一种联合估计动力电池系统荷电状态与健康状态的方法与流程

背景技术：
：：目前，基于模型的SOC算法大多需要采用卡尔曼滤波系列算法来估计电池的SOC，虽然理论表明卡尔曼滤波是一种最优的线性状态估计算法，但是其只适用于模型精确、输入噪声统计特性已知的情况，这显然不能满足实际的需求。基于此，本发明所采用的H∞滤波是一种专为鲁棒性而设计的算法。该算法主要方式参见《最优状态估计——卡尔曼，H∞及非线性滤波》，国防工业出版社。不同于卡尔曼滤波，即使在模型的存在误差、噪声的输入统计特性未知，甚至是在最坏情况下，该算法依旧能准确地完成状态估计。现有动力电池SOC的在线估计方法，由于最大可用容量(以下简称为容量)的不确定性使得动力电池SOC的估计结果可靠性低。且现有将相对稳定的SOC-OCV曲线(即开路电压曲线)作为SOC估计算法的修正曲线，由电池使用温度、老化程度等不同时，该曲线同样会发生较为明显的变化。基于此，本发明考虑到不同老化程度、温度下的OCV-SOC曲线与容量均会产生一定的变化，从而建立容量、荷电状态以及开路电压的三维响应面，即容量-SOC-OCV三维响应面，以此为基础实现了不同使用环境(老化程度、温度)下的SOC与容量的联合估计。本发明还针对动力电池系统状态量的快速时变特性与参数量的缓慢时变特性，采用微观时间尺度估计动力电池的SOC、采用宏观时间尺度估计动力电池的模型参数与可用容量，形成基于多时间尺度的动力电池SOC和容量的联合估计方法，实现动力电池SOC和容量在不确定性应用环境中的精确联合估计。不仅使得估计结果更加稳定可靠，同时降低了系统的计算成本。技术实现要素：：本发明涉及一种联合估计动力电池系统荷电状态与健康状态的方法，所述方法包括：首先，建立容量-SOC-OCV三维响应面，所述OCV是所述系统的开路电压；其次，在线数据获取，实时采集动力电池单体和动力电池组的电压和电流；然后，多时间尺度滤波算法，获得所述动力电池系统的当前宏观时间尺度下的系统容量预估修正值与当前微观时间尺度下的系统SOC预估修正值；在每个SOC估计微观采样点下更新所述系统SOC预估修正值，每隔L个所述SOC估计微观采样点为容量估计宏观采样点，在该容量估计宏观采样点下更新所述系统容量预估修正值，每次更新后的所述系统容量预估修正值作为当前容量估计宏观采样点后L次的更新所述系统SOC预估修正值所用的参数；所述L是两个以上；最后，在线SOC与SOH提取，利用所述多时间尺度滤波算法获得的当前所述系统SOC预估修正值与系统容量预估修正值，估计动力电池系统荷电状态与健康状态。优选地、所述多时间尺度滤波算法包括：步骤①：进行当前SOC估计微观采样点k下的系统SOC预估，得到系统SOC预估值；步骤②：基于步骤①中的获得的系统SOC预估值和上个容量估计宏观采样点的系统容量预估修正值，利用所述容量-SOC-OCV三维响应面，更新当前系统开路电压得到第一开路电压；然后，基于上述第一开路电压，进行所述系统SOC预估值的修正，得到所述系统SOC预估修正值；步骤③：k+1作为新的SOC估计微观采样点，判断k-1是否能被L整除，如果能，则进行步骤④；否则返回步骤①；步骤④：进行容量估计宏观采样点l+1下的系统容量预估，得到系统容量预估值；步骤⑤：基于步骤④中的获得的系统容量预估值和最近一次步骤②中获得的系统SOC预估修正值，利用所述容量-SOC-OCV三维响应面，再次更新当前系统开路电压得到第二开路电压；基于所述第二开路电压，进行容量估计宏观采样点l+1下的系统容量预估值的修正，得到系统容量预估修正值；并返回步骤①。优选地、步骤①中利用SOC估计微观采样点k-1下的系统电流值和系统SOC预估修正值，以及最近一次采样点l的系统容量预估修正值来进行系统SOC预估。优选地、步骤②中进行所述系统SOC预估值的修正，基于步骤①中的获得的系统SOC预估值、所述第一开路电压、SOC估计微观采样点k下的电流值和电压值。