和可靠性。
在本發明一些實施例中，所述步驟S102中，對所述在不同電池SOH下的估計模型，進行擴展卡爾曼濾波算法計算，獲得與所述在不同電池SOH下估計模型對應的電池荷電狀態估計值，具體包括以下的步驟：
本發明具體采用多模型下的擴展卡爾曼濾波算法，其中，所述多模型指在多個不同電池SOH下測得電池模型參數。在本發明中，可獲得在不同電池SOH下對應的估計模型1-m。
具體來說，在不同電池SOH下多模型的電池模型如圖8，yk和ik為k時刻系統的觀測值，分別為k時刻的電池電壓和電流。
將上述步驟S101中所獲得的一階RC模型
進一步簡化為：
其中，Dk＝-R0，yk為k時刻電池測量電壓，wk和qk為噪聲系數。
上述算法模型的迭代運算過程為：表示為k時刻電池的先驗估計，表示為k時刻電池的后驗估計，其中，后驗估計即為在該k時刻下電池電荷狀態的最優估計。
具體地，k＝0時表示所述電池為初始化狀態。
當k＝0時刻，所述電池尚未開始運行時，取等于任意的猜測值為最優估計，如可為此時刻依據擴展卡爾曼濾波算法將協誤差陣的后驗估計取任意較小的數，如可為對所述電池的初始化，這里按實際情況去猜測值，之后進行上述模型的算法迭代會慢慢收斂到真實值。
當k＝1，2，3，……時刻：
k時刻電池的狀態先驗估計更新為：其中為k-1時刻的后驗估計。
k時刻的協方差誤差矩陣的后驗估計更新為：
其中為k-1時刻的協方誤差矩陣的后驗估計，Σw為則表示為所述電池的過程噪聲的協方誤差矩陣。
在獲得k時刻的協方差誤差矩陣的后驗估計更新之后進一步進行獲得卡爾曼增益：
其中,Lk為k時刻的卡爾曼增益，Σv為測量噪聲的協方誤差矩陣，表示為k時刻的協方誤差矩陣的先驗估計。
k時刻的電池后驗估計狀態更新為：
通過獲得k時刻的電池狀態先驗估計、卡爾曼增益和k時刻的電壓電流的測量值將更新系統的后驗狀態協方差后驗更新為：
以上5個方程為擴展卡爾曼濾波算法的基本算法過程，基于上述的5個方程式，可獲得單一與所述在不同電池SOH下的估計模型對應的電池荷電狀態估計值。
在本發明一些實施例中，對所述在不同電池SOH下的估計模型，進行擴展卡爾曼濾波算法計算的具體步驟為：分別對在不同電池SOH下的多個時刻電池荷電狀態估計進行迭代運算；或并行對在不同電池SOH下的多個時刻電池荷電狀態估計進行迭代運算。
在本發明一些優選的實施例中，在對所述在不同電池SOH下的估計模型，并行進行擴展卡爾曼濾波算法計算之后，且在獲得所述在不同電池SOH下的估計模型中各自的權重值之前，進一步包括：對并行進行的擴展卡爾曼濾波算法計算結果進行誤差分析。
基于上述的說明，在本發明較優的實施例中，對算法模型1-m，同時輸入k時刻的觀測值進行擴展卡爾曼濾波算法并行計算，然后通過誤差分析，計算各自的權重值P(θi|yk)，最后通過加權得到所述電池荷電狀態的最優估計：
其中，表示為第m個模型的擴展卡爾曼濾波算法的估計值。
在本發明中，上述步驟S103進一步包括在獲得多個不同電池SOH下的估計模型對應的電池荷電狀態估計值之后，基于所述電池荷電狀態估計值獲得一時刻在不同電池SOH下的估計模型各自的權重值，以得到該時刻所述電池荷電狀態的最優估計。其中，所述步驟S103中所獲得的所述電池荷電狀態的最優估計為最接近真實的電池荷電狀態。在本發明中，對在不同電池SOH下的估計模型對應的每個時刻，對多種模型并行計算其后驗狀態和后驗協方差誤差殘差定義為算法的估計值和測量值之差，具體可表示為殘差表示為算法估計值和真實值的接近程度，殘差越小，越接近真實的電池狀態。
