CN106716158B - 电池荷电状态估算方法和装置 - Google Patents

Abstract

一种电池荷电状态估算方法和装置。所述方法包括步骤：A、获取电池基本参数；B、拟合电池OCV与SOC之间的关系模型；C、基于电池等效电路模型，建立电池的状态方程；D、调整状态方程的参数，观察对SOC估算精度的影响，得出电池基本参数以及OCV表达式中的系数对SOC估计精度的影响，获得关键参数；E、采用牛顿迭代法对关键参数建立更新方程，将更新方程与观测器估算SOC方法联合应用估算电池SOC。通过本发明的电池SOC估算方法和装置，能够在利用观测器估算电池SOC过程中，更新对于电池SOC估算精度造成影响的关键参数来修正电池SOC估算方法，因此提高SOC估算精度。

Description

电池荷电状态估算方法和装置

技术领域

本发明涉及储能设备技术领域，特别是涉及到可充电电池的状态检测技术。

背景技术

美国先进电池联合会(U.S.Advanced Battery Consortium，USABC)在其《电动汽车电池实验手册》中将电池的荷电状态(State of Charge，SOC)定义为剩余电量与实际容量的百分比。电池SOC的估算在电动汽车和智能电网的应用领域变得越来越必要，动力电池的SOC被用来反映电池的剩余可用电量状况，对电动汽车而言起着传统燃油汽车油表的作用，精确可靠的SOC估算值，不仅可以增强用户对电动汽车的操控性和舒适度，同时其作为电动汽车能量管理***不可或缺的决策因素，也是优化电动汽车能量管理、提高电池容量和能量利用率、防止电池过充电和过放电、保障电池在使用过程中的安全性和使用寿命的重要参数。

对于纯电动汽车而言，电池管理***是电动汽车中的一个重要部件，在线估算出电池的荷电状态是电池管理***的关键问题之一。如果能够精确的估算出电池的SOC，就能为使用者提供电池剩余能量、续航里程等信息，同时也能够做到合理利用电池，避免对电池的损害，延长电池组的使用寿命。现有技术中，对于SOC的估算方法包括开路电压法、安时积分法、阻抗分析法、神经网络法、卡尔曼滤波法以及基于滑模观测器、龙伯格(Luenberger)观测器等基于观测器的估算方法等。

这些方法均存一些问题。例如所谓安时积分法，是指如果充放电起始状态记为SOC₀,那么当前状态的SOC为：其中C_N为电池额定容量，I为电池电流，η为充放电效率。安时积分法应用中若电流测量不准，将造成SOC计算误差，长期积累，误差越来越大；另外，安时积分法需要考虑电池充放电效率，且在高温状态和电流波动剧烈的情况下，误差较大。又如开路电压法需要将电池充分静置，因此该方法不能满足在线估算的需要。或者电化学方法则需要专用测试设备的支持。神经网络法需要大量试验和数据训练，且模型的自适应性有一定的限度。阻抗分析法容易受到温度和老化等因素的影响。卡尔曼滤波法难于消除由于电池温度和老化导致模型及其参数自身变化带来的误差，此外，该方法对处理器数据处理能力要求较高，应用于串联成组电池时，如果将电池组看作是一个整体，估算精度会随着电池之间差异性增加而下降。由于这些方法的实际效果并不理想，要想提高电池SOC实时在线估算的精度，需要在测量手段、电池模型参数准确性等方面进行改善。

基于观测器的电池SOC估算方法是通过过程输出量来估算状态量，并且加入输出量的误差反馈，对安时积分法估算电池SOC进行修正，克服了安时积分法误差积累和需要知道SOC初值的缺点，极大提高了电池SOC的估算精度，电池SOC估算的误差可达到3％以内，但该方法估算的精确性是由模型参数的准确性来保证的，如果模型参数的辨识不够准确，或者在电池寿命过程中电池的模型参数发生了变化，则可能会引起误差。

发明内容

鉴于此，本发明的目的在于克服现有技术中电池SOC估算方法的不足，在SOC估算过程中不断更新电池的模型参数，以便于提高基于观测器的电池SOC估算方法的精度，降低电池SOC估算误差。

