[发明专利]一种锂离子电池的SOC和SOH联合估计方法

说明书

本发明实施例公开了一种锂离子电池的SOC和SOH联合估计方法，用于解决现有技术在实施SOC和SOH联合估计时，其可用容量状态模型通常较为简单，较难刻画可用容量复杂的衰减规律，精度难以保证；采用的卡尔曼滤波类和递归最小二乘方法本质上属于线性化方法，对具有复杂动态运行工况的非线性电池模型，稳定性较差，收敛速度较慢的技术问题。本发明实施例方法包括：构建锂离子电池的离线等效电路模型；根据离线等效电路模型构建锂离子电池的滚动时域SOC估计优化模型；基于滚动时域SOC估计优化模型对锂离子电池的SOC和可用容量进行在线联合估计。

技术领域

本发明涉及锂离子电池技术领域，尤其涉及一种锂离子电池的SOC和SOH联合估计方法。

背景技术

锂离子电池因具有高能量密度、长循环寿命和低自放电率等优点，已开始广泛地应用于新能源汽车和规模储能等领域。荷电状态(State of Charge,SOC)估计是电池管理系统的核心，是实现充放电控制、均衡控制、安全管理等其他功能的基础。随着充放电循环，电池健康状态(State of Health,SOH)会逐渐劣化，主要体现在可用容量衰减和内阻增大，需要建立SOH预测模型，并适当融合，以提高在电池全寿命周期内的SOC估计精度和适用性。目前，在电池管理系统中，可用容量估计模型基本通过离线的电池老化测试数据构建，与SOC估计模块的融合较为松散，适用性较差，精度难以保证。现有研究虽提出了SOC与SOH的联合估计方法，如联合卡尔曼滤波、双重卡尔曼滤波、递归最小二乘等方法，以提高在不同电池老化状态下的SOC估计精度，但所提方法大部分本质上属于线性化状态估计方法，需要对非线性电池模型实施局部线性化操作，在电池复杂动态运行过程中，此线性化策略将导致算法稳定性较差，效果难以保证。卡尔曼滤波类方法的参数较难确定，对SOC初始误差较为敏感，收敛速度较慢，有待进一步提高；递归最小二乘方法对复杂非线性问题的估计效果往往难以保证。此外，在SOC和SOH联合估计方法中，可用容量的状态模型往往通过加入一个噪声项予以描述，较为简单，难以精确地刻画复杂的容量衰减规律。

发明内容

本发明实施例提供了一种锂离子电池的SOC和SOH联合估计方法，解决了现有技术在实施SOC和SOH联合估计时，其可用容量状态模型通常较为简单，较难刻画可用容量复杂的衰减规律，精度难以保证；采用的卡尔曼滤波类和递归最小二乘方法本质上属于线性化方法，对具有复杂动态运行工况的非线性电池模型，稳定性较差，收敛速度较慢的技术问题。

本发明实施例提供的一种锂离子电池的SOC和SOH联合估计方法，包括：

构建锂离子电池的离线等效电路模型；

根据离线等效电路模型构建锂离子电池的滚动时域SOC估计优化模型；

基于滚动时域SOC估计优化模型对锂离子电池的SOC和可用容量进行在线联合估计。

优选地，构建锂离子电池的离线等效电路模型包括：

根据锂离子电池的四个电路元件的多项式函数模型构建锂离子电池的离线等效电路模型，四个电路元件包括开路电压、欧姆内阻、极化内阻、等效电容。

优选地，开路电压的多项式函数模型通过对锂离子电池的SOC-OCV曲线数据进行最小二乘辨识获得。

优选地，欧姆内阻、极化内阻、等效电容的多项式函数模型的系数均通过锂离子电池的HPPC工况测试数据进行辨识并通过求解锂离子电池的电压的最小二乘误差模型获得。

优选地，欧姆内阻、极化内阻、等效电容的多项式函数模型的阶数根据锂离子电池的DST工况测试数据的预测结果进行确定。

优选地，基于滚动时域SOC估计优化模型对锂离子电池的SOC和可用容量进行在线联合估计包括：