CN105974329A - 一种估算电池组soh的方法 - Google Patents

Abstract

本发明公开了一种估算电池组SOH的方法，采用双自适应扩展卡尔曼滤波算法估计电池SOH，利用两个独立的卡尔曼滤波器分别在线估算电池欧姆内阻值和电池荷电状态，通过电池欧姆内阻变化反映出电池SOH。在参数设置方面改变了原有卡尔曼滤波算法的设置方法，调整为参数自适应变化使得算法收敛性更好，整个算法受参数初始值设置影响较小，算法容易移植且在运行过程中比较稳定。自适应扩展卡尔曼滤波算法实际上是一种递推线性最小方差估计，通过算法实时观测值和上一时刻估计值对SOH进行实时估计，及时反映电池健康状况。适用于电池的各种场合，相比于其他方法双自适应扩展卡尔曼滤波算法能够动态反映电池组SOH，更适用于电流波动剧烈的电动汽车应用环境。

Description

一种估算电池组SOH的方法

技术领域

本发明属于电池管理技术领域，更具体地，涉及一种估算电池组SOH的方法。

背景技术

能源危机和环境污染已经向人类敲响警钟，因此如何替代传统的燃油汽车成为人们一直以来争论的话题。目前应用动力锂离子电池组作为动力源的电动汽车受到人们的高度关注和青睐，成为新能源汽车的研究热点。有关动力锂离子电池组的研究除了围绕动力锂离子电池本身外，有关电池管理***的研究也在进行当中，其中电池管理***准确估计锂离子电池的健康状况是当前研究的薄弱环节，成为当前电池管理***的最大缺陷，直接影响到锂离子电池组的实用性、经济性、安全性等方面。

电池组的健康状况传统估计方法主要有：定义法、电阻折算法、容量衰减法、化学分析法、部分放电法、阻抗分析法以及交流阻抗分析法等。这些方法主要是以电池循环充放电试验为基础，对电池特性的变化情况进行分析，从而估计电池的SOH(Section OfHealth)，缺点是造成浪费、试验周期长、不能在线实时测量等，不适合电动汽车的使用要求。此外，还可通过人工神经网络算法、卡尔曼滤波算法等间接法进行估算电池SOH，但神经网络法由于其***设置困难，且在电池管理***中应用成本高，不具备优势。

发明内容

针对现有技术的缺陷，本发明的目的在于提供一种估算电池组SOH的方法，旨在解决现有的电池组健康状况估计方法中成本高、不能在线实时测量的问题。

本发明提供了一种估算电池组SOH的方法，包括下述步骤：

S1：初始化0时刻的SOC初始值x₀、第一误差协方差初始值P₀、第一过程噪声初始值Q₀和第一观测噪声初始值R₀；并转入步骤S4；

S2：初始化0时刻的欧姆内阻初始值RES₀、第二误差协方差初始值P_RES0、第二过程噪声初始值Q_RES0和第二观测噪声初始值R_RES0；并转入步骤S3；

S3：根据初始值预估k时刻的***状态RES_k及k时刻的状态先验估计误差协方差并估算欧姆内阻后转入步骤S6；

S4：根据初始值预估k时刻的***状态x_k及k时刻的状态先验估计误差协方差并估算SOC后转入步骤S5；

S5：依次对估算SOC卡尔曼滤波器，进行卡尔曼增益矩阵更新、状态估计测量更新、误差协方差测量更新、自适应因子更新、过程噪声Q_k和观测噪声R_k更新后转入步骤S7；

S6：依次对估算欧姆内阻卡尔曼滤波器，进行卡尔曼增益矩阵更新、状态估计测量更新、误差协方差测量更新、自适应因子更新、过程噪声Q_RESk和观测噪声R_RESk更新后转入步骤S7；

