智能电池与其荷电状态在线估计方法及应用与流程

本发明涉及智能单体的技术领域。

背景技术：

传统的动力电池系统通过串并联方式实现预期的输出电压与功率，其电池管理系统（batterymanagementsystem,bms）多采用主-从式拓扑结果。这种动力电池系统灵活性差，系统性能往往受到最弱单体的制约，效率较低；同时，其统通信布线复杂，且不能实现对每个单体的精确监测与控制，安全性和可靠性也较为不足。

与之相对的，智能电池单体通过集成多种传感器，可以实现单体级别的精确监测、保护与控制，并可通过集成开关器件实现单体的自由接入与退出，实现电池系统的实时自重构，有望大幅提高动力电池系统的综合性能。

但现有技术中，智能单体普遍需要集成电流传感器、电压传感器、温度传感器、开关器件、通讯模块等，集成度高，成本高，使用过程中温升效应明显。另外，由于其空间限制电流测量基本采用分流器，传感器本身会消耗一部分电能，更重要的是，其精度在宽温度范围和电磁干扰条件下会受到严重影响，得到含有显著误差的电流测量结果，并易直接导致众多电池管理功能的弱化甚至失效。

现有技术中使用的荷电状态（stateofcharge,soc）估计多采用安时积分法和基于模型的闭环估计方法，如卡尔曼滤波法、滑模状态观测器、粒子滤波法等，这类方法对电流测量值的精度要求很高，若出现较大的电流测量误差，将直接导致估计结果失准，继而引发严重的安全问题。

即，现有技术中的智能电池单体在成本、热特性、可靠性等方面都有待提高，同时其电流测量的准确性和/或基于电流测量的soc估计的精确性、稳定性等也有待改进。

其中，针对soc估计的精确性的提升，一种解决方法是通过具有噪声免疫特性的参数辨识与soc估计方法，通过实时估计电流、电压测量噪声统计特性对噪声效应进行补偿，实现较为精确的soc估计。但该方法对测量中的低频漂移误差抑制效果较差，且仍需要使用电流传感器，无法解决高成本、温升与能量消耗问题，也难以保证结果的稳定性。另外一种解决方法是不使用电流传感器，而基于等效电路模型进行解析计算或者采用滤波算法，进而实现电流与soc的实时估计，但这种方法基于多种假设，并且需要系统噪声统计特性的先验知识，其中大倍率充放电和强噪声等场景易造成soc估计精度的下降。

技术实现要素：

本发明的目的在于克服现有技术的不足，提供一种可对智能电池进行精确、稳定，不依赖于电流测量的soc实时估计的方法，其具有良好的鲁棒性。

本发明的目的还在于提供上述估计方法的一种应用。

本发明的目的还在于提供应用上述估计方法的一种智能电池，其不含电流传感器，可有效减少智能电池管理单元的复杂度，降低成本，提高效率，能通过单体电池提供充分的能源利用。

本发明首先提供了如下的技术方案：

智能电池的荷电状态在线估计方法，其包括：基于实时估计模型对荷电状态进行在线估计，其中所述实时估计模型基于参数待定的等效电路模型，通过荷电状态-开路电压关系式、不同工作状态下的电流-电压关系式及电池的当前端电压和温度获得荷电状态在线估计值。

