一种分布式电池组荷电状态估计算法的制作方法

本发明涉及一种分布式电池组荷电状态估计算法。

背景技术：

环境问题和能源危机促使交通电气化成为未来交通的重要发展方向。随着越来越多的风电、光伏等可再生能源接入电网，电能变得更加低碳环保。电动汽车使用存储于电池组的电能，通过电力驱动电机为车辆前进提供动能。因此，安全高效地储存和输出电能对于电动汽车非常关键。作为电动汽车的唯一储能部件，电池组的性能表现将直接影响电动汽车用户的驾驶体验。与其他电池技术相比，锂电池的优异性能使得其被广泛应用于电动汽车中。由于单体锂电池的电压较低，实际中往往使用多个电池串并联成电池组来满足电动汽车的能量和功率需求。电池管理系统能够使大量电池单体安全高效运行，而电池的荷电状态是电池管理系统所需要的关键参数。以准确的荷电状态为指标，可以确保锂电池在使用过程中不被过充放。同时，由于锂电池单体的出厂差异，电池组在使用过程中需要进行能量均衡。整个电池组的能量均衡，需要获取准确的单体电池的荷电状态。然而，锂电池的荷电状态无法通过传感器直接测量，只能通过电池在使用过程的测量值，如：电流、电压等，进行估计。在实际应用中，由于传感器测量误差和电池建模偏差等原因，电池荷电状态难以被准确估计。

传统的荷电状态估计方法能够直接地进行计算，但由于自身存在问题，使得他们在实际应用中存在一定缺陷。安时积分法通过对电流在一定区间内积分来计算电池的荷电状态，该计算方法无法应对实际应用中荷电状态初值不准确的问题。另外，电流传感器的测量噪声也会在使用过程中不断累积，造成估计结果的偏移。开路电压法充分地利用了开路电压与荷电状态之间的单调关系，然而，准确的开路电压需要将电池静置数小时，这在实际中是不现实的。基于神经网络等数据驱动方法能够通过使用一定的样本训练后，直接利用测量值来估计电池的荷电状态。基于数据驱动的方法虽然能够被直接快速的使用，无需任何先验知识，但是当训练样本与实际工况有较大差异时，此类方法的效果无法得到保证。基于模型的估计方法通过建立基于先验知识的电池模型，使用卡尔曼滤波等复杂算法来估计电池荷电状态。此类方法对于电池荷电状态的初值不敏感，同时由于复杂算法的使用，对多种不同的工况也具备了一定的鲁棒性。

由于在实际应用中，为了确保电池组的安全和能量均衡，电池管理系统需要知道所有单体的荷电状态。而单体电池的荷电状态估计本身就存在一定难度和计算的复杂性，对于成百上千个单体串并联形成的电池组，若采用集中控制，使用统一的处理器来计算，必然面临计算量大，可靠性低等问题。使用分布式估计的方法，能够分散估计电池荷电状态所需的计算量，同时提高可靠性。

传统的电池组荷电状态估计方法将整体电池组中多个单体电池等效为一块电池进行荷电状态的估计。有一种基于无迹卡尔曼滤波的大容量电池系统荷电状态估计方法，所谓大电池系统，包含了m个单体并联和n个单体串联组成的电池组，m和n均为大于1的整数。该方法通过基尔霍夫电压定律将多个单体的等效电路模型等价为统一的二阶rc电路，之后利用无迹卡尔曼滤波来完成整个电池组的荷电状态估计。该方法通过建立多个电池的等效电路模型简化了电池组荷电状态的估计，然而该算法并不能得到各个电池单体的荷电状态，电池管理系统无法使用估计结果进行单体间的能量均衡。

有一种同时估计电池组及各个电池单体荷电状态的方法。该方法首先通过平均电池组中各个单体的参数，建立电池组的平均esc(enhancedself-correcting)模型，然后利用采样点卡尔曼滤波的方法算出了电池组平均模型的荷电状态。之后，再通过建立各个单体电池与平均模型偏差的状态空间方程，使用扩展卡尔曼滤波算法估计各个单体的荷电状态。该方法所使用的电池模型本身较为复杂，参数相比于常用的等效电路模型难以获取，同时该方法在此基础上又使用了独立的扩展卡尔曼滤波单独更新了各个电池的容量与内阻。整体算法对电池组的平均模型使用了采样卡尔曼滤波，每块单体涉及三个扩展卡尔曼滤波器分别用于估计差异和更新容量和内阻，调整所有滤波器的参数必然需要耗费大量的时间。此外，该方法所使用计算差异的状态空间方程并未涉及各个单体开路电压与荷电状态曲线之间的差异，而该曲线是电池模型中关联电池端电压和荷电状态的重要先验知识，因此，所建立的用于估计荷电状态偏差的状态空间模型必然会存在一定的误差。

