一种估计电动车辆的动力电池的荷电状态的方法
【技术领域】
[0001] 本发明涉及电动车辆的动力电池管理系统，尤其涉及动力电池管理系统估计动力 电池的荷电状态的方法。
【背景技术】
[0002] 在电动车辆中，其动力电池的荷电状态（stateofcharge，简称S0C，用符号z表 示）作为对电动车辆的能量进行管理的决策因素之一，对于优化电动车辆的能量管理、提 高动力电池容量和能量的利用率、避免动力电池过充电和/或过放电、提高动力电池的使 用安全性、延长动力电池的使用寿命均有重要作用。但是，S0C是动力电池的隐含状态量， 难以直接通过测试或计算得出，只能通过估计方法估计得出。
[0003] 目前，常用的估计动力电池的荷电状态S0C的方法有如下两类：
[0004] 第一、非基于电池模型估计动力电池的荷电状态S0C的方法
[0005] 常用的非基于电池模型估计动力电池的荷电状态S0C的方法为安时积分法。采用 该方法对动力电池荷电状态S0C进行估计时，必须精确地测量出被估计的动力电池的荷电 状态S0C的初始值、充放电电流及额定容量。但是，在实际操作中，动力电池的荷电状态S0C 的初始值及额定容量的测量精度会因为动力电池的温度、充放电倍率的变化及电池老化等 原因而降低；充放电电流的测量精度易受测量用的电流传感器的测量精度的影响，而电流 传感器的测量精度易因受到噪声、温度漂移及其他未知的随机干扰而降低。故在进行积分 计算的过程中，计算结果容易因参数的测量精度低而形成误差，且该误差在长期积累后，越 来越大，进而易导致计算得到的荷电状态S0C的估计精度较低。
[0006] 第二、基于电池模型估计动力电池的荷电状态S0C的方法
[0007] 基于电池模型估计动力电池的荷电状态S0C的方法主要利用安时积分法与电池 模型融合，将动力电池的荷电状态S0C作为状态量建立起标准的状态空间模型，从而对动 力电池的荷电状态S0C进行估计。该方法可直接应用多种基于电池状态空间模型的滤波 方法，如卡尔曼滤波器（Kalmanfilter，简称KF)，其包括扩展卡尔曼滤波器（extended Kalmanfilter，简称EKF)、自适应扩展卡尔曼滤波器（adaptiveextendedKalman filter，简称AEKF)以及中心差分卡尔曼滤波器（centraldifferenceKalmanfilter，简 称CDKF)等。应用EKF对电池状态空间模型进行线性化处理，虽然提高了动力电池的荷电 状态S0C的估计精度，但是，在对电池状态空间模型进行线性化处理时，势必会引入线性误 差。为避免此类误差，有效提高动力电池的荷电状态S0C的估计精度，本领域技术人员应用 CDKF对动力电池的荷电状态S0C进行非线性估计。另外，为解决应用EKF对动力电池的荷 电状态S0C进行估计时，估计精度对初始值的设置依赖性过强的问题，本领域的技术人员 应用AEKF实现噪声协方差的自适应估计；为解决应用EKF对动力电池的荷电状态S0C进行 估计时，对建模精度要求过高的问题，本领域的技术人员采用Hinfinity滤波器来实现在 建模不精确时对动力电池的荷电状态S0C的精确估计。这样，虽然能够有效抵抗电流、电流 传感器的测量噪声及环境的随机干扰，并对动力电池的荷电状态S0C的不精确初始值进行 矫正，但是，由于各种滤波器自身的特点，在使用过程中很容易出现因为初始值设置不合适 或是随机干扰的产生而使滤波器产生估计发散，严重降低动力电池的荷电状态SOC的估计 精度及其稳定性。
[0008] 综上可见，现有的估计动力电池的荷电状态S0C的方法，估计精度低且不稳定。
【发明内容】
[0009] 为提高电动车辆的电池管理系统对动力电池的荷电状态S0C的估计精度及估计 稳定性，本发明提出一种估计电动车辆的动力电池的荷电状态的方法，该方法包括如下步 骤：
[0010] 步骤一、在所述动力电池充放电的过程中，对动力电池的端电压ut和充放电电流 k进行采样，且采样时间间隔为At;
[0011] 步骤二、建立所述动力电池的系统模型；
[0012] 步骤三、估计所述动力电池的荷电状态：
[0013] 首先，根据所述动力电池的系统模型建立所述动力电池的状态方程和观测方程，
[0014]
[0015] 其中，
[0016] xk为所述动力电池在k时刻的系统估计状态，
[0017] xki为所述动力电池在k-Ι时刻的系统估计状态，
[0018] yk为所述动力电池在k时刻的系统观测矩阵，
[0019] Θk为所述动力电池在k时刻的系统参数，
[0020] ?k为所述动力电池在k时刻的系统状态白噪声，其均值为零，协方差矩阵为Qk，
[0021] uk为所述动力电池在k时刻的系统输入信息，
