CN114114038A - 一种全寿命全温度下锂电池soc及可用容量联合估计方法 - Google Patents

Abstract

本发明涉及一种全寿命全温度下锂电池SOC及可用容量联合估计方法，包括以下步骤：步骤1：采集锂离子电池在预设温度下的充放电数据；步骤2：构建带有宽动态温度补偿的二阶RC等效电路模型；步骤3：利用粒子群优化算法集成数据和动态更新技术，对步骤2中的二阶RC等效电路模型的模型参数进行自适应识别；步骤4：利用长短期记忆神经网络对电池容量进行高精度估计，得到电池可用容量；步骤5：将步骤3中动态更新的模型参数和步骤4中获得的电池可用容量作为输入值，进行SOC估计。本发明充分考虑了电池老化和环境温度对SOC估计的影响，在参数辨识环节，加入了定期更新策略，结合所搭建模型与可用容量估计结果，可以有效实现锂离子电池全寿命全温度下的SOC与可用容量精确估计。

Description

一种全寿命全温度下锂电池SOC及可用容量联合估计方法

技术领域

本发明属于锂离子电池技术领域，尤其涉及一种全寿命全温度下锂电池SOC及可用容量联合估计方法。

背景技术

锂离子电池因其高电能潜力、高能量密度、优选的安全特性和寿命长而成为电动汽车的主要能源。电池管理系统是动力电池技术的核心与关键，一个功能齐全的电池管理系统对于电池状态检测、电池内部状态估计、电池能量控制管理、电池安全保护至关重要。精确的SOC值可以更准确的控制充放电电流及截止时间，避免过充、过放和过负荷工作，有效保护电池，延长电池使用寿命。同时，精确的可用容量信息可以提高SOC估算，促进电池的高质量管理。因此，高效精确的SOC和可用容量估计至关重要。

截至目前，已经开发出多种方法来对SOC值估计，基于模型的估算方法因其具有较好的在线应用能力、较高精度和初始误差纠正能力，被广泛地研究和应用，但这种方法很大程度依赖于模型精确程度，而电池模型的参数及容量会随着电池的老化不断发生变化，并对电池SOC的估计结果产生影响，同时锂离子电池工作环境温度的变化也对电池内部参数产生耦合影响，造成锂离子电池SOC估计精度进一步降低，因此为了保证锂离子电池在全寿命全温度范围的SOC估计精度，需要对宽动态温度变化的锂离子电池SOC和可用容量联合估计进行研究。

发明内容

本发明所要解决的技术问题是提供一种全寿命全温度下锂电池SOC及可用容量联合估计方法来解决现有技术中存在的电池模型的参数及可用容量会随着电池的温度和老化不断发生变化，从而对电池SOC的估计结果产生影响的问题。

为解决上述技术问题，本发明的技术方案为：提供一种全寿命全温度下锂电池SOC及可用容量联合估计方法，其创新点在于，包括以下步骤：

步骤1：采集锂离子电池在预设温度下的充放电数据；

步骤2：构建带有宽动态温度补偿的二阶RC等效电路模型；

步骤3：利用粒子群优化算法集成数据和动态更新技术，对步骤2中的二阶RC等效电路模型的模型参数进行自适应识别；

步骤4：选择电池在恒流充电过程中电压增加间隔的持续时间作为电池健康特征量，并利用长短期记忆神经网络对电池容量进行高精度估计，得到电池可用容量；

步骤5：将步骤3中动态更新的模型参数和步骤4中获得的电池可用容量作为输入值，利用平方根容积卡尔曼滤波器进行SOC估计。

进一步的，所述步骤1中采集的锂离子电池在预设温度下的充放电数据具体包括：电池端电压、电流、温度、电池充放电持续时间以及所放出的实际容量，其中，电池充电过程采用恒流恒压的充电方式，放电过程采用车用工况对锂离子电池进行放电，所述的车用工况为HPPC或者UDDS或者其他可用于对锂离子电池进行放电的工况。

