一种电动汽车动力电池多状态联合估计系统及方法

本发明属于电池状态估计技术领域，具体涉及一种电动汽车动力电池多状态联合估计系统及方法。

背景技术

随着国家对新能源汽车发展的推动，国内电动汽车的保有量逐年增加，锂离子动力电池的装机量也逐年上升。电池的荷电状态(State of Charge，SOC)指示着电池系统的可运行时间和充放电策略制定，是电池状态中最核心的内容之一。电池的能量状态(State of Energy，SOE)对续驶里程和续航时间的预估更为可靠，是表征电动汽车续航指标的核心状态参数。电池的健康状态(State of Heath，SOH)是用于评价动力电池剩余寿命及剩余价值的量化指标。但由于动力电池内部电化学反应动力学机理和电、热、力等多物理场耦合的复杂性，以及在实际行驶工况采集数据时受到外部环境干扰的影响，使得如何准确、稳定地估计电动汽车动力电池的核心状态，成为了实现先进电池管理、保障电动汽车安全与节能的关键技术。

但目前对电动汽车动力电池的状态估计研究主要集中于SOC和SOH，而作为续航能力指标的核心状态SOE却较少关注。另外，目前关于动力电池状态估计的研究大多基于实验室数据，基于实车数据更能反映动力电池真实的状态，建立多状态联合估计模型更符合实际行驶的工况，同时还减少了BMS的参数变化量，对电动汽车动力电池状态的估计具有现实应用意义。

技术实现要素：

本发明的主要目的在于克服现有技术的缺点与不足，提出一种电动汽车动力电池多状态联合估计系统及方法，实现电动汽车动力电池的SOC、SOH和SOE三种核心状态联合估计。

为了达到上述目的，本发明采用以下技术方案：

一种电动汽车动力电池多状态联合估计系统，其特征在于，包括数据采集模块、数据预处理模块、参数辨识模块、状态估计模块以及储存模块；

数据采集模块，用于采集电动汽车行驶数据以及动力电池状态数据；

数据预处理模块，用于数据清洗和数据插值；

参数辨识模块，基于FFRLS方法和经数据预处理模块处理后的数据，进行动力电池二阶RC模型的参数辨识；

状态估计模块，基于所述的数据采集模块和参数辨识模块，在二阶RC模型基础上，以DAEKF算法形成宏观和微观双时间尺度滤波器的状态联合估计方法，实现对电动汽车动力电池的SOC、SOE以及SOH状态联合估计；

储存模块，用于储存和读取数据采集模块采集的数据、预处理后数据、参数辨识模块的辨识过程与结果以及状态估计模块的估计过程与结果。

进一步的，估计系统包括在线车载状态和离线状态两种使用场景；

在在线车载状态使用场景下，估计系统设置在电动汽车上，数据采集模块通过CAN总线采集动力电池数据，并进行后续在线数据预处理、在线模型参数辨识以及在线状态联合估计，状态估计模块通过CAN总线连接上位机显示估计结果，CAN总线连接各CAN节点，对动力电池系统实施相对应的控制；

在离线状态使用场景下，通过数据采集模块直接读取动力电池离线数据，数据可以为电动汽车实际行驶时车载动力电池的离线数据或实验室条件下进行车载动力电池行驶工况测试的数据，读取数据后进行数据预处理、模型参数辨识以及状态联合估计，通过连接上位机显示状态估计结果。

进一步的，数据采集模块采集的数据包括采样时间、电动汽车整车状态、充放电状态、行驶速度和行驶里程、动力电池总电压和电流以及单体电池电压和温度。

进一步的，数据清洗具体为对数据错误值和重复值予以剔除；

数据插值具体为对连续工作状态下数据缺失值或空白值若间隔大于60s，对其中间的数据进行线性插值。

进一步的，基于DAEKF算法建立宏观和微观双时间尺度滤波器的状态联合估计方法，由两个自适应扩展卡尔曼滤波器组成，其中一个AEKF构成微观时间尺度滤波器，进行SOC和SOE的估计，另一个AEKF构成宏观时间尺度滤波器，进行SOH的估计；

在运行过程中判断系统是否达到时间转换标准，当微观时间尺度累积达到转换标准时，将激活宏观时间尺度的滤波器，同时进行微观和宏观时间尺度的更新，即同时更新SOC、SOE和SOH；

