[发明专利]基于后向差分离散模型的动力电池SOC估计方法与系统

权利要求书

1.基于后向差分离散模型的动力电池SOC估计的方法，具体步骤如下：

第一步、动力电池后向差分离散模型及参数辨识

1.1.动力电池模型

采用电池的Thevenin模型，电池的极化电阻R_p与电池的极化电容C_p并联构成一阶RC结构，表示电池的极化反应，RC两端电压为U_p(t)；串接欧姆电阻R₀和Uoc，Uoc为电池的开路电压OCV，采样得到电池端电压U(t)和流过欧姆内阻R₀的电流i(t)；

电池Thevenin模型表示如下：

dUp(t)dt=Up(t)RpCp+i(t)Cp]]>

U(t)＝U_OC(t)-R₀i(t)-U_p(t)；

1.2 模型离散化及参数辨识

1.2.1 模型离散化

用后向差分法对上述电池模型离散化，得差分方程，整理后得

U(k)-U_OC(k)＝a[U(k-1)-U_OC(k-1)]+bI(k)+cI(k-1)

式中，Uoc(k)表示k时刻的开路电压；U(k)为当前k时刻的电池端电压；I(k)为当前k时刻的回路电流；a,b,c为模型参数；

a、b和c与电池后向差分离散模型参数的关系如下：

R0=ca]]>

Rp=-ab-ca(1-a)]]>

Cp=Ta2-ab-c]]>

其中T为采样周期；

1.2.2 电池差分离散模型的参数辨识

含遗忘因子的最小二乘算法辨识模型参数θ(k)的估计值的过程如下：

θ^(k)=θ^(k-1)+K(k)e(k)]]>

其中：

式中：φ(k)为数据向量，θ(k)为估计参数向量，e(k)为U(k)的预计误差，初值和P(0)根据经验赋值，为θ(k)的估计值，λ为遗忘因子，λ＝0.95～1；

由FFRLS算法求得a、b、c的值，从而得到模型参数R₀，R_p,C_p,U_OC值；

第二步、基于自适应扩展卡尔曼滤波AEKF的电池电荷状态SOC估计

选取SOC及电容C_p的端电压为状态变量X，即k时刻的状态X，表示为X_k＝[SOC_k U_p,k]^T，系统状态方程和量测方程如下：

Xk=Ak|k-1Xk-1Bk-1ik-1+wk-1Yk=Uoc(SOCk)-R0ik-Up,k+vk]]>

其中，ν_k是量测噪声，U_oc(SOC_k)表示电池开路电压U_oc与SOC之间的非线性关系，如下：

U_oc(SOC_k)＝k₁SOC_k⁸+k₂SOC_k⁷+k₃SOC_k⁶+k₄SOC_k⁵+

k₅SOC_k⁴+k₆SOC_k³+k₇SOC_k²+k₈SOC_k+k₉

通过在线辨识得到的某个型号动力电池开路电压U_oc与实验得到的该型号动力电池SOC，运用最小二乘法求得该型号动力电池系数k₁～k₉；

AEKF算法估计SOC过程如下：

2.1 状态估计：

X_k＝[SOC_k U_p,k]^T状态的在当前时刻的k估计值

X^k|k=X^k|k-1+Kk(Ym|k-Y^k)]]>

其中K_k、表达式为

其中分别表示状态X_k＝[SOC_k U_p,k]^T在基于当前时刻看状态的时刻k的估计值,在基于前一时刻状态下时刻k的估计值,在基于前一时刻状态下时刻k-1的估计值，k是当前时刻，k-1是前一时刻；Y_m|k是k时刻电池端电压的测量值,是k时刻更新后的端电压预测值，是基于前一时刻状态下k时刻SOC的预估值，Q_k是系统过程噪声w_k的协方差，R_k是系统量测噪声v_k的协方差；

2.2 递推计算过程中的参数与状态的更新：

2.2.1 参数Q_k、R_k更新

其中，μ_k是k时刻更新后的端电压预测值与端电压真实值的差值，F_k是每L个时刻对应差值的平均值，L是自适应窗口；

2.2.2 状态更新：

其中，Q_N为动力电池的额定容量，η表示充放电效率。