进一步的，步骤2中构建带有宽动态温度补偿的二阶RC等效电路模型，模型参数方程推导如下：

由于温度变化对模型参数产生较大影响，因此，模型参数应随温度变化进行更新，更新公式如下所示：

式中Q_a为电池可用容量，f(.)为SOC与模型参数的关系式，T为电池温度，U_oc为开路电压OCV，R₀为欧姆电阻，C₁、C₂为R₁、R₂两端的极化电容，R₁、R₂为C₁、C₂两端的极化电阻，SOH为电池的健康状态，其定义为

C_n为电池额定容量；

带有宽动态温度补偿的二阶等效电路模型参数方程表示为：

式中U_t(t)为t时刻模型的端电压，U₀(t)为欧姆电阻R₀两端的电压，U₁(t)、U₂(t)为极化电阻R₁、R₂和极化电容C₁、C₂两端的电压，

其t时刻的SOC定义为：

式中，η为库伦效率，i为电流值，SOC(t₀)为初始时刻的SOC值。

进一步的，步骤3中，利用粒子群优化算法集成数据和动态更新技术，对步骤2中的带有宽动态温度补偿的二阶RC等效电路模型的模型参数进行自适应识别，具体包括以下步骤：

(31)利用粒子群优化算法对模型参数进行识别；

(32)设定粒子群优化算法启动所需的累积数据长度，记录电池放电数据，当测量数据长度大于所设定的累积数据长度时，激活粒子群优化算法，根据累积的电流和电压数据识别模型参数，并利用自动更新技术自动更新上一周期所辨识的模型参数结果，当所测量数据长度小于所设定的累积数据长度时，将不触发粒子群优化算法并不进行模型参数更新，继续沿用上一循环所辨识的模型参数。

进一步的，所述累积数据长度设定原则为：选取具体型号电池后，设置不同的数据长度来分别进行电池模型参数辨识和更新，基于相同的滤波算法估算电池SOC，并与真实SOC值做对比，选择SOC估算精度较高时选择的数据长度作为设定标准。

进一步的，所述的步骤4中的长短期记忆神经网络回归函数为：

式中i,g,O，c和Op_k分别代表输入门、遗忘门、输出门和状态单元和输出单位，b表示遗忘门的偏差，IW和OW表示最终输入和输出的权重，σ表示激活函数，限制输出值在[0,1]之间，tanh为双曲函数，c_k-1表示按元素排列的单元。

进一步的，所述的步骤5中将步骤3中动态更新的模型参数和步骤4中获得的电池的可用容量作为输入值，利用平方根容积卡尔曼滤波器进行SOC估计，具体包括以下步骤：

(51)平方根容积卡尔曼滤波算法状态空间函数的离散公式如下：

其中，x_k和y_k分别表示状态和系统值，u_k表示输入值，f(·)和h(·)分别表示状态方程和测量方程，根据所建立的带有宽动态温度补偿的二阶RC等效电路模型，f(·)和h(·)表示为：

基于所建立的带有宽动态温度补偿的二阶RC等效电路模型，系统的状态变量为x_k＝[U_1,k U_1,k SOC_k]^T，输入变量为u_k＝i_k，输出变量为y_k＝U_t,k同时

式中Δt为采样时间，η为库伦效率；

(52)平方根容积卡尔曼滤波算法初始化

式中X₀为状态变量初始值，P₀表示误差协方差矩阵，S₀表示平方根，chol表示Cholesky分解，E(·)表示期望。

(53)平方根容积卡尔曼滤波算法时间更新

k-1时刻的采样点表述为：

式中ξ_i表示采样点集，

i＝1,2,…,m，m＝2n，n表示状态数；

每个采样点的状态表述为：

权衡点后，确定预测状态：

系统状态变量先验估计值的误差协方差

式中Tria(·)表示QR分解，

和Q_k-1表达为：

(54)平方根容积卡尔曼滤波算法测量更新

计算测量方程的输入采样点：

估计每个采样点的测量输出：y_g,k∣k-1＝h(u_k,x_g,k∣k-1)

计算观测输出的预测值：

观测误差协方差平均值预测：S_yy,k∣k-1＝Tria[ζ_k∣k-1,S_R,k]