优选地、步骤⑤中进行所述系统容量预估值的修正，基于第二开路电压、容量估计宏观采样点l+1或最近一次SOC估计微观采样点下的电流值和电压值。优选地、利用系统容量预估修正值评估所述SOH。优选地、所述SOC估计微观采样点的采样频率与所述电流、电压采样频率相同。优选地、建立所述容量-SOC-OCV三维响应面的方法为：对不同容量下的SOC与OCV关系进行拟合，得到各所述不同容量下的组合模型系数，采用二次函数对各组合模型系数与容量的关系进行拟合，完成容量-SOC-OCV三维响应面的建立。优选地、通过电池管理系统实时采集动力电池单体和动力电池组的电压和电流。本发明所提出的联合估计方法与传统方法相比具有以下优势：(1)采用SOC估计的期望值与误差限(以95％置信区间为例，但不限于95％)更加全面、准确地评价动力电池的荷电状态可能分布情况；(2)在SOC与容量初值均不准确(20％误差)的情况下均能快收敛到真值，即实现了电池最大容量未知时，SOC的准确估计，解决了传统SOC估计算法以最大可用容量已知为前提而无法成功运用到实车上的难题；(3)相比单时间尺度算法而言，不仅估计精度得到了较大的提高，而且较大地减少了算法计算量与计算时间。附图说明：图1多时间尺度的动力电池系统SOC和SOH联合估计方法流程图；图2动力电池Thevenin等效电路模型；图3容量-SOC-OCV三维响应面；图4单时间尺度双H∞滤波算法端电压、SOC与容量估计结果。其中：(a)、端电压预测值与测量值对比；(b)、端电压预测误差；(c)、SOC估计值与参考值对比；(d)、SOC估计误差；(e)、容量估计值与参考值对比；(f)、容量估计误差。图5多时间尺度H∞滤波算法端电压、SOC与容量估计结果。其中：(a)、端电压预测值与测量值对比；(b)、端电压预测误差；(c)、SOC估计值与参考值对比；(d)、SOC估计误差；(e)、容量估计值与参考值对比；(f)、容量估计误差。具体实施方式：如本领域公知的，本发明的动力电池系统包括动力电池单体、动力电池包、或者成组后的动力电池。本发明使用OCV代表开路电压，SOC代表电池荷电状态，SOH代表电池健康状态。本发明所述的一种基于多时间尺度的动力电池系统荷电状态(SOC)与健康状态(SOH)的联合估计方法如附图1所示。本发明的基于多时间尺度的动力电池系统荷电状态(SOC)与健康状态(SOH)的联合估计方法也同样适用于非线性系统。本发明系统的状态指代时时变化的系统指标，包括电池SOC、极化电压，如SOC一次完全充放电过程中即完成了一个完整周期的变化。而系统的参数指代相对于状态变化较慢的系统指标，如电池容量和电池模型参数，其在一次完全充放电过程中几乎没有变化。本发明下述系统非特殊说明皆指代动力电池系统，系统状态对应电池系统状态，优选地对应电池系统的SOC。系统参数对应电池系统参数，优选地对应电池系统SOH或最大可用容量。该联合估计方法包括：容量-SOC-OCV三维响应面的建立、在线数据获取、多时间尺度H∞滤波算法、以及在线SOC与SOH提取四个方面。下面分别对上述四个方面就行详细叙述：算法准备工作：容量-SOC-OCV三维响应面的建立相对稳定的SOC-OCV曲线，即开路电压曲线，常常作为SOC估计算法的修正曲线，但电池使用温度、老化程度等变化时，该曲线同样会发生较为明显的变化。本发明将温度、老化程度等因素对该曲线的影响直接反映到电池容量的差异之上，利用容量、SOC与OCV三者的关系作为容量与SOC联合估计算法的修正曲面。具体过程如下：在不同电池容量(即温度、老化程度变化时)下进行开路电压试验，以获取不同电池容量下的SOC与OCV对应关系，采用组合模型(如式(1)所示)分别对不同容量下的SOC与OCV关系进行拟合，从而得到各个不同容量下的α0,α1,…,α6参数值，最后采用二次函数(如式(2)所示)对参数α0,α1,…,α6与容量的关系进行拟合，至此完成容量-SOC-OCV三维响应面的建立。