[发明专利]基于隐马尔可夫模型的锂离子电池剩余容量估计方法

说明书

技术领域

本发明涉及锂离子电池管理系统和剩余容量估计技术领域，具体来说，本发明涉及一种基于隐马尔可夫模型的锂离子电池剩余容量估计方法。

背景技术

随着移动电子设备、电动汽车等产品的迅猛发展，锂离子电池(以下简称锂电池)正得到越来越广泛的应用。在锂电池的实际应用中，需要对电池剩余容量进行实时的估计，以确保以锂电池作为电源的设备或产品系统进行正常的工作。然而，在目前的锂电池管理系统中，对电池剩余容量的估计仍然是一个未能得到很好解决的问题。这是由于锂电池在实际工作过程中荷电状态(State of Charge，简称SOC)易受放电速率、自身温度、自放电、老化等多重因素的影响而发生变化。因此，对锂电池SOC和剩余容量进行实时的和准确的估计是困难的。

目前，锂电池剩余容量估计方法主要有库仑积分法、开路电压与库仑积分结合法、阻抗跟踪法等。库仑积分法的原理是通过对电流的实时测量，对流入或流出的电量进行统计。该方法原理简单，实现方便。但在电流测量存在偏置误差的情况下，基于库仑积分法的剩余容量估计存在一个随时间增长的累积误差。而开路电压与库仑积分结合法一般是指在库仑积分法的基础上，利用开路电压(Open Circuit Voltage，简称OCV)与SOC之间的关系，在电池处于松弛状态(电流为零或接近于零)时对电池SOC和剩余容量进行校正。这种方法是对单纯的电流积分法的改进，性能比电流积分法更好。但在这种方法中，OCV与SOC的关系被通过表格或线性分段模型固定下来，而没有考虑特定SOC下OCV实际上是一个符合某种概率分布的随机变量，从而使得通过OCV求得的SOC可能存在较大误差。阻抗跟踪法也利用了库仑积分和OCV与SOC之间的关系，但其核心思想是实时跟踪电池内部的阻抗变化，并借此对电池输出电压的变化趋势进行预测，最终达到对剩余容量进行估计的目的。这种方法的问题在于对锂电池阻抗进行精确的建模和预测是困难的，而不准确的阻抗模型将导致剩余容量估计的误差较大。

发明内容

本发明所要解决的技术问题是提供一种基于隐马尔可夫模型的新的锂离子电池剩余容量估计方法，能够使剩余容量估计达到较高的精度。

为解决上述技术问题，本发明提供一种基于隐马尔可夫模型的锂离子电池剩余容量估计方法，包括：

步骤1：通过尽可能多的观测数据，建立隐马尔可夫模型的任意两个状态之间的转移概率和开路电压的观察概率；

步骤2：对所述电池的新个体进行初始化，确定所述电池的最大容量；令k＝N-1，QP＝0，k为所述电池的松弛状态标号，N为隐马尔可夫模型的状态的总个数，QP为所述电池从一个松弛状态转到另一个松弛状态期间流入和流出所述电池的电量的净值；

步骤3：所述电池进行充电或者放电，对其剩余容量进行实时估计；

步骤4：判断所述电池是否已进入一新的松弛状态；如结果为“否”，则返回上述步骤3；如结果为“是”，则转到下述步骤5；

步骤5：确定所述电池所处的隐马尔可夫模型的新的松弛状态标号；

步骤6：更新所述剩余容量；

步骤7：令QP＝0，k＝q，q为所述电池的新的松弛状态标号；然后返回上述步骤3，进行新的充电或者放电过程。

可选地，在上述步骤2中，通过将所述电池从起始“放空”状态充电至“满充”状态，确定所述电池的最大容量。

可选地，在上述步骤3中，按照传统的库仑积分法对所述电池的剩余容量进行实时估计。

可选地，在上述步骤5中，所述电池所处的隐马尔可夫模型的新的松弛状态标号是由下式确定的：

其中，q为新的松弛状态标号，a_ki(r)为隐马尔可夫模型的任意两个状态之间的转移概率，b_i,T(OCV)为开路电压的观察概率。

可选地，在上述步骤5和上述步骤6之间还包括：

步骤5a：对所述电池的所述最大容量进行校正。

与现有技术相比，本发明具有以下优点：

本发明提出的锂电池剩余容量估计方法采用隐马尔可夫模型(HMM)这种新的统计模型对锂电池的特性进行建模，将较多的锂电池先验知识用于其剩余容量估计中。相对现有技术，该方法能够显著地提高锂电池剩余容量估计的准确度。

附图说明

本发明的上述的以及其他的特征、性质和优势将通过下面结合附图和实施例的描述而变得更加明显，其中：

图1为本发明一个实施例的基于隐马尔可夫模型的锂离子电池剩余容量估计方法中的某一松弛状态k与其它松弛状态之间的概率关系图；