S7：当达到预设的迭代次数时，结束迭代，否则返回S3。

更进一步地，在步骤S3和S4中，采用如下公式y_k＝C_kx_k+D_ku_k和进行预估； y_k＝C_kx_k+D_ku_k，其中，y_k输出量，u_k为输入量，A_k表示一个采样间隔内的传递矩阵、B_k代表输入矩阵、C_k表示输出矩阵、D_k表示前馈矩阵，为k时刻的***状态后验估计值，Γ为噪声矩阵；其中，P_k为误差协方差矩阵，为k时刻的状态先验估计误差协方差，A^T为传递矩阵A的转置矩阵，Qk为过程误差，Γ为噪声矩阵。

更进一步地，在步骤S5和S6中，采用如下公式 d_k＝(1-b)/(1-b^k)、 和进行预估；

其中，H_k为k时刻的卡尔曼滤波增益矩阵，R_k为k时刻的观测噪声，表示输出矩阵，为k时刻的状态先验估计误差协方差；

其中，表示输出矩阵，表示前馈矩阵，H_k为k时Ck Dk刻的卡尔曼滤波增益矩阵，为k时刻的***状态先验估计值，为k时刻的***状态后验估计值，y_k为k时刻采集到的电池的实际电压信号；

其中，表示输出矩阵，为k时刻的状态先验估计误差协方差，H_k为k时刻的卡尔曼滤波增益矩阵，I为单位阵；

d_k＝(1-b)/(1-b^k)，其中，b为遗忘因子，d为自适应因子，d_k-1为k-1时刻的自适应因子值；

其中，y_k为k时刻采集到的电池的实际电压信号，为k时刻的电池模型的模型电压信号，为k时刻的电池荷电状态先验估计值；

$Q_k=(1-d_{k-1})Q_{k-1}+d_{k-1}G(H_k{e}_k{e}_k^T{H}_k^T+P_k^{-}-{\mathrm{AP}}_k^{-}{A}^T)G^T,$

其中，G为白噪声，Q_k-1为k-1时刻的过程噪声，R_k-1为k-1时刻的观测噪声，为k时刻的实际电压信号与模型电压信号之间的差值e_k的转置，为k时刻的卡尔曼滤波增益矩阵H_k的转置。

更进一步地，在步骤S7中，预设的迭代次数为500次。

本发明采用双自适应扩展卡尔曼滤波算法估计电池SOH，此算法利用两个独立的卡尔曼滤波器分别在线估算电池欧姆内阻值和电池荷电状态，通过电池欧姆内阻变化反映出电池SOH。在参数设置方面改变了原有卡尔曼滤波算法的设置方法，调整为参数自适应变化使得算法收敛性更好，整个算法受参数初始值设置影响较小，算法容易移植且在运行过程中比较稳定。自适应扩展卡尔曼滤波算法实际上是一种递推线性最小方差估计，通过算法实时观测值和上一时刻估计值对SOH进行实时估计，及时反映电池健康状况。该方法适用于电池的各种场合，相比于其他方法双自适应扩展卡尔曼滤波算法能够动态反映电池组SOH，更适用于电流波动剧烈的电动汽车应用环境。

附图说明

图1是本发明实施例提供的估算电池组SOH的方法的实现流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

电池组的健康状况(State-of-Health，SOH)传统估计方法主要有:定义法、电阻折算法、容量衰减法、化学分析法、部分放电法、阻抗分析法以及交流阻抗分析法等。这些方法主要是以电池循环充放电试验为基础，对电池特性的变化情况进行分析，从而估计电池的SOH，缺点是造成浪费、试验周期长、不能在线实时测量等，不适合电动汽车的使用要求。此外，还可通过人工神经网络算法、卡尔曼滤波算法等方法进行电池SOH估算，但神经网络由于其***设置困难，且在电池管理***中应用成本高，不具备优势。针对不同方法的优劣及适用性，本发明采用一种双自适应扩展卡尔曼滤波算法来计算电池的SOH。