其中电池工作状态优选包括荷电状态、电池温度和电池老化状态。

根据本发明的一些具体实施方式，所述实时估计模型的构建包括：

获得含有待定参数的电池等效电路模型；

获得电池的荷电状态-开路电压关系式；

获得电池在不同工作状态下的电流-电压关系式；

基于所述荷电状态-开路电压关系式及电流-电压关系式，获得待定参数与电池工作状态的映射关系式；

基于所述映射关系式，获得拟合后的参数标定的等效电路模型；

基于参数标定的等效电路模型，根据电池当前端电压和温度，通过状态空间方程与滚动时域优化的联合估计方法，获得实时估计值。

根据本发明的一些具体实施方式，所述拟合通过批量最小二乘优化方法实现。

根据本发明的一些具体实施方式，所述电池等效电路模型选自：一阶rc模型、二阶rc模型、内阻等效模型、pngv模型或电化学模型。

根据本发明的一些具体实施方式，所述电池等效电路模型为一阶rc模型。根据本发明的一些具体实施方式，所述电池等效电路模型为：

，

，

其中，t表示时间，il表示负载电流，il(t)表示t时刻的负载电流，vp表示极化电压，vp（t）表示t时刻的极化电压，vt表示路端电压，vt（t）表示t时刻的路端电压，η表示电池的库伦效率，cn表示电池的额定容量，ro、rp和cp分别表示待确定的欧姆内阻参数、极化电阻参数及极化电容参数，voc表示电池开路电压ocv，voc（t）表示t时刻的极化电压，z表示电池soc、则dz（t）表示电池soc对时间的导数。

根据本发明的一些具体实施方式，所述荷电状态-开路电压关系式通过以下过程获得：

测量电池在不同充电及放电阶段中的端电压值，将其作为不同充电或放电阶段的开路电压，并将其与通过安时积分法获得的同一时刻的电池荷电状态进行对应，分别获得充电过程荷电状态-开路电压数据及放电过程荷电状态-开路电压数据；

基于所述荷电状态-开路电压数据及放电过程荷电状态-开路电压数据，或平均化后的荷电状态-开路电压数据及放电过程荷电状态-开路电压数据，通过拟合模型获得荷电状态-开路电压的整体关系式。

根据本发明的一些具体实施方式，所述拟合模型选自多项式拟合、高斯函数拟合或洛伦兹函数拟合。

根据本发明的一些具体实施方式，所述拟合模型选自多项式拟合。

根据本发明的一些具体实施方式，所述电流-电压响应关系式和/或所述待定参数与电池工作状态的映射关系式通过电池不同工作状态下的hppc测试获得，所述工作状态包括荷电状态、电池温度和电池老化状态。

根据本发明的一些具体实施方式，所述联合估计方法包括以下步骤：

将所述等效电路电路模型经离散化变换，转换为如下的状态空间方程：

，

其中，x(k)=[vp(k)z(k)]^t表示k时刻待估计的状态向量,x(k-1)表示k-1时刻的状态向量，y(k)=vt(k)表示系统输出，表示单体管理单元的计算时间步长，a表示状态转移矩阵，表示k时刻的极化电压，表示k时刻的负载电流，f(z(k))表示ocv计算函数，其中为根据多项式拟合得到的荷电状态-开路电压关系式；

基于所述状态空间方程，构造自定义时间窗口内使得端电压误差最小的受限最优化问题，并通过滚动时域估计方法在线估计荷电状态和输入电流；

其中，所述最优化问题及其约束条件为：

s.t.满足所述状态空间方程，

其中，

，

其中，vt,i代表i时刻路端电压测量值，代表i时刻路端电压估计值，表示第k-n时刻状态向量估计值，n表示自定义的滚动时域窗口长度，上标“︿”表示真实量的估计值,‖·‖2表示2范数,α表示权重矩阵。

根据本发明的一些具体实施方式，1＜n＜5。

根据本发明的一些具体实施方式，所述最优化问题的求解包括：

将所述最优化问题转换为不带约束的最优化问题，得到转换后的优化目标函数；对转换后的优化目标函数求解。

根据本发明的一些具体实施方式，所述最优化问题的转换通过拉格朗日乘数法实现。

根据本发明的一些具体实施方式，所述优化目标函数的求解通过牛顿法实现。

本发明还提供了上述任一智能电池的荷电状态在线估计方法的一些应用，其为对不含电流测量装置的智能电池进行在线的、实时的荷电状态估计。

本发明还进一步提供了可应用该荷电状态在线估计方法的智能电池，如其中一种具体的智能电池结构如下：

包括电池单体与单体管理单元的智能电池，其单体管理单元包括传感器、开关器件与控制器。

根据本发明的一些具体实施方式，所述智能电池中，所述电池单体为锂离子电池，所述单体管理单元由电压传感器、温度传感器、开关器件、控制器模块、通信模块集成于pcb上构成，所述单体管理单元集成于锂离子电池的顶盖上方，直接由其所从属的电池单体供电。

