CN103135065A - 基于特征点的磷酸铁锂电池电量检测方法 - Google Patents

Abstract

本发明一种基于特征点的磷酸铁锂电池电量检测方法，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。

Description

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 $M=\left[\begin{array}{c}{M}_{T_0}\\ M_{T_1}\\ M\\ M_{T_k}\end{array}\right],$ $M_{T_k}=\left[\begin{array}{c}0.0\%\\ 0.1\%\\ M\\ 100.0\%\end{array}\right.,\left.\begin{array}{c}{U}_0\\ U_1\\ M\\ U_n\end{array}\right]$

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： $x_k=x_{k-1}+\frac{i_k\mathrm{\Δt}}{{\mathrm{\η}}_i{\mathrm{\η}}_{T}Q}+w_k---\left(1\right)$

观测模型：y_k=E₀+g(x_k)-R(_k)i_k+v_k        （2）

其中x_k为电池k时刻的SOC值，i_k为k时刻电流，Q为电池额定容量，η_i和η_T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，w_k是状态噪声，y_k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（i_k）为电池内阻，与电流i_k有关，采用美国《FreedomCAR电池测试手册》中的HPPC测试方法进行计算，v_k为测量噪声，g（x_k）是与x_k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T_k、负载电压y_k和负载电流i_k，由步骤1的关联数据表M得到该时刻电池y_k对应的SOC值x_k，由公式（2）的模型并忽略测量噪声v_k，计算出g（x_k）：

g(x_k)=y_k+R(i_k)i_k-E₀        （3）

将结果记入表N（x，g）

$N(x,g)=\left[\begin{array}{c}{x}_0\\ x_1\\ M\\ x_n\end{array}\right.,\left.\begin{array}{c}g\left(x_0\right)\\ g\left(x_1\right)\\ M\\ g\left(x_n\right)\end{array}\right]$

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T₀，根据温度T₀，找到表

用电流检测电路测量电池负载电流i₀，用电压检测电路测量电池负载电压U₀，根据负载电压U₀在表

中查得此时电池的SOC值，将此刻的SOC₀作为初始值即

为电池0时刻的SOC值，负载电压U₀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SOC_k值：

（1）测量在k时刻的电池负载电压U_k，电池负载电流i_k，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： $x_k=x_{k-1}+\frac{{\mathrm{\η}}_i{i}_k\mathrm{\Δt}}{{\mathrm{\η}}_{T}Q}+w_k$

观测模型：y_k=E₀+g(x_k)-R(i)i_k+v_k

其中x_k为电池k时刻的SOC值，Q为电池额定容量，η_i和η_T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，w_k是状态噪声，y_k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（x_k）是与x_k有关的变量，通过查表M（x_k）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，v_k为测量噪声；

（3）K时刻电池SOC预测值

K时刻电池负载电压估计值y_k：

K时刻滤波后电池SOC估计值

K=1,2,3…

其中，卡尔曼增益 $L_k=\frac{P_k^{-}{C}_k}{P_k^{-}{C}_k^2+D_v},$ $P_k^{-}=P_{k-1}^{-}+D_w,$

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SOC_k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SOC_k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 $M=\left[\begin{array}{c}{M}_{T_0}\\ M_{T_1}\\ M\\ M_{T_k}\end{array}\right],$ $M_{T_k}=\left[\begin{array}{c}0.0\%\\ 0.1\%\\ M\\ 100.0\%\end{array}\right.,\left.\begin{array}{c}{U}_0\\ U_1\\ M\\ U_n\end{array}\right]$

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： $x_k=x_{k-1}+\frac{i_k\mathrm{\Δt}}{{\mathrm{\η}}_i{\mathrm{\η}}_{T}Q}+w_k---\left(1\right)$

观测模型：y_k=E₀+g(x_k)-R(_k)i_k+v_k        （2）

其中x_k为电池k时刻的SOC值，i_k为k时刻电流，Q为电池额定容量，η_i和η_T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，w_k是状态噪声，y_k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（i_k）为电池内阻，与电流i_k有关，采用美国《FreedomCAR电池测试手册》中的HPPC测试方法进行计算，v_k为测量噪声，g（x_k）是与x_k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T_k、负载电压y_k和负载电流i_k，由步骤1的关联数据表M得到该时刻电池y_k对应的SOC值x_k，由公式（2）的模型并忽略测量噪声v_k，计算出g（x_k）：

g(x_k)=y_k+R(_k)i_k-E₀        （3）

将结果记入表N（x，g）

$N(x,g)=\left[\begin{array}{c}{x}_0\\ x_1\\ M\\ x_n\end{array}\right.,\left.\begin{array}{c}g\left(x_0\right)\\ g\left(x_1\right)\\ M\\ g\left(x_n\right)\end{array}\right]$

