本发明属汽车技术领域，具体涉及一种可准确实时评估电动汽车用锂离子电池容量的方法。
背景技术
锂离子电池由于具有能量和功率密度高、自放电率低、记忆效应弱等方面的优势，已成为当前电动汽车动力电池的首选。而它作为电动汽车的动力核心，其健康状态对电动汽车的成本和续航里程则有着重大的影响，因而需要对电池的容量进行实时的评估。
目前，对车载条件下的电池容量的实时估计有三种方法：充放电法、基于模型的方法、电压微分法和容量增量法。充放电法是通过对电池进行充放电，根据电池容量的定义求得电池容量的估计值。但是充放电法耗费的时间较长，而且电动汽车的电池之间存在不一致性，不是所有电池都完成一次充放电。
基于模型的方法通过最小二乘法，卡尔曼滤波等方法，对电池容量进行辨识。但该方法计算量较大，对电池管理系统具有较高要求，很难做到实时的容量估计。
而相对比较好的一种方法是电压微分法(dva,differentialvoltageanalysis)和容量增量法(ica,incrementalcapacityanalysis)。它是对电池进行充放电得到电池的实时容量-电压曲线，然后对曲线进行数据拟合再进行差分。差分结果曲线中的峰值位置与大小与电池的剩余容量具有相关性，对比初始情况和某时刻情况下的差分曲线，即可以对于电池容量进行估计。故基于该方法提出一种锂离子电池容量的实时估计的方法。
技术实现要素：
本发明的目的是提供一种锂离子电池容量的实时估计的方法，有效地实时评估了锂离子电池的容量。
为实现上述目的，本发明采用以下技术方案：一种锂离子电池容量的实时估计的方法，所述方法包括以下步骤：
以下步骤又可以分成两个阶段，第一个是建模过程阶段；第二个是在线容量估计阶段。
第一个阶段包括以下步骤：
s1，通过电池耐久性试验，获取标准容量测试中的充电数据；
对于需要估计的电池进行耐久性实验；耐久性测试循环在50℃下进行，对该电池进行充电和放电实验，其中，充电方式为：1/2c先恒流后恒压充电至截止电压，放电使用dst循环，30次充电放电循环后，进行一次25℃下的标准容量测试，以确定电池的真实容量；
s2，根据步骤s1中获得的电量、电压数据,对数据进行预处理后计算得到ic曲线，其中，
s3，根据步骤s2中获得的ic曲线，利用非线性最小二乘法及高斯函数拟合不同循环衰减程序时，不同峰的ic曲线，则ic曲线可表示为
s4，根据步骤s3中获得的高斯函数，将高斯函数的参数值作为特征量，进行参数值与电池容量之间的相关性分析；分析高斯函数的参数ai、ωi和v0i与电池容量相关的参数；
s5，根据步骤s4中相关性分析的结果，选取与容量相关的高斯函数的参数值，拟合该参数与电容之间在不同峰值对应的区间的关系曲线，建立该参数其与电池容量之间的函数关系y＝f(x)；
第二个阶段包括以下步骤：
s6，在线容量实时估计阶段，获取待估计电池当前的充电数据；获取需要在先预测的电池的充电数据，所使用的充电方法与步骤s1中的相同；
s7，根据步骤s3中的拟合方法，得到数据所处峰的高斯函数；
s8，根据步骤s5中的函数关系，由步骤s7所得的与容量相关的高斯函数的参数值确定电池的实时容量；
根据步骤s4中相关性分析的结果，选取与容量相关的高斯函数的参数值，分别选取第二个峰的参数a和第三个峰的参数a，建立其与电池的真实容量的函数关系，在本具体实施方式中采用线性拟合，也可以用其它拟合，例如指数拟合。
例如，在本具体实施方式中，第二个峰的参数a与电池容量之间的函数关系为：
第三个峰的参数a与电池容量之间的函数关系为：
y＝3.4553x+2.4135
上述公式中：n表示循环次数；x表示拟合获得的高斯函数的参数a的大小；y表示估计得到的电池容量；
第二个阶段包括以下步骤：
s6，在线容量实时估计阶段，获取待估计电池当前的充电数据；
获取得到的充电数据，所使用的充电方法与步骤s1中的相同。根据所获得的电压的所在区间，采集的数据需至少包含[3.8v,4.0v]和[4.0v,4.2v]中的一段；
s7，根据步骤s3中的拟合方法，得到部分数据所处峰的高斯函数；
步骤s7，根据步骤s3中的拟合方法，对得到的充电数据进行处理，拟合得到曲线中每个峰的高斯函数；
s8，根据步骤s5中的函数关系，由步骤s7所得的高斯函数的特征值确定电池的实时容量。
与现有技术相比，本发明方法中建立了一种基于高斯函数拟合获取ic曲线，使用高斯函数的参数进行容量建模与估计，实现了锂离子电池健康状态的在线实时检测，突破在线容量估计的难题。
附图说明
下面结合附图对本发明作进一步说明，其中：
图1一种使用高斯函数拟合ic曲线进行容量估计的流程图；
图2某款三元锂离子电池使用不同电压间隔计算得到的ic曲线；
图3某款三元锂离子电池ic曲线拟合的结果；
图4某款三元锂离子电池第二个峰的高斯函数的参数a随循环的变化情况
图5某款三元锂离子电池第三个峰的高斯函数的参数a随循环的变化情况
