CN1601295A - 电动车用蓄电池荷电状态的估计及实现方法 - Google Patents

Abstract

一种电动车用蓄电池荷电状态(SOC)估计及实现方法属电动汽车智能信息处理技术领域。本方法用基于安时计量法的电池荷电状态方程，以及电池负载电压的量测方程所构成的电池的状态空间方程，再用改进的扩展卡尔曼滤波方程计算来获得电池的荷电状态。本发明的优点是具有很强的自适应性，可以消除SOC的初始误差，提高误差的收敛或减小速度，同时可以修正电池由于自放电所引起的SOC的变化，本方法适用于电池单体、模块和电池组的SOC估计。

Description

电动车用蓄电池荷电状态的估计及实现方法

技术领域

本发明涉及电动车用蓄电池荷电状态(SOC)的估计及实现方法，属于电动汽车智能信息处理技术领域。

背景技术

随着人类环保意识的日渐强烈，汽车领域中越来越多的人将目光投到了零排放的电动车辆上。电池作为电动汽车的主要或辅助动力源，是电动汽车的关键组成部分。如何合理使用电池，充分利用电池中的能量，延长电池的使用寿命是电动汽车及混合动力汽车进一步发展中所必须解决的问题。SOC估计对于电动汽车的作用就像油量计对于内燃机汽车的作用。与内燃机汽车油箱不同的是，电池功率提供能力随着电池SOC的变小发生衰减；电池放电倍率越大，放出电量越少；在判断电池是否充满和放空时，没有像油量计那样清晰准确的判据；电池的容量随着温度、循环工作次数发生变化；过充和过放会极大损害电池性能，所以电池SOC估计远比油量计复杂。从充分发挥电池能力和提高安全性两个角度来讲，SOC的准确估计是实现电池高效管理的关键因素，同时SOC的准确估计也是进行能量管理策略研究的基础，是电动汽车的关键技术之一，因此提高SOC的估计精度并提高算法的实用性具有很高的理论价值及实际意义。

对于电动汽车动力电池SOC的估计，目前国内外采用的方法主要有放电试验法、安时(Ah)计量法、开路电压法、负载电压法、电化学阻抗频谱法、内阻法、线性模型法、神经网络法和卡尔曼滤波法等。

Ah计量法是最通用的SOC估计方法。其原理主要是通过电流积分来累计放电量，从而计算SOC。但应用中存在三个主要问题：(1)电流测量不准确将增大误差，长时积累误差会越来越大；(2)必须考虑电流充放的损失；(3)在高温状态和电流波动很大的情况下误差较大。卡尔曼滤波法是将SOC作为电池状态空间模型中的一个状态，然后利用卡尔曼滤波方程进行状态估计。该方法尤其适合于电流变化比较剧烈的混合动力汽车电池SOC的估计，卡尔曼滤波法不仅给出了SOC的估计值，还给出了SOC的估计误差。由于卡尔曼滤波涉及大量的矩阵运算，该方法的缺点在于对电池模型准确性和计算能力要求高，最重要的是对于电池自放电的影响，单纯利用该方法没有有效地解决，而是重新构造自放电模型来估计。

发明内容

本发明的目的是提供一种估计误差小，计算简单，可以解决电池自放电影响的蓄电池荷电状态估计方法。

本发明的方法是用基于安时计量法的电池荷电状态方程，以及电池负载电压的量测方程所构成的电池的状态空间方程，再用改进的扩展卡尔曼滤波方程计算来获得电池的荷电状态。

所说的电池的荷电状态方程：令x_k＝SOC_k

所说的电池的负载电压量测方程：

    y(k)＝f(I_k，x_k)+v_k＝K₀-RI_k-K₁/x_k-K₂x_k+K₃ln(x_k)+K₄ln(1-x_k)+v_k

式中n为匹克特(Peukert)系数，η为充电效率；K_i为拟合系数；V_k，i_k分别为k采样时刻电池的负载电压信号，电流信号；v_k为量测噪声，其方差为Q。

所说的卡尔曼滤波方程为

量测阵 $C_k=\frac{\∂f(I_k,x_k)}{\∂x_k}=K_1/{\left(x_k\right)}^2-K_2+K_3/x_k-K_4/(1-x_k)$

状态预测：

计算量测阵：C_k＝K₁/(x_k/k-1)²-K₂+K₃/x_k/k-1-K₄/(1-x_k/k-1)

滤波增益： $K_k=P_{k/k-1}{C}_k^T{[C_k{P}_{k/k-1}{C}_k^T+Q]}^{-1}$

预测均方差：         P_k/k-1＝P_k-1/k-1

估计均方差：         P_k/k＝(I-K_kC_k)P_k/k-1

状态估计：           x_k/k＝x_k/k-1+αK_k[y_k-f(i_k，x_k/k-1)]