Uoc(Ca,z)＝α0+α1z+α2z2+α3z3+α4/z+α5ln(z)+α6ln(1-z)(1)α0α1α2α3α4α5α6T=Λ×Ca2Ca1T---(2)]]>Ca为电池容量；z为电池SOC；Uoc(Ca,z)表示开路电压(OCV)，其为电池容量与SOC的函数；α0,α1,…,α6为组合模型的系数；上标T表示矩阵的转置；Λ为7×3常数矩阵。1、在线数据获取当电动汽车运行时，动力电池系统中的电池管理系统(BMS)能够通过数据采集器实时采集动力电池单体和动力电池组的电压、电流等信息，并储存在相应的存储器，为下面的多时间尺度H∞滤波算法提供可靠地实时信息输入，所述信息输入包括tk时刻系统的测量值yk＝Ut,k，tk时刻系统的输入信息uk＝iL,k。iL,k为控制电流；Ut,k为端电压。2、多时间尺度H∞滤波算法本发明使用多时间尺度H∞滤波算法来实现动力电池参数与状态联合精确估计。该算法适用于如下非线性离散系统：xk=f(xk-1,θl,uk-1)+wk-1θl=θl-1+ρl-1yk=g(xk,θl,uk)+vk---(3)]]>x表示系统的状态；θ表示系统的参数；下标k表示tk时刻系统采样时间点(外界输入)，同时也代表了状态估计的时间尺度，即在每个采样时间点下均进行一次状态估计；下标l表示参数估计的时间尺度，其数值上等于k除以L的商(L为尺度转换限值)，即每隔L个采样时间点进行一次参数辨识，且每次参数辨识结果被用来估计tl×L时刻之后的L个时刻下的状态值；微观时间尺度，即上述状态估计的时间尺度；宏观时间尺度，即上述参数估计的时间尺度；f(xk-1,θl,uk-1)表示模型的状态函数；g(xk,θl,uk)表示模型的观测函数；yk为tk时刻系统的测量值,yk＝Ut,k；uk为tk时刻系统的输入信息,uk＝iL,k；wk-1和ρl-1分别为系统状态噪声和参数噪声，vk为测量噪声，在H∞滤波算法之中，所述系统状态噪声、参数噪声和测量噪声被设计为随机且未知的，突破了传统滤波算法状态噪声、参数噪声和测量噪声为白噪声这一假设，因而与实际生产结合更加紧密。对于电池系统这一非线性离散系统而言，将上述参数具体定义如下：本发明使用Thevenin动力电池等效电路模型为例来阐述该动力电池SOC与SOH联合估计方法。图2为Thevenin动力电池等效电路模型，该模型由电压源、欧姆内阻、以及RC网络三部分组成。根据各元器件特性以及电学基本定律建立相应数学模型，如式(4)所示。U·p=-1CpRpUp+1CpiLUt=Uoc-Up-iLR0---(4)]]>Up为极化电压，为其导数；Cp为极化电容；Rp为极化电阻；iL为控制电流；Ut为端电压；Uoc为开路电压；R0为欧姆内阻。动力电池SOC的计算方程为：z=z0-∫iLdtCa---(5)]]>z0表示SOC的初值；Ca为动力电池最大可用容量(下文简称为容量)，即指在一定的使用条件下，电池充满电后能放出的最大电量，同时电池最大可用容量是表征电池健康状态(SOH)的重要参数，即相同使用条件下，电池最大可用容量越小，电池衰退越明显，电池健康状态(SOH)越差。鉴于电压电流的采样是离散的，即SOC估计算法的输入也是离散的，因而有必要将式(4)和(5)线性离散化，同时改写成如式(6)所示的包含隐含状态xk和隐含参数θl的多时间尺度动力电池系统，即：xk=f(xk,θl,uk)+wk=exp(-ΔtCp,lRp,l)001xk+[1-exp(-ΔtCp,lRp,l)]iL,kRp,lη(iL,k)iL,kΔt/Ca,l+wkθl+1=θl+ρlyk=g(xk,θl,uk)=Uoc,k-Up,k-R0,liL,k+vkxk=Up,kzkTθl=R0,lRp,lCp,lCa,lTyk=Ut,kuk=iL,k---(6)]]>Δt表示时间尺度k的单位时间间隔；η(iL,k-1)表示充放电效率。