一种计及温度和循环次数的锂离子电池SOC估计方法与流程

发明设计锂离子电池soc预测领域，尤其是一种锂离子电池soc估计方法，该方法通过计及锂离子电池的温度和循环次数影响进行soc的估计。

背景技术：

与其他(如镍铬和铅酸)电池相比，锂离子电池具有更高的能量和功率密度，更高的效率和更低的自放电率，是电动汽车(ev)青睐的动力源。ev的关键要求是估计电池的荷电状态(soc)，直接测量法(如安时积分法)是开环方法，它们易于实现，但对电流和电压测量误差敏感。基于模型的soc估计方法是闭环方法，对测量误差不敏感，但它们依赖于精确的电池模型。因此，建立精确地电池模型是提高soc估算精度的关键。

对于锂离子电池，电池温度不仅会影响开路电压，内阻和可用容量，而且如果在规定的温度限制以上运行，也可能导致电池快速老化甚至热失控。基于电化学/物理的模型涉及复杂或多维微分方程，并且已被证明能够以更高的精度表示热效应。然而，它们需要大量深入和专有的参数(如电极孔隙率，电解质厚度等)。一些用于soc估计的电气和热耦合模型，充分考虑了电池的产热和散热机制，但其热模型的建立需要热测试室和热电偶，且对于圆柱电池来说很难获取其内部温度。一些soc的估计方法(如神经网络法(nn))能避免使用热测试室和热电偶，尽管这些模型能反映热效应，但参数识别过程也受到复杂性的影响，并且对可用的电池数据(训练数据)量敏感。此外，这些模型忽略了准确的电池循环次数(老化)因素对于预测可用电池容量和内阻的影响。

技术实现要素：

本发明目的就是为了解决现有技术的不足，提供了一种耦合了简化的温度模型和准确的循环损失的锂离子电池soc估计方法，提高soc估计的精度。

本发明是通过以下技术方案实现的：

一种计及温度和循环次数的锂离子电池soc估计方法，包括步骤：

(1)建立锂电池模型，包括电池模型、温度模型和循环损失模型；

(2)做锂电池恒流放电实验，对锂电池模型参数进行识别；

(3)以安时积分法作为状态方程、锂电池模型作为观测方程；

(4)利用ekf算法进行soc估计。

所述步骤(1)，锂电池模型分为三个部分，分别为：

1)电池模型：

其中，vbatt为电池端电压，e0为电池恒压(v)，k为极化常数v/(ah)，c为电池可用容量(ah)，it＝∫idt为电池实际电量(ah)，i^*为滤波后的电池电流(a)，ab为指数区振幅(v)，b为指数区时间常数逆(ah)^-1，d为极化电压斜率v/(ah)，r分别为电池欧姆内阻(ω)，i为电池电流(a)。

2)温度模型:

其中，t是电池温度(k)，tref为电池参考温度(k)，ta是环境温度，为开路电压温度系数(v/k)，α和β是arrhenius常数，是电池容量温度系数(ah/k)。

3)循环损失模型：

r＝rinitial+rcycle(6)

c＝cinitial-ccycle(7)

其中rinitial、rcycle分别为新电池或零循环电池内阻、电池循环内阻(ω)，cinitial、ccycle分别为新电池或零循环电池容量(在标称温度下等于标称容量)、电池循环衰减容量(ah)。

所述步骤(1)的电池模型中，极化内阻和滤波电流如下建立：

1)充、放电过程极化内阻(rpol)分别表示如下：

2)描述锂电池动态特性而引入滤波电流i^*，其在下式给出:

其中，i(s)为电池电流的的拉普拉斯变换(a)，td是电池响应时间(s)，可以实验测得。

所述步骤(1)的循环损失模型中，循环内阻和循环衰减容量如下建立：

rcycle＝kcycle(n)^1/2(11)

ccycle＝cinitial·ζ(12)

其中，n为电池循环次数，kcycle是定义的系数(ω/cycle^1/2)，ζ为容量损失系数(％)，lcalendar(％)为日历寿命损失，lcycle(％)循环次数损失，a为常数，ea为电池活化能(j/mol)，rg为气体常数(j/k/mol)，t为电池温度(k)，z为幂因子。

所述步骤(2)，恒流放电实验为：

基于两个不同环境温度下的恒流放电实验曲线，每条曲线上取四个点，每个点的信息包括电池端电压vi^j、已使用电量和电池温度ti^j。其中i表示第i条曲线，j表示第j个点。如电池产商提供电池数据表，则其中一条曲线的实验条件可设定为该数据表所在的条件。

所述步骤(2)，模型参数识别步骤为：

1)极化电压斜率d通过下式计算：

2)系数kcycle可由下式计算：

kcycle＝(8×10^-6)t+1.3×10^-3(16)

3)参数a、和z根据锂电池类型不同而有所差别，实验测定。

4)电池响应时间td通过性能测试得出，即在电池充/放电过程中中断电流时开始，到电池电压达到稳定状态的这段时间。

5)参数可根据式(5)以及解得。

6)参数α、β如下求解：

定义模型误差：

其中，

令：

f(x)＝e^t(x)*e(x)＝0(18)

代入放电实验获得的6个数据即可通过levenberg-marquardt(l-m)法求解非线性最小二乘法问题的目标函数f(x)，及最优解x。

所述步骤(3)，建立soc估计的状态方程和观测方程：

状态方程为：

xk+1＝f(xk,uk)+wk(19)

观测方程为：

yk+1＝g(xk,uk)+vk(20)

其中，

xk为状态变量，yk+1为观测变量，wk、vk为相互独立的高斯白噪声，ts为采样周期。

另外，系统输入求解方程式为：

uk＝ik(23)