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T₀，根据温度T₀，找到表

用电流检测电路测量电池负载电流i₀，用电压检测电路测量电池负载电压U₀，根据负载电压U₀在表

中查得此时电池的SOC值，将此刻的SOC₀作为初始值即

为电池0时刻的SOC值，负载电压U₀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SOC_k值：

（1）测量在k时刻的电池负载电压U_k，电池负载电流i_k，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： $x_k=x_{k-1}+\frac{{\mathrm{\η}}_i{i}_k\mathrm{\Δt}}{{\mathrm{\η}}_{T}Q}+w_k$

观测模型：y_k=E₀+g(x_k)-R(i)i_k+v_k

其中x_k为电池k时刻的SOC值，Q为电池额定容量，η_i和η_T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，w_k是状态噪声，y_k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（x_k）是与x_k有关的变量，通过查表M（x_k）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，v_k为测量噪声；

（3）K时刻电池SOC预测值

K时刻电池负载电压估计值y_k：

K时刻滤波后电池SOC估计值

K=1,2,3…

其中，卡尔曼增益 $L_k=\frac{P_k^{-}{C}_k}{P_k^{-}{C}_k^2+D_v},$ $P_k^{-}=P_{k-1}^{-}+D_w,$

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SOC_k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SOC_k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。

Claims (1)

1.一种基于特征点的磷酸铁锂电池电量检测方法，其特征在于包括如下步骤：

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 $M=\left[\begin{array}{c}{M}_{T_0}\\ M_{T_1}\\ M\\ M_{T_k}\end{array}\right],$ $M_{T_k}=\left[\begin{array}{c}0.0\%\\ 0.1\%\\ M\\ 100.0\%\end{array}\right.,\left.\begin{array}{c}{U}_0\\ U_1\\ M\\ U_n\end{array}\right]$

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： $x_k=x_{k-1}+\frac{i_k\mathrm{\Δt}}{{\mathrm{\η}}_i{\mathrm{\η}}_{T}Q}+w_k---\left(1\right)$

观测模型：y_k=E₀+g(x_k)-R(_k)i_k+v_k        （2）

其中x_k为电池k时刻的SOC值，i_k为k时刻电流，Q为电池额定容量，η_i和η_T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，w_k是状态噪声，y_k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（i_k）为电池内阻，与电流i_k有关，采用美国《FreedomCAR电池测试手册》中的HPPC测试方法进行计算，v_k为测量噪声，g（x_k）是与x_k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T_k、负载电压y_k和负载电流i_k，由步骤1的关联数据表M得到该时刻电池y_k对应的SOC值x_k，由公式（2）的模型并忽略测量噪声v_k，计算出g（x_k）：

g(x_k)=y_k+R(i_k)i_k-E₀        （3）

将结果记入表N（x，g）

$N(x,g)=\left[\begin{array}{c}{x}_0\\ x_1\\ M\\ x_n\end{array}\right.,\left.\begin{array}{c}g\left(x_0\right)\\ g\left(x_1\right)\\ M\\ g\left(x_n\right)\end{array}\right]$

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T₀，根据温度T₀，找到表用电流检测电路测量电池负载电流i₀，用电压检测电路测量电池负载电压U₀，根据负载电压U₀在表

中查得此时电池的SOC值，将此刻的SOC₀作为初始值

即

为电池0时刻的SOC值，负载电压U₀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SOC_k值：

（1）测量在k时刻的电池负载电压U_k，电池负载电流i_k，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： $x_k=x_{k-1}+\frac{{\mathrm{\η}}_i{i}_k\mathrm{\Δt}}{{\mathrm{\η}}_{T}Q}+w_k$

观测模型：y_k=E₀+g(x_k)-R(i)_ik+v_k

其中x_k为电池k时刻的SOC值，Q为电池额定容量，η_i和η_T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，w_k是状态噪声，y_k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（x_k）是与x_k有关的变量，通过查表M（x_k）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，v_k为测量噪声；

（3）K时刻电池SOC预测值

K时刻电池负载电压估计值y_k：

K时刻滤波后电池SOC估计值

K=1,2,3…

其中，卡尔曼增益 $L_k=\frac{P_k^{-}{C}_k}{P_k^{-}{C}_k^2+D_v},$ $P_k^{-}=P_{k-1}^{-}+D_w,$

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SOC_k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SOC_k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。

Images