一种基于EKF算法的混合动力锂电池的SOC估算方法与流程

本发明属于新能源电动汽车的动力电池领域，具体是一种基于ekf算法的混合动力锂电池的soc估算方法。

背景技术：

目前世界各国和政府对环境保护越来越重视，促进了新能源汽车的发展。新能源汽车的优点在于污染少，可以支持人类社会的可持续发展。新能源汽车中三个比较关键的技术分别是电机、电控和电池。

电池是新能源汽车的动力装置，而电池管理系统(batterymanagementsystem，bms)是电池的大脑，能够控制电池，防止出现过充、过放等行为，提高电池的使用寿命，增强电池的使用效率。所以bms是新能源汽车不可缺少的一套系统。

bms中最为核心的就是对电池的荷电状态(stateofcharge，soc)，即剩余电量进行估算。目前各个车企都把对soc的估算看作核心技术。soc相当于传统汽车的油表，能够显示出电动车的电池电量状态，让驾驶者根据情况进行充电和驾驶。由于电池的电量不能通过仪器进行测量，所以精确的估算出soc是开发bms必须要解决的问题。目前有四种方法已经得到验证可以估算出soc的方法，分别是安时积分法、开路电压法、卡尔曼滤波算法和神经网络算法。目前市场上基本上采用的是前两种方法，后两种算法由于对芯片的计算能力要求高，目前基本上还存在于理论研究阶段，不过大量的研究结果已经证明，后两种方法的估算精度要高于前两种。目前市场上成熟的bms的估算精度大部分都是在5％以上，5％的精度虽然能够使用，但是对电池的利用率还不够，对电池的充放电管理也有缺陷，所以对估算电池soc的研究还需不断深入。

扩展卡尔曼滤波(ekf)算法是卡尔曼滤波算法的一种扩展，能够对非线性系统进行估算，而电池就是一种非线性系统，所以该算法可以用来对电池的soc进行估算。

王杰在文献《基于扩展卡尔曼滤波的动力锂电池soc估算研究》中采用了离线辨识方法，把辨识出来的时间响应τ＝r*c看作是一个常数。实际上电池是一种复杂的非线性系统，时间响应τ＝r*c会随着电量的变化而发生变化。

技术实现要素：

针对现有技术的不足，本发明拟解决的技术问题是，提供一种基于ekf算法的混合动力锂电池的soc估算方法。

本发明解决所述技术问题的技术方案是，提供一种基于ekf算法的混合动力锂电池的soc估算方法，其特征在于该方法包括以下步骤：

步骤1、建立混合动力锂电池的二阶rc等效电路模型，得到二阶rc等效电路模型的等效电路方程；

步骤2、进行离线参数辨识，通过hppc试验获得关于电池特性的数据参数，拟合出soc与开路电压ocv的对应关系曲线；通过将零输入响应端电压与等效电路方程中的端电压表达式联立，令u0＝u辨别出r0、r1和r2的电阻值以及c1和c2的电容值；

步骤3、根据步骤1得到的等效电路方程和步骤2得到的r0、r1和r2的电阻值以及c1和c2的电容值，建立锂电池的离散状态方程；再结合等效电路方程中以电压形式表示的端电压的表达式，得到状态转移矩阵、系统控制矩阵和系统观测矩阵；

步骤4、根据步骤3得到的锂电池的离散状态方程、状态转移矩阵、系统控制矩阵和系统观测矩阵结合ekf算法对电池的soc进行估算。

与现有技术相比，本发明有益效果在于：

(1)本方法采用离线辨识方法进行估算，可以减少计算量，处理能力不太高的芯片也能满足使用要求，也可以减少芯片的使用量，降低bms的成本(在bms中芯片的成本要占到整个bms的70％左右)。

(2)本方法对离线辨识出的参数进行多项式拟合，避免使用固定的离线参数，减少估算时的误差，提高混合动力锂电池的soc估算精度。并且结合扩展卡尔曼滤波算法，该算法能够精确的估算混合动力锂电池的soc。综合应用能够极大的提高锂电池的soc估算精度。