为了实现此目的，本发明采取的技术方案为如下。

一种电池荷电状态估算方法，所述方法包括步骤：

A、获取电池基本参数；

B、拟合电池开路电压与荷电状态之间的关系模型；

C、基于电池等效电路模型，建立电池的状态方程；

D、调整状态方程的参数，观察对荷电状态估算精度的影响，得出电池基本参数以及开路电压表达式中的系数对荷电状态估算精度的影响，获得关键参数；

E、采用牛顿迭代法对关键参数建立更新方程，将更新方程与观测器估算荷电状态方法联合应用估算电池荷电状态。

所述电池基本参数以及开路电压表达式中的系数对荷电状态估算精度的影响由下式确定：

其中为电池荷电状态稳态估算误差，

ΔR_总为电池总内阻误差，

L₂为对电池荷电状态一阶导数的误差反馈量的增益系数，

Δa_i为OCV-SOC曲线线性化后的斜率误差，

Δb_i为OCV-SOC曲线线性化后的截距误差，

Q为电池容量，

soc(t)为电池荷电状态与时间的关系，

为OCV-SOC曲线线性化后的斜率估计值，

i为电池电流。

其中，所述获取电池基本参数的方法包括：

A1、选取特定容量的电池样本；

A2、将电池样本电量放空后静置第一预定时间；

A3、对电池样本充电，每当充入的电量达到其容量预定比例后，停止充电并静置第二预定时间，静置后测量电池的开路电压；

A4、根据电池开路电压与荷电状态的对应关系，获取电池的基本参数。

另外，所述电池开路电压与荷电状态之间的关系模型的表达式为：

y＝a-b×(-ln(s))^α+cs，

其中y为电池的开路电压，s为电池的荷电状态，a、b、c为所述关键参数，α为常数。

所述基于电池等效电路模型，建立电池状态方程为：

其中为电池端电压估算值，

x_k为电池状态，U_p为电池极化电压，s_k为电池荷电状态，

其中I_k为流过电池的电流，R_p、C_p分别为电池的极化电阻和极化电容；

中间变量f(s_k)为电池开路电压，f(s_k)＝a-b×(-ln(s_k))^α+cs_k，

中间变量D_k＝R₀，R₀为电池欧姆内阻；

中间变量u_k等于I_k。

另外，所述采用牛顿迭代法对关键参数建立更新方程为：

其中θ_i＝[a_i,b_i,c_i]^T为第i次迭代后的关键参数组成的向量；

关键参数向量的初值θ₀＝[a₀,b₀,c₀]^T为随机数，μ为设定步长，y_k为时刻k电池的端电压实际值，为关键参数的雅可比矩阵且有：

qj为电池充电过程中任意连续N个时段中第j个时段充入电池的电量，j＝1,2,...,N，N为预定值，Q为电池的容量。

特别地，所述牛顿迭代法迭代次数为500次以上。

所述将更新方程与观测器估算荷电状态方法联合应用估算电池荷电状态为：

其中x_k和x_k+1分别为此时刻和下一时刻的电池状态，

中间变量其中R_p、C_p分别为电池的极化电阻和极化电容，

中间变量其中Q为电池容量，

y_k和分别为此时刻电池端电压的测量值和估算值；

中间变量L₁为对电池极化电压一阶导数的误差反馈量的增益系数，L₂为对电池荷电状态一阶导数的误差反馈量的增益系数。

一种电池荷电状态估算装置，所述装置包括：

基本参数分析单元，用于获取电池基本参数；

电池模型获取单元，用于拟合电池开路电压与荷电状态之间的关系模型；

状态方程确定单元，用于基于电池等效电路模型，建立电池的状态方程；

参数分析单元，用于调整状态方程的参数，观察对荷电状态估算精度的影响，得出电池基本参数以及开路电压表达式中的系数对荷电状态估算精度的影响，获得关键参数；

电池荷电状态估算单元，用于采用牛顿迭代法对关键参数建立更新方程，将更新方程与观测器估算荷电状态方法联合应用估算电池荷电状态。

所述电池模型获取单元根据y＝a-b×(-ln(s))^α+cs来拟合电池开路电压与荷电状态之间的关系模型其中y为电池的开路电压，s为电池的荷电状态，a、b、c为所述关键参数，α为常数；

