CN106443459A

CN106443459A - 一种车用锂离子动力电池荷电状态估算方法

Info

Publication number: CN106443459A
Application number: CN201610803127.6A
Authority: CN
Inventors: 柳志民; 刘东秦; 许立超; 王贺敏
Original assignee: FAW Group Corp
Current assignee: FAW Group Corp
Priority date: 2016-09-06
Filing date: 2016-09-06
Publication date: 2017-02-22

Abstract

本发明提供了一种动力锂离子电池管理系统SOC估算估算方法，首先针对锂离子动力电池的内在电特性，提出采用一阶RC等效电路模型对其进行模拟；确定动力电池的极化内阻R1、极化电容C1、欧姆内阻R0等为关键参数；结合充放电实验对模型参数初步辨识；在此基础上，同时综合常用SOC估算方法，针对锂离子动力电池，建立一种以卡尔曼滤波为主，结合开路电压修正、安时积分法的SOC估算策略。试验表明，SOC估算精度可以达到3％以内。

Description

一种车用锂离子动力电池荷电状态估算方法

技术领域

本发明涉及新能源汽车电池管理系统领域，尤其涉及一种基于锂离子动力电池模型的荷电状态(SOC，state of charge)估算方法。

背景技术

动力电池作为电动车辆的能量储存单元，其性能直接影响车辆的燃油经济性和动力性。因为电动车辆的实际运行环境是非常复杂和变化多端的，所以为了确保动力电池组能够高效地、可靠地以及安全地工作，一个有效的电池管理系统是必需的。特别是对于活性强(安全性较差)的锂离子电池，电池管理系统的意义和必要性则更加突出。

电池管理系统的核心任务是对电池内部状态进行估计，因为电池的内部状态不能直接测量，所以状态估计也是电池管理与控制中的难点。实际中，不佳的SOC估计值往往会导致比预期更大的SOC波动，从而减少电池的循环寿命，降低车辆的能量利用效率，并且对充电和均衡控制都有很大的负面影响。

目前国内外汽车厂商、电池厂商及科研机构提出的SOC估计方法大致可以分为几大类，包括安时积分法、开路电压法、模糊推理法、人工神经网络算法等。

经典的安时积分方法经常用于估算电池的SOC，概念上，这种方法很简单并且易于实现。尽管如此，这类方法有三个明显的缺点。首先，初始SOC值的确定是很困难的，由于初始SOC误差，所有随后的估计值都可能是有偏的；此外，这类方法对电流传感器的精度相当敏感，实际中，电流传感器经常受噪声、温度漂移及其它一些未知的随机扰动的影响，在积分中，这些随机量很容易造成较大的累加误差；最后，电池老化造成的容量变化也会影响安时积分法的精度。

开路电压法同时考虑到开路电压和SOC之间的单调关系，实际中开路电压经常用于确定初始SOC。根据测量的开路电压，求开路电压函数的反函数(或查表)即可获得SOC估计值。有时开路电压函数在SOC中间区域(例如30％到70％之间)非常平坦，一个小的开路电压误差就会导致很大的SOC估计误差。由于混合动力车辆用的电池组通常处于半饱状态(约50％SOC)，因此仅仅基于开路电压的SOC初始化方法不太适合用于混合动力车辆。对于纯电动车辆和插电式混合动力车辆，电池SOC能够经常到达SOC两端区域，对应的开路电压函数比较陡峭，所以基于开路电压的重置在这种情况下会更加有效。

模糊推理的方法是首先建立一个动力电池的模糊逻辑模型，在电池的工作过程中采用闭环模糊推理的方法估算电池的SOC，但动力电池的模糊逻辑模型建立需要大量的实验数据，并深入寻找数学规律、训练逻辑，方法复杂，工程很难实现。

而人工神经网络算法，由于人工神经网络具有非线性的基本特性，具有并行结构和学习能力，对于外部激励，能给出相应的输出，故能够模拟电池动态特性，进而估计SOC值。神经网络法适用于各种电池，缺点是需要大量的参考数据进行训练，估计误差受训练数据和训练方法的影响很大。

由此可见，开路电压法和安时积分法原理简单，容易实现，但是由于其考虑因素有限，故其使用范围有限制，尤其在HEV中上述两种常用的策略在单独使用时都无法准确地计量SOC。模糊推理法和人工神经网络算法虽然能解决电池的非线性及多变量等问题，但算法过于复杂，难以实现，不能应用于实际工程当中。

发明内容

本发明为解决上述技术问题，提出一种车用锂离子动力电池荷电状态估算方法，基于电池的内在特性建立动力电池的模型，基于一阶RC模型，能较好地表征电池静态特性及动态特性，同时结合开路电压法、安时积分以及卡尔曼滤波方法估算SOC值，实现估算误差小于3％。