否则只进行微观时间尺度的状态更新，即只更新SOC和SOE，保持SOH的当前值。

本发明还包括基于提供的电动汽车动力电池多状态联合估计系统的电动汽车动力电池多状态联合估计方法，基于电动汽车动力电池实际行驶数据，经过预处理后，采用FFRLS进行模型参数辨识，构建DAEKF算法状态空间方程，以多时间尺度下的DAEKF滤波器实现动力电池的SOC、SOH和SOE多状态联合估计，具体包括以下步骤：

S1、建立锂离子动力电池二阶RC等效电路模型，其动态微分方程为：

二阶RC模型中的端电压输出方程为：

Ut＝UOC-U1-U2-iLR0(2)

其中，Ut为电池端电压，UOC为开路电压，iL为电池电流，R0为欧姆等效内阻，R1和C1分别为浓差极化等效电阻和等效电容，R2和C2分别表示电化学极化等效电阻和等效电容，U1和U2分别为两个RC网络两端的电压；

S2、根据已知的数据，拟合OCV-SOC曲线；

S3、参数辨识；

S4、建立锂离子动力电池SOC、SOE的数学计算表达式：

其中，SOC0和SOE0分别为初始值；η为库伦效率，ηe能量充放电效率，Cact为实际最大可用容量，Ee为额定能量；

S5、建立锂离子动力电池SOH的数学计算表达式：

其中，Cact为实际最大可用容量；Cq为额定最大可用容量；Cact由公式(6)求得：

其中，ΔQ为能量变化量，ΔSOC为SOC变化量；

S6、系统方程离散化；

S7、基于AEKF算法，建立双AEKF的状态空间方程；

S8、以LZ作为时间尺度转换标准，判断当前时刻是否达到转换标准，当微观时间尺度累积尚未达到转换标准LZ时，只进行微观时间尺度的状态更新，即只更新SOC和SOE，保持Cact，即SOH的当前值；当微观时间尺度累积达到转换标准LZ时，激活宏观时间尺度，同时进行微观和宏观时间尺度的更新，即同时更新SOC、SOE和SOH。

进一步的，参数辨识具体为：

公式(1)和公式(2)经过双线性变换得动力电池的开路电压为：

其中，Δt为采样间隔；

进行s平面到z平面的映射并离散化，得离散化后的二阶RC模型表达式：

将公式(8)设计为y(k)＝ψ(k)θ^T+e(k)形式，其中，θ＝[k1 k2 k3 k4 k5]^T为待辨识参数，ψ(k)为锂离子动力电池模型输入矩阵，e(k)为采样误差；引入遗忘因子λ至最小二乘法，利用FFRLS算法原理：

其中，K(k+1)为增益矩阵，P(k)为协方差矩阵，从未得到待辨识参数θ＝[k1 k2 k3k4 k5]^T，再由公式(10)计算得到模型参数R0、R1、R2、C1以及C2的值为：

其中，τ1＝R1C1，τ2＝R2C2为时间常数。

进一步的，系统方程离散化具体为：

将公式(1)、公式(3)以及公式(4)离散化：

得到动力电池系统的离散端电压输出方程：

Ut(k)＝UOC(SOC(k))-U1(k)-U2(k)-R0I(k)(14)。

进一步的，AEKF算法具体为：

对于系统建立AEKF算法状态空间方程：

初始化，设置状态观测器的初始值；

先验估计预估，将状态和协方差估计从前一时刻k-1推算到当前时刻k，系统状态预估：

误差协方差预估：

其中，为k时刻先验估计的状态；xk-1和uk-1为k-1时刻的系统状态和系统输入；yk为k时刻系统的观测值；ωk表示k时刻系统白噪声，均值为零，协方差为Qk；vk表示k时刻均值为零的测量噪声序列，协方差为Rk；ωk和vk相互独立；A、B、C以及D分别为对应的线性化后的系数矩阵；先验估计的协方差；