根据本发明的一些具体实施方式，所述智能电池中，温度传感器选自热电偶、热电阻、热敏电阻和光纤布拉格光栅传感器。

根据本发明的一些具体实施方式，所述智能电池中，开关器件选自功率金属氧化物半导体场效应晶体管（mosfet）。

根据本发明的一些具体实施方式，所述智能电池中，通信模块选自通过can总线、菊花链拓扑、sub-ghz、4g、wi-fi或zigbee等进行通信的模块中的任一种。优选通过sub-ghz、4g、wi-fi或zigbee进行无线网络通信。

本发明具备以下有益效果：

本发明充分考虑了智能电池单体设计复杂度高、热特性差、成本高、测量与估计不可靠等问题，提供了一种可对无电流传感器的智能电池单体进行荷电状态实时估计的方案，降低了设计复杂度、电能损失和综合成本，为所提供的无电流传感器智能电池单体提供了一种高精度、高鲁棒性的soc在线估计方法。

本发明通过构造状态空间约束的最优化问题并在滚动窗口内进行数值求解，实现了不依赖于电流测量的、精准的输入电流与soc实时估计，显著提高了电流传感器测量不确定性的抵抗力，提升了智能电池单体soc估计的鲁棒性和精度。

附图说明

图1为具体实施方式中所述智能电池的拓扑结构示意图。

图2为具体实施方式中所述智能电池的整体结构示意图。

图3为具体实施方式中所述实时估计模型构建流程示意图。

图4为具体实施方式中所述一阶等效电路模型示意图。

图5为实施例1获得的soc-ocv拟合曲线图。

图6为实施例1获得的fuds工况下的电流值。

图7为实施例1获得的fuds工况下的端电压值。

图8为实施例1获得的fuds工况下的soc在线估计结果。

图9为实施例1获得的fuds工况下的soc估计误差结果。

具体实施方式

以下结合实施例和附图对本发明进行详细描述，但需要理解的是，所述实施例和附图仅用于对本发明进行示例性的描述，而并不能对本发明的保护范围构成任何限制。所有包含在本发明的发明宗旨范围内的合理的变换和组合均落入本发明的保护范围。

具有如附图1所示的连接拓扑结构的智能电池，其包括电池单体和与电池单体电相连的单体管理单元，其中单体管理单元包括传感器、开关器件与控制器。

在一种具体实施方式中，如附图2所示，其中：1-电池单体，2-电压传感器，3-温度传感器，401-开关1，402-开关2，5-控制器模块，6-通信模块，7-pcb，8-单体正极，9-单体/外接负极，10-外接正极。

该智能电池中，电池单体1为方壳锂离子电池，单体管理单元由电压传感器2、温度传感器3、开关器件401/402、控制器模块5、通信模块6集成于pcb7上构成，单体管理单元进一步集成于方壳锂离子电池1的顶盖上方，直接由其所从属的电池单体1供电。

其中，温度传感器可选择如热电偶、热电阻、热敏电阻、光纤布拉格光栅传感器等现有的测温传感器装置。

其中，开关器件可选自功率金属氧化物半导体场效应晶体管（mosfet）等。

其中，通信模块可选自通过can总线、菊花链拓扑、sub-ghz、4g、wi-fi或zigbee等进行通信的模块中的任一种，优选通过sub-ghz、4g、wi-fi或zigbee进行无线网络通信。

通过本发明的荷电状态在线估计方法对上述智能电池的荷电状态进行实时估计，如附图3所示，其过程包括：

s0设置可对该智能电池进行参数测量的测量装置。

具体的测量点可包括pcb表面、电池单体表面、电池单体内部等。

具体的测量装置可如：通过集成多路复用模数转换器（adc）经两个通道分别连接至电池单体的正负极和温度传感器输出端，传感器接口电路输出端与单体管理单元的控制器采用串行外设接口adc连接；优选的，所选adc至少有12位分辨率，电压采集间隔选取10ms~100ms。