其中S_R,k是测量噪声R_k的平方根

ζ_k∣k-1定义为

协方差矩阵平方根计算：

其中

卡尔曼增益计算、状态变量估计值更新计算、误差协方差平方根更新计算如下所示：

卡尔曼增益计算：

状态变量估计值更新：

其中e_k为

系统误差协方差平方根更新：S_k∣k＝Tria[χ_k∣k-1-K_kζ_k∣k-1,K_kS_R,k]

SOC为平方根容积卡尔曼滤波算法的状态变量，上述状态变量估计值更新计算即完成对SOC的估计运算，误差协方差平方根更新计算是平方根容积卡尔曼滤波算法的系统噪声进行更新，提升此算法对SOC值的精确估算。

与现有技术相比，本发明的有益效果为：

(1)本发明公开了一种考虑温度变化的锂离子电池SOC和容量的联合估计方法，通过建立考虑宽动态温度补偿的二阶等效电路模型并将粒子群优化算法与数据积累和更新相结合，实现对模型参数的自适应识别，然后利用长短记忆神经网络容量预测，最后基于容积平方根卡尔曼滤波器算法，利用再生模型参数和再生可用容量估计电池SOC，使得该方法可以有效保证电池在不同温度下全寿命周期内的SOC估计精度。

(2)本发明考虑到温度变化对模型参数有明显的影响，建立了带有宽动态温度补偿的二阶等效电路模型，用于电池电特性的仿真，来适应内外温度的快速变化。

(3)本发明针对电池模型参数受老化影响进行了充分考虑，在参数辨识环节，加入了定期更新策略，可以有效提高模型参数对电池老化的适应性和全生命周期内模型的精确性。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的一种全寿命全温度下锂电池SOC及可用容量联合估计框架流程图。

图2为本发明所使用的带有宽动态温度补偿的二阶等效电路模型图。

图3为本发明所使用的长短期记忆神经网络结构图。

图4为本发明所使用的平方根容积卡尔曼滤波器算法流程图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面结合附图对本发明作进一步的说明。

本发明提供一种全寿命全温度下锂电池SOC及可用容量联合估计方法，图1中展示了该方法的估计框架流程。首先，采集锂离子电池在预设温度下的充放电数据；同时，提出的容量预测算法根据恒流恒压充电电压曲线生成的健康量识别电池可用容量；此外，充电和放电数据被累积，直到测量数据长度大于所设定的累积数据长度，则采用粒子群优化算法进行模型参数辨识；在获得电池容量和模型参数后，利用基于平方根容积卡尔曼滤波的SOC估计算法来估计SOC。另一方面，当测量数据的长度小于所设定的累积数据长度时，不会调用粒子群算法更新模型参数。在这种情况下，SOC估计算法使用先前确定的容量结果来预测SOC，具体详细步骤描述如下：

步骤1：采集锂离子电池在预设温度下的充放电数据；其中，采集的锂离子电池在预设温度下的充放电数据具体包括：电池端电压、电流、温度、电池充放电持续时间以及所放出的实际容量，本发明的电池充电过程采用恒流恒压的充电方式，放电过程采用车用工况对锂离子电池进行放电，车用工况为HPPC或者UDDS或者其他可用于对锂离子电池进行放电的工况。

步骤2：构建带有宽动态温度补偿的二阶RC等效电路模型，其模型结构如图2所示，图中U_oc为开路电压OCV，R₀为欧姆电阻，C₁、C₂为R₁、R₂两端的极化电容，R₁、R₂为C₁、C₂两端的极化电阻；模型参数方程推导如下：