后验估计修正，先计算信息误差ek和卡尔曼增益矩阵Kk，再用k时刻的观测值yk校正状态估计xk和协方差估计Pk：

同时进行噪声协方差自适应匹配计算：

其中，Hk为估计协方差函数，进行噪声的自适应修正；M为开窗大小；

输出修正后k时刻的状态和协方差矩阵，同时准备k+1时刻的状态估计。

进一步的，步骤S7具体为：

构建一个AEKF算法宏观时间尺度滤波器，将Cact作为宏观尺度下的待估计参数，从而估计SOH；构建另一个AEKF算法微观时间尺度滤波器，SOC及SOE作为微观尺度下的待估计状态。

本发明与现有技术相比，具有如下优点和有益效果：

1、本发明所述系统包括数据采集模块、数据预处理模块、参数辨识模块、状态估计模块以及储存模块，能够同时适用于在线车载状态和离线状态两种使用场景。

2、本发明所述系统及方法可在未知动力电池历史状态信息的情况下，基于FFRLS快速辨识动力电池等效模型参数，从而进行动力电池的SOC、SOE和SOH的状态估计。

3、本法明基于双自适应扩展卡尔曼滤波(DAEKF)算法形成宏观和微观双时间尺度滤波器，实现对电动汽车动力电池SOC、SOE以及SOH三种核心状态准确的联合估计。

附图说明

图1是本发明系统的结构示意图图；

图2是本发明二阶RC等效电路模型示意图；

图3是本发明数据预处理模块的数据预处理流程图；

图4是本发明实施例1在线车载状态下动力电池状态估计方法流程图；

图5是本发明实施例2离线状态下动力电池状态估计方法流程图。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

本发明提供一种基于双自适应扩展卡尔曼滤波(Double Adaptive Extended Kalman Filter，DAEKF)算法的电动汽车动力电池多状态联合估计系统及方法，通过数据采集模块在线采集电动汽车实际行驶数据，或离线加载实际行驶数据，在等效电路模型基础上构建DAEKF状态空间方程，通过带遗忘因子的递推最小二乘法(Forgetting Factor Recursive Least Squares,FFRLS)进行模型参数辨识，以不同时间尺度实现电动汽车动力电池的SOC、SOH和SOE三种核心状态联合估计。

实施例

如图1所示，本发明，一种电动汽车动力电池多状态联合估计系统，包括数据采集模块、数据预处理模块、参数辨识模块、状态估计模块以及储存模块；

数据采集模块，用于采集电动汽车行驶数据以及动力电池状态数据；采集的数据包括采样时间、电动汽车整车状态、充放电状态、行驶速度和行驶里程、动力电池总电压和电流以及单体电池电压和温度等。

数据预处理模块，用于数据清洗和数据插值；

参数辨识模块，基于FFRLS方法和经数据预处理模块处理后的数据，进行动力电池二阶RC模型的参数辨识；

状态估计模块，基于所述的数据采集模块和参数辨识模块，在二阶RC模型基础上，以DAEKF算法形成宏观和微观双时间尺度滤波器的状态联合估计方法，实现对电动汽车动力电池的SOC、SOE以及SOH状态联合估计；

储存模块，用于储存和读取数据采集模块采集的数据、预处理后数据、参数辨识模块的辨识过程与结果以及状态估计模块的估计过程与结果。

在本实施例中，估计系统包括在线车载状态和离线状态两种使用场景；

在在线车载状态使用场景下，估计系统设置在电动汽车上，数据采集模块通过CAN总线采集动力电池数据，并进行后续在线数据预处理、在线模型参数辨识以及在线状态联合估计，状态估计模块通过CAN总线连接上位机显示估计结果，CAN总线连接各CAN节点，对动力电池系统实施相对应的控制；

在离线状态使用场景下，通过数据采集模块直接读取动力电池离线数据，数据可以为电动汽车实际行驶时车载动力电池的离线数据或实验室条件下进行车载动力电池行驶工况测试的数据，读取数据后进行数据预处理、模型参数辨识以及状态联合估计，通过连接上位机显示状态估计结果。

在本实施例中，数据清洗具体为对数据错误值和重复值予以剔除；

数据插值具体为对连续工作状态下数据缺失值或空白值若间隔大于60s，对其中间的数据进行线性插值；如图3所示，为数据预处理流程示意图。

在本实施例中，宏观和微观双时间尺度滤波器的状态联合估计方法，由两个自适应扩展卡尔曼滤波器组成，其中一个AEKF构成微观时间尺度滤波器，进行SOC和SOE的估计，另一个AEKF构成宏观时间尺度滤波器，进行SOH的估计；

