一种动力锂电池荷电状态估计方法及系统

本发明属于动力锂电池soc估算，具体涉及一种动力锂电池荷电状态估计方法及系统。

背景技术：

1、本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

2、电池管理系统(battery management system，简称：bms)是电动汽车三大核心部件(即电池、电机和电控)之一。电池的荷电状态soc(state of charge)参数是动力锂电池健康状况主要判断指标。精确的soc数据能够大幅延长电池的使用寿命，优化电池组的控制策略以更好地发挥动力电池的性能，提高电动汽车可靠性。但电池的荷电状态参数目前还无法通过直接测量获得，只能依据电池电压、电流、内阻以及电池所处环境对荷电状态进行估算，因此，动力锂电池的荷电参数一直是bms系统厂家的研究热点。

3、受电池模型精度和参数稳定性影响，目前经过多个工作周期后的动力锂的电池荷电状态估计精度还不能满足应用需要，这经常导致新能源汽车的续航里程指示不准确，从而引起新能源汽车在公路上抛锚。越时在节假日等交通拥挤时，抛锚现象越变得更加严重，造成巨大的安全隐患。目前大部分bms厂商使用的经典thevenin电池模型尽管也包含了电池的极化，但其精确度并不高，难以准确获得电池的化学状态。尽管通过二阶rc网络与智能算法的联合改进可以提升模型的预测准确率，但是仍然不能从根本上解决模型自身存在的误差这一瓶颈问题。过高阶的rc网络模型虽然可以在有限范围内提高荷电状态的估算精度，但数据计算过于复杂，对处理器的计算与存储资源要求极高，难以实际应用。

4、根据对现有公开技术和市场调研发现，大部分动力锂离子电池soc估算的实现方案主要有：安时积分法、开路电压法、神经网络法、卡尔曼滤波法等。其中，安时积分法需要小步长以确保数值稳定性，引入数值误差，长时间模拟可能失真，刚性问题需要更小的步长，在高维问题中复杂性急剧上升，不适用于非光滑系统。神经网络法的缺点包括大数据需求，黑盒性，过拟合风险，计算复杂性高，超参数调整难，不适用于小样本，可能存在偏见问题。而无迹卡尔曼滤波(unscented kalman filter，简称ukf)算法在动力锂电池刚投入使用时实现soc参数的较准确估计，但随着电池使用时间的增加，由于充放电的不规律，电池内部的参数和状态变呈现出强烈的非线性，特别在动力锂电池上曾存在过充、欠充、过放等操作后，卡尔曼滤波的soc参数估算精度会明显下降。因此，亟需研发一种对处理器计算资源要求不高的电池模型，且能满足修正各种不规范操作后引起动力锂电池非线性的soc估计算法。

技术实现思路

1、本发明为了解决上述问题，提出了一种动力锂电池荷电状态估计方法及系统，本发明可以显著提高在线参数辨识精度。

2、根据一些实施例，本发明采用如下技术方案：

3、一种动力锂电池荷电状态估计方法，包括以下步骤：

4、建立动力锂电池的三阶rc等效电路模型，确定模型的方程组；

5、对三阶rc等效电路模型的方程组进行变换，得到传递函数，将传递函数转化为差分方程，采用遗忘因子递归最小二乘法推导出三阶rc等效电路模型的电路参数；

6、且在推导过程中，利用模拟退火算法优化遗忘因子；

7、基于得到的电路参数，利用自适应h无穷无迹卡曼滤波算法估计动力锂电池荷电状态。

8、作为可选择的实施方式，三阶rc等效电路模型为：

9、

10、其中，uoc代表电源的开路电压，r0代表电池的欧姆内阻，r1代表电化学极化内阻，r2代表电化学极化内阻，r3代表浓度差极化内阻，c1代表电化学极化电容，c2代表电化学极化电容，c3代表浓度差极化电容，ut代表端部电压，i是电流，u1、u2、u3分别代表电容c1、c2、c3的三个回路端电压；

11、利用安时积分法确定荷电状态soc，

12、式中，t0为放电起始时刻，t当前时刻，η为库伦效率，通过计算电池的放电容量与充电容量之比来衡量，qc则表示电池的额定容量，对上述进行离散化，得到模型的状态方程和输出方程。

13、作为可选择的实施方式，采用遗忘因子递归最小二乘法推导出三阶rc等效电路模型的电路参数的具体过程包括：

14、在递归最小二乘法参数辨识中引入遗忘因子λ，以根据电流的大小进行实时变化，电流波动大于设置值时，λ尽量减小，，反之增大，以增强辨识过程中的平稳性，形成的最小二乘法参数辨识方程为：

