电池组不一致性的辨识方法与流程

本发明涉及一种电池技术，特别涉及一种电池组不一致性的辨识方法。

背景技术：

全球环境不断恶化，电动汽车和电力储能的大力发展，动力电池作为主要动力源广受重视。单体电池受到其电压、容量、功率等性能参数的限制，往往不能在电动汽车、电力储能等领域中单独使用，而需要将单体电池进行串并联成组再使用。

电池组的不一致性是电池组区别于电池单体最显著的特征，且其不一致性进一步影响电池组的动力性、安全性和耐久性。此外，一些电池对过充电和过放电很敏感，过充电或过放电都会导致这些电池的永久性损害。而对于一个电池组而言，其可用电量和可充电电量取决于电池组内最少的可用电量和可充电电量的单体。所以，精确的辨识电池组的不一致性很重要且很必要。

由于电池组一般是由成百上千的电池单体串并联而成，在现有的硬件设备条件下，采用一一估计每个电池单体的soc辨识电池组的不一致性几乎是不可行的，因为这需要非常大的计算量。

为了提高电池组的一致性，一般在电池成组配对之前都要对电池单体进行特性筛选。但是，在电池组的使用过程中，由于单体所处温度或工况等环境不一致，电池组内的单体间的差异性也会渐渐显现出来。如果不对电池组的不一致性作必要的均衡措施，会进而影响到电池组的使用性能。而做电池组不一致性的均衡，首先要做的就是辨识电池组的不一致性。

技术实现要素：

本发明是针对电池组内单体间的差异性直接影响电池组使用性能的问题，提出了一种电池组不一致性的辨识方法，采用分频模型，包括平均电池模型和差异电池模型，再结合扩展卡尔曼滤波ekf算法实现电池组不一致性的辨识。可以精确的辨识电池组的不一致性，进而实现电池组均衡或故障诊断，提高电池组的动力性、安全性和耐久性。

本发明的技术方案为：一种电池组不一致性的辨识方法，具体包括如下步骤：

1)利用电流传感器、电压传感器和温度传感器采集电池组工作数据；

2)采用平均电池模型等效电池组的整体特性，以电流传感器测得的电池组电流值i以及电压传感器测得的平均电压值u'mean作为输入值，并结合卡尔曼滤波器ekf算法以高频的方式估计电池组的平均荷电状态socmean；

3)利用差异电池模型等效电池组内单体电池特性与电池组整体特性之间的差异，以电流传感器测得的电池组电流值i，电压传感器测得的单体电压与平均电压值的差异值以及平均电池模型估计的平均荷电状态socmean值作为输入值，并结合ekf算法以低频的方式估计单体电池荷电状态socⁱ与电池组平均荷电状态socmean之间的差异δsocⁱ；

4)控制器根据步骤2)和3)得到的平均荷电状态socmean和荷电状态差异δsocⁱ辨识出电池组的不一致性状态。

所述步骤2)中平均电池模型采用二阶rc模型，平均电池组模型的电压源uoc输出，依次串联电池组的内阻r0、并联在一起的rdcd和rtct；并联在一起的rdcd和rtct分别代表电池组的活性极化内阻和浓差极化内阻；ud和ut分别为模型中rdcd和rtct的分配电压；uoc为平均电池组模型的电压源，代表电池组的开路电压，在平衡状态下，uoc和电池组的荷电状态socmean有一一对应的关系；umean为平均电池模型的端电压，

二阶rc模型，各参数关系式为：

umean＝uoc(socmean)-ir0-ud-ut。

所述步骤3)中差异电池模型rint模型，各参数关系式为：

δsocⁱ表示第i个单体电池与电池组的平均荷电状态socmean的差异；代表在socmean附近，第i个单体电池与平均电池的开路电压uoc差异，在平衡状态下，的值与δsocⁱ的值具有一一对应的关系；δrⁱ表示第i个单体电池内阻与电池组平均内阻的差异内阻；为差异电池的端电压，理论上与第i个单体电池的端电压与电池组的平均端电压umean的差值相等。

本发明的有益效果在于：本发明电池组不一致性的辨识方法，以较低的计算量估计电池组的不一致性，可以在现有的硬件条件下在线实现电池组的不一致性估计，进而为电池组均衡或故障诊断提供了可靠的参考数据，提高电池组的动力性、安全性和耐久性。