所述状态方程确定单元建立电池的状态方程：

其中为电池端电压估算值，

x_k为电池状态，U_p为电池极化电压，s_k为电池荷电状态，

I_k为流过电池的电流，R_p、C_p分别为电池的极化电阻和极化电容；

中间变量f(s_k)为开路电压，f(s_k)＝a-b×(-ln(s_k))^α+cs_k，

中间变量D_k＝R₀，R₀为电池欧姆内阻；

中间变量u_k等于I_k；

所述电池荷电状态估算单元，用于采用牛顿迭代法对关键参数建立更新方程为：

其中θ_i＝[a_i,b_i,c_i]^T为第i次迭代后的关键参数组成的向量；

关键参数的初值θ₀＝[a₀,b₀,c₀]^T为随机数，μ为设定步长，y_k为时刻k电池的端电压实际值，为关键参数的雅可比矩阵且有：

qj为电池充电过程中任意连续N个时段中第j个时段充入电池的电量，j＝1,2,...,N，N为预定值，Q为电池的容量；

所述电池荷电状态估算单元将更新方程与观测器估算荷电状态方法联合应用估算电池荷电状态为：

其中x_k和x_k+1分别为此时刻和下一时刻的电池状态，

中间变量其中R_p、C_p分别为电池的极化电阻和极化电容，

中间变量其中Q为电池容量，

y_k和分别为此时刻电池端电压的测量值和估算值；

中间变量L₁为对电池极化电压一阶导数的误差反馈量的增益系数，L₂为对电池荷电状态一阶导数的误差反馈量的增益系数。

通过本发明的电池荷电状态估算方法和装置，能够采用牛顿迭代法对关键参数建立更新方程，将更新方程与观测器估算荷电状态方法联合应用估算电池荷电状态，因此实现提高估算精度的有益效果。

附图说明

图1是本发明实施方式电池荷电状态估算方法的流程示意图。

图2是本发明实施方式中电池的一阶戴维宁模型的示意图。

图3是电池开路电压OCV与荷电状态SOC的关系模型分析图。

图4a、4b、4c是恒流情况下关键参数经过不同迭代次数的更新后得到的电池荷电状态SOC估算结果图。

图5a、5b、5c是动态应力测试(Dynamic Stress Test，DST)工况下关键参数经过不同迭代次数的更新后得到的电池荷电状态SOC估算结果图。

图6是DST工况下关键参数经过500次迭代更新后电池荷电状态SOC估算结果图。

图7是电池不同因子对于电池SOC估算误差的影响结果对比。

图8是不同倍率对于电池SOC估算误差的影响结果对比。

具体实施方式

下面结合附图，对本发明作详细说明。

以下公开详细的示范实施例。然而，此处公开的具体结构和功能细节仅仅是出于描述示范实施例的目的。

然而，应该理解，本发明不局限于公开的具体示范实施例，而是覆盖落入本公开范围内的所有修改、等同物和替换物。在对全部附图的描述中，相同的附图标记表示相同的元件。

同时应该理解，如在此所用的术语“和/或”包括一个或多个相关的列出项的任意和所有组合。另外应该理解，当部件或单元被称为“连接”或“耦接”到另一部件或单元时，它可以直接连接或耦接到其他部件或单元，或者也可以存在中间部件或单元。此外，用来描述部件或单元之间关系的其他词语应该按照相同的方式理解(例如，“之间”对“直接之间”、“相邻”对“直接相邻”等)。

图1是本发明电池SOC估算方法的流程示意图，该流程是以基于观测器的电池SOC估算方法为基础进行的。

在说明本发明电池SOC估算方法之前，首先简要介绍本发明的技术方案的原理，这些原理说明仅仅是示例性的，本领域技术人员可以根据其说明对本发明的技术实质产生了解，但不能理解为这些说明对发明的保护范围造成了不必要的限制。