在运行过程中判断系统是否达到时间转换标准，当微观时间尺度累积达到转换标准时，将激活宏观时间尺度的滤波器，同时进行微观和宏观时间尺度的更新，即同时更新SOC、SOE和SOH；

否则只进行微观时间尺度的状态更新，即只更新SOC和SOE，保持SOH的当前值。

基于上述实施例，本发明还包括电动汽车动力电池多状态联合估计方法，基于电动汽车动力电池实际行驶数据，经过预处理后，采用FFRLS进行模型参数辨识，构建DAEKF算法状态空间方程，以多时间尺度下的DAEKF滤波器实现动力电池的SOC、SOH和SOE多状态联合估计，具体包括以下步骤：

S1、建立锂离子动力电池二阶RC等效电路模型，如图2所示，为二阶RC等效电路模型示意图，其动态微分方程为：

二阶RC模型中的端电压输出方程为：

Ut＝UOC-U1-U2-iLR0(2)

其中，Ut为电池端电压，UOC为开路电压，iL为电池电流，R0欧姆内阻，R1和C1分别为浓差极化电阻和电容，R2和C2分别表示电化学极化电阻和电容，U1和U2分别为两个RC网络两端的电压；

S2、根据已有数据，拟合OCV-SOC曲线，数据来自电池厂商或试验数据；

S3、参数辨识，具体为：

公式(1)和公式(2)经过双线性变换得动力电池的开路电压为：

其中，Δt为采样间隔；进行s平面到z平面的映射并离散化，可得离散化后的二阶RC模型表达式：

将公式(4)设计为形式，其中，θ＝[k1k2 k3 k4 k5]^T为待辨识参数，为锂离子动力电池模型输入矩阵，e(k)为采样误差；引入遗忘因子λ至最小二乘法，λ一般取值为0.95-1.00，利用FFRLS算法原理：

得待辨识参数θ＝[k1 k2 k3 k4 k5]^T，由公式(6)计算得到模型参数R0、R1、R2、C1以及C2的值为：

其中，τ1＝R1C1，τ2＝R2C2为时间常数；

S4、建立锂离子动力电池SOC、SOE的数学计算表达式：

其中，SOC0和SOE0分别为初始值；η为库伦效率，ηe能量充放电效率，具体实施例时均取值为1，Cact为实际最大可用容量，Ee为额定能量；

S5、建立锂离子动力电池SOH的数学计算表达式：

其中，Cact为实际最大可用容量；Cq为额定最大可用容量；Cact由公式(10)求得：

S6、系统方程离散化，具体为：

将公式(1)、公式(7)以及公式(8)离散化：

得到动力电池系统的离散端电压输出方程：

Ut(k)＝UOC(SOC(k))-U1(k)-U2(k)-R0I(k)(14)

S7、基于AEKF算法，建立双AEKF的状态空间方程，其中AEKF算法具体为：

对于系统建立AEKF算法状态空间方程：

初始化，设置状态观测器的初始值；

先验估计预估，将状态和协方差估计从前一时刻k-1推算到当前时刻k，系统状态预估：

误差协方差预估：

其中，为k时刻先验估计的状态；xk-1和uk-1为k-1时刻的系统状态和系统输入；yk为k时刻系统的观测值；ωk表示k时刻系统白噪声，均值为零，协方差为Qk；vk表示k时刻均值为零的测量噪声序列，协方差为Rk；ωk和vk相互独立；A、B、C以及D分别为对应的线性化后的系数矩阵；先验估计的协方差；

后验估计修正，先计算信息误差ek和卡尔曼增益矩阵Kk，再用k时刻的观测值yk校正状态估计xk和协方差估计Pk：

同时进行噪声协方差自适应匹配计算：

其中，Hk为估计协方差函数，进行噪声的自适应修正，M为开窗大小；噪声信息协方差的自适应匹配可以使得EKF算法中的噪声统计特性随着估计结果的变化而自适应更新，使得所述方法能够有效适应实际驾驶工况下的复杂性和多变性；