本发明采用双自适应扩展卡尔曼滤波算法来估计电池的SOH，此算法通过两个独立的卡尔曼滤波器，交替使用模型，分别在线估算电池欧姆内阻值和电池荷电状态，通过电池欧姆内阻与电池SOH关系表得出电池SOH。此算法在参数设置方面改变了原有卡尔曼滤波算法的设置方法，调整为参数自适应变化使得算法收敛性更好，整个算法受参数初始值设置影响较小，算法容易移植且在运行过程中比较稳定。双自适应扩展卡尔曼滤波算法实际上是一种递推线性最小方差估计，通过算法实时观测值和上一时刻估计值对SOH进行实时估计，及时反映电池健康状况。该方法适用于电池的各种场合，相比于其他方法双自适应扩展卡尔曼滤波算法能够动态反映电池组SOH，更适用于电流波动剧烈的电动汽车应用环境。

在工程应用中一般将卡尔曼滤波进行离散化之后再进行处理。线性离散***状态空间方程主要包括状态方程及输出方程，状态方程描述***状态变量与输入变量之间的关系，输出方程描述***输出量与状态变量、输出量及输入量，方程如下式所示：

$\left\{\begin{array}{c}{\stackrel{\·}{x}}_{k+1}=A_k{x}_k+B_k{u}_k+{\mathrm{\Γw}}_k\\ y_k=C_k{x}_k+D_k{u}_k+v_k\end{array}\right.\mathrm{...}\left(1\right)$

式中x_k、u_k、y_k分别为k时刻***的状态变量、输入量与输出量，w_k、v_k表示过程噪声及观测噪声，Γ为噪声矩阵，另外，A_k表示一个采样间隔内的传递矩阵、B_k代表输入矩阵、C_k表示输出矩阵、D_k表示前馈矩阵。

卡尔曼滤波估计利用输出量y_k与输入量u_k，更新未知状态x_k的最小均方差估计 为估计状态的预测值。H_k为卡尔曼滤波增益矩阵，P_k为误差协方差矩阵，I为单位矩阵，Q_k为过程误差，R_k为观察噪声。为k-1时刻的***状态的后验估计值，为k时刻的***状态后验估计值，为k时刻的***状态先验估计值，为k时刻的状态后验估计误差协方差，为k时刻的状态先验估计误差协方差，具体卡尔曼滤波算法递推式如下

滤波方程初始条件：

其中E为状态变量的方差，var表示***的协方差。

状态估计时间更新：

y_k＝C_kx_k+D_ku_k……(4)；

误差协方差时间更新：

卡尔曼增益矩阵：

状态估计测量更新：

误差协方差测量更新：

通常情况以上变量不能精确获得，一般设置初值后根据***测试要求进行调试，有些数据在运行过程中并不影响卡尔曼滤波算法的运行。卡尔曼滤波算法对于初值的不确定有较好的收敛性，能在很短的时间间隔内逼近到实值附近。

本发明使用双自适应扩展卡尔曼滤波算法估计SOH，增加了自适应因子改变了卡尔曼滤波算法的参数自适应调整方式，促使整个算法受参数初始值设置的影响较小，可以更好的优化值。使用自适应扩展卡尔曼滤波算法估计不受初始值影响，相对于安时积分法等计算的SOC更可靠。本发明中自适应因子更新如下：自适应因子更新：d_k＝(1-b)/(1-b^k)……(9)式中，b为遗忘因子，本发明中设置为0.95，d为自适应因子。

通过自适应因子对卡尔曼滤波算法递推式进行更新，优化算法输出值。更新过程噪声Q_k和观测噪声R_k；

通过过程噪声和观测噪声的更新，更新卡尔曼滤波算法中的误差协方差、增益及状态估计值，进一步得到算法所需的估计值。

本发明实施例提供的估算电池组SOH的方法的实现流程如图1所示，具体包括下述步骤：

步骤1：初始化0时刻的x₀、P₀、Q₀、R₀，然后进入步骤4；其中x₀为SOC初始值，P₀为误差协方差初始值，Q₀为过程噪声初始值，R₀为观测噪声初始值；

步骤2：初始化0时刻的RES₀、P_RES0、Q_RES0、R_RES0，然后进入步骤3；其中RES₀为欧姆内阻初始值，P_RESO为误差协方差初始值，Q_RESO为过程噪声初始值，R_RESO为观测噪声初始值；