图2是本发明实施方式中电池的一阶戴维宁模型的示意图，从图中的电气关系以及基于观测器的电池SOC估算方法的原理可知：

以及

其中U_P是极化电阻R_P或极化电容C_P两端的电压，I是流过电池的电流，U_o是电池的端电压，U_OCV是电池的开路电压，R_o是电池的欧姆电阻。

另一方面，

OCV＝a_i·SOC+b_i，

C＝[1 a_i]，

D＝R_o，

其中L₁为对电池极化电压一阶导数的误差反馈量的增益系数，L₂为对电池荷电状态一阶导数的误差反馈量的增益系数，都是观测器的增益系数，取决于观测器本身，例如基于滑模观测器、龙伯格观测器等的增益系数，Q为电池容量。

根据图1中所示的电池SOC估算方法的框图，可以得到电池SOC的状态方程为：

其中U_o和分别是电池端电压的测量值和估算值，u是流过电池的电流。

以e为电池状态的估算值与实际值的误差有：

其中和分别是A、B、C、D和b_i的估算值。ΔA、ΔB、ΔC、ΔD和Δb_i分别为A、B、C、D和b_i的误差。

进一步对e和A、B、C、D展开有：

进一步展开有：

利用微分终值定理即可得到SOC估算误差的稳态表达式为：

接下来，分别对不同变量因子，不同容量，不同倍率电流充放电的电池SOC估算误差进行对比分析。

(1)例如容量为90Ah的电池，设R_总＝1.5毫欧，当实际辨识时，总内阻误差会达到0.15～0.3毫欧(10％～20％)甚至更多，以SOC为55％处的OCV-SOC线性化结果为例，取其斜率为0.4，截距为3.786，电流取1/3C，观测器系数按照仿真取0.01。在变量取不同误差时，电池的状态估算值与实际值之间的误差e₁，e₂，e₃，e₄的结果如附图7所示。

(2)例如对容量为90Ah的电池，考虑不同充放电倍率情况的对比，由于只有e₁，e₂受电流大小影响，故只对这两项进行比较，电池的状态估算值与实际值之间的误差对比结果如附图8所示。

由以上列出的计算结果和分析可知，图7中所列出的四个影响参数对电池SOC估算精度的影响程度大小与电池本身容量和充放电流大小密切相关。综合各影响参数实际中能够达到的误差分析可知，各影响参数对电池SOC估算精度的影响程度排序为：Δa_i>Δb_i>ΔR_总>ΔQ。其中OCV对SOC估算误差影响最大，实际中，OCV-SOC曲线线性化后，Δa_i(斜率误差)可能达到百分之几十，Δb_i(截距误差)可能达到百分之零点几，因此OCV对SOC估算精度有很大影响，其中斜率的影响更大，所以准确测量OCV-SOC曲线及分段线性化精度的提高对减小误差很有帮助。电池总内阻误差ΔR_总对SOC估算精度的影响其次，容量误差ΔQ对估算的影响最小。但是，充放电电流倍率变大时，这两者对估算精度的影响会变大，电池总内阻误差ΔR_总的影响尤为明显，一些情况下甚至会超过OCV对电池SOC估算精度的影响。通过对不同容量大小的电池对比的结果可知，容量误差ΔQ的影响相对最小，但实际容量值越小时，容量误差ΔQ对电池SOC估算精度的影响越大。

接下来说明确定影响电池荷电状态SOC估算精度的关键参数。电池的开路电压OCV在荷电状态SOC常用区间[0.15，0.9]与荷电状态SOC的映射关系用函数关系表达如下：

y＝v-(R_p+R₀)×i＝a-b×(-ln(s))^α+cs，

其中，y为电池的开路电压，v为电池的端电压，R_p为电池的极化内阻，R₀为电池的欧姆内阻，i为流过电池的电流，s为电池的荷电状态，a、b、c为待定参数，α为常数，一般根据对实际测量结果进行拟合得出。

经过分析参数a、参数b、参数c、容量Q、极化电阻R_p和欧姆内阻R₀对荷电状态SOC估算精度的影响，发现参数a、b、c的值对SOC估算精度的影响很大。因此，本发明实施方式中将参数a、b和c作为影响电池SOC估算精度的关键系数，在本发明中被通称为关键参数。