为了实现上述目的，本发明采用如下技术方案。

一种车用锂离子动力电池荷电状态估算方法，为一种以基于电池动态模型的卡尔曼滤波为主，结合开路电压修正、安时积分法的SOC估算方法，其中动态模型采用一阶RC等效电路模型；模型中动力电池的极化内阻R1、极化电容C1、欧姆内阻R0作为关键参数，包括如下步骤：

其中放电时，各参量的内在关系为：

U_o(t)＝U_ocv(SOC，T)-U_p(t)-i(t)*R_d(T，SOC，I) (1)

充电时，各参量的内在关系为：

U_o(t)＝U_ocv(SOC，T)-U_p(t)-i(t)*R_c(T，SOC，I) (2)

其中

i(t)＝U_p(t)/R_p+C_p*d(U_p(t))/dt (3)

其中公式3为一阶线性非齐次方程，其通解为公式4，在修正的一阶RC模型中，有四个重要的参数，分别为极化内阻Rp、极化电容Cp、充电内阻Rc、放电内阻Rd。

其中Rp＝0.02844、极化电容Cp＝1054.85、充电内阻Rc＝0.07、放电内阻Rd＝0.09(无，示例)

本发明进一步采用结合基于动力电池修正版一阶RC模型的扩展卡尔曼滤波修正法、开路电压修正及安时积分法实现对SOC值的估计：首先，当BMS首次上电，判断本次上电与前次下电时刻的时间差，如果大于标定值，则查表(SOC-OCV，)修正SOC值；如果小于标定值，则读取存储器中的SOC值，然后判断动态电流是否满足KF条件，若满足修正；最后，在静态电压修正和卡尔曼滤波修正的基础上进一步安时积分。

本发明结合上一节中的动力电池修正版一阶RC模型和卡尔曼滤波理论，推导电池的估算电压。思路如下，在k时刻，由k-1时刻的电池SOC值和当前时刻采集到的电流值，根据输出方程(电池的动态模型)计算电池在k时刻的电压估计值U(k|k-1)，然后将估计电压值U(k|k-1)与实际电池电压U比较，得到k时刻的估计误差△U，再根据估计误差和滤波器增益计算对SOC的修正增益，根据这个修正增益对估计值SOC(k|k-1)进行修正，即可得到k时刻的滤波值输出结果SOC(k|k)，将此输出结果作为k+1时刻电池SOC初始值进行计算。如此循环往复进行计算，滤波过程通过逐渐修正SOC估计值，使估计值接近模型值。

本发明技术效果在于：滤波器增益调整了修正的速度，因此修正过程不会造成SOC值的突变，这也有利于避免SOC突变对混合动力电动车整车控制的影响。

附图说明

图1本发明中采用的一阶RC的等效电路模型。

图2在不同SOC下以不同电流脉冲充放电实验步骤。

图3在不同SOC、不同电流脉冲充放电实验下对电池模型的验证。

图4本发明采用的SOC估算流程图。

图5针对某一实车工况数据估算的SOC估算误差。

具体实施方案

下面结合实施例对本发明作进一步说明。

图1为发明中采用的修正版一阶RC模型，模型中Uocv为动力电池开路电压，Cp和Rp并联描述电池的极化环节，用于模拟电池在极化的产生和消除过程中所表现的动态特性，中间的二极管的作用是表示电流流经的方向，将充电内阻和放电内阻分开，输出电压为Uo。

本发明测试流程使用复合脉冲功率特性试验(HPPC Test)，电池特性测试试验既需考虑电池在放电下的参数特性，同时也要考虑电池在充电下的参数特性，在等间隔的SOC点处对电池的参数进行辨识，进而实现对不同的荷电状态下的参数识别。辨识到的数据模型参数结果为极化内阻Rp＝0.02844、极化电容Cp＝1054.85、充电内阻Rc＝0.07、放电内阻Rd＝0.09；

本发明对所建立的电池模型的精度进行验证，设计了一些在不同使用条件下对电池进行充放电的实验，将电池模型的输出结果与实际采样结果进行比较，分析其误差。进行的模型验证实验有在不同电池SOC下的脉冲充放电实验、在不同充放电电流下的脉冲充放电实验以及在不同SOC下的模拟工况实验等。在不同的电池SOC下，以不同的电流进行脉冲，充放电的实验步骤如图2所示。结果如图3所示，尽管模型在大电流工作的情况下误差较大，但从这个过程来看，模型仍然能够较好地跟踪实际电压，尤其在充放电过程以及随后的静置过程中能够很好地跟踪实际电压的延迟缓变效应。

本发明进一步采用结合基于动力电池修正版一阶RC模型的扩展卡尔曼滤波修正法、开路电压修正及安时积分法实现对SOC值的估计。SOC估算策略流程如图4所示。首先，当BMS首次上电，判断本次上电与前次下电时刻的时间差，如果大于标定值，则查表(SOC-OCV，)修正SOC值；如果小于标定值，则读取存储器中的SOC值，然后判断动态电流(注：因在开发过程中发现，电流过大，模型计算误差会增大，因此进行一些条件限定)是否满足KF条件，若满足修正；最后，在静态电压修正和卡尔曼滤波修正的基础上进一步安时积分。

