[发明专利]磷酸铁锂动力电池剩余容量的估算方法

说明书

技术领域

本发明涉及一种磷酸铁锂动力电池剩余容量的估计方法，具体涉及通过磷酸铁锂动力 电池电化学模型和扩展卡尔曼滤波算法相结合，对磷酸铁锂动力电池剩余容量进行估计的 方法。

背景技术

由于电动汽车能很好地解决一直困扰人们的环保和能源问题，而得到蓬勃发展。目前 应用于电动汽车的动力电池主要有铅酸电池、镍氢电池和锂离子电池。此三种动力电池各 有优缺点，而磷酸铁锂动力电池能更好地满足电动汽车对车载电池的要求，并以其高效率 输出，即便处于高温状态性能也很稳定，安全性好，极好的反复循环性能，寿命长等优点 而迅速得到广泛的应用。

电池的剩余容量又称荷电状态(state of charge，SOC)是电池状态的主要参数之一， 为电动汽车整车控制策略提供依据。由于电池生产技术的限制，动力电池为电动汽车整车 成本较高的部件之一，也是目前电动汽车推广的关键技术问题，研究电池的检测和状态监 控，合理利用电池，提高电池使用寿命，降低维护成本等，都必须将电池剩余容量控制在 一个合理的范围之内。准确和可靠地获得电池剩余容量是电池智能管理控制系统中最基本 也是最首要的任务。

目前国内外在对电池剩余容量的准确估计已做了不少研究，常用的估计算法有安时积 分法、开路电压法和模糊神经网络法等等。

安时计量法是目前应用最广泛，最简单易行的电量估计方法，它是利用电流在时间段 的积分来计算电池的剩余容量。该方法存在累计误差越来越大的问题，且不适宜于电池的 在线估计。

开路电压法是利用电池的开路电压与SOC的单调关系，通过建立剩余容量(SOC)- 开路电压(OCV)之间的关系曲线，根据检测到的开路电压值确定SOC值。该方法对SOC -OCV关系测量较严格，只适用于SOC随OCV变化明显的电池。

模糊神经网络法依靠大量的样本数据来训练建好的模糊神经网络模型，这种方法对训 练方法和训练数据的依赖性很大。目前国内外绝大多数成果停留在计算机仿真结果阶段， 离具体实际应用还有一定距离。

对于磷酸铁锂动力电池而言，其电池组充放电倍率大，电流变化剧烈，电池管理系统 的SOC需要精度高。而且最好是实时在线估计，电动汽车整车控制策略是根据电池组的SOC 随时调整的，在任何时刻都必须提供当前的SOC值。要保证电动汽车长期运行，估计就不 能存在累计误差，即使在初始存在误差的情况下，也要求能够通过运行一段时间收敛到真 实值附近。目前国家标准要求误差不超过8％，而现有技术的估计方法不容易满足。

发明内容

针对现有技术存在的上述不足，本发明的目的是提供一种可以更准确估计磷酸铁锂动 力电池剩余容量，并且累计误差小，能自动收敛到真实值的基于磷酸铁锂动力电池的电化 学模型用扩展卡尔曼滤波算法对磷酸铁锂动力电池剩余容量进行估计的方法。

本发明的目的是这样实现的：磷酸铁锂动力电池剩余容量的估算方法，由外部检测电 路检测得到磷酸铁锂动力电池k时刻的电池端电压值y_k(即为实际观测值)和电池的电流 值I_k(即模型的输入值u_k)，并输入固入程序的计算机芯片中，由计算机芯片进行估算， 执行步骤包括：

(1)建立磷酸铁锂动力电池的电化学模型，得到端电压方程；

(2)根据该电化学模型的端电压方程用卡尔曼滤波算法获得电池剩余容量：

电池剩余容量＝电池负极中固相锂离子平均浓度/充満电时锂离子最大浓度。

进一步，其电化学模型中的固相锂离子浓度方程可假设锂离子均匀分布和由多项式近 似的方法来处理，从而得到扩展卡尔曼滤波算法的状态方程。

相比现有技术，本发明具有如下优点：

1、本方法基于磷酸铁锂动力电池的电化学模型，模型准确性好，精度高；采用扩展 卡尔曼滤波算法进行递归估计，具有估计准确、累计误差小的特点。