通过以上分析，明确了电池SOC估算过程中需要重点关注的关键参数，本发明实施方式中也正是在利用观测器估算电池SOC过程中，不断更新这些关键参数来修正电池SOC估算方法，因此实现提高估算精度的有益效果。

因此本发明的电池荷电状态估算方法包括以下步骤：

A、获取电池基本参数；

B、拟合电池开路电压与荷电状态之间的关系模型；

C、基于电池等效电路模型，建立电池的状态方程；

D、调整状态方程的参数，观察对荷电状态估算精度的影响，得出电池基本参数以及开路电压表达式中的系数对荷电状态估算精度的影响，获得关键参数；

E、采用牛顿迭代法对关键参数建立更新方程，将更新方程与观测器估算荷电状态方法联合应用估算电池荷电状态。

从步骤E中可以看出，采用牛顿迭代法对关键参数建立更新方程，将更新方程与观测器估算荷电状态方法联合应用估算电池荷电状态。因此本发明实施方式中的电池SOC估算方法提高了电池SOC估算的精度。

步骤A中，电池的基本参数取决于电池的模型，例如使用图2所示的一阶戴维宁模型时，电池的基本参数为极化电阻R_P、极化电容C_P和电池的欧姆电阻R_o。

得到这些基本参数的目的是作为后续电池SOC估算过程的基础，因此虽然常规技术中也有得到电池基本参数的通常方法，但本发明为了提高SOC估算的精度，还是在具体实施方式中揭示了特定的电池基本参数确定方法。具体而言，在一个具体实施方式中，通过以下方式来获取电池的基本参数：

A1、选取特定容量的电池样本，例如容量为90Ah的电池样本；

A2、将电池样本电量放空后静置第一预定时间；

A3、对电池样本充电，每当充入的电量达到其容量预定比例后，停止充电并静置第二预定时间，静置后测量电池的开路电压；

A4、根据电池开路电压与荷电状态的对应关系，获取电池的基本参数。

对电池静置的第一预定时间和第二预定时间主要是为了让其状态稳定，避免出现虚假信号，例如所述第一预定时间为3小时以上，而所述第二预定时间为1小时以上。

对预定比例进行限定主要是后续电池OCV与SOC关系的拟合过程中的基准点数目，例如预定比例为5％时，则可以得到20组电池的开路电压OCV和荷电状态SOC的映射关系。

通过以上具体实施方式，准确地获取了电池的基本参数，为电池SOC估算方法提供了良好的基础。

获取了电池的基本参数后，可以以此得到电池OCV与SOC关系模型，电池OCV与SOC的关系模型与实际测量结果的对比如图3所示，从图中可以看出，电池OCV与SOC的关系模型与实际测量的结果非常接近，说明了电池基本参数的辨识非常准确有效。

接下来，基于电池等效电路模型，建立电池的状态方程为：

其中为电池端电压估算值，

x_k为电池状态，U_p为电池极化电压，s_k为电池荷电状态，

I_k为流过电池的电流，R_p、C_p分别为电池的极化电阻和极化电容；

中间变量f(s_k)为开路电压，f(s_k)＝a-b×(-ln(s_k))^α+cs_k，

中间变量D_k＝R₀，R₀为电池欧姆内阻；

中间变量u_k等于I_k。

并且进一步地，通过测量获得时刻k的电池端电压y_k。

在本发明的一个具体实施方式中，调整状态方程的参数，观察对荷电状态估算精度的影响，得出电池基本参数以及开路电压表达式中的系数对荷电状态估计精度的影响以得到关键参数，所述各参数对荷电状态估算误差的影响作用由下式确定：

