本发明具体涉及一种锂电池的soc估算方法。
背景技术：
随着经济技术的发展，电池技术也得到了长足的发展。电池能量管理作为近年来飞速发展的技术之一，其重要性不言而喻。电池荷电状态(stateofcharge，soc)是电池所剩电量与额定电量的比值，其为电池能量管理的关键技术之一。
目前，国内外研究者提出的soc估计方法聚焦在两种形式上。一种是基于电池电路模型的soc估计方法，即物理法。如安时法、开路电压法等。另一种是智能法，复杂度高。如卡尔曼滤波法、支持向量回归算法等。
安时法，即安时计量法，指通过放电时间内负载电流的时间积分估计soc的方法。该算法随着放电时间的积累，初始soc值累计误差会增大，影响soc估计精度，而且忽略了电池不可用容量的非恒定性以及不同温度带来的容量波动问题。
开路电压法是利用电池静置时开路电压(ocv)与soc的某种函数关系得出某时刻的soc值。在人们未知soc初始值的情况下，该算法可以有效地估计soc值。虽然，在得到ocv-soc曲线前，该算法需要通过大量的实际试验，并且在试验过程中需要动力电池静置一定的时间，才能得出ocv与soc的关系表达式。
卡尔曼滤波法是智能法的典型代表之一，常被用于系统状态观测器。常见的卡尔曼滤波算法是建立在电池状态模型的基础上，得到模型参数与soc的对应关系。当电动汽车行驶于复杂工况时，动力电池电流变化剧烈，卡尔曼滤波法估算soc具有较高的精度，但整个计算过程运算量大、复杂度高。另外，该算法需要高精度的电池模型，所以系统建模难度大，状态空间方程的建立也有一定难度。
支持向量回归算法需要采集大量的实验数据和实测数据进行回归性学习，直到得到最优目标。而且，该算法同样对训练方法要求极高以及需要不断地更新训练方法。虽然，支持向量回归算法学习能力强、精度高，但是，目前该算法不够成熟，依然是一个很新的算法，相对的复杂度过高，实际应用性差，仍需进一步提高。
技术实现要素：
本发明的目的在于提供一种soc估算准确，而且方法简单可靠的锂电池的soc估算方法。
本发明提供的这种锂电池的soc估算方法，包括如下步骤：
s1.获取待分析的锂电池的不可用电量；
s2.获取待分析的锂电池的开路电压与荷电状态的曲线；
s3.根据步骤s2得到的锂电池的开路电压与荷电状态的曲线，得到锂电池的荷电状态初始值；
s4.采用安时法对锂电池的荷电状态进行在线估算。
步骤s1所述的获取待分析的锂电池的不可用电量，具体为根据kibam电池模型的特性，在室温下，在时间区域[t0,t1]中，采用恒定电流i对待分析的锂电池放电，从而获取该锂电池的不可用电量的表达式。
所述的锂电池的不可用电量，具体为采用如下算式进行计算：
式中cun(t)为锂电池在t时刻的不可用电量，cun(t0)为放电初始时刻的cun(t)值，cun(t1)为静置初始时刻的cun(t)值，k'＝k/[c(1-c)]，k为速率常数，c为电池的容量比，i为恒定电流。
步骤s4所述的采用安时法对锂电池的荷电状态进行在线估算，具体为采用如下算式进行估算：
式中soc(t)为t时刻的锂电池的荷电状态，socin为锂电池放电初始状态的soc值，cmax为电池额定容量，cun(t)为锂电池在t时刻的不可用电量。
本发明提供的这种锂电池的soc估算方法，通过对锂电池的不可用电量的计算并将其加入荷电状态的计算当中，从而使得本发明方法能够更加精准的估算锂电池的荷电状态，而且本发明方法简单可靠。
附图说明
图1为本发明方法的方法流程图。
图2位本发明方法的据kibam电池模型的示意图。
图3为本发明方法、一阶混合pngv模型与实验所测端电压的比较图。
图4为本发明方法、一阶混合pngv模型与实验所测soc的比较图。
具体实施方式
如图1所示为本发明方法的方法流程图：本发明提供的这种锂电池的soc估算方法，包括如下步骤：
s1.获取待分析的锂电池的不可用电量；具体为根据kibam电池模型的特性(其模型图如图2所示)，在室温25℃下，在时间区域[t0,t1]中，采用恒定电流i对待分析的锂电池放电，从而获取该锂电池的不可用电量的表达式；
所述的不可用电量的表达式，采用如下过程计算得到：
c(0＜c＜1)为电池的容量比，代表电池初始状态时可用电量占总电量的比值；k表示束缚电量源流向可用电量源的速率常数；两源高度h1＝y1/c，h2＝y2/(1-c)，y1和y2分别为两电源的总电量，其微分方程如下：
在时域[t0,t1]中，采用恒流i放电，分别对上两式进行拉普拉斯变换，计算处理后如式所示：
两源高度差δ(t)的计算公式如下：
起始状态y1(t0)＝y1,0＝c·c，y2(t0)＝y2,0＝(1-c)·c，y0＝y1,0+y2,0，c为电池总电量；根据上述公式，将拉普拉斯变换后的两电源总电量方程带入两源高度差方程，从而得到下式：
式中δ(t0)和δ(t1)为放电和静置初始时刻的δ(t)值，
然后，将δ(t)与不可用电量cun(t)关系则如下式所示：
cun(t)＝(1-c)δ(t)
然后，由上述表达式，即可得到不可用电量cun(t)的表达式为：
式中cun(t)为锂电池在t时刻的不可用电量，cun(t0)为放电初始时刻的cun(t)值，cun(t1)为静置初始时刻的cun(t)值，k'＝k/[c(1-c)](k为速率常数)，c为电池的容量比；i为恒定电流；
s2.获取待分析的锂电池的开路电压与荷电状态的曲线；
s3.根据步骤s2得到的锂电池的开路电压与荷电状态的曲线，得到锂电池的荷电状态初始值；
s4.采用安时法对锂电池的荷电状态进行在线估算，具体为采用如下算式进行估算：
式中soc(t)为t时刻的锂电池的荷电状态，socin为锂电池放电初始状态的soc值，cmax为电池额定容量，cun(t)为锂电池在t时刻的不可用电量。
图2和图3为本发明方法、一阶混合pngv模型与实验所测端电压和soc值的比较图；
以下以一个实验说明本发明方法的优势：
实验研究对象为国内某厂家生产的型号laf288v70ah的纯电动车用lifepo4电池包进行充放电实验，充电截止电压350.4v，额定电压288v，放电截止电压240v，额定容量70ah，最大持续性放电电流2c，容量比c＝0.91731，k’＝0.000436。在电池实验环境为25℃条件下，首先以1c电流进行恒流放电至soc为0.95，之后静置1小时，进行一次hppc脉冲实验，然后再以1c电流进行恒流放电至soc为0.9，静置1小时后再进行一次hppc脉冲实验。同样，按照以上步骤在soc分别为0.85、0.8、0.75、...、0.05处依次地进行hppc脉冲实验。利用matlab仿真软件中的cftool工具箱，对采集到的元件参数值进行曲线拟合，且拟合过程使用最小二乘法筛选出最优的拟合曲线，即r-square最接近1的曲线。建模完成后，对锂电池进行1c恒流周期性放电，图2和图3即为放电实验过程中，本发明方法、一阶混合pngv模型与实验所测端电压的和soc值得比较图。可以看到，本发明方法有很好的端电压和soc估计精度。