由于温度变化对模型参数产生较大影响，因此，模型参数应随温度变化进行更新，更新公式如下所示：

式中Q_a为电池可用容量，f(.)为SOC与模型参数的关系式，T为电池温度，SOH为电池的健康状态，其定义为

C_n为电池额定容量；

进一步地，带有宽动态温度补偿的二阶等效电路模型参数方程表示为：

式中U_t(t)为t时刻模型的端电压，U₀(t)为欧姆电阻R₀两端的电压，U₁(t)、U₂(t)为极化电阻R₁、R₂和极化电容C₁、C₂两端的电压，

其t时刻的SOC定义为：

式中，η为库伦效率，i为电流值，SOC(t₀)为初始时刻的SOC值。

步骤3：利用粒子群优化算法集成数据和动态更新技术，对步骤2中的带有宽动态温度补偿的二阶RC等效电路模型的模型参数进行自适应识别；具体包括以下步骤：

(31)利用粒子群优化算法对模型参数进行识别；

(32)设定粒子群优化算法启动所需的累积数据长度，记录电池放电数据，当测量数据长度大于所设定的累积数据长度时，激活粒子群优化算法，根据累积的电流和电压数据识别模型参数，并利用自动更新技术自动更新上一周期所辨识的模型参数结果，当所测量数据长度小于所设定的累积数据长度时，将不触发粒子群优化算法并不进行模型参数更新，继续沿用上一循环所辨识的模型参数。

优选的，本发明的累积数据长度设定原则为：选取具体型号电池后，设置不同的数据长度来分别进行电池模型参数辨识和更新，基于相同的滤波算法估算电池SOC，并与真实SOC值做对比，选择SOC估算精度较高时选择的数据长度作为设定标准。

步骤4：选择电池在恒流充电过程中电压增加间隔的持续时间作为电池健康特征，并利用长短期记忆神经网络对电池容量进行高精度预测，得到电池可用容量；图3为长短期记忆神经网络的的常见配置。可以发现，存在输入门、遗忘门、输出门三个门来读取或修改当前或历史信息。此外，通常执行tanh函数和sigmoid函数来选择信息。

实现长短期记忆神经网络的首要工作是确定遗忘门将忽略哪些消息。它将输入IP_k和OP_k-1压缩为0到1，其中IP_k表示当前步骤的输入，OP_k-1表示k-1步骤的输出，上限值1表示应完全保留的值；反之，下限值0表示应完全丢弃的信息。遗忘门可以表示为：

f_k＝σ(b_f+Ip_kW_i+Op_k-1OW_i)

其中，f,i,O和c分别表示遗忘门、输入门、输出门和存储单元，b表示遗忘门的偏差，OW和IW分别表示最后一次输出和输入的权重。然后，需要判断哪些信息应该被储存，这一步分为两部分，一部分称为“输入门”，决定要更新哪些值；另一部分创建一个新的候选向量，称为“输入节点”，可以表示为：

相应地，当前单元状态为：

c_k＝c_k-1f_k+g_ki_k

最后，输出门通过更新的单元状态、输入门和输入节点的信息来确定最终输出的信息，表示为：

其中p_k是长短期记忆神经网络的内部变量。基于所选择的电池健康特征通过上述公式即可实现电池容量预测。

步骤5：将步骤3中动态更新的模型参数和步骤4中获得的电池可用容量作为输入值，利用平方根容积卡尔曼滤波器进行SOC估计，平方根容积卡尔曼滤波器的流程如图4所示。具体包括以下步骤：

(51)建立平方根容积卡尔曼滤波器状态空间函数的一般离散公式

平方根容积卡尔曼滤波状态空间函数的离散公式如下：

其中，x_k和y_k分别表示状态和系统值，u_k表示输入值，f(·)和h(·)分别表示状态方程和测量方程，根据步骤2中所建立的带有宽动态温度补偿的二阶RC等效电路模型，f(·)和h(·)表示为：

基于所建立的带有宽动态温度补偿的二阶RC等效电路模型，系统的状态变量为x_k＝[U_1,k U_1,k SOC_k]^T，输入变量为u_k＝i_k，输出变量为y_k＝U_t,k同时

