一种动力电池的SOC估算方法与流程

本发明涉及新能源汽车的电池技术领域，尤其涉及一种动力电池的soc估算方法。

背景技术：

目前，随着新能源汽车的发展，soc(stateofcharge，蓄电池剩余容量)的估计依然是尚待解决的问题。soc是直接反映蓄电池的可持续供电能力和健康状况的一个重要参数，一般蓄电池的建模方法可以分为两大类：一类是物理建模方法；另一类是系统的辨识与参数估计建模方法。其中物理建模方法包括开路电压法、安时电流法、内阻法等等，参数建模方法则有神经网络法、模糊逻辑法、卡尔曼滤波法等等。但是由于上述方法各有利弊，目前仍没有一种可以通用的办法，能够实现高精确地对新能源汽车soc进行估算。

以上背景技术内容的公开仅用于辅助理解本发明的构思及技术方案，其并不必然属于本专利申请的现有技术，在没有明确的证据表明上述内容在本专利申请的申请日已经公开的情况下，上述背景技术不应当用于评价本申请的新颖性和创造性。

技术实现要素：

为了解决上述技术问题，本发明提出一种动力电池的soc估算方法，提高了估算精度。

为了达到上述目的，本发明采用以下技术方案：

本发明公开了一种动力电池的soc估算方法，包括以下步骤：

s1：根据安时法建立soc的离散化计算公式：其中k表示第k次采样周期，δt是离散时间间隔，ik是放电电流，c是所述动力电池的额定容量；η是所述动力电池的充放电效率；

s2：建立所述动力电池的pngv等效电路模型，计算得到所述动力电池的开路电压uoc和soc的函数关系式：uoc(k)＝f(soc)；

s3：根据步骤s1中的soc的离散化计算公式建立所述动力电池的soc的状态方程：根据步骤s2中的所述动力电池的开路电压uoc和soc的函数关系式建立所述动力电池的soc的观测方程：zk＝f(xk)+vk，并根据粒子滤波算法进行迭代得到所述动力电池的soc，其中，xk是第k次采样周期的soc，zk是第k次采样周期的系统观测值，wk为系统噪声，vk为观测噪声。

优选地，步骤s2具体包括：

s21：建立所述动力电池的pngv等效电路模型，数学表达式为：

其中，uoc是所述动力电池的开路电压，cb是所述动力电池的等效电容，r0是所述动力电池的欧姆内阻，i是所述动力电池的负载电流，u是所述动力电池的端电压，rp是所述动力电池的极化内阻，cp是所述动力电池内部的极化电容，up是流经极化内阻的电压；

s22：根据所述动力电池的pngv等效电路模型的数学表达式，得到对应的离散状态空间整理方程为：

u(k)＝a1u(k-1)+a2u(k-2)+a3i(k)+a4i(k-1)+a5

其中，

θ＝1/(cprp)，t为采样周期；

s23：测试得到所述动力电池的u(k-2)、u(k-1)、u(k)、i(k-1)、i(k)，并代入到步骤s22中的离散状态空间整理方程，计算得到r0、rp、cb、cp；

s24：将步骤s23计算得到的r0、rp、cb、cp输入到步骤s21中的所述动力电池的pngv等效电路模型的数学表达式，拟合得到所述动力电池的开路电压uoc和soc的函数关系式：uoc(k)＝f(soc)。

优选地，步骤s22中根据所述动力电池的pngv等效电路模型的数学表达式，得到对应的离散状态空间整理方程具体包括：

s221：以所述动力电池的pngv等效电路模型的两电容电压值为状态变量，以所述动力电池的端电压为输出变量，将步骤s21中的数学表达式转换为对应的空间状态方程为：

s222：将步骤s221中的空间状态方程转换为离散状态空间方程为：

s223：将步骤s222中的离散状态空间方程进行整理得到对应的离散状态空间整理方程为：u(k)＝a1u(k-1)+a2u(k-2)+a3i(k)+a4i(k-1)+a5。

