基于特征点的磷酸铁锂电池电量检测方法
技术领域
本发明涉及一种电池检测技术,特别涉及一种基于特征点的磷酸铁锂电池电量检测方法。
背景技术
磷酸铁锂电池因其寿命长、安全性能好、成本低等优点越来越成为一种理想的动力电池。电池电量的SOC值(State of Charge,电荷状态)作为电池主要的特征参数,是近年来电池管理***研究的重点和难点之一。传统的电池电量检测技术主要包括:开路电压法、安时法、查表法等,但这些方法普遍存在误差较大、可靠性较低的问题。针对这些不足,采用卡尔曼滤波的磷酸铁锂电池SOC估计逐渐成为该领域研究的热点。由于磷酸铁锂电池放电过程中,电压-SOC曲线中大部分区域过于平坦,电压变化皆小于0.3V,受制于电压的采集精度,传统的卡尔曼滤波算法误差依然较大。
目前与本发明相似的技术有:1.程艳青等发表在《杭州电子科技大学学报》的论文“基于卡尔曼滤波的电动汽车剩余电量估计”;2.林成涛等发表在《清华大学学报》的论文“用改进的安时计量法估计电动汽车动力电池SOC”;3.杭州电子科技大学,何志伟等的发明专利《一种基于采样点卡尔曼滤波的电池剩余电量估计方法》(CN101598769B)和《一种基于组合采样点卡尔曼滤波的电池剩余电量估计方法》(CN101604005B);4.重庆大学,邓力等的发明专利《磷酸铁锂动力电池剩余容量的估算方法》(CN101629992B)。上述这些技术都没有针对SOC曲线平坦区域估值的问题,提出有针对性的解决方法。
发明内容
针对上述问题,本发明提出了一种基于特征点的磷酸铁锂电池电量检测方法,改善磷酸铁锂电池小电流放电情况下,精确检测SOC曲线平坦区方法存在较大误差的问题。
本发明一种基于特征点的磷酸铁锂电池电量检测方法,具体包括如下步骤:
步骤1、通过实验测定获得电池电量SOC、负载电压U以及电极温度T之间的关联数据表胚
其中
T
k为电池电极温度,
表示电池电极温度T
k下的电池电量SOC和负载电压U的关联数据表;
步骤2、用电池状态模型和观测模型表示电池的各个时刻的SOC值x和电压y、电流i关系:
状态模型:
观测模型:yk=E0+g(xk)-R(k)ik+vk (2)
其中xk为电池k时刻的SOC值,ik为k时刻电流,Q为电池额定容量,ηi和ηT分别是与电流和温度有关的充放电系数,Δt是测量时间间隔,wk是状态噪声,yk是k时刻电池负载电压估计值,E0是与电池电势有关的常数,R(ik)为电池内阻,与电流ik有关,采用美国《FreedomCAR电池测试手册》中的HPPC测试方法进行计算,vk为测量噪声,g(xk)是与xk有关的变量,通过查表N(x,g)得到;
该N(x,g)由实验测定,测定方法是:测量k时刻的电池电极温度Tk、负载电压yk和负载电流ik,由步骤1的关联数据表M得到该时刻电池yk对应的SOC值xk,由公式(2)的模型并忽略测量噪声vk,计算出g(xk):
g(xk)=yk+R(ik)ik-E0 (3)
将结果记入表N(x,g)
步骤3、运行自检程序,完成内部基准电压值比对、温度校准参数初始化、模型中参数的初始化、相关变量初始赋值的操作;
步骤4、用温度检测电路检测电池电极温度T
0,根据温度T
0,找到表
用电流检测电路测量电池负载电流i
0,用电压检测电路测量电池负载电压U
0,根据负载电压U
0在表
中查得此时电池的SOC值,将此刻的SOC
0作为初始值
即
为电池0时刻的SOC值,负载电压U
0的检测方差
作为卡尔曼滤波估计初始方差;
步骤5、采用快速卡尔曼滤波迭代递推运算,计算k时刻的电池SOCk值:
(1)测量在k时刻的电池负载电压Uk,电池负载电流ik,以及温度T,k=1,2,3,…;
(2)用电池状态模型和观测模型表示电池的各个时刻的SOC值和电压、电流关系:
状态模型:
观测模型:yk=E0+g(xk)-R(i)ik+vk
其中xk为电池k时刻的SOC值,Q为电池额定容量,ηi和ηT分别是与电流和温度有关的充放电系数,Δt是测量时间间隔,wk是状态噪声,yk是K时刻电池负载电压估计值,E0是与电池电势有关的常数,g(xk)是与xk有关的变量,通过查表M(xk)得到;R(i)为电池的内阻系数,并且与放电电流有关,R(i)由实验测定,vk为测量噪声;
K=1,2,3…
其中,卡尔曼增益
是卡尔曼滤波方差,C
k是与x
k有关的参数,通过查表M(C
k)得到,D
v和D
w分别为状态噪声方差和测量噪声方差;
步骤6、将分容仪测得的磷酸铁锂电池SOC曲线与步骤5卡尔曼滤波法计算的SOC曲线进行比较,将两条曲线的交点处定义为特征点;
步骤7、判断此时的电池SOCk是否处于特征点附近,如果不在特征点附近,则利用步骤5的卡尔曼滤波法计算SOC值,然后回到步骤7;