输出修正后k时刻的状态和协方差矩阵，同时准备k+1时刻的状态估计；

基于所述AEKF算法原理，建立双AEKF的状态空间方程，由于Cact短期内不会发生大的变化，但随着电池使用时间的增加，Cact将发生衰减，进而影响SOC的估计，因此构建一个AEKF算法宏观时间尺度滤波器，将Cact作为宏观尺度下的待估计参数，从而估计SOH；构建另一个AEKF算法微观时间尺度滤波器，SOC及SOE作为微观尺度下的待估计状态；

S8、以LZ作为时间尺度转换标准，判断当前时刻是否达到转换标准，当微观时间尺度累积尚未达到转换标准LZ时，只进行微观时间尺度的状态更新，即只更新SOC和SOE，保持Cact，即SOH的当前值；当微观时间尺度累积达到转换标准LZ时，激活宏观时间尺度，同时进行微观和宏观时间尺度的更新，即同时更新SOC、SOE和SOH。

由于本实施例的估计系统具有在线车载状态和离线状态两种使用场景，下面结合附图和实施实例对两种使用场景进行说明。

实施例1

以某车型纯电动汽车实际行驶过程中动力电池多状态在线估计为实施例1；如图4所示，具体包括以下步骤：

步骤1：在车辆内装载所述电动汽车动力电池多状态联合估计系统；

步骤2：通过CAN总线采集行驶过程中动力电池状态数据。

步骤3：基于所述数据预处理模块进行数据的清洗等预处理，如图3所示；

步骤4：设置遗忘因子λ和状态转换标准LZ的值，拟合OCV-SOC曲线。

步骤5：在线模型参数辨识，利用FFRLS算法进行在线模型参数辨识，更新所述锂离子动力电池模型的参数，整个辨识过程能够在140s内快速达到收敛状态；

步骤6：进行时间尺度转换判断；

步骤7：若时间尺度未达到LZ，则只激活微观时间尺度AEKF滤波器，保持Cact的值，只进行SOC和SOE的状态最优估计。

若时间尺度达到LZ，则同时激活微观时间尺度AEKF滤波器和宏观时间尺度AEKF滤波器，同时进行SOC、SOE和SOH的状态最优估计。

步骤8：基于DAEKF算法进行所述动力电池多状态在线联合估计，将步骤5辨识结果代入公式(10)至公式(12)，进行基于DAEKF算法的电动汽车车载动力电池的多状态在线联合估计，具体实施步骤为：

步骤8-1：初始化，设置参数观测器和状态观测器的初始值，包括系统白噪声协方差和测量噪声协方差初始值，设置开窗函数M的值；

步骤8-2：微观时间尺度先验估计预估，将状态和协方差估计从前一时刻k-1推算到当前时刻k，进行系统状态和误差协方差的预估。

步骤8-3：微观时间尺度后验估计修正，先计算信息误差ek和卡尔曼增益矩阵Kk，再用k时刻的观测值yk校正状态估计xk和协方差估计Pk；进一步地进行噪声协方差自适应匹配计算。

步骤8-4：若宏观时间尺度未激活，则输出微观时间尺度修正后k时刻的状态SOC、SOE和协方差矩阵，同时准备k+1时刻的状态估计；

若宏观时间尺度已激活，则转换时间尺度，进行宏观时间尺度后验估计修正，进一步地进行噪声协方差自适应匹配计算；

步骤8-5：输出宏观时间尺度下修正后k时刻的参数Cact和协方差矩阵，从而计算所述锂离子动力电池的SOH，同时准备k+1时刻的参数估计。

步骤8-6：通过CAN通讯，在上位机上显示所述状态估计的结果，同时连接各电子控制单元，进行动力电池相关控制。

步骤8-7：循环计算步骤8-1至步骤8-6，实现基于DAEKF算法的车载动力电池多状态在线联合估计。

实施例2

实施例2为所述系统及方法在离线状态的情景应用，如图5所示，具体包括以下步骤：

步骤1：利用数据采集模块，直接读取动力电池的离线数据。

步骤2：基于数据预处理模块进行数据的清洗等预处理，如图3所示。

步骤3：设置遗忘因子λ和状态转换标准LZ的值，拟合OCV-SOC曲线。

步骤4：离线模型参数辨识，其具体实施步骤于实施例1类似；

步骤5：基于DAEKF算法进行所述动力电池多状态离线联合估计，其具体实施步骤与实施例1类似；

步骤6：通过上位机显示离线状态下的估计结果。

还需要说明的是，在本说明书中，诸如术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其他实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。