具体的测量参数包括电池单体的端电压和其表面温度，优选的，还可包括电池的内部温度。

s1建立智能电池的等效电路模型。

具体的等效电路模型可选自一阶rc模型、二阶rc模型、内阻等效模型、pngv模型或其它其他形式和阶数的等效电路模型或电化学模型。

在一种具体的实施方式中，如附图4所示，构建所述等效电路模型为如下的一阶rc模型：

，

，

其中，t表示时间，il表示负载电流，il(t)表示t时刻的负载电流，vp表示极化电压，vp（t）表示t时刻的极化电压，vt表示路端电压，vt（t）表示t时刻的路端电压，η表示电池的库伦效率，cn表示电池的额定容量，ro、rp和cp分别表示模型中待确定的欧姆内阻参数、极化电阻参数及极化电容参数，voc表示电池开路电压ocv，voc（t）表示t时刻的极化电压，z表示电池soc、则dz（t）表示电池soc对时间的导数。

该模型中，η、cn、ro、rp和cp可通过离线实验标定获得，t和vt可通过实际测量所得，il和vp在所述方法中为中间变量，根据估计获得。

s2通过所述测量装置对第一测量程序中的智能电池参数进行测量，基于测量数据，拟合得到荷电状态-开路电压（ocv）关系式。

其中，第一测量程序优选包括如下的步骤：

s21通过恒流恒压（cccv）充电模式将电池进行第一次充电，至满充100%。

s22将充满后的电池进行静置，测量静置后的电池端电压。

s23将静置后的电池进行放电，在放电过程中，通过安时积分法获得电池实时soc。

s24当实时soc下降5-10%时，暂停放电并静置，测量静置后的电池端电压即为当前90-95%soc所对应的放电ocv。

s25重复步骤s23-s24，每相隔5-10%soc记录一次当下soc所对应的放电ocv，直至电池端电压下降至截止电压，停止放电并静置，测量静置后的电池端电压，该值为0%soc所对应的放电ocv。

s26将静置后的电池通过cccv进行第二次充电，至其soc升高5-10%时，暂停充电并静置，测量静置后的电池端电压即为当前5-10%soc所对应的放电ocv。

s27重复步骤s26，每相隔5-10%soc记录一次当下soc所对应的充电ocv，至其达到截止条件，停止充电并静置，测量静置后的电池端电压，该值为100%soc所对应的充电ocv。