[0022] vk为所述动力电池在k时刻的系统测量白噪声，其均值为零，协方差矩阵为Rk，
[0023] f(xki，ΘkukD为所述动力电池在k时刻的状态函数，
[0024] h(xk，Θk，Uk)为所述动力电池在k时亥IJ的观测函数；
[0025] 接着，依次采用安时积分法以及采用状态观测器⑶KF、AEKF和Hinfinity配合所 述动力电池的系统模型分别对所述动力电池的荷电状态进行估计得到所述动力电池的荷 电状态的估计值zk,Ah，zk, mKF,zk,AEKF^Pzk, Hinf;
[0026] 然后，对zk,Ah,zk,_zk,AEKF^PzMinf进行加权计算得到所述动力电池的荷电状态的 估计值zk，且
[0027] Zk- w1ZkjAh+W2Zk, CDKF+W3Zk, AEKF+W4Zk, Hinf
[0028] 其中，Wpw2,w#Pw4为加权系数，且wi+Wjj+wfwf1。
[0029] 采用该估计方法估计电动车辆的动力电池的荷电状态SOC时，采用多种方法分别 对动力电池的荷电状态S0C进行估计，并对估计结果进行加权计算得出最终的估计值。该 估计值的精度可达到2 %以内，且大部分达到1 %以内，极大地提高了动力电池的荷电状态 S0C的估计精度；该估计值不易发散，有效地提高了动力电池荷电状态S0C的估计稳定性。
[0030] 优选地，在所述步骤一中，采集数据时，采样时间间隔△t为均值，以提高动力电 池的荷电状态S0C的估计精度。
[0031] 优选地，在所述步骤二中，采用等效电路建立所述动力电池的系统模型，建模简单 方便，且增强了对动力电池的荷电状态S0C的估计误差的校正能力。
[0032] 优选地，在所述步骤三中，所述加权系数^，w2,w#Pw4均等于0. 25,以进一步提高 动力电池的荷电状态S0C的估计精度及稳定性。
[0033] 优选地，在所述步骤三中，采用安时积分法对所述动力电池的荷电状态进行估计 时，
[0034]
[0035] 其中，
[0036] Cn为所述动力电池的额定容量，
[0037] η为所述动力电池的充放电效率，
[0038]U为所述动力电池在k时刻的充放电电流，
[0039] zkliAh为动力电池在k-Ι时刻的荷电状态的估计值。
[0040] 优选地，在所述步骤三中，采用状态观测器CDKF对所述动力电池的荷电状态进行 估计时，
[0041 ] 首先，定义sigma点
[0042]
[0043] 其中，
[0044] 4所述动力电池在k时刻的增广状态向量，
[0045] T表示矩阵转置，
[0046] 为所述动力电池在k时刻的增广状态向量<产生的sigma点的集合，
[0047]L为所述动力电池在k时刻的增广状态向量< 的维数；
[0048] 接着，对所述状态观测器⑶KF中的x、xa、PlPPa进行初始化设置得到X。、#、if 和#，其中，
[0049] X。为所述动力电池的状态向量X的初始值，
[0050] <为所述动力电池的增广状态向量xa的初始值，
[0051] #为所述动力电池的状态向量估计误差的协方差矩阵Px的初始值，
[0052] #为所述动力电池的增广状态向量估计误差的协方差矩阵Pa的初始值；
[0053] 然后，构造sigma点，并对所述状态观测器⑶KF进行时间更新，且更新的时间长度 为一个采样时间间隔At，得到所述状态向量X和所述状态向量协方差矩阵Px在k时刻的 先验估计值元和#、且
[0054]
[0055]
[0056]
[0057] 兴十，
[0058] χ:_:为所述动力电池在k-1时刻的增广状态向量xL产生的Sigma点的集合，且 sigma点的数量n= 2L+1，
[0059] 尤:丨为所述动力电池在k-1时刻的增广状态向量的后验估计值，
[0060] 5C「为所述动力电池在k时刻的增广状态向量％产生的第i个sigma点，
[0061] γ为中心差分半步长度，
[0062] 为所述动力电池在k-Ι时刻的增广状态向量估计误差的协方差矩阵/^的后 验估计值，
[0063]
%所述动力电池在k-Ι时刻的增广状态向量产生的第i个sigma点的状态函数，
[0064] 3C二，为所述动力电池在k-Ι时刻的状态向量xk1产生的第i个sigma点，
[0065] Θki为所述动力电池在k-Ι时刻的状态向量Xki的系统参数，
[0066] uki所述动力电池在k-Ι时刻的输入信息，
[0067]χ",为所述动力电池在k-Ι时刻的系统状态白噪声C0ki产生的第i个sigma点，
[0068] 元为所述动力电池在k时刻的状态向量先验估计值，
[0069] XG所述动力电池在k时刻的状态向量X!^生的第i个sigma点，
[0070] 为一阶统计特性的