附图说明

图1为本发明用于辨识电池组不一致性的实施方案电路图；

图2为本发明实施例平均电池模型图；

图3为本发明实施例差异电池模型图。

具体实施方式

本发明通过分频模型(包括平均电池模型和差异电池模型)结合ekf算法以较低的计算量实现电池组不一致性的辨识，可以在现有的硬件条件下实现电池组的不一致性估计。卡尔曼滤波器ekf是用来估计内部状态变量，即xk，输出值yk只是用来与实际测得的比较值进行比较，进而更新xk的估计值。

如图1所示用于辨识电池组不一致性的实施方案电路图，具体包括以下步骤：

s1、利用电流传感器、电压传感器和温度传感器采集电池组工作数据；

s2、采用如图2所示的二阶rc模型作为平均电池模型等效电池组的整体特性(这里将由单体电池串联构成的电池组看做一个大电池)，以电流传感器测得的电池组电流值i以及电压传感器测得的平均电压值u'mean如式(2)所得，作为输入值，并结合ekf算法以高频的方式估计电池组的平均荷电状态socmean,并将socmean的估计结果输出到控制器，控制器控制电池组充放电。

图2中，r0代表电池组的内阻；并联在一起的rdcd和rtct分别代表电池组的活性极化内阻和浓差极化内阻；ud和ut分别为模型中rdcd和rtct的分配电压；uoc为平均电池组模型的电压源，代表电池组的开路电压，在平衡状态下，uoc和电池组的荷电状态socmean有一一对应的关系；umean为平均电池模型的端电压。i为电池组的电流大小，因为所辨识电池组是由多个单体电池串联而成，所以通过电池组和所有单体的电流是相等的，由电流传感器测得。

步骤s2的二阶rc模型，各参数关系式为：

umean＝uoc(socmean)-ir0-ud-ut(1)

其中，socmean表示电池组的平均荷电状态，即表示电池组内所有单体电池的平均soc；uoc代表电池组的开路电压，在平衡状态下，uoc的值与socmean的值具有一一对应的关系；i为电池组的电流大小，该方案的电池组是由多个单体电池串联而成，通过电池组和所有单体的电流是相等的；r0表示电池组的欧姆内阻；ud和ut表示电池组的极化内阻的分配电压。umean是平均电池模型的端电压，理论上与电池组内所有单体端电压(由电压传感器测得)的平均值u'mean相等(通常是存在误差的，因为现有的工程实际运用中为了减少计算量，都采用较简单的等效电路模型，一般不能够完全模拟电池的真实特性，而只是近似的等效模型。)，u'mean如式(2)所示：

式中，代表第i个单体电池的端电压，n表示该电池组中单体的个数。

步骤s2的ekf算法，状态方程和输出方程分别为(3)和(4)式：

xk+1＝f(xk,uk)+wk(2)

yk＝g(xk,uk)+vk(3)

其中f(xk,uk)为状态函数；g(xk,uk)为测量函数；xk为状态向量；uk为输入值，步骤s2中uk为电流传感器测得的电池组电流值；yk为输出值，即模型估计值，步骤s2中yk为模型输出电压；wk，vk是均值为0的，方差随机的过程噪声，共同作用决定ekf算法中卡尔曼增益的值，这里wk，vk的方差取var(wk)＝1e-8，var(vk)＝0.01^2。这两个方差的大小表示外部挠动或参数误差(包括模型和系统参数误差)对模型和系统输出结果的影响程度，其值越小，表示对应值可信度高，这两个参数值越大，表示对应的输出结果失真程度大。所以，一般var(wk)越大，var(vk)越小，则表示输入值受干扰程度大，系统输出对比值受干扰程度小，则所对比值更可靠，系统更相信实际测得的对比参数值，对应的卡尔曼增益值也越大。反过来，var(wk)越小，var(vk)越大，则输入值更可靠，系统更相信测得的由模型估计的参数，对应的卡尔曼增益值也越小。一般前期估计取var(wk)较大，var(vk)较小，以使得估计值尽快收敛。

采用一阶泰勒公式线性化公式(3),(4)得到参数矩阵

步骤s2的ekf算法中状态向量xk可表示为：

xk＝[socmean,k,ud,k,ut,k]^t(6)

