本发明属于锂电池技术领域，公开了一种动力电池SOC估算方法及估算系统，其包含：建立动力电池空间状态模型，确定动力电池空间状态模型的扩展卡尔曼滤波模型；对动力电池进行动力学特性测试，根据动力学特性测试数据对动力电池空间状态模型的扩展卡尔曼滤波模型的匹配系数进行确定；根据卡尔曼滤波模型的匹配系数对SOC进行估算。该系统依托于上述方法，本发明能够克服安时积分法需要准确初始SOC值以及存在误差累积的现有技术问题。
1.一种动力电池SOC估算方法，其特征在于，包括以下步骤：建立动力电池空间状态模型，确定动力电池空间状态模型的扩展卡尔曼滤波模型，所述动力电池空间状态模型包括状态方程和观测方程：所述状态方程：
Utk＝OCVk+U1k+ROk(Ik-θk)，其中，U1为RC两端的电压值，下标k表示第k步，Ut为负载两端电压，OCV为开路电压，其中OCV是与SOC有关的函数，R0为电池内阻，I为电流，T为采样时间间隔；R1为电池极化电阻，C1为电池极化电容；θk项为第k步电流误差项Qn为电池容量；Ke其值为经过多次实验方法，给合所用的BMS采样精度与大功能高精度电池充放电设备测试而经过计算后给出的标定值；
对动力电池进行动力学特性测试，根据动力学特性测试数据对动力电池空间状态模型的扩展卡尔曼滤波模型的匹配系数进行确定；
根据扩展卡尔曼滤波模型的匹配系数对SOC进行估算。
2.根据权利要求1所述的一种动力电池SOC估算方法，其特征在于，所述扩展卡尔曼滤波模型为：算法状态初始值：对于k＝0,定义：
循环迭代计算，对k＝1，2...计算过程如下：状态变量预测估计：
其中yk为k时刻实际测得到的端电压，Qk为过程噪声误差协方差，Rk为观测噪声误差协方差，它们的大小根据具体系统噪声情况而定。
3.一种动力电池SOC估算系统，其特征在于，包括：第一模块：用于建立动力电池空间状态模型，确定动力电池空间状态模型的扩展卡尔曼滤波模型，所述动力电池空间状态模型包括状态方程和观测方程：所述状态方程：
Utk＝OCVk+U1k+R0k(Ik-θk)，其中，U1为RC两端的电压值，下标k表示第k步，Ut为负载两端电压，OCV为开路电压，其中OCV是与SOC有关的函数，R0为电池内阻，I为电流，T为采样时间间隔；R1为电池极化电阻，C1为电池极化电容；θk项为第k步电流误差项Qn为电池容量；Ke其值为经过多次实验方法，给合所用的BMS采样精度与大功能高精度电池充放电设备测试而经过计算后给出的标定值；
第二模块：用于对动力电池进行动力学特性测试，根据动力学特性测试数据对动力电池空间状态模型的扩展卡尔曼滤波模型的匹配系数进行确定；
第三模块：用于扩展根据卡尔曼滤波模型的匹配系数对SOC进行估算。
4.根据权利要求3所述的一种动力电池SOC估算系统，其特征在于，所述第一模块中扩展卡尔曼滤波模型为：算法状态初始值：对于k＝0,定义：
循环迭代计算，对k＝1，2...计算过程如下：状态变量预测估计：
其中yk为k时刻实际测得到的端电压，Qk为过程噪声误差协方差，Rk为观测噪声误差协方差，它们的大小根据具体系统噪声情况而定。
一种动力电池SOC估算方法及估算系统
技术领域
[0001] 本发明涉及锂电池技术领域，尤其涉及一种动力电池SOC估算方法及估算系统。
背景技术
[0002] 随着能源危机和环境问题的日益严重，各国政府及汽车企业越来越重视电动汽车的研发。动力电池及电池管理系统是电动汽车的关键部件，准确进行荷电状态(SOC)的估计对提高电池使用寿命和整车性能有着重要的意义。
[0003] 动力电池的高度非线性使得传统的卡尔曼滤波方面不能得到准确的SOC估计结果，而无迹卡尔曼滤波技术相对计算量比较大，粒子滤波技术计算的复杂程度更大，这两种并不适合在实际工程中应用。目前在估算电动汽车电池这块在实际使用中以安时积分法为主，但安时积分法存在需要准确的初始SOC值，要求很高的精度的电流传感器，计算过程中存在误差积累等问题。
发明内容
[0004] 本发明目的在于提供一种动力电池SOC估算方法及估算系统，以克服安时积分法需要准确初始SOC值以及存在误差累积的现有技术问题。
[0005] 为实现上述目的，本发明提供了一种动力电池SOC估算方法，包括以下步骤：
[0006] 建立动力电池空间状态模型，确定动力电池空间状态模型的扩展卡尔曼滤波模型；
[0007] 对动力电池进行动力学特性测试，根据动力学特性测试数据对动力电池空间状态模型的扩展卡尔曼滤波模型的匹配系数进行确定；
