CN103728567B - 一种基于优化初始值的荷电状态估算方法 - Google Patents

Abstract

本发明属于汽车动力电池技术领域，尤其涉及汽车动力电池SOC估算的方法。通过对电池进行多次充放电，再进行静置，并检测电池在所述充放电到静置的过程中电压值，记录电压稳定的时间t(off)，得出初始值SOC(t₀+Δt)。在恢复时间内使用电池，能给电池提供一个较为精确的SOC初值，使扩展卡尔曼滤波法估算出的SOC值能更快收敛。

Description

一种基于优化初始值的荷电状态估算方法

技术领域

本发明属于汽车动力电池技术领域，尤其涉及汽车动力电池SOC估算的方法。

背景技术

SOC是电池的重要参数之一，指的是电池的剩余电量，SOC为电池的运行状态提供了重要依据。但SOC受很多因素影响，它的值只能通过测量这些因素值进行估算。

目前国内外动力电池SOC的估计方法主要有放电试验法、开路电压法、安时计量法、内阻测量法、卡尔曼滤波法、负载电压法和神经网络法等。最常用的是：开路电压法，安时计量法，卡尔曼滤波法。

开路电压法：通过开路电动势和SOC的函数关系来确定SOC大小。在放电末期，测试的效果较好，但在电池使用过后有一个恢复阶段，在这个阶段电压和SOC的对应关系不是非常明显。

安时计量法：安时计量法是通过计算电池在充电或放电时的累积电量来估计电池的SOC，但不准确的电流测量将增大SOC估计误差，经过长时间累积，该误差会变得越来越大。

卡尔曼滤波法：卡尔曼滤波法是一种递推的最小方差估计法，利用上一时刻的值和实时测量的参数值进行估计。卡尔曼滤波法用于动力电池SOC估计时，是一个离散***，需要一个精确的模型，而且计算量很大。在动力电池SOC的研究中，出现了很多卡尔曼滤波法的修正算法，这些算法很大程度上优化了估算精度。

由于卡尔曼滤波法有误差修正作用，所以大多数基于卡尔曼滤波的SOC算法都倾向于对其校正因子进行完善或用结合其他算法来使用，而忽略初始值误差带来的精度下降。比如镇江恒驰科技的SOC算法（申请号201110142292.9）就是用安时计量法和卡尔曼滤波法来综合使用，以提高其鲁棒性，收敛性，和自适应性。在LG的专利中（申请号200680016312.5）修正了效率系数。但在SOC初始值的设置中，还是使用经验法进行加权估计。其精度不是很高。

发明内容

本发明的目的在于提供一种基于优化初始值的荷电状态估算方法，包括如下步骤：

S1、对电池的各项参数初始化；

S2、估算出电池在上一使用阶段因为极化效应累积的电荷量；

S3、对电池进行多次充放电，再进行静置，并检测电池在所述充放电到静置的过程中电压值，记录电压稳定的时间t(off)；

S4、对S3所述t(off)进行线性化处理；

S5、得出初始值 $\mathrm{SOC}(t_0+\mathrm{\Δt})=\mathrm{SOC}\left(t_0\right)+{\∫}_{t_0}^{t_0+\mathrm{\Δt}}[Q\left(\mathrm{up}\right)/t\left(\mathrm{off}\right)]\mathrm{dt}.$

进一步地，S2所述累积的电荷量计算方法如下：

恒定温度下：

充电：用电量=SOC增量+累积电荷量

即通过不同电流值对应的ΔSOC，得出通过matlab对不同电流值和不同电流值对应的α₁(I)进行拟合，得出α₁(I)＝p₁i⁴+p₂i³+p₃i²+p₄i¹+p₅，α₁(I)为充电效率关于电流的系数；

放电：SOC减少量=用电量+累积电荷量

即通过不同电流值对应的ΔSOC，得出通过matlab对不同电流值和不同电流值对应的α₂(I)进行拟合，得出α₂(I)＝p₁i⁴+p₂i³+p₃i²+p₄i¹+p₅，α₂(I)为放电效率关于电流的系数，