基于上式(1)、(2)与(6)，得到双H∞滤波算法中状态函数与观测函数关于状态或参数的雅克比矩阵：Ak-1=df(x,θl,uk-1)dx=exp(-ΔtCp,lRp,l)001---(7)]]>Ckx=dg(x,θl,uk)dx=[-1∂Uoc(Ca,l,z)∂z]T---(8)]]>Clθ=dg(xk,θ,uk)dθ=-iL,k00∂Uoc(Ca,zk)∂CaT+Ckx∂xk∂θ---(9)]]>Ak-1为状态函数关于状态的雅克比矩阵；为观测函数关于状态的雅克比矩阵；为观测函数关于参数的雅克比矩阵。这里，对上式(7-9)中各函数求导结果进行整理，即：∂Uoc∂z=α1+2α2z+3α3z2-α4/z2+α5/z-α6/(1-z)---(10)]]>∂Uoc∂Ca=1zz2z31/zln(z)ln(1-z)×Λ×2Ca10---(11)]]>dxkdθ=∂f(xk-1,uk-1,θ)∂θ+Ak-1dxk-1dθ---(12)]]>其中，初值dx0/dθ在未能得到可信的经验值的情况下，常常被初始化为零。∂f(xk-1,uk-1,θ)∂θ=0b1b20000b4---(13)]]>b1=Up,k-1ΔtRp,l2Cp,lexp(-ΔtCp,lRp,l)-iL,k-1ΔtCp,lRp,lexp(-ΔtCp,lRp,l)-iL,k[exp(-ΔtCp,lRp,l)-1]b2=Up,k-1ΔtCp,l2Rp,lexp(-ΔtCp,lRp,l)-iL,k-1ΔtCp,l2exp(-ΔtCp,lRp,l)b4=η(iL,k)iL,kΔtCa,l2---(14)]]>至此，已完成动力电池非线性离线系统中各相关参数的定义，如式(6)-(9)所示。下面对该算法具体过程进行描述：算法的初始化：分别设置宏观参数观测器H∞Fθ和微观状态观测器H∞Fx的初始参数值。包括：θ^0+,Q0θ,R0θ,P0θ,+,Sθ,λθ---(15)]]>x^0+,Q0x,R0x,P0x,+,Sx,λx,Σ0x,+]]>为参数观测器H∞Fθ中系统参数的初始值；表示参数θk的估计值或期望值，即为参数观测器H∞Fθ中矩阵的初始值；为设计者基于系统噪声ρl所设计的对称正定阵，如假如我们提前知道了ρk的第三个元素很大(如比其它元素大几个数量级)时，那么应该大于中其它元素；为参数观测器H∞Fθ中矩阵的初始值；为设计者基于测量噪声vk所设计的对称正定阵，如假如我们提前知道了vk的第二个元素很大时，那么应该大于中其它元素；Sθ为参数观测器H∞Fθ中设计者基于参数θ中各分量的关心程度而设定的对称正定阵，如当我们对状态向量θk的第3个元素非常感兴趣时，那么可以设计Sθ(3,3)使得其远远大于Sθ中其它元素；为参数观测器H∞Fθ中设计者基于系统估计误差所设计的对称正定阵，如当我们对参数向量初值θ0的第3个元素一无所知时，那么可以设计使得其远远大于中其它元素；λθ为参数观测器H∞Fθ选定的性能边界，选定的性能边界值越大说明算法鲁棒性越强，即能更好地适应外界的干扰(如噪声等)，且当性能边界设置为0(最小值)时，算法退化为卡尔曼滤波算法，但大的性能边界值往往依赖于矩阵与的充分合理设计，因而使得算法的调试难度较大；为状态观测器H∞Fx中的系统状态的初始值；即为状态xk的估计值或期望值，即为状态观测器H∞Fx中的系统状态估计误差协方差矩阵的初始值；为状态估计协方差矩阵，不同于以往仅从期望值评价估计结果，本专利从期望值和方差两个方面更全面地评价系统估计结果，并引入估计误差限(式(12))概念，使得估计结果更加直观；为状态观测器H∞Fx中矩阵初始值；为设计者基于系统噪声wk所设计的对称正定阵，如假如我们提前知道了wk的第二个元素很大时，那么应该大于中其它元素；为状态观测器H∞Fx中矩阵初始值；为设计者基于测量噪声vk所设计的对称正定阵，如假如我们提前知道了vk的第三个元素非常大时，那么应该大于中其它元素；Sx为参数观测器H∞Fx