[0008] 根据卡尔曼滤波模型的匹配系数对SOC进行估算。
[0009] 依托于上述方法，本发明还提供了一种动力电池SOC估算系统，包括：
[0010] 第一模块：用于建立动力电池空间状态模型，确定动力电池空间状态模型的扩展卡尔曼滤波模型；
[0011] 第二模块：用于对动力电池进行动力学特性测试，根据动力学特性测试数据对动力电池空间状态模型的扩展卡尔曼滤波模型的匹配系数进行确定；
[0012] 第三模块：用于根据卡尔曼滤波模型的匹配系数对SOC进行估算。
[0013] 本发明具有以下有益效果：
[0014] 1、本发明的估算方法能够克服电流误差的累积，对动力电池SOC进行准确的估算；
[0015] 2、本发明的估算方法对初始值要求精度没有过高的要求；
[0016] 3、本发明的估算方法能够克服一定量的传感器误差，估算精度高。
[0017] 下面将参照附图，对本发明作进一步详细的说明。
附图说明
[0018] 构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
[0019] 图1是本发明优选实施例的一种动力电池SOC估算方法流程图；
[0020] 图2是本发明优选实施例的动力电池一阶RC等效电路图；
[0021] 图3是本发明优选实施例的动力电池模型参数识别用1C放电脉冲图；
[0022] 图4是本发明优选实施例的参数拟合完后，测量电压与计算电压对比图；
[0023] 图5是本发明优选实施例的克服初始SOC存大误差的示意图；
[0024] 图6是本发明优选实施例的克服积累误差的示意图；
[0025] 图7是本发明优选实施例的30％SOC平衡功况时最大误差示意图；
[0026] 图8是本发明优选实施例的50％SOC平衡功况时最大误差示意图。
具体实施方式
[0027] 以下结合附图对本发明的实施例进行详细说明，但是本发明可以由权利要求限定和覆盖的多种不同方式实施。
[0028] SOC的全称是State of Charge，称为荷电状态，也叫剩余电量，代表的是电池使用一段时间或长期搁置不用后的剩余容量与其完全充电状态的容量的比值，常用百分数表示。
[0029] 参见图1，本发明公开了一种动力电池SOC估算方法，包括以下步骤：
[0030] S1：建立动力电池空间状态模型，确定动力电池空间状态模型的扩展卡尔曼滤波模型。
[0031] 利用动力电池的动力学特征符合RC电路的基本特性建立起如图2所示的一阶RC电池的等效电路模型，且因为电路电流测量会存在误差，而误差是随机的，带有不确定性，需要进行大量的试验情况了解BMS电流误差的情况，还需建立电流传感器误差模型。电流传感器误差模型的方程应满足如下形式：
[0032] θk＝Ke*θk-1+rk
[0033] 等效电路模型和电流传感器误差模型离散化后得到由状态方程和观测方程所组成的动力电池空间状态模型。
[0034] 状态方程：
[0035]
[0036] 观测方程:
[0037] Utk＝OCVk+U1k+ROk(Ik-θk)。
[0038] U1为RC两端的电压值，下标k表示第k步，Ut为负载两端电压，OCV为开路电压，其中OCV是与SOC有关的函数，R0为电池内阻，I为电流，T为采样时间间隔。R1为电池极化电阻，C1为电池极化电容；θk项为第k步电流误差项Qn为电池容量。Ke其值为经过多次实验方法，给合所用的BMS采样精度与大功能高精度电池充放电设备测试而经过计算后给出的标定值。
[0039] 对空间状态方程进行泰勒级数张开，略去二次展开以上的项并经过线性化处理后得到扩展卡尔曼滤波模型：
[0040]
[0041]
[0042]
[0043] 算法状态初始值：对于k＝0,定义：
[0044] 循环迭代计算，对k＝1,2...计算过程如下：
[0045] 状态变量预测估计：
[0046] 协方差误差预测估计：
[0047] 卡尔曼滤波增益计算：
[0048] 状态变量最优估计值：
[0049] 协方差最优估计值：
[0050] 其中yk为k时刻实际测得到的端电压，Qk为过程噪声误差协方差，Rk为观测噪声误差协方差，它们的大小根据具体系统噪声情况而定。
[0051] S2：对动力电池进行动力学特性测试，根据动力学特性测试数据对动力电池空间状态模型的扩展卡尔曼滤波模型的匹配系数进行确定。