式中Δt为采样时间，η为库伦效率；

(52)平方根容积卡尔曼滤波算法初始化

式中X₀为状态变量初始值，P₀表示误差协方差矩阵，S₀表示平方根，chol表示Cholesky分解，E(·)表示期望。

(53)平方根容积卡尔曼滤波算法时间更新

k-1时刻的采样点表述为：

式中ξ_i表示采样点集，

i＝1,2,…,m，m＝2n，n表示状态数；

每个采样点的状态表述为：

权衡点后，确定预测状态：

系统状态变量先验估计值的误差协方差

式中Tria(·)表示QR分解，

和Q_k-1表达为：

(54)平方根容积卡尔曼滤波算法测量更新

计算测量方程的输入采样点：

估计每个采样点的测量输出：y_g,k∣k-1＝h(u_k,x_g,k∣k-1)

计算观测输出的预测值：

观测误差协方差平均值预测：S_yy,k∣k-1＝Tria[ζ_k∣k-1,S_R,k]

其中S_R,k是测量噪声R_k的平方根

ζ_k∣k-1定义为

协方差矩阵平方根计算：

其中

卡尔曼增益计算、状态变量估计值更新计算、误差协方差平方根更新计算如下所示：

卡尔曼增益计算：

状态变量估计值更新：

其中e_k为

系统误差协方差平方根更新：S_k∣k＝Tria[χ_k∣k-1-K_kζ_k∣k-1,K_kS_R,k]

SOC为平方根容积卡尔曼滤波算法的状态变量，上述状态变量估计值更新计算即完成对SOC的估计运算，误差协方差平方根更新计算是平方根容积卡尔曼滤波算法的系统噪声进行更新，提升此算法对SOC值的精确估算。

Claims (7)

1.一种全寿命全温度下锂电池SOC及可用容量联合估计方法，其特征在于，包括以下步骤：

步骤1：采集锂离子电池在预设温度下的充放电数据；

步骤2：构建带有宽动态温度补偿的二阶RC等效电路模型；

步骤3：利用粒子群优化算法集成数据和动态更新技术，对步骤2中的二阶RC等效电路模型的模型参数进行自适应识别；

步骤4：选择电池在恒流充电过程中电压增加间隔的持续时间作为电池健康特征量，并利用长短期记忆神经网络对电池容量进行高精度估计，得到电池可用容量；

步骤5：将步骤3中动态更新的模型参数和步骤4中获得的电池可用容量作为输入值，利用平方根容积卡尔曼滤波器进行SOC估计。

2.根据权利要求1所述的一种全寿命全温度下锂电池SOC及可用容量联合估计方法，其特征在于，所述步骤1中采集的锂离子电池在预设温度下的充放电数据具体包括：电池端电压、电流、温度、电池充放电持续时间以及所放出的实际容量，其中，电池充电过程采用恒流恒压的充电方式，放电过程采用车用工况对锂离子电池进行放电，所述的车用工况为HPPC或者UDDS或者其他可用于对锂离子电池进行放电的工况。

3.根据权利要求1所述的一种全寿命全温度下锂电池SOC及可用容量联合估计方法，其特征在于：所述的步骤2中构建带有宽动态温度补偿的二阶RC等效电路模型，模型参数方程推导如下：

由于温度变化对模型参数产生较大影响，因此，模型参数应随温度变化进行更新，更新公式如下所示：

式中Q_a为电池可用容量，f(.)为SOC与模型参数的关系式，T为电池温度，U_oc为开路电压OCV，R₀为欧姆电阻，C₁、C₂为R₁、R₂两端的极化电容，R₁、R₂为C₁、C₂两端的极化电阻，SOH为电池的健康状态，其定义为

C_n为电池额定容量；

带有宽动态温度补偿的二阶等效电路模型参数方程表示为：

式中U_t(t)为t时刻模型的端电压，U₀(t)为欧姆电阻R₀两端的电压，U₁(t)、U₂(t)为极化电阻R₁、R₂和极化电容C₁、C₂两端的电压，

其t时刻的SOC定义为：

式中，η为库伦效率，i为电流值，SOC(t₀)为初始时刻的SOC值。

4.根据权利要求1所述的一种全寿命全温度下锂电池SOC及可用容量联合估计方法，其特征在于，所述的步骤3中，利用粒子群优化算法集成数据和动态更新技术，对步骤2中的带有宽动态温度补偿的二阶RC等效电路模型的模型参数进行自适应识别，具体包括以下步骤：