图6某款三元锂离子电池建立的容量估计模型的容量估计结果。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
本发明提出了一种使用高斯函数拟合ic曲线实现锂离子电池容量估计的方法，该方法可以至少用于对于动力电池进行在线容量估计。
根据本发明的实施例，具体包括以下步骤：
如附图1所示，以下步骤又可以划分为两个阶段，第一个阶段是电池测试与模型标定阶段，一般在实验室中进行；第二个阶段是在线估计阶段，是电池容量在线估计算法的实施流程。
所述第一个阶段包括以下步骤：
s1，通过电池耐久性试验，获取标准容量测试中的充电数据；
在本具体实施方式中，对于需要估计的电池进行耐久性实验，所述电池可以是任何需要估计的锂离子电池。例如，以其中一种电池为例，该待测电池为三元锂离子电池。耐久性测试循环在50℃下进行，对该电池进行充电和放电实验。其中，充电方式为：1/2c先恒流后恒压充电至截止电压4.2v，放电使用dst循环。30次充电放电循环后，进行一次25℃下的标准容量测试，以确定电池的真实容量，并且在此过程中测量电池的电压数据。
s2，根据步骤s1中获得的电量、电压数据,对数据进行预处理后计算得到ic曲线，其中，
在本步骤中，将电池的电量和电压数据进行初步处理成为一定电压间隔的数据，本实施案例中采用电压间隔dv＝5mv，以电压为横坐标即x轴，以电量为纵坐标即y轴，得到曲线。在本具体实施方式中，分别将所述电压间隔取5mv，20mv，50mv进行比较，分别计算得到的ic曲线如附图2所示；从图2可以看出随着dv的增加曲线逐渐清晰，但曲线形状也会随之发生变化，因此综合考虑，在本实施例中选择dv＝5mv。
s3，根据步骤s2中获得的ic曲线，利用非线性最小二乘法及高斯函数拟合不同循环衰减程序时，不同峰的ic曲线，则ic曲线可表示为
利用最小二乘法使用高斯函数对ic曲线的每个峰进行拟合，新电池的拟合结果如附图3所示；由图2的具体实施例可知，该款电池ic曲线含有三个峰，因此使用三个高斯函数分别对每个区间的ic曲线进行拟合。
利用最小二乘法使用高斯函数再对不同衰减程度时电池的ic曲线的每个峰进行拟。分别使用[3.5v,3.7v]、[3.8v,4.0v]和[4.0v,4.2v]的数据依次拟合ic曲线的三个峰，三个峰的拟合结果如图3中的三个独立的高斯函数的曲线所示，将三个峰相加可获得电池的整个的ic曲线。使用相同的数据处理方法便可得到不同衰减程度时，电池的ic曲线拟合结果；
s4，根据步骤s3中获得的高斯函数，将高斯函数的参数值作为特征量，进行参数值与电池容量之间的相关性分析；分析高斯函数的参数ai、ωi和v0i与电池容量相关性最大的参数；
由于电动汽车的的使用者通常习惯在高soc区间内使用汽车，因此采用位于高soc，即高电压的峰的高斯函数用于容量估计建模。因此采用最后两个峰的高斯函数的参数值作为特征量，进行参数值与电池容量之间的相关性分析，不同循环时的第二个峰的高斯函数随着循环的变化情况如附图4所示，不同循环时的第三个峰的高斯函数随着循环的变化情况如附图5所示。通过图4和5可以看出两个峰的ω和v的数值较小随循环变化不明显，因此不使用。可以看出两个峰的a随着循环的进行有着规律的变化，且变化较为明显，因此采用a作为特征量进行建模；
s5，根据步骤s4中相关性分析的结果，选取与容量相关的高斯函数的参数值，拟合不同峰值对应的区间的曲线，建立该参数其与电池容量之间的函数关系y＝f(x)；
根据步骤s4中相关性分析的结果，选取与容量相关的高斯函数的参数值，分别选取第二个峰的参数a和第三个峰的参数a，建立其与电池的真实容量的函数关系，在本具体实施方式中采用线性拟合，也可以用其它拟合，例如指数拟合。
例如，在本具体实施方式中，第二个峰的参数a与电池容量之间的函数关系为：
第三个峰的参数a与电池容量之间的函数关系为：
y＝3.4553x+2.4135
上述公式中：n表示循环次数；x表示拟合获得的高斯函数的参数a的大小；y表示估计得到的电池容量；
第二个阶段包括以下步骤：
s6，在线容量实时估计阶段，获取待估计电池当前的充电数据；
获取得到的充电数据，所使用的充电方法与步骤s1中的相同。根据所获得的电压的所在区间，采集的数据需至少包含[3.8v,4.0v]和[4.0v,4.2v]中的一段；
s7，根据步骤s3中的拟合方法，得到部分数据所处峰的高斯函数；
步骤s7，根据步骤s3中的拟合方法，对得到的充电数据进行处理，拟合得到曲线中每个峰的高斯函数；
s8，根据步骤s5中的函数关系，由步骤s7所得的高斯函数的特征值确定电池的实时容量；
由步骤s7得到第二个峰或第三个峰的高斯函数的参数a的大小，根据步骤s5中的函数关系，确定电池实际容量，容量估计的结果如附图6所示，使用第二、三个峰的估计误差分别为2.8％和2.7％，在3％以内。