步骤3：根据公式(3)、公式(4)和公式(5)分别预估k时刻的***状态RES_k及k时刻的状态先验估计误差协方差用于欧姆内阻估算；

步骤4：根据公式(3)公式(4)和公式(5)分别预估k时刻的***状态x_k及k时刻的状态先验估计误差协方差用于SOC估算；

步骤5：根据公式(6)、公式(7)公式(8)公式(9)公式(10)公式(11)和公式(12)，依次对估算SOC卡尔曼滤波器，进行卡尔曼增益矩阵更新、状态估计测量更新、误差协方差测量更新、自适应因子更新、过程噪声Q_k和观测噪声R_k更新；

步骤6：根据公式(6)、公式(7)公式(8)公式(9)公式(10)公式(11)和公式(12)，依次对估算欧姆内阻卡尔曼滤波器，进行卡尔曼增益矩阵更新、状态估计测量更新、误差协方差测量更新、自适应因子更新、过程噪声Q_RESk和观测噪声R_RESk更新；

步骤7：当达到预设的迭代次数时，结束迭代，否则返回步骤3。

本发明基于双自适应扩展卡尔曼滤波算法估计SOH设计流程图如下图1所示。本发明中双自适应扩展卡尔曼滤波算法估计SOH的设计，首先对参数进行初始化处理，初始化对象主要有t₀时刻的SOC或欧姆内阻状态、协方差及噪声矩阵(过程噪声、观测噪声设置初始值)的初始化设置；其次对其过程变量进行更新，依据上述卡尔曼滤波算法递推式(2)-(9)进行推进；再次对自适应因子进行确定，进而确定其遗忘因子，更新算法中参数(主要是过程噪声和观测噪声的更新)，参数更新之后得到状态估计值；最后重复整个过程进行迭代，不断更新得到最优估计值(即电池的SOH值)。本发明双自适应扩展卡尔曼滤波算法的输入值为电池的电压、电流及温度值，输出为电池的SOC及电池内阻值，再根据电池内阻值与电池SOH之间的关系求得电池SOH值。

本发明采用双自适应扩展卡尔曼滤波算法估计电池SOH值，此算法通过两个独立的卡尔曼滤波器，交替使用模型，分别在线估算电池欧姆内阻值和电池荷电状态，通过电池欧姆内阻变化可反映出电池SOH。本发明主要使用双自适应扩展卡尔曼滤波算法估计欧姆内阻值，通过电池欧姆内阻变化可反映出电池SOH，在原有卡尔曼滤波算法基础上加入自适应因子，算法基本不受初始参数设置的影响，收敛性比较好收敛速度快，且算法移植性好、稳定可靠。本发明可以准确的估计出电池SOH，更有利于电动汽车对电池的管理，便于驾驶者对于电池寿命的认识，更适用于电流波动剧烈的电动汽车应用环境。

本发明适用于所有电动汽车(包括纯电动汽车及混合动力汽车)，对车辆运行的安全性有了一定的保障。本发明中基于双自适应扩展卡尔曼滤波算法的SOH估计方法设计是关键环节。

本发明采用双自适应扩展卡尔曼滤波算法估计电池SOH值，此算法利用两个独立的卡尔曼滤波器分别在线估算电池欧姆内阻值和电池荷电状态(SOC)，通过电池欧姆内阻变化反映出电池SOH。在参数设置方面改变了原有卡尔曼滤波算法的设置方法，调整为参数自适应变化使得算法收敛性更好，整个算法受参数初始值设置影响较小，算法容易移植且在运行过程中比较稳定。双自适应扩展卡尔曼滤波算法实际上是一种递推线性最小方差估计，通过算法实时观测值和上一时刻估计值对SOH进行实时估计，及时反映电池健康状况。该方法适用于电池的各种场合，相比于其他方法双自适应扩展卡尔曼滤波算法能够动态反映电池组SOH，更适用于电流波动剧烈的电动汽车应用环境。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种估算电池组SOH的方法，其特征在于，包括下述步骤：