本发明结合上一节中的动力电池修正版一阶RC模型和卡尔曼滤波理论，推导电池的估算电压：在k时刻，由k-1时刻的电池SOC值和当前时刻采集到的电流值，根据输出方程(电池的动态模型)计算电池在k时刻的电压估计值U(k|k-1)，然后将估计电压值U(k|k-1)与实际电池电压U比较，得到k时刻的估计误差△U，再根据估计误差和滤波器增益计算对SOC的修正增益，根据这个修正增益对估计值SOC(k|k-1)进行修正，即可得到k时刻的滤波值输出结果SOC(k|k)，将此输出结果作为k+1时刻电池SOC初始值进行计算。如此循环往复进行计算。滤波过程通过逐渐修正SOC估计值，使估计值接近模型值，滤波器增益调整了修正的速度，因此修正过程不会造成SOC值的突变，这也有利于避免SOC突变对混合动力电动车整车控制的影响。

对本发明所搭建的SOC估算算法，初步进行了台架验证。集成台架测试针对某电池厂家锂离子动力电池组5.3Ah，对电池包进行了改制，并采用Digatron测试设备对其进行了工况测试。采用Digatron记录的电流值对时间积分来做为SOC真实参考值，同时记录BMS工作过程中的电压采样值、估计值及SOC计算值。图5为某一实车工况试验结果，通过算法的递推计算，SOC估计值的实际误差从36％开始迅速减小，经过32s后，SOC估计值的实际误差小于3％；在以后的估算步骤里，SOC估计值的实际误差大部分时间都不大于2％。可见，在实车行驶工况下，该算法仍然具有快速的收敛性和稳定性，所以，本发明采用的SOC估算算法适合于电动汽车动力电池荷电状态的估计。

Claims

1.本发明涉及一种车用锂离子动力电池荷电状态估算方法，其特征在于：

为一种以基于电池动态模型的卡尔曼滤波为主，结合开路电压修正、安时积分法的SOC估算方法，其中动态模型采用一阶RC等效电路模型；模型中动力电池的极化内阻R1、极化电容C1、欧姆内阻R0作为关键参数，包括下述步骤：

其中放电时，各参量的内在关系为：

U_o(t)＝U_ocv(SOC，T)-U_p(t)-i(t)*R_d(T，SOC，I) (1)

充电时，各参量的内在关系为：

U_o(t)＝U_ocv(SOC，T)-U_p(t)-i(t)*R_c(T，SOC，I) (2)

其中

i(t)＝U_p(t)/R_p+C_p*d(U_p(t))/dt (3)

U_{p} (t) = e^{- t / (R_{p} * C_{p})} * [&Integral; i (t) e^{t / (R_{p} * C_{p})} d t + C] - - - (4)

其中公式3为一阶线性非其次方程，其通解为公式4。在修正的一阶RC模型中，有四个重要的参数，分别为极化内阻Rp、极化电容Cp、充电内阻Rc、放电内阻Rd。由于各个参数受到电池充放电的荷电状态(SOC)、电流的大小、电流的方向、温度的影响，因此选择了合适的测试条件和测试流程来对电池进行充放电测试，进而系统的辨识不同状态下模型的各参量。

2.根据权利要求1所述的车用锂离子动力电池荷电状态估算方法，其特征在于：

所述方法以卡尔曼滤波为主，结合开路电压修正、安时积分法的SOC估算方法，综合运用电压、电流、温度信息估算SOC值：首先，当BMS首次上电，判断本次上电与前次下电时刻的时间差，如果大于标定值，则查SOC-OCV表修正SOC值；如果小于标定值，则读取存储器中的SOC值，然后判断动态电流是否满足KF条件，若满足修正；最后，在静态电压修正和卡尔曼滤波修正的基础上进一步安时积分。

3.根据权利要求1所述的车用锂离子动力电池荷电状态估算方法，其特征在于：

所述的一阶RC等效电路，通过等效电路对锂离子动力电池内部电化学反应过程进行模拟，构建动力电池状态量和输入量的内在关联，其中模型中的动力电池的极化内阻R1、极化：

在k时刻，由k-1时刻的电池SOC值和当前时刻采集到的电流值，根据电池的动态模型输出方程计算电池在k时刻的电压估计值U(k|k-1)，然后将估计电压值U(k|k-1)与实际电池电压U比较，得到k时刻的估计误差△U，再根据估计误差和滤波器增益计算对SOC的修正增益，根据这个修正增益对估计值SOC(k|k-1)进行修正，即可得到k时刻的滤波值输出结果SOC(k|k)，将此输出结果作为k+1时刻电池SOC初始值进行计算，如此循环往复进行计算，滤波过程通过逐渐修正SOC估计值。