一种锂电池SOC和SOH联合估计方法

本发明涉及锂离子电池状态估计领域，尤其涉及一种锂电池soc和soh联合估计方法。

背景技术：

1、锂离子电池因其能量密度高、体积小的优势，被广泛应用于通信设备、电动汽车及储能电站等诸多领域。在实际使用过程中，传感器无法直接测得锂电池的荷电状态(soc)或健康状态(soh)，这两种状态与电池内部复杂的电化学过程相关，因此具有紧密的耦合关系，实现soc与soh解耦并提升联合估计的准确性是当前的主要技术难点。

2、公开号为cn115825746a的专利文献公开了一种锂电池的电池状态的估计方法及装置，所述方法包括：确定与待估计的锂电池对应的电池模型；其中，所述电池模型包括将ecm等效电路模型与模拟了所述锂电池的正负电极的锂离子固相扩散过程的emm化学机理模型进行结合得到的eecm电化学等效电路模型；所述eecm模型采用所述锂电池的正负电极的锂离子颗粒表面的电位差，来表示所述锂电池的ocv开路电压；获取用于描述所述电池模型相关的状态变量的状态变化的状态方程，以及基于所述电池模型的外特性方程创建的与所述电池模型对应的测量方程；基于efk算法针对所述状态方程和所述测量方程进行迭代计算，以联合估计出所述锂电池的soc和soh。

3、但该发明基于电化学机理所建立的模型十分复杂，联合估计计算量大，在线估计困难，存在明显不足。

4、公开号为cn110554324a的专利文献公开了一种soc和soh联合估计方法，所述方法包括：通过对锂电池进行循环充放电实验，得到训练样本集，其中，所述训练样本集中的每个训练样本包括soc和环境温度；基于所述训练样本集，训练soh估算神经网络；基于待测锂电池的当前soh，每隔第一预设时间，估算该锂电池的soc，并当总时间达到第二预设时间，基于所述soc和环境温度，采用所述神经网络，估算soh，实现soc和soh的联合估计。但该发明采用机器学习的联合估计方法，需要大量样本，耗费人力物力。

5、除此之外，传统滤波方法的soc与soh的耦合关系大多基于安时积分公式的变形，然而，时间尺度的不一致性使得soh估计极易受到测量噪声以及选取的估计窗口大小的影响。此外，已有的双滤波器联合估计方法增加了计算成本并显著降低了计算稳定性。因此，需要一种考虑新的soc与soh耦合方法的联合估计方法，以解决现有技术中soc与soh联合估计准确性不足的问题。

技术实现思路

1、针对现有技术中soc与soh紧密耦合难以保证估计准确性的问题，本发明提供一种锂电池soc和soh联合估计方法，通过分析不同端电压位置锂电池的前后充电容量的比值与容量损失率的关系，建立了适用于宽端电压范围的soc与soh的非线性关联式，显著降低了soc与soh联合估计过程的实时耦合，并在一个时间步长内完成soh预测。

2、一种锂电池soc和soh联合估计方法，包括：

3、步骤1：根据不同老化阶段的充电数据，得到锂电池在不同老化阶段下，不同端电压位置的前后充电容量比值，定义1-soh为容量损失率，通过数据拟合建立所述前后充电容量比值与容量损失率的线性关系；

4、步骤2：定义选定端电压处的soc值为soct，根据soct与步骤1所述的线性关系，通过转换得到soct与soh的非线性关联式；

5、步骤3：建立锂电池的二阶rc等效电路模型，求解所述二阶rc等效电路模型的状态空间方程和测量方程，并离线辨识不同老化阶段下的二阶rc等效电路模型的模型参数、开路电压ocv与soc的关系ocv-soc，建立总体模型参数表；

6、步骤4：通过扩展卡尔曼滤波算法识别soct，并代入步骤2得到的非线性关联式中，在一个时间步长内计算得到soh；

7、步骤5：根据步骤4得到的soh计算结果，更新当前最大可用容量，并查询步骤3中所述的总体模型参数表，更新二阶rc等效电路模型的模型参数以及ocv-soc，继续下一次soc估计，实现估计循环。

8、本发明根据不同端电压位置锂电池的前后充电容量的比值与容量损失率的关系，建立了适用于不同端电压位置的soc与soh的非线性关联式；建立了锂电池的二阶rc等效电路模型，并据此建立状态空间方程和测量方程；采用扩展卡尔曼滤波算法识别选定端电压位置的soct，代入推导所得的非线性关联式中得到soh的计算结果，并反过来提升了电池老化过程中的soc估计的精度，以此循环，实现了宽端电压范围内准确高效的电池状态联合估计。