(3)可以根据开发人员的意图对动力电池模型参数进行更新和优化，避免复杂而繁琐的标定操作。

附图说明

图1为本发明混合动力锂电池的二阶rc等效电路模型；

图2为本发明hppc试验工况图；

图3为本发明得到的混合动力锂电池soc估算值与真实值的对比图；

图4为本发明得到的混合动力锂电池soc估算值的误差图；

具体实施方式

下面给出本发明的具体实施例。具体实施例仅用于进一步详细说明本发明，不限制本申请权利要求的保护范围。

本发明提供了一种基于ekf算法的混合动力锂电池的soc估算方法(简称方法)，其特征在于该方法包括以下步骤：

步骤1、建立混合动力锂电池的二阶rc等效电路模型(如图1所示)，得到二阶rc等效电路模型的等效电路方程，如式(1)所示：

式1)中，u表示端电压，voc(soc)表示开路电压，i(t)表示随时间变化的电流，τ1＝r1c1，τ2＝r2c2；r0表示电池内阻，r1表示电化学极化电阻，r2表示浓度差极化电阻，c1表示电化学极化电容，c2表示浓度差极化电容，v1表示极化电压，v2表示浓差极化电压；

步骤2、进行离线参数辨识，通过hppc试验(混合动力脉冲试验)获得关于电池特性的数据参数，拟合出ocv-soc曲线(即得到soc与开路电压ocv的对应关系)；通过将零输入响应端电压与等效电路方程中的端电压表达式联立，令u0＝u辨别出r0、r1和r2的电阻值以及c1和c2的电容值；

步骤3、根据步骤1得到的等效电路方程和步骤2得到r0、r1和r2的电阻值以及c1和c2的电容值，建立锂电池的离散状态方程；再结合等效电路方程中以电压形式表示的端电压的表达式，得到状态转移矩阵、系统控制矩阵和系统观测矩阵；

yk＝voc(soc,k)-r0i(k)-v1(k)-v2(k)(3)

式2)为锂电池的离散状态方程，式3)为等效电路方程中以电压形式表示的端电压的表达式；式3)中yk＝u，voc(soc,k)＝voc(soc)，r0i(k)＝i(t)r0，

将式2)和式3)联立，得到：

d＝[r0](4)

式4)中，a表示状态转移矩阵，b表示系统控制矩阵，d和h均表示系统观测矩阵；δt表示单位时间，η表示充放电效率，c0表示电池容量；

步骤4、根据步骤3得到的锂电池的离散状态方程、状态转移矩阵、系统控制矩阵和系统观测矩阵结合ekf(扩展卡尔曼滤波)算法对电池的soc进行估算；

启动ekf算法前，由于初始状态矩阵x＝[voc(soc)v1v2]^t中极化电压非常小，因此v1和v2初始值为0；初始协方差矩阵p的初始值选为单位矩阵；

(1)开始ekf算法，先给迭代前状态矩阵xk-1、迭代前协方差矩阵pk-1和噪音q一个初始值，再带入卡尔曼时间更新方程中得到当前状态矩阵xk和当前协方差矩阵pk值；

(2)再将步骤1)得到的xk和pk值带入卡尔曼状态更新方程中，得到迭代后状态矩阵xk+1和迭代后协方差矩阵pk+1值；

(3)再将步骤2)得到的xk+1和pk+1值再次带入卡尔曼时间更新方程中分别代替xk-1和pk-1，得到新的xk；不停循环迭代更新xk，得到各个采样点的soc估算值，直到电池放电停止，得到整个工况的soc估算。

所述卡尔曼时间更新方程包括状态方程xk＝axk-1+bik-1和协方差方程pk＝apk-1a^t+q；所述卡尔曼状态更新方程包括卡尔曼增益方程kk＝pkh^t(hpkh^t+d)^-1、状态更新方程xk+1＝xk+kk(yk-hxk)和协方差更新方程pk+1＝(1-kkh)pk；其中，ik-1表示电流；1表示单位矩阵；kk表示增益矩阵；a^t表示a的转置矩阵；

步骤4)具体是：

启动ekf算法前，由于初始状态矩阵x＝[voc(soc)v1v2]^t中极化电压非常小，因此v1和v2初始值为0；初始协方差矩阵p的初始值选为单位矩阵；

(1)开始ekf算法，先给迭代前状态矩阵xk-1、迭代前协方差矩阵pk-1和噪音q一个初始值，再带入卡尔曼时间更新方程中的状态方程xk＝axk-1+bik-1中得到xk值，带入卡尔曼时间更新方程中的协方差方程pk＝apk-1a^t+q中得到pk值；

(2)再将步骤1)得到的pk值带入卡尔曼状态更新方程的卡尔曼增益方程kk＝pkh^t(hpkh^t+d)^-1中，得到kk值；再将得到的kk值和步骤1)得到的xk值带入卡尔曼状态更新方程的状态更新方程xk+1＝xk+kk(yk-hxk)中得到xk+1值，将得到的kk值和步骤1)得到的pk值带入卡尔曼状态更新方程的协方差更新方程pk+1＝(1-kkh)pk中得到pk+1值；