其中为电池荷电状态稳态估算误差，

ΔR_总为电池总内阻误差，

L₂为对电池荷电状态一阶导数的误差反馈量的增益系数，

Δa_i为OCV-SOC曲线线性化后的斜率误差，

Δb_i为OCV-SOC曲线线性化后的截距误差，

Q为电池容量，

soc(t)为电池荷电状态与时间的关系，

为OCV-SOC曲线线性化后的斜率估计值，

i为电池电流。

通过前述分析内容我们已知，电池OCV-SOC关系模型中的参数a、b和c是对SOC估算精度具有最显著影响的参数，因此在本发明实施方式中以上参数被确定为关键参数。

在本发明一实施方式中，采用牛顿迭代法来对关键参数建立更新方程。

所述牛顿迭代方法的更新方程根据时刻k电池端电压测量值y_k更新电池开路电压与荷电状态之间的关系模型的关键参数(a，b和c)：

其中θ_i＝[a_i,b_i,c_i]^T为第i次迭代后的关键参数组成的向量；关键参数的初值θ₀＝[a₀,b₀,c₀]^T为随机数。μ为设定步长，例如可以取0.1或其他数值。而y_k为时刻k电池的端电压实际值，为关键参数的雅可比矩阵且满足以下关系：

qj为电池充电过程中任意连续N个时段中第j个时段充入电池的电量，j＝1,2,...,N，N为预定值，是随机选取的，Q为电池的容量。

并且在本发明实施方式中，将更新方程与观测器估算荷电状态方法联合应用估算电池荷电状态为：

其中x_k和x_k+1分别为时刻k和时刻k+1的电池状态，

中间变量其中R_p、C_p分别为电池的极化电阻和极化电容，

中间变量其中Q为电池容量，

y_k和分别为时刻k电池端电压的测量值和估算值；

中间变量L₁为对电池极化电压一阶导数的误差反馈量的增益系数，L₂为对电池荷电状态一阶导数的误差反馈量的增益系数，如前所述，这些增益系数取决于观测器本身。

得到了更新后的关键参数a′、b′和c′，以及电池于时刻k+1的状态x_k+1之后，重新估算时刻k+1的端电压，作为观测器进行误差比较的输入。

重新估算时刻k+1的端电压的具体方法为：

其中为时刻k+1电池的端电压估算值，且根据OCV-SOC模型有f(s_k+1)＝a′-b′×(-ln(s_k+1))^α+c′s_k+1，a′、b′和c′分别为经过更新后的关键参数，s_k+1为时刻k+1电池的荷电状态。x_k+1为时刻k+1电池的状态。D_k+1＝R₀，R_o为电池的欧姆内阻，u_k+1为时刻k+1流过电池的电流。

这样将更新方程与观测器估算荷电状态方法联合应用估算电池荷电状态，电池SOC估算方法的精度得到了提高，克服了现有技术中电池SOC估算过程中的关键参数保持固定，因此误差逐步增大的缺陷。

在关键参数更新过程中，影响估算精度的关键是迭代过程中的迭代次数。例如图4a、4b、4c中所示，分别为迭代次数为100次、300次和500次的关键参数更新过程所导致的电池SOC估算结果，其应用背景是恒流充电工况。从图4a、4b、4c中可以看出，当迭代次数为100次时，电池SOC估算结果与实际情况具有较大误差，而随着关键参数迭代更新次数越多，荷电状态SOC估算值越接近于真实值，当迭代次数达到了500次时，电池SOC估算值与真实情况之间的差距很小。

图5a、5b、5c为DST工况下，关键参数分别经过100次、300次和500次迭代次数的更新后得到的电池荷电状态SOC估算结果图。从图5a、5b、5c中可以看出，同样当迭代次数为500次或以上时，电池SOC估算值与真实情况非常接近。

在DST工况下，将关键参数经500次迭代更新后的结果代入电池SOC估计的状态方程中，得到不同时间尺度参数与电池SOC估计效果如图6所示。从图中可以看出，经过一定时间后，电池SOC估计的误差保持在1％以下，说明了本发明实施方式具有很高的精确性。

为了实现本发明实施方式中的电池SOC估算方法，本发明还包括一种电池荷电状态估算装置，所述装置包括：

基本参数分析单元，用于获取电池基本参数；

电池模型获取单元，用于拟合电池开路电压与荷电状态之间的关系模型；

状态方程确定单元，用于基于电池等效电路模型，建立电池的状态方程；

参数分析单元，用于调整状态方程的参数，观察对荷电状态估算精度的影响，得出电池基本参数以及开路电压表达式中的系数对荷电状态估算精度的影响，获得关键参数；

电池荷电状态估算单元，用于采用牛顿迭代法对关键参数建立更新方程，将更新方程与观测器估算荷电状态方法联合应用估算电池荷电状态。

其中，

所述电池模型获取单元根据y＝a-b×(-ln(s))^α+cs来拟合电池开路电压与荷电状态之间的关系模型其中y为电池的开路电压，s为电池的荷电状态，a、b、c为所述关键参数，α为常数；