其中为放出电荷量，ΔSOC为SOC减少量，Q(up)为累积电荷量，p₁i⁴为为拟合出来的参数值，电流i为自变量，p就是自变量的系数，

因为η＝α(I)·β(T)，所以，在充电阶段在放电阶段其中，η是关于电流I和温度T的函数。

进一步地，Δt≤t(off)。

本发明的有益效果是：在恢复时间内使用电池，能给电池提供一个较为精确的SOC初值，使扩展卡尔曼滤波法估算出的SOC值能更快收敛。

附图说明

图1为本发明估算方法流程图。

图2为本发明所采用的模型。

图3为充电时，效率关于电流的图

图4为充电时初值估算图。

图5为放电情况下α关于I的函数。

其中，E为标准电压源，R为欧姆内阻，U(up)为极化电压。

具体实施方式

下面结合附图来说明本发明的具体实施方式：

如图2模型所示建立卡尔曼滤波算法。其中，E为标准电压源，R为欧姆内阻，U(up)为极化电压。

S1、对电池的各项参数初始化；

S2、估算出电池在上一使用阶段因为极化效应累积的电荷量，包括：

恒定温度下：

充电：用电量=SOC增量+累积电荷量

即通过不同电流值对应的ΔSOC，得出通过matlab对不同电流值和不同电流值对应的α₁(I)进行拟合，得出α₁(I)＝p₁i⁴+p₂i³+p₃i²+p₄i¹+p₅，α₁(I)为充电效率关于电流的系数；

放电：SOC减少量=用电量+累积电荷量

即通过不同电流值对应的ΔSOC，得出通过matlab对不同电流值和不同电流值对应的α₂(I)进行拟合，得出α₂(I)＝p₁i⁴+p₂i³+p₃i²+p₄i¹+p₅，α₂(I)为放电效率关于电流的系数，

其中为放出电荷量，ΔSOC为SOC减少量，Q(up)为累积电荷量，p₁i⁴为为拟合出来的参数值，电流i为自变量，p就是自变量的系数，

因为η＝α(I)·β(T)，所以，在充电阶段在放电阶段其中，η是关于电流I和温度T的函数。

S3、对电池进行多次充放电，再进行静置，并检测电池在所述充放电到静置的过程中电压值，记录电压稳定的时间t(off)；

S4、对S3所述t(off)进行线性化处理；

S5、得出初始值 $\mathrm{SOC}(t_0+\mathrm{\Δt})=\mathrm{SOC}\left(t_0\right)+{\∫}_{t_0}^{t_0+\mathrm{\Δt}}[Q\left(\mathrm{up}\right)/t\left(\mathrm{off}\right)]\mathrm{dt},$ Δt≤t(off)；

S6、将S5所述初始值SOC(t₀+Δt)用于扩展卡尔曼滤波算法模型并进行SOC估算。

根据matlab模型拟合得出在放电情况下α关于电流I的函数：

f(x)=p1*i^4+p2*i^3+p3*i^2+p4*i+p5，其中：

p1=-5.23e+011(-5.469e+011,-4.992e+011)

p2=7.233e+011(6.904e+011,7.563e+011)

p3=-3.751e+011(-3.922e+011,-3.58e+011)

p4=8.647e+010(8.253e+010,9.041e+010)

p5=-7.474e+009(-7.815e+009,-7.133e+009)

根据matlab模型拟合得出在充电情况下α关于电流I的函数：

f(x)=p1*x^4+p2*x^3+p3*x^2+p4*x+p5，其中：

p1=-0.09137(-0.4133,0.2306)

p2=0.979(-2.161,4.119)

p3=-3.527(-13.52,6.468)

p4=4.833(-7.766,17.43)

p5=-1.144(-6.546,4.258)，其中，因为拟合函数选择的是4阶的，所以最高位为4阶，也可以用5阶，6阶，但通常用4阶。

Claims (2)

1.一种基于优化初始值的荷电状态估算方法，其特征在于：包括如下步骤：

S1、对电池的各项参数初始化；

S2、估算出电池在上一使用阶段因为极化效应累积的电荷量，其中，所述累积的电荷量计算方法如下：

恒定温度下：

充电：放出电荷量＝SOC增量+累积电荷量

即通过不同电流值对应的ΔSOC_增，得出通过matlab对不同电流值和不同电流值对应的α₁(I)进行拟合，得出α₁(I)＝p₁i⁴+p₂i³+p₃i²+p₄i¹+p₅，α₁(I)为充电效率关于电流的系数；

放电：SOC减少量＝用电量+累积电荷量

即通过不同电流值对应的ΔSOC_减，得出通过matlab对不同电流值和不同电流值对应的α₂(I)进行拟合，得出α₂(I)＝p₁i⁴+p₂i³+p₃i²+p₄i¹+p₅，α₂(I)为放电效率关于电流的系数，

其中为放出电荷量，ΔSOC_减为SOC减少量，Q(up)为累积电荷量，p₁i⁴为拟合出来的参数值，电流i为自变量，p就是自变量的系数，

因为η＝α(I)·β(T)，所以，在充电阶段在放电阶段其中，η是关于电流I和温度T的函数；

S3、对电池进行多次充放电，再进行静置，并检测电池在所述充放电到静置的过程中电压值，记录电压稳定的时间t(off)；

S4、对S3所述t(off)进行线性化处理；

S5、得出初始值

2.根据权利要求1所述的一种基于优化初始值的荷电状态估算方法，其特征在于：Δt≤t(off)。