其中，上、下限截止电压和cv截止电流可根据电池供应商提供的参数表选取。

其中，通过安时积分法获得电池实时soc由离线标定实验实现，其可通过成熟的充放电测试系统进行，并不依赖于智能电池上的传感器。

一些具体的实现方法如：通过库伦累积计数获得电池中剩余电量，由剩余电量与电池标称容量比值获得soc。

优选的，恒流恒压（cccv）充电中的充电电流为0.1-1c。

优选的，每次静置的时间均为2-5h。

其中，拟合过程优选包括：

以步骤s22获得的电池端电压为100%soc所对应的放电ocv。

以步骤s25获得的电池端电压为0%soc所对应的放电或充电ocv。

以步骤s27获得的电池端电压为100%soc所对应的充电ocv。

通过上述过程s21-s25中获得的soc数据与端电压数据的对应，得到放电过程soc-ocv数据。

通过上述过程s26-s27中获得的soc数据与端电压数据的对应，得到充电过程soc-ocv数据。

将获得的放电过程soc-ocv数据与充电过程soc-ocv数据进行插值求平均，并通过拟合模型获得soc-ocv的整体拟合关系式。

其中，拟合模型可选自多项式拟合、高斯函数拟合或洛伦兹函数拟合等。

如，通过如下的多项式拟合模型得到soc-ocv的关系式：

，

其中，voc表示电池开路电压ocv；z表示电池soc；np表示拟合多项式阶数，ci表示拟合系数，i表示模型阶数，np表示多项式拟合阶数。

优选的，模型阶数i的取值为4~6。

优选的，通过批量最小二乘优化方法获得ci的具体数值。

s3通过所述测量装置对第二测量程序中的智能电池参数进行测量，基于测量数据，获得不同工作状态下的电流-电压响应数据。

其中，第二测量程序优选包括如下的步骤：

s31通过恒流恒压（cccv）充电模式将电池进行充电，至满充100%。

s32将充满后的电池进行静置。

s33对电池施加混合动力脉冲测试电流，测量其电流-电压响应数据。

s34将电池恒流放电，至其soc降低10%时，暂停放电并静置。

s35重复步骤s33-s34，直至恒流放电过程中，电池端电压降至下限截止电压。

其中，上、下限截止电压和cv截止电流可根据电池供应商提供的参数表选取。

优选的，恒流恒压（cccv）充电和恒流放电中的充放电电流均为0.3c。

优选的，每次静置的时间均为2h。

优选的，电流电压采样频率不低于1hz。

优选的，混合动力脉冲测试电流为，4c电流放电10秒，静置40秒；4c电流充电10秒，静置40秒。如果脉冲电流下的电池端电压超过上限截止电压或下限截止电压，则暂停当前脉冲电流，直接进入相邻的40秒静置阶段。

在不同soc、电池温度和老化状态下分别采用上述第二测量程序，通过测试获得不同工作状态下的电流-电压相应数据。

其中，老化状态的对应为：

将电池进行恒流充放电循环，其中充电电流优选为1-3c，每隔一定数量循环进行一次容量标定实验，优选循环数为20-50，标定所得的容量与电池初始标称容量的比值即为当前的老化状态。

在不同的老化状态下分别开展如步骤s31-s35所示的混合动力脉冲测试，获得不同老化状态下的电流-电压曲线，进一步可根据电流-电压曲线计算获得当前老化状态下的模型参数。

s4基于所述soc-ocv的关系式及电流-电压响应数据，获得等效电路模型中的待定参数与电池工作状态的多维映射关系式。

其中，电池工作状态包括soc、电池温度及电池老化状态变化。

在前述的一阶rc模型中，待定参数即为参数ro、rp和cp。

该过程可进一步包括：

s41提取某个温度、老化状态、soc条件下的混合动力脉冲试验片段数据，结合s3中获取的soc-ocv关系式，采用批量最小二乘法拟合一阶rc模型中待定参数，即参数ro、rp和cp。

s42综合各种条件下的获得的参数ro、rp和cp辨识结果，制作各个模型参数与温度、老化状态、soc间的多维映射表。

s5基于参数标定的等效电路模型，通过实时的电池端电压及电池温度测量数据，通过soc实时估计模型获得soc实时估计值。

其中，soc实时估计模型优选为基于状态空间方程与滚动时域优化的联合估计模型。

其可进一步包括：

s51基于测量得到的当前时刻电池端电压、电池工作状态，更新模型参数ro、rp和cp，并更新所述一阶等效电路模型。

s52将更新后的一阶等效电路电路模型通过离散化变换，转换为如下的状态空间方程：

，

其中，x(k)=[vp(k)z(k)]^t表示k时刻待估计的状态向量,则显然的，x(k-1)表示k-1时刻的状态向量，y(k)=vt(k)表示系统输出，表示单体管理单元的计算时间步长，a表示状态转移矩阵，表示k时刻的极化电压，表示k时刻的负载电流，f(z(k))表示ocv计算函数，其中，为根据多项式拟合得到的荷电状态-开路电压关系式。

s53设置状态向量为，待估计的扩展决策向量为，基于s52所建立的状态空间方程，构造自定义时间窗口内使得端电压vt误差最小的受限最优化问题，如下式所示：

s.t.满足所述状态空间方程，

其中，

，

其中，vt,i代表i时刻路端电压测量值，代表i时刻路端电压估计值，表示第k-n时刻状态向量估计值，n表示自定义的滚动时域窗口长度，优选为1＜n＜5，如取n=3，上标“︿”表示真实量的估计值,‖·‖2表示2范数,α表示权重矩阵。