所述状态方程确定单元建立电池的状态方程：

其中为电池端电压估算值，

x_k为电池状态，U_p为电池极化电压，s_k为电池荷电状态，

I_k为流过电池的电流，R_p、C_p分别为电池的极化电阻和极化电容；

中间变量f(s_k)为开路电压，f(s_k)＝a-b×(-ln(s_k))^α+cs_k，

中间变量D_k＝R₀，R₀为电池欧姆内阻；

中间变量u_k等于I_k；

所述电池荷电状态估算单元，用于采用牛顿迭代法对关键参数建立更新方程关键参数为：

其中θ_i＝[a_i,b_i,c_i]^T为第i次迭代后的关键参数组成的向量；

关键参数的初值θ₀＝[a₀,b₀,c₀]^T为随机数，μ为设定步长，y_k为时刻k电池的端电压实际值，为关键参数的雅可比矩阵且有：

qj为电池充电过程中任意连续N个时段中第j个时段充入电池的电量，j＝1,2,...,N，N为预定值，Q为电池的容量；

所述所述电池荷电状态估算单元将更新方程与观测器估算荷电状态方法联合应用估算电池荷电状态为：

其中x_k和x_k+1分别为此时刻和下一时刻的电池状态，

中间变量其中R_p、C_p分别为电池的极化电阻和极化电容，

中间变量其中Q为电池容量，

y_k和分别为此时刻电池端电压的测量值和估算值；

中间变量L₁为对电池极化电压一阶导数的误差反馈量的增益系数，L₂为对电池荷电状态一阶导数的误差反馈量的增益系数。

需要说明的是，上述实施方式仅为本发明较佳的实施方案，不能将其理解为对本发明保护范围的限制，在未脱离本发明构思前提下，对本发明所做的任何微小变化与修饰均属于本发明的保护范围。

Claims (3)