中设计者基于状态x中各分量的关心程度而设定的对称正定阵，如当我们对状态向量xk的第三个元素非常感兴趣时，那么可以设计Sx(3,3)使得其远远大于Sx中其它元素；为参数观测器H∞Fx中设计者基于系统估计误差所设计的对称正定阵，如当我们对参数向量初值x0的第三个元素一无所知时，那么可以设计使得其远远大于中其它元素；λx为状态观测器H∞Fx选定的性能边界，选定的性能边界值越大说明算法鲁棒性越强，即能更好地适应外界的干扰(如噪声等)，且当性能边界设置为0(最小值)时，算法退化为卡尔曼滤波算法，但大的性能边界值往往依赖于矩阵与的充分合理设计，因而此时算法的调试难度较大。当采样时间k∈{1,2,...,∞}时，基于电流、电压等信息的不断输入，计算：步骤①：基于微观时间尺度的状态观测器H∞Fx的时间更新(先验估计)利用k-1采样点的电流值uk-1＝iL,k-1、系统状态估计值的修正值，以及最近一次采样点l的系统参数估计值的修正值来进行系统状态预估。同时，利用k-1采样点的系统状态设计矩阵预估完成系统状态设计矩阵的时间更新所述系统状态设计矩阵更新在步骤②中被用来更新状态增益矩阵如式(20)所示。系统状态预估：系统状态设计矩阵预估：系统状态误差协方差预估：为tk时刻状态先验估计值，即采用tk时刻之前(不包括k)的测量值来预估xk；表示模型的状态函数；为tk-1时刻状态后验估计值，即采用tk-1时刻与tk-1时刻以前的测量值来估计xk-1，这里基于上一次循环(即tk-1时刻)的输出直接得到；为tl×L时刻参数后验估计值，即采用tl×L时刻与tl×L时刻以前的测量值来估计θl，这里基于先前循环的输出直接得到；uk为tk时刻系统的输入信息，其为已知量；为tk时刻状态设计矩阵的先验估计结果，与相对应；为以为初值并通过式(17)、(22)不断递推得到的H∞无穷滤波状态设计矩阵；为tk-1时刻的状态设计矩阵的后验估计结果，与相对应，这里基于上一次循环(即tk-1时刻)的输出直接得到；为设计者基于系统噪声wk所设计的对称正定阵在tk-1时刻的值；为tk时刻状态估计误差协方差矩阵的先验估计结果，与相对应；为tk-1时刻的状态估计误差协方差矩阵的后验估计结果，与相对应，这里基于上一次循环(即tk-1时刻)的输出直接得到。步骤②：基于微观时间尺度的状态观测器H∞Fx的测量更新(后验估计)基于步骤①中的获得的系统状态预估和上个参数估计采样点的系统参数估计值修正值(即参数后验估计值)，利用容量-SOC-OCV三维响应面，获得对应的第一开路电压Uoc。然后，基于上述Uoc和当前采样点下的电流uk＝iL,k和电压值yk＝UL,k，进行当前状态估计微观采样点k下的状态测量更新，即公式(21)所示系统状态估计值修正。其中如公式(6)所示，Uoc与直接决定了的大小，利用Uoc完成公式(19)所示系统状态估计新息更新。系统状态估计新息更新：系统状态增益矩阵：Kkx=Pkx,-(I-λxSkxPkx,-+(Ckx)T(Rkx)-1CkxPkx,-)-1(Ckx)T(Rkx)-1---(20)]]>在系统状态预估的基础上，利用系统状态估计新息更新和系统状态增益矩阵对进行修正，得到系统状态估计值修正系统状态估计值修正：其中，利用步骤①获得的系统状态设计矩阵预估值完成系统状态设计矩阵的测量更新所述系统状态设计矩阵更新被用来预估下一时刻的系统状态设计矩阵见式(17)。系统状态设计矩阵更新：由于最终状态估计结果呈现以为期望值，为方差的近似正态分布，因此利用状态估计误差协方差评价状态估计值的精确度与稳定性。系统状态估计误差协方差更新：系统状态估计误差限(95％置信区间)：为状态估计新息，即测量值的预估误差；yk为tk时刻系统的测量值；表示模型的观测函数；为状态增益矩阵；为设计者基于测量噪声vk所设计的对称正定阵在tk时刻的值；I为单位矩阵；α为常向量，用于提取矩阵(此矩阵对角线上元素远大于其所在行其它元素)对角线上的元素，且α＝[111]T。