综上，目前各种电池组荷电状态估计方法的主要缺陷如下：

1.传统的电池组状态估计方法将多块电池单体等效为统一的电池模型，能够简化电池组荷电状态的估计。但是，由于无法获得每块单体电池的荷电状态，不利于电池组内的能量均衡以及电池单体的充放电管理。

2.同时估计电池组和单体荷电状态的方法，在建立每块单体电池偏差模型的准确性上仍然有待提高。此类方法一般涉及多个滤波器，而每个滤波器的设计都包含耗时的调参过程。仍然需要简化此类方法的复杂度，以便于实际应用。

3.目前提出的电池组荷电状态估计算法并未充分考虑电池组能量管理系统的设计，具体实施时需要根据实际情况进行更多的取舍。

技术实现要素：

本发明的目的是提供一种分布式电池组荷电状态估计算法，在提出电池能量管理系统结构设计方案的基础上，结合该系统本身的结构特点，有针对性的设计相应的电池组荷电状态估计方法，以最大程度上利用软硬件资源，高效地获得电池组中各电池的荷电状态。

为了实现上述目的，本发明提供一种分布式电池组荷电状态估计算法，包括如下步骤：

(1)建立基于主、从控制器的电池组能量管理系统，其中一个从控制器对应一个电力电子变换器和一块电池单体，主控制器用于执行电池组整体的均衡管理策略，从控制器用于监测每块电池单体并控制电力电子变换器以完成电池间的能量均衡，电力电子变换器用于完成不同电池单体间的能量转移，以实现组内电池单体的主动均衡；

(2)构建各从控制器的分布式算法，基于偏差模型，使用扩展卡尔曼滤波来估计每块电池单体的荷电状态；基于电池单体的电流和电压的测量值，通过递归最小二乘来更新每块电池单体模型的参数；

(3)构建主控制器的分布式算法，基于电池组的平均等效电路模型，使用平方根无损卡尔曼滤波来估计电池组的平均荷电状态。

进一步地，所述主控制器的状态空间模型构建过程如下，

建立电池单体的二阶等效电路模型：

ut＝uoc-u1-u2-it·r0(1)

建立电池单体的开路电压与荷电状态的具体关系uoc＝f(soc)：

通过提前离线测试电池单体在特定的荷电状态下的开路电压后，再使用如下多项式拟合得到开路电压与荷电状态的关系式，

由安时积分法可知，锂电池的荷电状态可以由(4)式计算得到，

式(4)中，soc0和soct分别为荷电状态的初始值和当前值，ccap是电池的容量，η是电池的库伦效率；

定义和那么，由式(1)-(4)可得如下电池组的平均等效电路模型的状态空间方程，

其中，

进一步地，式(5)中的各参数均为电池组中所有电池单体的平均值，计算方法如下：

x为式(1)-(4)中参数的平均值，x代表式(5)中的各种参数。

进一步地，所述主控制器用于估计电池组的平均等效电路模型的荷电状态，所述平方根无损卡尔曼滤波通过使用qr分解和cholesky分解进行协方差矩阵的更新，所述平方根无损卡尔曼滤波的具体计算步骤为：