由條件概率公式可知：
其中，為第i個算法模型的條件概率密度函數，它的值可進一步由殘差和后驗協誤差矩陣得出：
求得k時刻下不同電池SOH對應的各個模型的權值后，就可通過加權得到此時刻系統的最優估計：
進一步地，因而此時刻的基于多模型擴展卡爾曼濾波算法獲得的電池的最優估計為SOCk,best，即獲得所述電池的最優荷電狀態估計。
與現有技術相比，本發明所提供的電池荷電狀態的估計方法具有如下的優點：
(1)本發明所提供的電池荷電狀態的估計方法其包括先建立至少兩個在不同電池SOH下的估計模型，并對該模型進行擴展卡爾曼濾波算法計算，獲得在不同電池SOH下估計模型對應的電池荷電狀態估計值，進一步獲得某一時刻在不同電池SOH下的估計模型各自的權重值，以得到該時刻所述電池荷電狀態的最優估計。采用本發明所提供的電池荷電狀態的估計方法可有效避免現有采用同一電池模型參數進行卡爾曼濾波算法，從而使算法誤差較大的問題，還可進一步克服采用同一算法估計電池組中在不同電池SOH下的電池荷電狀態造成的準確度漂移的問題，以增加電池荷電狀態算法的穩定性和可靠性。
(2)在本發明中，建立至少兩個在不同電池SOH下的估計模型包括先基于擴展卡爾曼濾波算法建立一通用的估計模型，再經過測量獲得不同電池SOH狀態下的具體電池內部參數后，將所述電池內部參數代入所述估計模型中，從而獲得算法準確度較高的多組不同電池SOH狀態下的估計模型。
(3)在本發明中，為了使所述基于擴展卡爾曼濾波算法的在不同電池SOH下的估計模型運算更為簡單，所述估計模型優選為一階RC模型或二階RC模型。更進一步地，在本發明中對在不同電池SOH下的估計模型采用公式(Ⅰ)及公式(Ⅱ)進行了具體的限定，以簡化所述估計模型的算法計算量，加快所述估計模型的計算速率及其準確度。
(4)進一步地，為了獲得更為準確的運算結果，對測量獲得所述電池的內部參數的具體步驟也進行了限定，即先確定電池開路電壓和電池荷電狀態的函數關系后，基于該函數關系，獲得所需在不同電池SOH下所述電池的內部參數。其中，所述電池的內部參數包括直流內阻、極化電容或電壓中的一種或多種，可依據不同運算要求選用不同的參數，從而擴大所述電池荷電狀態的估計方法的適用范圍。
(5)在本發明中，對所述在不同電池SOH下的估計模型，進行擴展卡爾曼濾波算法計算包括分別或并行對在不同電池SOH下的多個時刻的電池荷電狀態估計進行迭代運算，可根據不同運算要求，從而采用不同的迭代運算方式。
(6)在采用并行進行擴展卡爾曼濾波算法計算過程中，可對其計算結果進行誤差分析，從而使獲得的估計值更接近與真實值，從而獲得精準的運算電池荷電狀態的估算結果。
(7)在本發明中，在求得某一時刻的在不同電池SOH下的估計模型中各自的權重值之后，可以通過加權得到該時刻所述電池荷電狀態的最優估計，上述加權的結果是基于各個估計模型而獲得的，可使獲得的所述電池荷電狀態的最優估計更為準確、可靠性更高。
以上所述僅為本發明較佳實施例而已，并不用以限制本發明，凡在本發明原則之內所作的任何修改，等同替換和改進等均應包含本發明的保護范圍之內。
- 還沒有人留言評論。精彩留言會獲得點贊！