(3)再将步骤2)得到的xk+1和pk+1值再次带入卡尔曼时间更新方程中分别代替xk-1和pk-1，得到新的xk；不停循环迭代更新xk，得到各个采样点的soc估算值，直到电池放电停止，得到整个工况的soc估算。

实施例1

本实施例中电池采用容量为37ah、标称电压为3.5v的三元锂电池。

步骤1、建立混合动力锂电池的二阶rc等效电路模型(如图1所示)，得到二阶rc等效电路模型的等效电路方程；

步骤2、进行离线参数辨识，通过hppc试验获得关于电池特性的数据参数，拟合出soc与开路电压ocv的对应关系曲线；通过将零输入响应端电压与等效电路方程中的端电压表达式联立，令u0＝u辨别出r0、r1和r2的电阻值以及c1和c2的电容值；

在hppc试验中共进行9次峰值充放电(如图2所示)，分别为0.895soc、0.7965soc、0.6985soc、0.6005soc、0.5035soc、0.402soc、0.2965soc、0.199soc和0.101soc。在峰值充放电中，进行4c放电10s，静置40s；3c充电10s。在图2中，将零输入响应端电压与等效电路方程中的端电压表达式联立，令u0＝u，可以在每次充放电中辨别出r0、r1、r2、c1和c2；然后把每个参数9次辨别出来的数值进行多项式拟合。在静置期间可以得到soc与ocv的对应关系。

通过matlab进行多项式拟合为：

r0关于soc的六次多项式为

r0＝(101soc⁶-329.6soc⁵+426.1soc⁴-281.4soc³+102.4soc²-20.28soc+2.917)/1000；

r1关于soc的六次多项式为

r1＝(79.64soc⁶-254.9soc⁵+314soc⁴-189.3soc³+59.25soc²-9.295soc+0.9976)/1000；

r2关于soc的六次多项式为

r2＝(245.1soc⁶-767.4soc⁵+957soc⁴-607.5soc³+208soc²-37.17soc+3.82)/1000；

c1关于soc的四次多项式为

c1＝(317.3soc⁴-544.1soc³+241.3soc²-8.874soc+23.88)*1000；

c2关于soc的三次多项式为

c2＝(0.893soc³-1.58soc²-0.997soc+0.98051)*1000；

ocv与soc的五次多项式为

voc(soc)＝1.849soc⁵-7.167soc⁴+9.617soc³-4.943soc²+1.379soc+3.455；

步骤3、根据步骤1得到的等效电路方程和步骤2得到r0、r1和r2的电阻值以及c1和c2的电容值，建立锂电池的离散状态方程；再结合等效电路方程中以电压形式表示的端电压的表达式，得到状态转移矩阵、系统控制矩阵和系统观测矩阵；

锂电池的离散状态方程如式2)所示：

yk＝voc(soc,k)-r0i(k)-v1(k)-v2(k)(3)

式3)为等效电路方程中以电压形式表示的端电压的表达式；式3)中yk＝u，voc(soc,k)＝voc(soc)，r0i(k)＝i(t)r0，

将式2)和式3)联立，得到：

d＝[r0](4)

式4)中，a表示状态转移矩阵，b表示系统控制矩阵，d和h均表示系统观测矩阵；δt表示单位时间，η表示充放电效率，c0表示电池容量；

步骤4、根据步骤3得到的锂电池的离散状态方程、状态转移矩阵、系统控制矩阵和系统观测矩阵结合ekf算法对电池的soc进行估算；

启动ekf算法前，由于初始状态矩阵x＝[voc(soc)v1v2]^t中极化电压非常小，因此v1和v2初始值为0；初始协方差矩阵p的初始值选为单位矩阵；

(1)开始ekf算法，先给迭代前状态矩阵xk-1、迭代前协方差矩阵pk-1和噪音q一个初始值，再带入卡尔曼时间更新方程中得到当前状态矩阵xk和当前协方差矩阵pk；

(2)再将步骤1)得到的xk和pk带入卡尔曼状态更新方程中，得到迭代后状态矩阵xk+1和迭代后协方差矩阵pk+1；

(3)再将步骤2)得到的xk+1和pk+1再次带入卡尔曼时间更新方程中分别代替xk-1和pk-1，得到新的xk；不停循环迭代更新xk，得到各个采样点(不同时刻)的soc估算值，直到电池放电停止，得到整个工况的soc估算。

通过本方法预测的混合动力锂电池的soc如图3所示，误差如图4所示，由图3和图4可以看出，soc的估算误差最大在2.5％左右，远远低于市场上的6％左右的精度。

本发明未述及之处适用于现有技术。