优选地，步骤s23中采用hppc测试方法测试得到所述动力电池的u(k-2)、u(k-1)、u(k)、i(k-1)、i(k)。

优选地，步骤s3中根据粒子滤波算法进行迭代得到所述动力电池的soc具体包括：

s31：初值化：在先验概率密度p(x0)中分布采样产生粒子群将每个粒子的权值统一设为i代表是第i个粒子，ns为粒子总数；

s32：更新：第k次采样周期的粒子xk的后验概率分布p(xk|zk)用带权样本来描述，是粒子集的对应权重，带权样本根据重要密度函数q(x0:k-1|z1:k)获得；

s34：预测估计：根据步骤s32得到状态估计公式：方差估计公式：并根据所述动力电池的soc的状态方程预测下一次采样周期的soc：

s35：检测k是否迭代完成，如果否，则令k＝k+1，并返回步骤s32，如果是，则结束迭代，得到所述动力电池的soc。

优选地，步骤s3还包括：

s33：重采样：在步骤s32之后，判断是否小于阈值nthreshold，如果是，则进行重采样，将带权样本映射成权值相同的新样本

优选地，步骤s32中带权样本根据重要密度函数q(x0:k-1|z1:k)获得的具体步骤包括：

s321：在第k次采样周期中，采样粒子集由重要密度函数得到：

s322：计算重要性权值：

将后验概率分解为：

将重要密度函数分解为：q(x0:k|z1:k)＝q(xk|x0:k-1|z1:k)q(x0:k-1|z1:k-1)，

得到重要性权值更新公式为：

s323：对重要性权值进行归一化：

s324：得到xk的最优估计值为：

与现有技术相比，本发明的有益效果在于：本发明提出的动力电池的soc估算方法采用粒子滤波算法进行迭代估算，其中状态方程采用电流安时法得到，观测方程采用通过pngv等效电路模型拟合出的动力电池的开路电压和soc的函数关系式；将粒子滤波和pngv等效电路模型进行结合，既利用了粒子滤波算法提高算法的精准度和在非线性非高斯系统强表达能力，也吸收了pngv模型阶数较低计算相对容易，且物理意义清晰，模型参数辨别简单的优势，达到精确估算soc的目的。

附图说明

图1是本发明优选实施例的动力电池的soc估算方法的流程示意图；

图2是本发明优选实施例的动力电池的pngv等效电路模型示意图。

具体实施方式

下面对照附图并结合优选的实施方式对本发明作进一步说明。

如图1所示，本发明优选实施例提出一种结合粒子滤波算法和pngv等效电路模型的动力电池的soc估算方法，首先根据pngv模型建立等效电路，然后建立动力电池的soc的状态方程和观测方程，再用粒子滤波算法进行迭代，算出更为精准的动力电池的soc估算值；该动力电池的soc估算方法包括以下步骤：

s1：根据安时法建立soc的离散化计算公式：其中k表示第k次采样周期，δt是离散时间间隔，ik是放电电流，c是动力电池的额定容量；η是动力电池的充放电效率；

其中电池的充放电效率可以通过充放电试验测得。

s2：建立动力电池的pngv等效电路模型，计算得到动力电池的开路电压uoc和soc的函数关系式：uoc(k)＝f(soc)，其中k表示第k次采样周期；

其中，步骤s2具体包括：

s21：如图2所示，建立动力电池的pngv等效电路模型，数学表达式为：

其中，uoc是动力电池的开路电压，cb是动力电池的等效电容，描述动力电池开路电压随负载电流积分变化，r0是动力电池的欧姆内阻，i是动力电池的负载电流，放电为正，充电为负，u是动力电池的端电压，rp是动力电池内部由于电解液浓度差造成的极化内阻，cp是动力电池内部由于电解液浓度差造成的极化电容，up是流经极化内阻的电压；

s22：根据动力电池的pngv等效电路模型的数学表达式，得到对应的离散状态空间整理方程，具体包括：

s221：以动力电池的pngv等效电路模型的两电容电压值为状态变量，以动力电池的端电压为输出变量，将步骤s21中的数学表达式转换为对应的空间状态方程为：

s222：将步骤s221中的空间状态方程转换为离散状态空间方程为：

s223：将步骤s222中的离散状态空间方程进行整理得到对应的离散状态空间整理方程为：

u(k)＝a1u(k-1)+a2u(k-2)+a3i(k)+a4i(k-1)+a5，

其中，

θ＝1/(cprp)，t为采样周期，k表示第k次采样周期；

s23：测试得到动力电池的u(k-2)、u(k-1)、u(k)、i(k-1)、i(k)，并代入到步骤s22中的离散状态空间整理方程，计算得到r0、rp、cb、cp；