步骤8、如果此时的电池SOCk处于特征点附近,则开始采用电流积分法计算SOC值,并判断是否到达下一个特征点;
步骤9、如果未到达下一个特征点,则继续采用电流积分法计算SOC值,并判断是否到达特征点;
步骤10、如果到达下一个特征点,则利用特征值对电流积分值进行修正,并回到步骤8。
本发明通过选取特征点进行分段式卡尔曼滤波,特征点处采用卡尔曼预测、特征点间采用安时法积分处理,弥补了磷酸铁锂电池SOC测量中电压、电流采集精度低造成的平坦区SOC预测误差较大的问题,提高了磷酸铁锂电池SOC估计中的精度和稳定性,具有一定的应用价值,能够更加准确的给出电池的续航能力。
附图说明
图1为电压-SOC曲线特征点示意图;
图2为本发明中电压-SOC曲线特征点选取方法示意图;
图3为本发明方法流程示意图。
以下结合具体实施例对本发明作进一步详述。
具体实施方式
本发明的基本原理是:根据磷酸铁锂电池放电的SOC曲线特征,如图1所示的一款2000mAH的磷酸铁锂电池的充放电曲线,把平坦区划分成几段,将每段的起点和终点定义为特征点。在特征点附近的SOC值采用卡尔曼滤波估计,在特征点之间的SOC值,采用电流安时积分法估计。
如图3所示,本发明一种基于特征点的磷酸铁锂电池电量检测方法,具体包括如下步骤:
步骤1、通过实验测定获得电池电量SOC、负载电压U以及电极温度T之间的关联数据表M:
其中
T
k为电池电极温度,
表示电池电极温度T
k下的电池电量SOC和负载电压U的关联数据表;
步骤2、用电池状态模型和观测模型表示电池的各个时刻的SOC值x和电压y、电流i关系:
状态模型:
观测模型:yk=E0+g(xk)-R(k)ik+vk (2)
其中xk为电池k时刻的SOC值,ik为k时刻电流,Q为电池额定容量,ηi和ηT分别是与电流和温度有关的充放电系数,Δt是测量时间间隔,wk是状态噪声,yk是k时刻电池负载电压估计值,E0是与电池电势有关的常数,R(ik)为电池内阻,与电流ik有关,采用美国《FreedomCAR电池测试手册》中的HPPC测试方法进行计算,vk为测量噪声,g(xk)是与xk有关的变量,通过查表N(x,g)得到;
该N(x,g)由实验测定,测定方法是:测量k时刻的电池电极温度Tk、负载电压yk和负载电流ik,由步骤1的关联数据表M得到该时刻电池yk对应的SOC值xk,由公式(2)的模型并忽略测量噪声vk,计算出g(xk):
g(xk)=yk+R(k)ik-E0 (3)
将结果记入表N(x,g)
步骤3、运行自检程序,完成内部基准电压值比对、温度校准参数初始化、模型中参数的初始化、相关变量初始赋值的操作;
步骤4、用温度检测电路检测电池电极温度T
0,根据温度T
0,找到表
用电流检测电路测量电池负载电流i
0,用电压检测电路测量电池负载电压U
0,根据负载电压U
0在表
中查得此时电池的SOC值,将此刻的SOC
0作为初始值
即
为电池0时刻的SOC值,负载电压U
0的检测方差
作为卡尔曼滤波估计初始方差;
步骤5、采用快速卡尔曼滤波迭代递推运算,计算k时刻的电池SOCk值:
(1)测量在k时刻的电池负载电压Uk,电池负载电流ik,以及温度T,k=1,2,3,…;
(2)用电池状态模型和观测模型表示电池的各个时刻的SOC值和电压、电流关系:
状态模型:
观测模型:yk=E0+g(xk)-R(i)ik+vk
其中xk为电池k时刻的SOC值,Q为电池额定容量,ηi和ηT分别是与电流和温度有关的充放电系数,Δt是测量时间间隔,wk是状态噪声,yk是K时刻电池负载电压估计值,E0是与电池电势有关的常数,g(xk)是与xk有关的变量,通过查表M(xk)得到;R(i)为电池的内阻系数,并且与放电电流有关,R(i)由实验测定,vk为测量噪声;
K=1,2,3…
其中,卡尔曼增益
是卡尔曼滤波方差,C
k是与x
k有关的参数,通过查表M(C
k)得到,D
v和D
w分别为状态噪声方差和测量噪声方差;
步骤6、将分容仪测得的磷酸铁锂电池SOC曲线与步骤5卡尔曼滤波法计算的SOC曲线进行比较,如图2所示,将两条曲线的交点处定义为特征点;
步骤7、判断此时的电池SOCk是否处于特征点附近,如果不在特征点附近,则利用步骤5的卡尔曼滤波法计算SOC值,然后回到步骤7;
步骤8、如果此时的电池SOCk处于特征点附近,则开始采用电流积分法计算SOC值,并判断是否到达下一个特征点;
步骤9、如果未到达下一个特征点,则继续采用电流积分法计算SOC值,并判断是否到达特征点;
步骤10、如果到达下一个特征点,则利用特征值对电流积分值进行修正,并回到步骤8。
以上所述,仅是本发明较佳实施例而已,并非对本发明的技术范围作任何限制,故凡是依据本发明的技术实质对以上实施例所作的任何细微修改、等同变化与修饰,均仍属于本发明技术方案的范围内。