(31)利用粒子群优化算法对模型参数进行识别；

(32)设定粒子群优化算法启动所需的累积数据长度，记录电池放电数据，当测量数据长度大于所设定的累积数据长度时，激活粒子群优化算法，根据累积的电流和电压数据识别模型参数，并利用自动更新技术自动更新上一周期所辨识的模型参数结果，当所测量数据长度小于所设定的累积数据长度时，将不触发粒子群优化算法并不进行模型参数更新，继续沿用上一循环所辨识的模型参数。

5.根据权利要求4所述的一种全寿命全温度下锂电池SOC及可用容量联合估计方法，其特征在于：所述累积数据长度设定原则为：选取具体型号电池后，设置不同的数据长度来分别进行电池模型参数辨识和更新，基于相同的滤波算法估算电池SOC，并与真实SOC值做对比，选择SOC估算精度较高时选择的数据长度作为设定标准。

6.根据权利要求1所述的一种全寿命全温度下锂电池SOC及可用容量联合估计方法，其特征在于：所述的步骤4中的长短期记忆神经网络回归函数为：

式中i,g,O，c和Op_k分别代表输入门、遗忘门、输出门和状态单元和输出单位，b表示遗忘门的偏差，IW和OW表示最终输入和输出的权重，σ表示激活函数，限制输出值在[0,1]之间，tanh为双曲函数，c_k-1表示按元素排列的单元。

7.根据权利要求1所述的一种全寿命全温度下锂电池SOC及可用容量联合估计方法，其特征在于：所述的步骤5中将步骤3中动态更新的模型参数和步骤4中获得的电池的可用容量作为输入值，利用平方根容积卡尔曼滤波器进行SOC估计，具体包括以下步骤：

(51)平方根容积卡尔曼滤波算法状态空间函数的离散公式如下：

其中，x_k和y_k分别表示状态和系统值，u_k表示输入值，f(·)和h(·)分别表示状态方程和测量方程，根据所建立的带有宽动态温度补偿的二阶RC等效电路模型，f(·)和h(·)表示为：

基于所建立的带有宽动态温度补偿的二阶RC等效电路模型，系统的状态变量为x_k＝[U_1,k U_1,k SOC_k]^T，输入变量为u_k＝i_k，输出变量为y_k＝U_t,k同时

式中Δt为采样时间，η为库伦效率；

(52)平方根容积卡尔曼滤波算法初始化

式中X₀为状态变量初始值，P₀表示误差协方差矩阵，S₀表示平方根，chol表示Cholesky分解，E(·)表示期望。

(53)平方根容积卡尔曼滤波算法时间更新

k-1时刻的采样点表述为：

式中ξ_i表示采样点集，

表示状态数；

每个采样点的状态表述为：

权衡点后，确定预测状态：

系统状态变量先验估计值的误差协方差

式中Tria(·)表示QR分解，

和Q_k-1表达为：

(54)平方根容积卡尔曼滤波算法测量更新

计算测量方程的输入采样点：

估计每个采样点的测量输出：y_g,k∣k-1＝h(u_k,x_g,k∣k-1)

计算观测输出的预测值：

观测误差协方差平均值预测：S_yy,k∣k-1＝Tria[ζ_k∣k-1,S_R,k]

其中S_R,k是测量噪声R_k的平方根

ζ_k∣k-1定义为

协方差矩阵平方根计算：

其中

卡尔曼增益计算、状态变量估计值更新计算、误差协方差平方根更新计算如下所示：

卡尔曼增益计算：

状态变量估计值更新：

其中e_k为

系统误差协方差平方根更新：S_k∣k＝Tria[χ_k∣k-1-K_kζ_k∣k-1,K_kS_R,k]

SOC为平方根容积卡尔曼滤波算法的状态变量，上述状态变量估计值更新计算即完成对SOC的估计运算，误差协方差平方根更新计算是平方根容积卡尔曼滤波算法的系统噪声进行更新，提升此算法对SOC值的精确估算。

Images