15、

16、其中，k为校正权重值，φ为测前向量，是解码前待辨识的参数，p(k)是协方差矩阵。

17、作为可选择的实施方式，采用遗忘因子递归最小二乘法推导出三阶rc等效电路模型的电路参数的具体过程中，将每一时刻开路电压与端电压的差值和电池电流值作为输入值，通过不断迭代来修正协方差矩阵和权因子矩阵，并求出参数矩阵，矩阵里的参数为等效电路模型传递函数z域各项环节系数，根据电池的三阶rc等效电路模型，对电池进行参数辨识。

18、作为可选择的实施方式，利用模拟退火算法优化遗忘因子的具体过程包括以终端电压误差最小为优化目标，在设定遗忘因子的可选范围内，以遗忘因子为优化变量进行迭代优化，对参数进行最优估计。

19、作为可选择的实施方式，利用自适应h无穷无迹卡曼滤波算法估计动力锂电池荷电状态的具体过程包括：

20、进行参数初始化；

21、对协方差矩阵进行运用奇异值分解，计算采样点和相应的权重值；

22、时间更新，计算先验状态估计变量的期望值和误差协方差矩阵需要状态变量；

23、测量更新，计算输出预测值和协方差矩阵；

24、对后验状态估计值进行修正；

25、利用自适应算法对噪声协方差矩阵进行校正。

26、作为进一步的实施方式，对后验状态估计值进行修正的具体过程包括根据锂电池状态方程特点，得到其中，γ2取最大的特征值，通过调节γ2提高对非高斯噪声的鲁棒性，修正计算协方差矩阵时遇到的病态矩阵，其中协方差的后验估计值，是协方差的后验估计值，γ2是h无穷算法中代价函数，pxy,k是采样点观测预测和状态预测互协方差，r是噪声协方差矩阵。

27、作为进一步的实施方式，利用自适应算法对噪声协方差矩阵进行校正的具体过程包括：计算模型k时刻输出的端电压误差值，计算模型k时刻端电压误差协方差的近似值，并通过求取端电压差值的协方差来更新噪声系数qk和rk。

28、一种动力锂电池荷电状态估计系统，包括：

29、模型构建模块，被配置为建立动力锂电池的三阶rc等效电路模型，确定模型的方程组；

30、参数辨识模块，被配置为对三阶rc等效电路模型的方程组进行变换，得到传递函数，将传递函数转化为差分方程，采用遗忘因子递归最小二乘法推导出三阶rc等效电路模型的电路参数；

31、遗忘因子优化模块，被配置为在推导过程中，利用模拟退火算法优化遗忘因子；

32、荷电状态估计模块，被配置为基于得到的电路参数，利用自适应h无穷无迹卡曼滤波算法估计动力锂电池荷电状态。

33、一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成上述方法中的步骤。

34、与现有技术相比，本发明的有益效果为：

35、本发明提出了动力锂电池三阶rc网络的等效电路模型，使用模拟退火优化算法，对遗忘因子最小二乘法(ffrls)中的遗忘因子进行优化。以终端电压误差最小为优化目标，在设定遗忘因子的可选范围内，实时自适应动态优化合适的遗忘因子，避免遗忘因子选择不佳导致的数据饱和问题，从而提高在线参数辨识精度。

36、本发明根据动力锂电池的三阶rc网络等效电路模型，将状态估计期望值和误差协方差矩阵转换为三阶形式。这不仅能够全面兼顾电池的极化特性，而且能够实时、精确地反应锂离子电池的状态信息，使动力锂电池充放电的动静态特性具有更好的可实施性。

37、本发明并在参数辨识中采用模拟退火优化算法，对遗忘因子最小二乘法(ffrls)中的遗忘因子进行优化。然后针对ukf算法中的噪声引入h无穷滤波算法，通过最小化代价函数过滤非高斯噪声，并运用奇异值分解(singularly valuable decomposition,svd)方法解决了协方差矩阵pkcholesky分解产生病态矩阵的问题。最后加入自适应环节，解决了状态噪声协方差矩阵和量测噪声协方差矩阵初始值不确定的问题。能够有效提高了动力锂电池的soc估算精确度，能够更好地适用于非线性时变系统，有效增强估算算法的鲁棒性，从而保证锂电池soc估计的准确性与可行性，进一步提高新能源汽车行驶的可靠性。

38、本发明不仅能够全面考虑电池的极化特性，具有容性和阻性的双重优势，而且能够实时、精确地反应锂离子电池的状态信息，并且可以充分的地表达锂电池充放电的动静态特性，从根本上解决了模型自身存在的误差这一瓶颈问题。

39、为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。