S1：初始化0时刻的SOC初始值x₀、第一误差协方差初始值P₀、第一过程噪声初始值Q₀和第一观测噪声初始值R₀；并转入步骤S4；

S2：初始化0时刻的欧姆内阻初始值RES₀、第二误差协方差初始值P_RES0、第二过程噪声初始值Q_RES0和第二观测噪声初始值R_RES0；并转入步骤S3；

S3：根据初始值预估k时刻的***状态RES_k及k时刻的状态先验估计误差协方差并估算欧姆内阻后转入步骤S6；

S4：根据初始值预估k时刻的***状态x_k及k时刻的状态先验估计误差协方差并估算SOC后转入步骤S5；

S5：依次对估算SOC卡尔曼滤波器，进行卡尔曼增益矩阵更新、状态估计测量更新、误差协方差测量更新、自适应因子更新、过程噪声Q_k和观测噪声R_k更新后转入步骤S7；

S6：依次对估算欧姆内阻卡尔曼滤波器，进行卡尔曼增益矩阵更新、状态估计测量更新、误差协方差测量更新、自适应因子更新、过程噪声Q_RESk和观测噪声R_RESk更新后转入步骤S7；

S7：当达到预设的迭代次数时，结束迭代，否则返回S3。

2.如权利要求1所述的方法，其特征在于，在步骤S3和S4中，采用如下公式y_k＝C_kx_k+D_ku_k和进行预估；

y_k＝C_kx_k+D_ku_k，其中，y_k输出量，u_k为输入量，A_k表示一个采样间隔内的传递矩阵、B_k代表输入矩阵、C_k表示输出矩阵、D_k表示前馈矩阵，为k时刻的***状态后验估计值，Γ为噪声矩阵；

其中，P_k为误差协方差矩阵，为k时刻的状态先验估计误差协方差，A^T为传递矩阵A的转置矩阵，Qk为过程误差，Γ为噪声矩阵。

3.如权利要求1所述的方法，其特征在于，在步骤S5和S6中，采用如下公式d_k＝(1-b)/(1-b^k)、和进行预估；

其中，H_k为k时刻的卡尔曼滤波增益矩阵，R_k为k时刻的观测噪声，C_k表示输出矩阵，为k时刻的状态先验估计误差协方差；

其中，C_k表示输出矩阵，D_k表示前馈矩阵，H_k为k时刻的卡尔曼滤波增益矩阵，为k时刻的***状态先验估计值，为k时刻的***状态后验估计值，y_k为k时刻采集到的电池的实际电压信号；

其中，C_k表示输出矩阵，为k时刻的状态先验估计误差协方差，H_k为k时刻的卡尔曼滤波增益矩阵，I为单位阵；

d_k＝(1-b)/(1-b^k)，其中，b为遗忘因子，d为自适应因子，d_k-1为k-1时刻的自适应因子值；

其中，y_k为k时刻采集到的电池的实际电压信号，为k时刻的电池模型的模型电压信号，为k时刻的电池荷电状态先验估计值；

$Q_k=(1-d_{k-1})Q_{k-1}+d_{k-1}G(H_k{e}_k{e}_k^T{H}_k^T+P_k^{-}-{\mathrm{AP}}_k^{-}{A}^T)G^T,$

其中，G为白噪声，Q_k-1为k-1时刻的过程噪声，R_k-1为k-1时刻的观测噪声，为k时刻的实际电压信号与模型电压信号之间的差值e_k的转置，为k时刻的卡尔曼滤波增益矩阵H_k的转置。

4.如权利要求1所述的方法，其特征在于，在步骤S7中，预设的迭代次数为500次。