CN109298340B

CN109298340B - 一种基于可变时间尺度的电池容量在线估计方法

Info

Publication number: CN109298340B
Application number: CN201811222226.0A
Authority: CN
Inventors: 戴海峰; 魏学哲; 姜波
Original assignee: Tongji University
Current assignee: Tongji University
Priority date: 2018-10-19
Filing date: 2018-10-19
Publication date: 2020-04-28
Anticipated expiration: 2038-10-19
Also published as: CN109298340A

Abstract

本发明涉及一种基于可变时间尺度的电池容量在线估计方法，包括以下步骤：1)根据电池动态特性建立电池等效电路模型；2)在小时间尺度内对电池等效电路模型的参数进行辨识；3)在与参数辨识相同的小时间尺度内实时估计电池的SOC；4)选择电池容量估计的大时间尺度的初始时刻，将此时的电池SOC作为初始SOC，并从此时刻开始进行电量累积；5)判断在小时间尺度内电池电量累积绝对值是否大于阈值，若是，则进行步骤6)，若否，则返回步骤2)；6)根据SOC变化量以及该时间段内的电量累积，进行电池容量估计，并重复步骤2)‑6)。与现有技术相比，本发明具有大时间尺度可变、考虑容量变化特性、降低SOC估计误差对容量估计的影响等优点。

Description

一种基于可变时间尺度的电池容量在线估计方法

技术领域

本发明涉及储能电池领域，尤其是涉及一种基于可变时间尺度的电池容量在线估计方法。

背景技术

电池容量是表征电池***性能的一个重要参量，在电池应用及管理中起到了十分重要的作用。一方面，电池容量的大小直接决定了电池一次充电后的工作时间(以电动汽车为例，电池容量的大小影响一次充电续驶里程)；另一方面，电池管理中的很多关键状态，如SOC(State of Charge，荷电状态)，SOH(State of Health，健康状态)等的估计都需要以准确的电池容量作为前提。

电池容量本身是一个复杂的时变量，会随着电池运行时间，运行工况以及电池所处的温度变化而变化。获取电池容量常见的方式是对电池容量进行标定和校准，但这不适合正在工作中的电池(在线)，并且电池的标定工作需要大量时间。为了能够在线获取电池容量，国内外学者、研究人员进行了很多尝试。

一种常见的方法是基于电池SOC变化与电流累积的电池容量估计方法，通过估计某段时间内初始以及结束的SOC并记录该时间段内的充放电电量，累积的充放电电量除以初始以及结束的SOC之差即为电池容量。

另一类常用的方法是基于状态估计的电池容量估计方法，通过建立电池模型，将电池容量作为电池模型的参数之一，采用状态估计或参数辨识的方法在线估计电池容量。该方法一般会使用两个状态估计器或滤波器，同步估计电池的SOC与容量，考虑到SOC与容量的时变特性，两者的估计通常是在不同的时间尺度下进行的。

还有一种方法是基于容量增量法或电压微分法的电池容量估计方法，该方法通过对电池充放电，获得电池容量与电池电压的关系曲线后对其进行微分，从而获取电池容量的微分曲线。该曲线中的峰值或者谷值会随着电池容量的变化而变化并具有一定的相关性，利用这种相关性可以估计出电池的容量。

但是，以上三种方法在应用时均存在一些问题。第一种电池容量估计方法较为简单，但是在应用过程中会受到电池SOC估计误差以及电量累积计算误差的影响，从而会影响电池容量的估算精度；第二种电池容量估计方法需要两个估计器或滤波器，导致计算变得复杂，且电池容量估计的时间尺度一般是固定的，当电池SOC变化量较小的时候，对电池容量的估计提供不了有效信息，从而会产生误差；第三种方法对电池的运行工况较为苛刻，需要恒流充放电的工况，所以在线应用受到限制。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于可变时间尺度的电池容量在线估计方法。

本发明的目的可以通过以下技术方案来实现：

一种基于可变时间尺度的电池容量在线估计方法，包括以下步骤：

基于模型的SOC估计：

1)根据电池动态特性建立电池等效电路模型；

2)根据采样得到的电池电流电压数据，在小时间尺度内对电池等效电路模型的参数进行辨识；

3)在与参数辨识相同的小时间尺度内实时估计电池的SOC；

基于可变时间尺度的电池容量估计：

4)选择电池容量估计的大时间尺度的初始时刻，将此时的电池SOC作为初始SOC，并从此时刻开始进行电量累积；

5)判断在小时间尺度内电池电量累积绝对值是否大于阈值，若是，则进行步骤6)，若否，则返回步骤2)；

6)记录此时刻的电池SOC作为该次容量估算步长内的最终SOC，根据SOC变化量以及该时间段内的电量累积，进行电池容量估计并输出电池容量，并重复步骤2)-6)，实现电池容量的在线估计。

所述的步骤1)中，电池等效电路模型为Rint内阻模型、Thevenin模型、DP模型或PNGV模型，当电池等效电路模型采用Thevenin模型时，其电池模型离散方程为：