步骤③：判断k-1是否能被L整除，如果能，则令l＝l+1，并继续下一步；否则，则返回准备下一采样时刻的计算。步骤④：基于宏观时间尺度的状态观测器H∞Fθ的时间更新(先验估计)系统参数预估：系统参数设计矩阵预估：为tl×L时刻参数先验估计值，即采用tl×L时刻之前(不包括tl×L)的测量值来预估θl；为tl×L时刻状态设计矩阵Plθ的先验估计结果，与相对应；Plθ为以为初值并通过式(26)、(30)不断递推得到的H∞无穷滤波参数设计矩阵；为t(l-1)×L时刻的状态设计矩阵的后验估计结果，与相对应，这里通过上一次循环的计算结果直接得到；为设计者基于系统噪声ρl-1所设计的对称正定阵在时刻t(l-1)×L的值。步骤⑤：基于宏观时间尺度的状态观测器H∞Fθ的测量更新(后验估计)基于步骤④中的获得的系统参数预估和最近一次步骤②中获得的系统状态估计值修正利用所述容量-SOC-OCV三维响应面，再次更新当前系统开路电压Uoc；基于上述再次更新的当前系统开路电压Uoc、当前采样点下的电流uk＝iL,k和电压值yk＝UL,k，进行当前容量估计宏观采样点下的系统参数估计值的修正。其中如公式(6)所示，Uoc与直接决定了的大小，利用Uoc完成系统状态估计新息更新，见公式(27)。系统参数估计新息更新：系统参数增益矩阵：Klθ=Plθ,-(I-δθSlθPlθ,-+(Clθ)T(Rlθ)-1ClθPlθ,-)-1(Clθ)T(Rlθ)-1---(28)]]>在系统参数预估的基础上，利用系统参数估计新息更新和系统参数增益矩阵对进行修正，得到系统状态估计值修正系统参数估计值修正：参数设计矩阵更新：其中，利用步骤④获得的系统参数设计矩阵预估完成系统参数设计矩阵的测量更新所述系统参数设计矩阵更新用来更新下一时刻的参数增益矩阵见公式(26)与(28)。为状态估计新息，即测量值的预估误差；同样表示模型的观测函数；为参数增益矩阵；同样为设计者基于测量噪声vk所设计的对称正定阵在tk时刻的值；经过上述五步之后，获得了tk时刻下系统参数估计值修正与系统状态估计值修正然后相应结果将会返回到步骤①中，并将其作为下一时刻tk+1下参数与状态估计的初值。3、SOC与SOH提取基于上述多时间尺度H∞滤波算法，得到实时的电池参数与状态通过式(31)提取出状态量zk，参数量Ca,l、R0,l与Rp,l。zk=01·x^k+Ca,l=0001·θ^l+R0,lRp,l=10000100·θ^l+---(31)]]>Ca,l表示tl×L时刻下更新的电池容量值；R0,l与Rp,l分别表示tl×L时刻下更新的电池欧姆内阻与极化内组值。式中，状态量zk即为系统状态估计值修正是实时的荷电状态(SOC)；参数量Ca,l、R0,l和Rp,l与系统参数估计值修正相关，则能直接实时地反映电池的健康状态(SOH)。在某一固定使用情况(如温度恒定等)下，电池容量越小，反应电池老化越严重，同时意味着电池健康状态(SOH)越差，在此算法过程中，电池容量精度较高，可以以此作为主要的SOH衡量参数；同时，对于一定的使用条件(如温度恒定、SOC固定)而言，电池内阻越大，电池老化越严重，同样意味着电池SOH越差，考虑到电池内阻估计精度未得到充分检验，因而仅将其作为SOH的辅助衡量参数。下面通过选用某一型号镍钴锰三元电池为例进行试验，进而比对本发明的基于多时间尺度的估计值相对于基于单时间尺度的估计值。选用镍钴锰三元电池为研究对象，其额定容量为2Ah，充放电截止电压分别为4.1V、3.0V。准备试验包括三个固定温度点(10℃、25℃、45℃)下的基础容量、开路电压、DST(DynamicStressTest，动态应力测试工况)循环工况三项试验，以及室温条件下的基础容量与DST循环工况试验。其中，三个固定温度点下的试验主要用于容量、SOC与OCV三者函数关系的获取、SOC与容量联合估计算法程序的调试；室温条件下的试验则用来验证算法的精度与稳定性。