其中，socmean,k表示k节点时刻电池组的平均荷电状态；ud,k和ut,k表示k节点时刻电池组的极化内阻的分配电压。

g(xk,uk)＝uoc(socmean,k)-ikr0-ud,k-ut,k(8)

式中，f(xk,uk)为平均电池的状态函数；g(xk,uk)为平均电池的测量函数，即平均电池模型估计的平均电池的端电压值；δt为采样时间，取1s，即平均电池模型估计电池组平均soc的频率为1hz。τd，τt分别代表电池组的活性极化内阻rdcd和浓差极化内阻rtct；socmean,k为k节点时刻电池组的平均荷电状态，即电池组内所有单体电池的平均soc；ud,k和ut,k为k节点时刻电池组的极化内阻的分配电压；ik为k节点时刻电流传感器测得的电流值；uoc(socmean,k)表示k节点时刻电池组的开路电压；η为库伦效率，放电时取1，充电时小于1，这里取0.99；r0为平均电池的内阻。

式(8)中f(xk,uk)和(9)中g(xk,uk)对状态向量xk进行偏微分，并分别取和得到平均电池模型的参数矩阵为：

s3、利用如图3所示的rint模型作为差异电池模型等效该电池组内单体电池特性与电池组整体特性之间的差异，以电流传感器测得的电池组电流值i，电压传感器测得的单体电压与平均电压值的差异值如式(13)所示，以及平均电池模型估计的平均荷电状态socmean值作为输入值，并结合ekf算法以低频的方式估计单体电池荷电状态socⁱ与电池组平均荷电状态socmean之间的差异δsocⁱ，并将差异电池模型估计的δsocⁱ值输出到控制器。

步骤s3的rint模型，各参数关系式为：

δsocⁱ表示第i个单体电池与电池组的平均荷电状态socmean的差异；代表在socmean附近，第i个单体电池与平均电池的开路电压uoc差异，在平衡状态下，的值与δsocⁱ的值具有一一对应的关系；δrⁱ表示第i个单体电池内阻与电池组平均内阻的差异内阻；为差异电池的端电压，理论上与第i个单体电池的端电压与电池组的平均端电压umean的差值相等(通常是存在误差的，因为差异模型中没有考虑极化内阻的差异，而考虑极化内阻的差异会大大增加计算的复杂度，所应用的模型是近似的差异电池模型。)，如式(13)所示：

步骤s3的ekf算法，状态方程和输出方程如式(3)和式(4)。

步骤s3的ekf算法中状态向量可表示为：

表示第i个单体在k节点时刻电池soc与电池组平均荷电状态socmean的差异。

式中，为差异电池的状态函数；为差异电池的测量函数，即差异电池模型估计的差异电池的端电压；表示在平衡状态时的平均荷电状态socmean附近，第i个单体电池开路电压与电池组平均开路电压uoc(socmean)的差异；δrⁱ表示第i个单体电池的内阻与电池组平均内阻的差异内阻；ik为k节点时刻电流传感器测得的电流值。

式(15)中f(xk)和(16)中g(xk)对状态向量xk进行偏微分，并分别取和得到差异电池模型的参数矩阵为：

需要指出的是，在socmean附近δsoc-δuoc之间具有一一对应的关系，式(18)表示在socmean附近的δuoc对δsoc的导数值，也可以表示为：

步骤s3中差异电池模型估计δsoc的频率取0.01hz。

s4、控制器根据步骤s2、s3得到的平均荷电状态socmean和荷电状态差异δsoc辨识出电池组的不一致性状态，并输出信号到电池组充放电器，进而实现电池组的均衡控制。

步骤s4控制器对电池组进行均衡控制的内容包括：当δsoc的绝对值小于5％时，视为正常单体，进行正常充放电，不需要进行均衡；当δsoc的绝对值大于5％时，对该单体电池进行均衡；当同一个单体电池δsoc的绝对值超过5％且有不断变大的趋势时，则认为该单体电池异常，视作异常处理。

根据以上流程，本发明通过分频模型(包括平均电池模型和差异电池模型)结合ekf算法以较低的计算量实现电池组不一致性的辨识，可以在现有的硬件条件下实现电池组的不一致性估计，进而为电池组均衡或故障诊断提供了可靠的参考依据，提高电池组的动力性、安全性和耐久性。