本发明的特点在于：1.电池的荷电状态方程采用分段模型，即充电和放电时采用不同的状态方程以提高初始估计精度；2.在扩展卡尔曼滤波的状态估计方程中，加入滤波放大倍数α对滤波增益进行放大，从而可以提高误差的收敛速度，同时可以修正电池由于自放电所引起的SOC的变化。

本发明的优点在于具有很强的自适应性，即对于SOC的初始误差不敏感，通过改进的扩展卡尔曼滤波的迭代算法可以逐步消除SOC的初始误差，在改进的扩展卡尔曼滤波算法中，滤波放大倍数的引入可以提高误差的收敛或减小速度。同时本发明的该特性可以用于修正电池由于自放电所引起的SOC的变化，即如果由于自放电使得SOC变小，但计算时所使用的SOC初值大于真实的SOC值，通过该方法可以逐步消除二者之间的误差，从而在不改变算法复杂性的同时解决自放电对于SOC估计的误差。本发明采用的电池模型为单变量模型，因此卡尔曼滤波所涉及大量的矩阵运算在本算法中为数值运算，计算量不大。本发明适用于电池单体、模块和电池组的SOC估计。

本发明的具体方法可总结为如下的估计过程：

1)初始化：给定电池SOC的初值SOC₀(即下述的x₀)；

          给定预测误差协方差阵初值P₀；

          给定量测噪声方差Q；

          给定滤波放大倍数α；

对于k＝1，2，…，等各个采样时刻，分别进行如下计算：

2)获取k采样时刻电池的负载电压信号V_k，电流信号I_k；

3)电池模型由如下的荷电状态方程和负载电压量测方程组成：

电池的荷电状态方程：令x_k＝SOC_k

电池的负载电压量测方程：

    y(k)＝f(I_k，x_k)+v_k＝k₀-RI_k-K₁/x_k-K₂x_k+K₃ln(x_k)+K₄ln(1-x_k)+v_k

式中，v_k为量测噪声，其方差为Q。

令量测阵 $C_k=\frac{\∂f(I_k,x_k)}{\∂x_k}=K_1/{\left(x_k\right)}^2-K_2+K_3/x_k-K_4/(1-x_k)$

则卡尔曼滤波方程为

状态预测：

计算量测阵：C_k＝K₁/(x_k/k-1)²-K₂+K₃/x_k/k-1-K₄/(1-x_k/k-1)

滤波增益： $K_k=P_{k/k-1}{C}_k^T{[C_k{P}_{k/k-1}{C}_k^T+Q]}^{-1}$

预测均方差：              P_k/k-1＝P_k-1/k-1

估计均方差：              P_k/k＝(I-K_kC_k)P_k/k-1

状态估计：                x_k/k＝x_k/k-1+αK_k[y_k-f(I_k，x_k/k-1)]

对于k＝1，2，…，等各个采样时刻，循环2～3的计算过程即可获得每个时刻电池的SOC。通过实验证明，本发明所提出的方法具有很强的自适应性，对于不同使用环境及不同种类的电池该方法可以比较准确地估算出电池的SOC，重要的是对于初值误差不敏感，可以部分地纠正自放电带来的估计误差，达到了预期的目的。

附图说明

图1为基于改进的扩展卡尔曼滤波的电动车用蓄电池荷电状态的估计方法的流程框图。

图2为发明实施例中所测得的电流信号I(t)。

图3为发明实施例中所测得的电压信号V(t)。

图4为发明实施例中当SOC存在初始误差时SOC的估计结果。

图5为发明实施例中假设存在自放电时SOC的估计结果。

图6为实现本发明的电池管理系统框图，其中I为电池(包括单体、模块或电池组)，II为数据采集模块，III为中央处理器，IV为存储模块，V为报警模块。

具体实施方式

结合附图说明本发明的具体实施方式。

在实施SOC估计算法前应该确定电池模型的相关参数，方法可以按照公知的新一代汽车合作伙伴计划试验手册(PNGV)中的脉冲功率试验确定。

电池的荷电状态方程：令x_k＝SOC_k

电池的负载电压量测方程：

    y(k)＝f(I_k，x_k)+v_k＝k₀-RI_k-K₁/x_k-K₂x_k+K₃ln(x_k)+K₄ln(1-x_k)+v_k

在本实施例中按照图2的电流对80Ah镍氢电池组进行循环充放电试验。图3为循环充放电试验时所采集的负载电压V(t)。利用图2和图3的试验数据利用公知的最小二乘法可以确定电池的负载电压量测方程中的未知参数，即k₀＝534.0017，R_-＝0.1799，R₊＝0.3461，K₁＝2.6273，K₂＝-131.7037，K₃＝95.4526，K₄＝-6.2601，其中R_-为放电时对应的内阻，R₊为充电时对应的内阻。电池的荷电状态方程中n＝1.041，η＝0.96。