1).定义状态变量的初始值和协方差矩阵的初始值p0；

2).计算sigma点和权重系数wi

sigma点的计算如下，

其中，n是状态变量的维数，1≤i≤n，n+1≤j≤2n，表示取矩阵的第i行；

权重系数wi的计算如下，

其中，α决定了sigma点的分布，其取值范围为[1e^-41]；λ的典型取值为0或者3-n；β为状态分布参数，κ＝α²(n+λ)；

3).状态预测

4).协方差预测

5).测量更新

6).增益矩阵计算

7).状态估计

8).协方差估计

进一步地，所述从控制器的偏差状态空间模型构建过程如下，

求取电池单体和电池组平均模型之间的电压偏差如下，

由式(7)可得到电池单体偏差状态空间模型为，

其中，各变量的定义为其中，上标i表示电池组中第i个电池单体。

进一步地，所述从控制器用于电池单体的荷电状态估计，其中

扩展卡尔曼滤波的计算步骤如下：

1).状态预测

2).协方差预测

3).卡尔曼增益矩阵

4).状态估计

5).协方差估计

为更新电池二阶等效电路模型中的参数，通过对(1)-(2)式进行双线性变换，得到如下方程，

由式(9)，定义θ(k)＝[b1b2b3b4b5(1-b1-b2)·uoc]，y(k)＝ut(k)；

递归最小二乘的计算步骤如下：

其中，λ的遗忘因子，取值范围为0.98～0.995，k(k)是辨识的增益，p(k)是协方差矩阵。

本法明根据所提出的电池组系统结构，设计了分布式的荷电状态估计算法，以最大限度利用系统资源，提高荷电状态估计的效率；通过在主控制器中使用平方根无损卡尔曼滤波，充分利用了主控制器的运算能力，提高电池组的平均等效电路模型的估计精度；通过建立新型的电池偏差模型，设定阈值，自主决定从控制器中相关算法的更新频率，在从控制器中使用扩展卡尔曼滤波快速估计单体的荷电状态，同时使用递归最小二乘更新各个电池单体模型的参数。

本发明能够通过设计分布式的荷电状态估计方法，合理地分配电池组中单体荷电状态估计的计算量，通过主控制器和多个从控制器的协作，能够快速获得电池组中所有电池单体的荷电状态，从本质上提高了电池组荷电状态估计的运算效率与可靠性。

本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施例，但并不构成对本发明实施例的限制。在附图中：

图1是本发明一个实施例的原理框图；

图2是本发明一个实施例中主控制器分布式算法示意图；

图3是本发明一个实施例中从控制器分布式算法示意图；

图4是本发明一个实施例中电池二阶等效电路模型。

具体实施方式

以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用于限制本发明实施例。

如图1-4所示，在本发明的一个实施例中，提出一种分布式电池组荷电状态估计方法，能够准确获取电池组中每块电池单体的荷电状态，便于后续电池能量管理。本发明属于基于模型的荷电状态估计方法，首先给出了一种高效的电池组整体系统结构设计，在此基础上，有针对性的提出了电池组的荷电状态估计方法，通过在线更新各单体的二阶rc等效电路模型的参数，建立更加准确的单体电池模型；通过建立全新的电池偏差模型，使得各个单体能够自适应的决定荷电状态更新的时间尺度，以提高处理器的使用效率，降低从控制器的成本。

本发明一个实施例所涉及的电池组能量管理系统的整体系统结构如图1所示，包含一个主控制器、若干从控制器、锂电池单体和相应的电力电子变换器。对电池组而言，主控制器用于执行电池组整体的均衡管理策略，从控制器用于监测每块电池单体并控制电力电子变换器以完成电池间的能量均衡。电力电子变换器主要用于完成不同电池单体间的能量转移，以实现组内电池单体的主动均衡。

本发明提出了适用于图1所述电池组系统结构的一种分布式荷电状态估计方法。该结构的主要思想是：将电池荷电状态的所需的计算量分散到电池组的各个处理器上，以降低传统集中式计算对于主控制器计算能力的需求，从根本上提高了系统的估计效率，充分利用了电池组中多个处理单元的运算能力。另外，通过所提出的分布式算法，也降低了各单体的控制器的故障状态对整个电池组可靠性的影响。

图2-3为主从控制器中分布式运行的估计算法及相应的输入和输出，其中，uaverage、iaverage和socaverage分别为电池组中单体电池的电压、电流和荷电状态的平均值；uk、ik和sock分别是电池组中第k个单体的电压、电流和荷电状态。从图2可以看出，主控制器使用sr-ukf(square-rootunscentedkalmanfilter)通过建立电池组的平均等效电路模型来估计电池组的平均荷电状态；从图3可以看出，从控制器主要使用ekf(extendedkalmanfilter)通过全新偏差模型来估计每块单体的荷电状态，rls(recursiveleastsquares)利用单体的电流和电压的测量值来更新每块单体电池模型的参数，以保证各个单体模型的精度。在实际应用中，由于主控器全面负责整个电池组的能量管理，从控制器仅负责单体电池的监测，一般主控器会选取处理能力较强的芯片，从控制器可以根据实际需求选取低成本的处理器。因此，在本发明中，主控制器运行处理非线性模型精度较高的sr-ukf算法，而从控制器使用ekf是一种合理的分配方案。

以下内容将逐一阐述图2和3中主从控制所使用的详细估计算法及所需建立的状态空间模型。

1.主控制器的状态空间模型

二阶等效电路模型很好的平衡了电池建模的精度和复杂度。本发明所使用的二阶等效电路模型如图4所示，其中，r0为电池内阻，uoc是电池的开路电压，两个电阻与电容的并联网络(r1c1与r2c2)用于等效电池端电压的过渡过程。