基于基础容量试验，得到不同温度下的最大可用容量，如表1所示。表1不同温度下，该电池单体最大可用容量基于不同容量下(这里以温度为例)的开路电压与SOC关系曲线，建立电池容量-SOC-OCV三维响应面，如图3所示。通过对容量、SOC和OCV三者关系，采用式(1)、(2)进行拟合，从而获得常数矩阵Λ。Λ=22.37-101.24118.36-57.39260.98-296.4556.30-258.66296.39-23.49108.48-124.480.01285-0.055410.059838.470-37.84042.385-0.13700.5997-0.6541---(33)]]>基于上述试验数据与式(32)，通过上述多时间尺度H∞滤波算法来实现SOC与容量的联合估计。具体过程为：首先，完成联合估计算法程序的调试。即在三个固定温度点(10℃、25℃、45℃)下，基于相应的DST试验数据，共同完成上述基于双H∞滤波的SOC与容量联合估计算法程序的调试。然后将室温下DST试验数据直接调入上述调试好的联合估计算法程序中，并将算法中SOC初值设置为80％(准确初值为100％)、容量初值设置为1.5Ah(准确初值为2.096Ah)，得到室温下单时间尺度下SOC与容量估计结果。为了体现多时间尺度的优势，这里取尺度转换限值L＝1s(单尺度)和L＝60s(多尺度)两种情况完成动力电池SOC与容量估计，估计结果分别如图4、图5所示。图5中单尺度表示单时间尺度双H∞滤波算法相应估计结果，多尺度以及未具体指明的曲线均表示多时间尺度双H∞滤波算法相应估计结果。同时，表2给出了直观的数字对比结果。需要说明的是，由于上述所有试验(包括不同温度下的基础容量试验、开路电压试验以及DST循环工况试验)数据采样时间均为1s，当L＝1s时，多时间尺度算法退化为单时间尺度算法。表2单时间尺度与多时间尺度双H∞滤波估计结果对比注：端电压误差为电池模型端电压预测值与测量值之差。测量值即通过试验直接测量得到，在采集精度高的试验情况下，即可认为其近似等于端电压准确值。SOC误差为上述滤波算法SOC估计值与SOC试验参考值之差。所述SOC试验参考值基于以下原理得到：在试验条件下，设备传感器精度很高，从而保证了电流电压采集精度很高。在一定试验条件下，按照标准的电流(一般为0.3C)充电使得电池容量充满，此时电池SOC等于100％，倘若需要从90％SOC开始试验，则可以按照标准电流放掉10％SOC的电流，按照此方法可以得到准确的初始SOC值。之后进行相关试验，直至试验完成时，按照标准的电流放电至0％SOC，可以得到准确的试验完成时的SOC值。在已知初始与终止SOC的条件下，鉴于电流采集精度高、电流充放电效率已知，从而采用安时积分法能得到高精度的SOC参考曲线。容量误差为上述滤波算法容量估计值与试验参考值之差。容量试验参考值即为在一定条件下，按照标准的电流充电使得电池容量充满后，同样对电池按标准电流放电至0％SOC的整个过程中所放出的总电量。从上述分析得出，本发明所提出的基于数据驱动的车载动力电池系统容量与SOC联合估计方法与传统方法相比具有以下优势：(1)采用SOC估计的期望值与误差限(以95％置信区间为例，但不限于95％)更加全面、准确地评价动力电池的荷电状态可能分布情况；(2)图4、图5表明在SOC与容量初值均不准确(20％误差)的情况下均能快收敛到真值，即实现了电池最大容量未知时，SOC的准确估计，解决了传统SOC估计算法以最大可用容量已知为前提而无法成功运用到实车上的难题；(3)电池容量与内阻是衡量电池健康状态(SOH)重要指标，因而上述联合估计算法在一定程度上实现了SOC与SOH的联合估计；(4)提出多时间尺度的容量与SOC估计算法，相比单时间尺度算法而言，不仅估计精度得到了较大的提高，而且较大地减少了算法计算量与计算时间。当前第1页1 2 3