SOC估计的具体过程为：系统运行时首先进行初始化，初始化时即给定电池SOC的初值SOC₀(即下述的x₀)，SOC₀从电池管理系统的存储区获得，即为上次系统停止运行时电池的SOC值，在首次系统运行时该值为用户根据电池的充电状况输入估计值，从后面的实验结果可以看出SOC₀的取值误差不会影响后面的估计结果，这也是本发明的一个优势；量测噪声方差Q，一般取Q为电压传感器的量测方差；预测误差协方差阵初值P₀，该值可取一个较小的正数，初值的取法不影响计算；滤波放大倍数α，α＝5～20。

初始化后实时采集负载电压信号V(t)和电流信号I(t)，V(t)和电流信号I(t)是从电池管理系统的数据采集模块获得。对应于k时刻的电压V_k和电流I_k，利用卡尔曼滤波方程进行SOC估计。卡尔曼滤波估计过程按照以下五式进行。

状态预测：

计算量测阵：C_k＝K₁/(x_k/k-1)²-K₂+K₃/x_k/k-1-K₄/(1-x_k/k-1)

滤波增益： $K_k=P_{k/k-1}{C}_k^T{[C_k{P}_{k/k-1}{C}_k^T+Q]}^{-1}$

预测均方差：         P_k/k-1＝P_k-1/k-1

估计均方差：         P_k/k＝(1-K_kC_k)P_k/k-1

状态估计：           x_k/k＝x_k/k-1+αK_k[y_k-f(I_k，x_k/k-1)]

式中y_k对应为负载电压信号V_k，x_k/k即为k时刻SOC的估计值。当x_k/k超出充放电极限状态时时电池管理系统发出报警信息。

图4为发明实施例中当SOC存在初始误差时SOC的估计结果，SOC的真实值1.0，估算中令SOC₀＝0.70。图5为发明实施例中假设存在自放电时SOC的估计结果，即在估算中令SOC₀＝0.95，大于电池SOC的实际状态SOC＝0.90，即模拟存在自放电时，检验算法的有效性。在图4～5的实施例中，Q＝0.03，P_o＝0.05，α＝10。从图4～5的结果可以看出本方法对于上述两种情况的优势。本发明的仿真实验以Matlab软件来实施计算，实际应用时可用C语言编程实现。图6为实现本发明的电池管理系统框图。对于本发明，电池管理系统中的数据采集模块实施负载电压信号V(t)，电流信号I(t)的采集，中央处理器实施基于卡尔曼滤波的SOC估计算法，计算和判断所需的参数存储在存储模块中，当达到充放电终止状态时电池管理系统通过报警模块发出报警信息。

本发明的优点在于具有很强的自适应性，即对于SOC的初始误差不敏感，通过改进的扩展卡尔曼滤波的迭代算法可以逐步消除SOC的初始误差，在改进的扩展卡尔曼滤波算法中，滤波放大倍数的引入可以提高误差的收敛或减小速度。同时本发明的该特性可以用于修正电池由于自放电所引起的SOC的变化，从而在不改变算法复杂性的同时解决自放电对于SOC估计的误差。本发明采用的电池模型为单变量模型，因此卡尔曼滤波所涉及大量的矩阵运算在本算法中为数值运算，计算量不大。因此该发明可直接应用于现有的电池管理系统而不需要提高硬件指标，中央处理器一般采用16位单片机即可实现(例如C167CR)。

Claims (1)

1.一种电动车用蓄电池荷电状态估计及实现方法，其特征是用基于安时计量法的电池荷电状态方程，以及电池负载电压的量测方程所构成的电池的状态空间方程，再用改进的扩展卡尔曼滤波方程计算来获得电池的荷电状态，

所说的电池的荷电状态方程：令x_k＝SOC_k

所说的电池的负载电压量测方程：

y(k)＝f(I_k，x_k)+v_k＝K₀-RI_k-K₁/x_k-K₂x_k+K₃ln(x_k)+K₄ln(1-x_k)+v_k式中n为匹克特(Peukert)系数，η为充电效率；K_i为拟合系数；v_k，i_k分别为k采样时刻电池的负载电压信号，电流信号；v_k为量测噪声，其方差为Q。

所说的卡尔曼滤波方程为

量测阵 $C_k=\frac{\∂f(I_k,x_k)}{\∂x_k}=K_1/{\left(x_k\right)}^2-K_2+K_3/x_k-K_4/(1-x_k)$

状态预测：

计算量测阵：C_k＝K₁/(x_k/k-1)²-K₂+K₃/x_k/k-1-K₄/(1-x_k/k-1)

滤波增益： $K_k=P_{k/k-1}{C}_k^T{[C_k{P}_{k/k-1}{C}_k^T+Q]}^{-1}$

预测均方差：P_k/k-1＝P_k-1/k-1

估计均方差：P_k/k＝(I-K_kC_k)P_k/k-1

状态估计：x_k/k＝x_k/k-1+αK_k[y_k-f(i_k，x_k/k-1)]。

Images