其中，下标k和k-1均为采样时刻，Δt为电流采样周期，即参数辨识与SOC估计的小时间尺度，τ_p为时间常数，U_oc为电池的开路电压，R_o为电池的欧姆内阻，R_p和C_p分别为电池的极化电阻和极化电容，U_p为极化电阻两端的电压，U_l与I_l分别为电池的端电压与电流。

所述的步骤2)中，采用递推最小二乘算法进行电池等效电路模型的参数辨识，辨识参数包括电池的欧姆内阻R_o、电池的极化电阻R_p和电池的极化电容C_p。

所述的步骤3)中，以极化电阻两端的电压U_p和SOC作为***状态，以电池电流I_l为输入，电池端电压U_l为***输出，采用Kalman滤波法进行电池SOC的估计。

所述的步骤6)中，电池容量的计算式为：

其中，k₁为大时间尺度的初始时刻，k₂为电池电量累积绝对值大于阈值时的时刻，

为电池电量累积，SOC_k1和SOC_k2分别为k₁时刻和k₂时刻的SOC值，L为当前的估计次数。

所述的电池容量估计的大时间尺度是可变的，并且大时间尺度为小时间尺度的n倍，n为整数且n≥2。

与现有技术相比，本发明具有以下优点：

本发明的电池容量在线估计方法，能够在线快速、准确的估计出电池在当前状态下的最大可放出容量。以准确的SOC估计为前提进行电池容量估计，并且电池容量估计算法的时间尺度是较大的并且可变的，体现了容量变化的特点以及能够降低SOC估计误差对容量估计造成的影响。

附图说明

图1为本发明的方法流程图。

图2为Thevenin电池等效电路模型。

图3为在不同容量估计算法阈值下容量估计的结果。

图4为基于可变时间尺度的电池容量估计方法的容量估计结果。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。

本发明提供一种基于可变时间尺度的电池容量估计方法，该方法考虑到了电池容量与电池其他状态量(如SOC)不同的时变特性与误差特性，该方法至少可以用于对于动力电池进行在线的容量估计。

以下，将参考附图1详细地解释本发明的优选实施例。

S1，根据电池动态特性建立电池等效电路模型。

步骤S1中，本实施例中所使用电池为锂离子电池，实际应用中并不限于此。根据电池的动态特性，建立电池的等效电路模型。常见的电池等效电路模型有Rint内阻模型、Thevenin模型、DP(dual polarization)模型和PNGV(the partnership for a newgeneration of vehicles)模型等。考虑到模型准确性以及计算复杂性，本实例中使用的电池模型为Thevenin模型，如附图2所示。

步骤S1中所示的电池模型中，U_oc为电池的开路电压，R_o为电池的欧姆内阻，R_p和C_p分别为电池的极化电阻和极化电容，U_p为加载在极化电阻两端的电压，U_l与I_l分别为电池的端电压与电流，本实例中规定，电池在放电时电流为正。

步骤S1中所示的电池模型方程为：

其中下标k为采样时刻，Δt为电流采样以及SOC估计所处的小时间尺度的大小，τ_p＝R_p×C_p为时间常数。

S2，根据采样的电池电流电压数据，在小时间尺度内对步骤S1中的电池模型参数进行辨识。

步骤S2中，需要对电池模型中的未知参数进行辨识，包括R_o，R_p和C_p。辨识的标准为模型求得的端电压与实际测量端电压误差最小，常见的辨识类方法有最小二乘类算法，粒子群优化算法以及遗传网络算法等。考虑到算法的实际操作性以及复杂性，本实例中选用递推最小二乘算法进行电池模型的参数辨识。

步骤S2中，所指的小时间尺度可以等价于电池电压与电流的采样频率，若电池测试设备或者管理***的电压电流采样周期为0.1s，那么参数辨识所处的小时间尺度可以定为0.1s。

S3，在与电池模型参数辨识时间尺度相等的小时间尺度内估计电池SOC。

步骤S2规定了电池模型参数辨识的小时间尺度，考虑到SOC的变化特性，SOC算法的调度周期可以与参数辨识一致。常见的SOC估计方法有安时积分法、Kalman滤波法以及开路电压法等。考虑到在线实施的可靠性以及估计精度，本实例中选用Kalman滤波法进行电池SOC的估计。

步骤S3中，取电池极化电阻两端的电压U_p以及SOC作为***状态，电池电流I_l为***输入，电池端电压U_l为***输出。

步骤S3中的所需的***状态方程与观测方程为：

y_k＝g(x_k,u_k)＝U_oc(x_k[2])-x_k[1]-R_ou_k

上式中，C_m为电池容量。f和g分别为状态转移函数和观测函数。

步骤S3的电池模型是非线性的，需要对其线性化，如下：

步骤S3中SOC估计算法方法如下：

其中P为协方差矩阵，K为Kalman增益，Q为***噪声协方差，R为观测噪声协方差。

S4，以某一时刻作为容量估计的大时间尺度的初始时刻，记录此时刻的电池SOC作为初始SOC，并从此时刻开始进行电量累积。

步骤S4中，考虑到电池容量的变化相对于电池SOC以及电池模型参数的变化较慢，为了防止在后续计算中，SOC或者电池模型参数的跳变对电池容量估计产生影响，电池容量估计算法调度周期相对于电池SOC估计算法的调度周期较大，换言之，电池容量估计算法处于一个大时间尺度内。