[0052] 模拟电动汽车动力电池的使用情况，因为车辆在时间运行中大部分情况下的电流都小于1C，所以选择1C电流作为电池的动力学测试电流。对电池进行脉冲放电，每次放电消耗10％的SOC，每放一次电然后静置2个小时消除电池极化。图3所示为动力电池模型参数识别用1C放电的脉冲图。根据测试数据利用最小二乘法来确定动力电池空间状态模型R0、R1、C1的值，模型里面只拟合了RC与R0两端的电压，输入电压为端电压与OCV的电压差，在本拟合中必须要用到电池OCV曲线。参见图4，图4为参数拟合完成后，测量电压与计算电压的对比图，由图4见，测量电压和计算电压基本保持吻合。
[0053] S3：根据卡尔曼滤波模型的匹配系数对SOC进行估算。
[0054] 令状态量xk＝[Sk,U1k,θk]， 为k时刻的预测估计值， 为状态变量最优估计值。上标“-”表示预测估计，“+”表示最优估计。将步骤2所得参数值代入扩展卡尔曼滤波的模型得到SOC的估算值。
[0055] 如图5所示，图5(a)的准确初始SOC值应为0.9，如图5(b)所示，当EKF的SOC初始值调为0.01时，本估算方法很快就能找到准确的SOC值。图5(c)为图5(b)横轴时间缩小104倍的示意图，通过图5(c)能够更加明确的观测到本估算方法能找到准确SOC值。
[0056] 如图6所示，安时积分法输出的SOC值随着时间的拉长误差越来越大，而本发明的估算方法的SOC值基本与真实测量值保持一致。
[0057] 车辆在实际使用中，若一直跑平衡功况，则BMS无法对安时积分法进行校正，则不能及时的消除误差积累等问题；而开路电压法计算SOC则要求电池能够有长时间的静置，不能实时准确的估计电池的SOC值。并且以上的算法并不能处理电流传感器存在一定的漂移的问题。为了验证本发明的估算方法，利用30％SOC平衡工况和50％SOC平衡工况进行验证。通过对传感器精度进行分析，得出电流误差为1％,电压误差正负5毫伏，将此误差加到输入信号中，得到验证矩阵表：
[0058]
[0059]
[0060] 30％SOC平衡功况：就是车辆在这功况下运行，动力电池SOC一直保持在30％左右。同理，50％SOC平衡功况：就是车辆在这功况下运行，动力电池SOC一直保持在50％左右。
[0061] 如上表和图7、8所示，30％SOC平衡功况的最大误差情况为电流误差为入恒定正偏1％，电流误差方差为1安，最大的误差为：4.884％，在整个过程中SOC最大误差小于5％。
50％SOC平衡功况的最大误差情况为电流误差为入恒定正偏1％，电流误差方差为1安，最大的误差为：4.4424％，在整个过程中SOC最大误差小于5％。因此，通过本发明方法得到的SOC值误差很小。
[0062] 验证完算法后，将利用在Simulink Embedded Coder自动生成C代码，并自动将生成的C代码生成S-Funtion，同时运行建立起来的Simulink与S-Funtion模型，来进行软件在环测试，两个模型得到的结果一样，生成的代码正确，软件验证完成。
[0063] 依托于上述方法，本发明还提供了一种动力电池SOC估算系统，包括：
[0064] 第一模块：用于建立动力电池空间状态模型，确定动力电池空间状态模型的扩展卡尔曼滤波模型；
[0065] 第二模块：用于对动力电池进行动力学特性测试，根据动力学特性测试数据对动力电池空间状态模型的扩展卡尔曼滤波模型的匹配系数进行确定；
[0066] 第三模块：用于根据卡尔曼滤波模型的匹配系数对SOC进行估算。
[0067] 优选地，第一模块中动力电池空间状态模型包括状态方程和观测方程：
[0068] 所述状态方程：
[0069]
[0070] 所述观测方程:
[0071] Utk＝OCVk+U1k+R0k(Ik-θk)。
[0072] 优选地，第一模块中扩展卡尔曼滤波模型为：
[0073]
[0074]
[0075]
[0076] 算法状态初始值：对于k＝0,定义：
[0077] 循环迭代计算，对k＝1,2...计算过程如下：
[0078] 状态变量预测估计：
[0079] 协方差误差预测估计：
[0080] 卡尔曼滤波增益计算：
[0081] 状态变量最优估计值：
[0082] 协方差最优估计值：
[0083] 其中yk为k时刻实际测得到的端电压，Qk为过程噪声误差协方差，Rk为观测噪声误差协方差，它们的大小根据具体系统噪声情况而定。
[0084] 以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