9、进一步的，所述的不同老化阶段的充电数据是指公开数据集提供的相应数据，例如calce电池公开数据集、亚琛工业大学电池公开数据集。

10、进一步的，步骤1具体为：

11、所述不同端电压位置的前后充电容量比值ratio：

12、

13、其中，cb表示一个完整充电过程中从soc为0到选定端电压位置的充电容量，ca表示一个完整充电过程中选定端电压之后直到充满电的充电容量；

14、容量损失率capacity loss:

15、capacity loss＝1-soh    (2)

16、根据不同老化阶段的充电数据，采用皮尔逊相关系数对ratio和capacity loss进行相关性分析，得出ratio与capacity loss的负线性关系：

17、ratio＝a·capacity loss+b    (4)

18、式中a和b为系数，通过最小二乘法计算获得。

19、进一步的，步骤2具体为：

20、定义选定端电压处的soc值为soct：

21、

22、联立式(4)、式(5)，得到soct与capacity loss的表达式：

23、

24、对式(6)进行转换可得不同端电压位置对应的soct与soh的非线性关联式：

25、

26、进一步的，步骤3中，建立锂电池的二阶rc等效电路模型，包括一个电压源uocv，欧姆内阻r0，极化内阻rs与电容cs并联组成rc网络，端电压为us，极化内阻rp与电容cp并联组成rc网络，端电压为up，整个电路的实测端电压用ut表示。

27、进一步的，步骤3中，求解所述二阶rc等效电路模型的状态空间方程和测量方程，选取soc与两个rc网络的端电压us、up作为状态变量，求解状态空间方程；选取整个电路的实测端电压ut作为测量变量，建立测量方程。

28、进一步的，步骤3中，所述离线辨识不同老化阶段下的二阶rc等效电路模型的模型参数，包括r0、rs、rp、cs、cp，根据不同老化阶段的脉冲实验，通过先恒流放电后断电的瞬时电压变化识别欧姆内阻r0；通过瞬时电压变化后的电压弛豫过程识别极化内阻rs、rp以及极化电容cs、cp。

29、进一步的，步骤3中，离线辨识开路电压ocv与soc的关系ocv-soc，所述的开路电压为二阶rc等效电路模型中的电压源uocv，通过不同老化阶段的低电流开路电压实验获得不同soc间隔处的开路电压，采用数据拟合得到ocv-soc。

30、进一步的，步骤3中，所述总体模型参数表，其中包含当前最大可用容量cn及其对应的r0、rs、rp、cs、cp、ocv-soc。

31、本发明针对锂电池建立的二阶rc等效电路模型具有复杂度低，计算量小的特点。

32、进一步的，步骤4中，所述在一个时间步长内计算得到soh，在运用扩展卡尔曼滤波算法之前，需要将步骤3中得到的状态空间方程和测量方程转换为规范形式，并将传感器实测的端电压ut、与端电压ut对应的电流作为扩展卡尔曼滤波算法的输入，估计过程为：状态参数初始化、时间更新、测量更新，得到选定端电压位置的soct并代入步骤2中的非线性关联式，在一个时间步长内计算soh。

33、本发明采用扩展卡尔曼滤波算法估计soc，具有高精度、自适应电池老化状态的同时计算资源需求小，收敛迅速的特点。

34、进一步的，步骤5中，所述的更新当前最大可用容量，指的是根据soh估计结果更新状态空间方程中的当前最大可用容量cn，其中的当前最大可用容量cn与soh的映射关系为：

35、cn＝soh·cn(0)    (23)

36、其中，cn(0)为电池额定容量。

37、进一步的，步骤5中，所述的更新等效电路模型参数，是指根据计算的cn查询步骤3中所述的总体模型参数表，更新r0、rs、rp、cs、cp、ocv-soc。

38、与现有技术相比，本发明取得的有益效果是：

39、(1)通过建立适用于宽端电压范围的soc与soh的非线性关联式，充分考虑soc与soh的紧密耦合关系，实现了不同端电压位置soc与soh的准确映射，本发明建立了更贴合实际应用场景中的soc与soh联合估计框架，提升了锂电池状态联合估计的可靠性和准确度；

40、(2)soh估计过程被简化为一个时间步长内即可完成，在不同端电压位置均实现了从soc到soh的准确映射，相比现有的机器学习方法，适用的电压范围更广，相比于基于模型的方法，计算成本更低，计算稳定性更好。