步骤S4中，假设用于电池容量估计的大时间尺度中，开始时刻为k₁，则需要记录k₁时刻的电池SOC_k1，并且从k₁时刻开始进行电量累积。

S5，在小时间尺度内的任意时刻判断电池电量累计的绝对值是否大于阈值，如果是话，继续执行步骤S6，如果不是的话，返回执行步骤S2～步骤S4。

步骤S5中，在实际运行过程中电池的工作电流是变化多样的，从而会导致SOC在电池放电的时候并不是单调递减，或者充电的时候不是单调递增的，故若以一个固定的时间尺度来估计电池容量，将会存在SOC变化较小的情况，从而会为电池容量估计带来误差。此外，SOC估计本身存在误差且现阶段是难以避免的，相比于SOC的估计精度，电池电流的测量精度相对较高，故以电池电流累计的变化量的大小作为容量估计算法调度判断条件是合理的。

步骤S5中，用于判断容量估计算法的阈值可以通过试验标定的方法获得。附图3所示为本实例中所用电池在某运行工况下，设置不同的算法阈值下的结果对比。从中可以看出，算法阈值越大，结果越稳定；但是算法阈值过大的话，则会减少容量估计的迭代次数，从而会导致估计误差。

S6，记录此时刻的电池SOC作为该时间尺度的终了SOC，根据SOC变化量以及该时间段内的电流累积，运行电池容量估计算法并输出容量。

步骤S5的判断条件成立之后，可以进行本次电池容量估计算法。假定此时为k₂时刻，则当前电池的SOC为SOC_k2。根据以上所述，k₁到k₂的SOC变化量为SOC_k1-SOC_k2，电量累积为

假定此次容量估算为第L次估算，则根据SOC的计算公式反推得到电池容量的计算公式为：

步骤S6所述的容量估算可以直接利用上式计算，为了防止计算容量的跳变，可以对其进行滤波处理。考虑到两个时刻内的SOC估计差值及电量累计可能会存在噪声，可以利用最小二乘类算法，包括递推最小二乘法以及全局最小二乘法等，将电池容量作为一个参数，利用第L个容量估算步长内得到的X_L以及Y_L来辨识估算电池容量。

步骤S6所述的容量估算结果在本实例中可见附图4，从图中可以看出，本实例中的容量估算算法在收敛后是准确的，收敛后估计的容量最大误差为4％，均方根误差为2.05％，平均误差为0.87％，且收敛速度快；并且可以看出，任意两个容量估计点之间的时间间隔是不一样的，这也体现出了容量估计的可变时间尺度的概念。

综上所述，本发明的一个实施例是可行的，并且估计结果与实验数据误差较小。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所做的举例，而并非是对本发明的实施方式的限定。本领域内的技术人员可以在本发明主要思想内做其他变化，这些所引申出的显而易见的变化，都应包含在本发明所要求保护的范围内。

Claims

1.一种基于可变时间尺度的电池容量在线估计方法，其特征在于，包括以下步骤：

基于模型的SOC估计：

1)根据电池动态特性建立电池等效电路模型，电池等效电路模型为Rint内阻模型、Thevenin模型、DP模型或PNGV模型，当电池等效电路模型采用Thevenin模型时，其电池模型离散方程为：

其中，下标k和k-1均为采样时刻，Δt为电流采样周期，即参数辨识与SOC估计的小时间尺度，τ_p为时间常数，U_oc为电池的开路电压，R_o为电池的欧姆内阻，R_p和C_p分别为电池的极化电阻和极化电容，U_p为极化电阻两端的电压，U_l与I_l分别为电池的端电压与电流；

3)在与参数辨识相同的小时间尺度内实时估计电池的SOC；

基于可变时间尺度的电池容量估计：

6)记录此时刻的电池SOC作为该次容量估算步长内的最终SOC，根据SOC变化量以及该时间段内的电量累积，进行电池容量估计并输出电池容量，并重复步骤2)-6)，实现电池容量的在线估计，电池容量的计算式为：

为电池电量累积，

和

分别为k₁时刻和k₂时刻的SOC值，L为当前的估计次数，所述的电池容量估计的大时间尺度是可变的，并且大时间尺度为小时间尺度的n倍，n为整数且n≥2。

2.根据权利要求1所述的一种基于可变时间尺度的电池容量在线估计方法，其特征在于，所述的步骤2)中，采用递推最小二乘算法进行电池等效电路模型的参数辨识，辨识参数包括电池的欧姆内阻R_o、电池的极化电阻R_p和电池的极化电容C_p。

3.根据权利要求1所述的一种基于可变时间尺度的电池容量在线估计方法，其特征在于，所述的步骤3)中，以极化电阻两端的电压U_p和SOC作为***状态，以电池电流I_l为输入，电池端电压U_l为***输出，采用Kalman滤波法进行电池SOC的估计。