由图4可得，该等效电路模型的方程为，

ut＝uoc-u1-u2-it·r0(1)

电池的开路电压与荷电状态的具体关系uoc＝f(soc)，可以通过提前离线测试该电池在特定的荷电状态下的开路电压后，再使用如下多项式拟合得到。

由安时积分法可知，锂电池的荷电状态可以由(4)式计算得到，

式(4)中，soc0和soct分别为荷电状态的初始值和当前值，ccap是电池的容量，η是电池的库伦效率。

定义和那么，由式(1)-(4)可得如(5)所示电池组的平均等效电路模型的状态空间方程。

其中，

式(5)为主控制器中使用的非线性电池状态空间模型，需要注意的是，模型中的参数均为电池组中所有单体的平均值，计算方法如下：

其中，n为电池组中单体电池的数目，x代表式(5)中的各种参数的平均值。

2.主控制器的荷电状态估计方法

主控制器负责估计电池组平均模型的荷电状态，所使用的估计算法为sr-ukf，相比于ekf该方法可以直接应用于非线性模型，避免了模型线性化带来的误差。sr-ukf通过使用qr分解和cholesky分解进行协方差矩阵的更新，能够有效降低传统ukf的计算量。

sr-ukf的具体计算步骤为：

1).定义状态变量的初始值和协方差矩阵的初始值p0。

2).计算sigma点和权重系数wi

sigma点的计算如下，

其中，n是状态变量的维数，1≤i≤n，n+1≤j≤2n，表示取矩阵的第i行。

权重系数wi的计算如下，

其中，α决定了sigma点的分布，其取值范围为[1e^-41]；λ的典型取值为0或者3-n；β为状态分布参数，κ＝α²(n+λ)。

3).状态预测

4).协方差预测

5).测量更新

6).增益矩阵计算

7).状态估计

8).协方差估计

3.从控制器的偏差状态空间模型

从控制器的估计方法建立在各个电池单体和电池组平均模型之间的偏差模型基础上，依据主控制器已经估计出的电池组平均荷电状态，使用ekf完成各个单体电池荷电状态的估计。

本发明对于电池单体仍然使用二阶等效电路模型，因此，电池单体和电池组平均模型之间的电压偏差如下，

由式(7)可得到全新的单体电池偏差状态空间模型为，

其中，各变量的定义为其中，上标i表示电池组中第i个单体的相关所有变量。

4.从控制器的荷电状态估计方法

从控制器主要负责电池单体的荷电状态估计，通过对电池偏差状态空间模型，利用单体的电压及电池组的平均等效电路模型的荷电状态估计值完成各个电池的估计；同时，利用各个单体的电流、电压采样值，使用rls更新电池二阶等效电路模型中的参数。

ekf的计算步骤如下：

1).状态预测

2).协方差预测

3).卡尔曼增益矩阵

4).状态估计

5).协方差估计

为更新电池二阶等效电路模型中的参数，本发明通过对(1)-(2)式进行双线性变换，得到如下方程，

由式(9)，定义θ(k)＝[b1b2b3b4b5(1-b1-b2)·uoc]，y(k)＝ut(k)。

rls的计算步骤如下：

其中，λ的遗忘因子取值范围为0.98～0.995，k(k)是辨识的增益，p(k)是协方差矩阵。电池等效电路模型的参数可以通过θ(k)计算得到。

应当注意的是，通过本发明所建立的偏差电压模型可以进一步减少从控制器的计算量。设定更新阈值为δuth，如果δu≥δuth，则从控制器更新单体电池的估计；否则，认为单体电池的荷电状态与电池组的平均模型相同，无需更新估计结果。通过定义该阈值δuth，各从控制器可以根据电池单体的电压偏差，自主决定自身估计更新的频率，以最大效率的实现电池组中各个电池单体荷电状态的估计。总的而言，主控制器应以较高的频率完成估计，以确保电池组的平均等效电路模型荷电状态的估计精度；从控制器以较低的频率更新估计，以降低其成本。

以上结合附图详细描述了本发明实施例的可选实施方式，但是，本发明实施例并不限于上述实施方式中的具体细节，在本发明实施例的技术构思范围内，可以对本发明实施例的技术方案进行多种简单变型，这些简单变型均属于本发明实施例的保护范围。

另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明实施例对各种可能的组合方式不再另行说明。

此外，本发明实施例的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明实施例的思想，其同样应当视为本发明实施例所公开的内容。