在本实施例中，采用hppc测试方法测试得到动力电池的u(k-2)、u(k-1)、u(k)、i(k-1)、i(k)；具体地，在常温下恒定电流100a(1c)放电，在不同的soc点进行复合脉冲实验(对于100ah的电池容量，100a电流放电6分钟，可放出10ah，即soc下降0.1)，放电后静置1h，进入下一个hppc循环，放电前测量电池电压，以得到对应soc的电池开路电压近似值。

s24：将步骤s23计算得到的r0、rp、cb、cp输入到步骤s21中的动力电池的pngv等效电路模型的数学表达式，拟合得到动力电池的开路电压uoc和soc的曲线(函数关系式)：uoc(k)＝f(soc)。

s3：根据步骤s1中的soc的离散化计算公式建立动力电池的soc的状态方程：根据步骤s2中的动力电池的开路电压uoc和soc的函数关系式建立动力电池的soc的观测方程：zk＝f(xk)+vk，并根据粒子滤波算法进行迭代得到动力电池的soc，其中，xk是第k次采样周期的状态值(soc)，zk是第k次采样周期的系统观测值，wk为系统噪声，vk为观测噪声，wk和vk是相互独立的随机噪声。

其中，根据粒子滤波算法进行迭代得到动力电池的soc具体包括：

s31：初值化：在先验概率密度p(x0)中分布采样产生粒子群将每个粒子的权值统一设为i代表是第i个粒子，ns为粒子总数；

s32：更新：第k次采样周期的粒子xk的后验概率分布p(xk|zk)用带权样本来描述，是粒子集的对应权重，带权样本根据重要密度函数q(x0:k-1|z1:k)获得；

在本实施例中，带权样本根据重要密度函数q(x0:k-1|z1:k)获得具体包括：

s321：在第k次采样周期中，采样粒子集由重要密度函数得到：

s322：计算重要性权值：

将后验概率分解为：

将重要密度函数分解为：q(x0:k|z1:k)＝q(xk|x0:k-1|z1:k)q(x0:k-1|z1:k-1)，

得到重要性权值更新公式为：

s323：对重要性权值进行归一化：

s324：得到xk的最优估计值为：

s33：重采样：判断是否小于阈值nthreshold，如果是(也即则进行重采样，将带权样本映射成权值相同的新样本如果否则直接进入步骤s34；通过重采样步骤，可防止粒子退化。

s34：预测估计：根据步骤s32得到状态估计公式：方差估计公式：(该公式中的上标t为向量转置符合)，并根据动力电池的soc的状态方程预测下一次采样周期的状态值(soc)：

s35：检测k是否迭代完成，如果否，则令k＝k+1，并返回步骤s32，如果是，则结束迭代，得到动力电池的soc。

本发明优选实施例提出的动力电池的soc估算方法采用粒子滤波算法进行迭代估算，其中状态方程采用电流安时法得到，观测方程采用通过pngv等效电路模型拟合出的动力电池的开路电压和soc的函数关系式；将粒子滤波和pngv等效电路模型进行结合，既利用了粒子滤波算法提高算法的精准度和在非线性非高斯系统强表达能力，也吸收了pngv模型阶数较低计算相对容易，且物理意义清晰，模型参数辨别简单的优势，达到精确估算soc的目的。其中如果将pngv等效电路模型的等效方程直接作为粒子滤波算法的观测方程的话，模型会比较复杂，而且pngv等效电路模型的参数较多容易引起观测系统不稳定，而在本发明优选实施例中，首先通过pngv等效电路模型估算soc，得到动力电池的开路电压与soc的拟合曲线，简化观测维度增强稳定性，再利用粒子滤波算法的强表达能力提高估算精准性。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的技术人员来说，在不脱离本发明构思的前提下，还可以做出若干等同替代或明显变型，而且性能或用途相同，都应当视为属于本发明的保护范围。