1.一种电池荷电状态估算方法，所述方法包括步骤：

A、获取电池基本参数；所述电池基本参数为极化电阻、极化电容和电池的欧姆电阻；

B、拟合电池开路电压与荷电状态之间的关系模型；

C、基于电池等效电路模型，建立电池的状态方程；

D、调整状态方程的参数，观察对荷电状态估算精度的影响，得出电池基本参数以及开路电压表达式中的系数对荷电状态估算精度的影响，获得关键参数；

E、采用牛顿迭代法对关键参数建立更新方程，将更新方程与观测器估算荷电状态方法联合应用估算电池荷电状态；

所述电池基本参数以及开路电压表达式中的系数对荷电状态估算精度的影响由下式确定：

其中为电池荷电状态稳态估算误差，

ΔR_总为电池总内阻误差，

L₂为对电池荷电状态一阶导数的误差反馈量的增益系数，

Δa_i为OCV-SOC曲线线性化后的斜率误差，

Δb_i为OCV-SOC曲线线性化后的截距误差，

Q为电池容量，

soc(t)为电池荷电状态与时间的关系，

为OCV-SOC曲线线性化后斜率估计值，

i为电池电流；

所述获取电池基本参数的方法包括：

A1、选取特定容量的电池样本；

A2、将电池样本电量放空后静置第一预定时间；

A3、对电池样本充电，每当充入的电量达到其容量预定比例后，停止充电并静置第二预定时间，静置后测量电池的开路电压；

A4、根据电池开路电压与荷电状态的对应关系，获取电池的基本参数；

所述电池开路电压与荷电状态之间的关系模型的表达式为：

y＝a-b×(-ln(s))^α+cs，

其中y为电池的开路电压，s为电池的荷电状态，a、b、c为所述关键参数，α为常数；

所述基于电池等效电路模型，建立电池状态方程为：

其中为电池端电压估算值，

x_k为电池状态，U_p为电池极化电压，s_k为电池荷电状态，

其中I_k为流过电池的电流，R_p、C_p分别为电池的极化电阻和极化电容；

中间变量f(s_k)为电池开路电压，f(s_k)＝a-b×(-ln(s_k))^α+cs_k，中间变量D_k＝R₀，R₀为电池欧姆内阻，

中间变量u_k等于I_k；

所述采用牛顿迭代法对关键参数建立更新方程为：

其中θ_i＝[a_i,b_i,c_i]^T为第i次迭代后的关键参数组成的向量；

关键参数向量的初值θ₀＝[a₀,b₀,c₀]^T为随机数，μ为设定步长，y_k为时刻k电池的端电压实际值，为关键参数的雅可比矩阵且有：

qj为电池充电过程中任意连续N个时段中第j个时段充入电池的电量，j＝1,2,...,N，N为预定值，Q为电池的容量；

所述将更新方程与观测器估算荷电状态方法联合应用估算电池荷电状态为：

其中x_k和x_k+1分别为此时刻和下一时刻的电池状态，

中间变量其中R_p、C_p分别为电池的极化电阻和极化电容，中间变量其中Q为电池容量，

y_k和分别为此时刻电池端电压的测量值和估算值；

中间变量L₁为对电池极化电压一阶导数的误差反馈量的增益系数，L₂为对电池荷电状态一阶导数的误差反馈量的增益系数。

2.根据权利要求1中所述的电池荷电状态估算方法，其特征在于，所述牛顿迭代法迭代次数为500次以上。

3.一种电池荷电状态估算装置，所述装置包括：

基本参数分析单元，用于获取电池基本参数；所述电池基本参数为极化电阻、极化电容和电池的欧姆电阻；

电池模型获取单元，用于拟合电池开路电压与荷电状态之间的关系模型；

状态方程确定单元，用于基于电池等效电路模型，建立电池的状态方程；

参数分析单元，用于调整状态方程的参数，观察对荷电状态估算精度的影响，得出电池基本参数以及开路电压表达式中的系数对荷电状态估算精度的影响，获得关键参数；

电池荷电状态估算单元，用于采用牛顿迭代法对关键参数建立更新方程，将更新方程与观测器估算荷电状态方法联合应用估算电池荷电状态；

所述电池模型获取单元根据y＝a-b×(-ln(s))^α+cs来拟合电池开路电压与荷电状态之间的关系模型其中y为电池的开路电压，s为电池的荷电状态，a、b、c为所述关键参数，α为常数；

所述状态方程确定单元建立电池的状态方程：

其中为电池端电压估算值，

x_k为电池状态，U_p为电池极化电压，s_k为电池荷电状态，

I_k为流过电池的电流，R_p、C_p分别为电池的极化电阻和极化电容；

中间变量f(s_k)为开路电压，f(s_k)＝a-b×(-ln(s_k))^α+cs_k，

中间变量D_k＝R₀，R₀为电池欧姆内阻；

中间变量u_k等于I_k；

所述电池荷电状态估算单元，用于采用牛顿迭代法对关键参数建立更新方程为：

其中θ_i＝[a_i,b_i,c_i]^T为第i次迭代后的关键参数组成的向量；

关键参数的初值θ₀＝[a₀,b₀,c₀]^T为随机数，μ为设定步长，y_k为时刻k电池的端电压实际值，为关键参数的雅可比矩阵且有：

qj为电池充电过程中任意连续N个时段中第j个时段充入电池的电量，j＝1,2,...,N，N为预定值，Q为电池的容量；

所述电池荷电状态估算单元将更新方程与观测器估算荷电状态方法联合应用估算电池荷电状态为：

其中x_k和x_k+1分别为此时刻和下一时刻的电池状态，

中间变量其中R_p、C_p分别为电池的极化电阻和极化电容，中间变量其中Q为电池容量，

y_k和分别为此时刻电池端电压的测量值和估算值；

中间变量L₁为对电池极化电压一阶导数的误差反馈量的增益系数，L₂为对电池荷电状态一阶导数的误差反馈量的增益系数。