s54通过滚动时域估计方法在线估计荷电状态和输入电流。

其可具体包括：

将所述最优化问题转换为不带约束的最优化问题，再对最优化问题进行求解。

其中转换可通过引入拉格朗日乘数λ并构建拉格朗日函数等方式实现。

求解可采用最大梯度法、牛顿法、信赖域法、共轭梯度法等数值方法实现。

如，构建拉格朗日函数并经牛顿法求解如下：

设置最优化问题的优化目标函数为：

，

其约束条件为；

其中，g(·)表示优化目标函数，h(·)表示约束条件。

引入拉格朗日乘数λ并构建拉格朗日函数，将带等式约束的最优化问题转变为不带约束的最优化问题，其优化目标函数转换如下：

，

其中，g表示引入拉格朗日函数后的优化目标函数，表示引入拉格朗日函数后的增广决策向量。

将进行二阶泰勒展开，如下：

其中，二阶导数为如下所示的hessian矩阵：

；

将的二阶泰勒展开式对求导并令其为0可得：

，

由此可得出最优解的迭代公式为：

其中，表示在处的梯度；

按照如上所述构造受限最优化问题并进行迭代求解，可获得当前时刻的实时soc估计值和输入电流。

s6基于所述估计模型，及参数随电池数据的映射关系，获得下一时刻的模型参数，并经s5获得新的实时soc估计值。

实施例1

在如具体实施方式所述的智能电池单体中，电池选择为2.6ah标称容量锂离子电池。温度传感器采用热电阻，测量点包括pcb表面和电池单体表面。采用集成多路复用模数转换器（adc）经两个通道分别连接至单体正负极和热电阻输出端，传感器接口电路输出端与单体管理单元的控制器采用串行外设接口adc连接；电压采集间隔选取10ms~100ms。开关器件采用功率金属氧化物半导体场效应晶体管（mosfet）。

设置其等效电路模型为具体实施方式所述一阶rc模型。

设置其在soc-ocv测试过程中，充放电电流均为0.3c，充放电过程中，充电或放电幅度为10%soc，每次静置时间为2h。

设置其中步骤s3为：

在25℃试验条件下，

步骤1：通过恒流恒压（cccv）充电模式将电池进行充电，至满充100%，其中恒流充电电流为0.3c，上限截止电压为4.2v，恒压截止电流为0.05c。

步骤2：将电池进行静置，随后对电池施加混合动力脉冲测试电流，测量其电流-电压响应数据。混合动力脉冲测试电流为：首先4c电流放电10秒，随后静置40秒，随后4c电流充电10秒，最后静置40秒；该过程中如果脉冲电流下的电池端电压超过上限截止电压或下限截止电压，则暂停当前脉冲电流，直接进入相邻的40秒静置阶段。过程中电流、电压采样频率选为1hz。

步骤3：将电池进行0.3c恒流放电，至其soc降低10%时，暂停放电并静置。重复上述混合动力脉冲测试，直至0.3c恒流放电过程中电池端电压降至下限截止电压，这里选择3v。

将电池进行2c恒流充放电循环，每隔30个循环进行1次容量标定测试实验和1次混合动力脉冲测试；1次容量标定实验方法为：按步骤1中的cccv充电方式将电池充满，采用0.3c放电至下限截止电压3v，采用安时积分法计算过程中放出的容量，标定所得的容量与电池初始标称容量的比值即为当前的老化状态。1次混合动力脉冲测试如步骤1-步骤3所述。上述过程重复直至电池容量衰减至标称容量的80%后停止。

设置0℃和45℃条件下的另外2组平行实验，重复上述测试步骤，收集数据。

自定义的滚动时域窗口长度n=3，权重矩阵α为单位矩阵。

设置其通过具体实施方式所述的多项式拟合法获得soc-ocv拟合式，其结果如附图5所示。

设置其通过具体实施方式所述的构建拉格朗日函数经牛顿法求解的过程获得实时估计值。

对该智能单体电池在室温下进行fuds工况测试，获得的fuds工况电流、端电压曲线如附图6-7所示，soc估计结果及估计误差如附图8-9所示，其中，图8为soc估计结果，图9为soc估计误差。可以看出，估计的均方根误差为1.48%，误差最大不超过2%。由此可见，虽然不使用电流传感器，本发明所述soc估计方法依然能够保持较高的soc估计精度，本发明所述的无电流传感器智能电池单体具备soc自诊断功能。

以上实施例仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例。凡属于本发明思路下的技术方案均属于本发明的保护范围。应该指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下的改进和润饰，这些改进和润饰也应视为本发明的保护范围。