所述步骤(5)，用ekf算法估计电池soc步骤如下：

1)定义协方差：

e(wkwk^t)＝mke(vkvk^t)＝hk

2)计算

3)初始化

4)fork＝1,2,3,…

a)预测：

状态变量预测：

协方差预测：

p^-k+1＝ak*pk*ak^t+mk

b)修正；

预测误差:

增益:

kg＝p^-k+1*ck+1^t*(ck+1*pk+1*c^tk+1+hk)^-1

更新：

pk+1＝(i-kg*ck+1)*p^-k+1。

本发明的优点是:本发明考虑的影响电池soc的因素更多，即增加考虑温度和循环次数，同时温度模型的复杂度有效降低、循环次数模型的精度得到提升；具有soc估计的精度高、模型参数识别的难度低、计算的复杂度低、模型适用性好等特点。

附图说明

图1为锂电池模型图。

图2为参数识别时恒流放电示意曲线。

图3为soc估计流程图。

具体实施方式

下面结合附图和实例对本发明做进一步说明。

一种计及温度和循环次数的锂离子电池soc估计方法，包括步骤：

(1)建立锂电池模型，包括电池模型、温度模型和循环损失模型；

(2)做锂电池恒流放电实验，对锂电池模型参数进行识别；

(3)以安时积分法作为状态方程、锂电池模型作为观测方程；

(4)利用ekf算法进行soc估计。

图1位锂离子电池模型图，用公式表达可分为三个部分，分别为：

1)电池模型：

其中，vbatt为电池端电压，e0为电池恒压(v)，k为极化常数v/(ah)，c为电池可用容量(ah)，it＝∫idt为电池实际电量(ah)，i^*为滤波后的电池电流(a)，ab为指数区振幅(v)，b为指数区时间常数逆(ah)^-1，d为极化电压斜率v/(ah)，r分别为电池欧姆内阻(ω)，i为电池电流(a)。

2)温度模型:

其中，t是电池温度(k)，tref为电池参考温度(k)，ta是环境温度，为开路电压温度系数(v/k)，α和β是arrhenius常数，是电池容量温度系数(ah/k)。

3)循环损失模型：

r＝rinitial+rcycle(6)

c＝cinitial-ccycle(7)

其中rinitial、rcycle分别为新电池或零循环电池内阻、电池循环内阻(ω)，cinitial、ccycle分别为新电池或零循环电池容量(在标称温度下等于标称容量)、电池循环衰减容量(ah)。

所述步骤(1)的电池模型中，极化内阻和滤波电流如下建立：

1)充、放电过程极化内阻(rpol)分别表示如下：

2)描述锂电池动态特性而引入滤波电流i^*，其在下式给出:

其中，i(s)为电池电流的的拉普拉斯变换(a)，td是电池响应时间(s)，可以实验测得。

所述步骤(1)的循环损失模型中，循环内阻和循环衰减容量如下建立：

rcycle＝kcycle(n)^1/2(11)

ccycle＝cinitial·ζ(12)

其中，n为电池循环次数，kcycle是定义的系数(ω/cycle^1/2)，ζ为容量损失系数(％)，lcalendar(％)为日历寿命损失，lcycle(％)循环次数损失，a为常数，ea为电池活化能(j/mol)，rg为气体常数(j/k/mol)，t为电池温度(k)，z为幂因子。

所述步骤(2)，恒流放电实验为：

基于两个不同环境温度下的恒流放电实验曲线，每条曲线上取四个点，每个点的信息包括电池端电压vi^j、已使用电量和电池温度ti^j。其中i表示第i条曲线，j表示第j个点。如电池产商提供电池数据表，则其中一条曲线的实验条件可设定为该数据表所在的条件。

所述步骤(2)，模型参数识别步骤为：

1)极化电压斜率d通过下式计算：

2)系数kcycle可由下式计算：

kcycle＝(8×10^-6)t+1.3×10^-3(16)

3)参数a、和z根据锂电池类型不同而有所差别，实验测定。

接下来的步骤4)5)6)配合图2来计算：

4)电池响应时间td通过性能测试得出，即在电池充/放电过程中中断电流时开始，到电池电压达到稳定状态的这段时间。

5)参数可根据式(5)以及解得。

6)参数α、β如下求解：

定义模型误差：

其中，

令：

f(x)＝e^t(x)*e(x)＝0(18)

代入放电实验获得的6个数据即可通过levenberg-marquardt(l-m)法求解非线性最小二乘法问题的目标函数f(x)，及最优解x。这里，matlab软件中的optimizationtoolbox工具集有专门用上述解法解决目标函数为f(x)的函数lsqnonlin，可以很便捷得出最优解。

所述步骤(3)，建立soc估计的状态方程和观测方程：

状态方程为：

xk+1＝f(xk,uk)+wk(19)

观测方程为：

yk+1＝g(xk,uk)+vk(20)

其中，

xk为状态变量，yk+1为观测变量，wk、vk为相互独立的高斯白噪声，ts为采样周期。

另外，系统输入求解方程式为：

uk＝ik(23)

所述步骤(5)，用ekf算法估计电池soc步骤如下：图3展示了这一过程流程图：

1)定义协方差：

e(wkwk^t)＝mke(vkvk^t)＝hk

2)计算

3)初始化

4)fork＝1,2,3,…

c)预测：

状态变量预测：

协方差预测：

p^-k+1＝ak*pk*ak^t+mk

d)修正；

预测误差:

增益:

kg＝p^-k+1*ck+1^t*(ck+1*pk+1*c^tk+1+hk)^-1更新：

pk+1＝(i-kg*ck+1)*p^-k+1。