[发明专利]一种基于动态参数辨识的EKF估算铅酸电池SOC方法

说明书

本发明公开一种基于动态参数辨识的EKF估算铅酸电池SOC方法，包括如下步骤：根据铅酸电池性能，结合经验模型，建立铅酸电池数学观测模型；根据不同电流下放电测试得到的放电数据，结合铅酸电池模型，辨识不同电流范围下铅酸电池模型参数；根据实时测量的铅酸电池电流，动态调整铅酸电池模型参数，采用扩展卡尔曼滤波法，实现对铅酸电池SOC进行估算。本发明的优点是具有很好的收敛性，且估算不受SOC初值影响，能适应不同放电电流的工况。

技术领域

本发明涉及铅酸电池技术领域，特别涉及一种估算铅酸电池SOC的方法。

背景技术

随着近年来储能行业的快速发展，铅酸电池以其储能成本低，可靠性好，效率高，已经成为电力、通信、交通、国防等各个部门最为成熟和应用最为广泛的储能电池之一。对铅酸电池的运行状态，特别是剩余容量荷电状态SOC进行在线准确监测对于电池(本专利中所述电池是指铅酸电池)的运行管理变得尤为重要。现阶段获得实际应用的SOC估算方法有：

放电试验法：该方法通过对电池进行恒流放电，在到达电池下限时记录时间，计算时间与电流的乘积，得到电池所放电量，与容量的比值即为SOC估计值。这种方法计算结果可靠、准确，但只能离线估算SOC，且放电试验耗时严重。

开路电压法：根据开路电压(OCV)和SOC的关系通过查表法来估算SOC。OCV的获取需要在充放电后静置较长时间，不适合在线估算SOC。OCV-SOC曲线在SOC的较大范围内是较平滑的，OCV的轻微误差可能会导致SOC估算误差很大。另外，由于电池的迟滞效应，充电和放电时的OCV-SOC是两条不同的曲线，增加了估算的复杂性。

内阻法：该方法根据测得的电池内阻来估算SOC，其前提是内阻和SOC有良好的线性关系。实际上电池SOC在40％-50％以上时，内阻基本不变化，而当SOC低于30％-40％时很快升高，两者并非简单的线性关系；另一方面，电池内阻的准确测量在现阶段仍存在很大困难。

安时积分法：通过对电流积分，累积电池在充电或放电时的电量来估计电池的SOC。该方法容易实现并且广泛使用，但是存在获取初始校正值困难和电流测量精度导致累计误差的问题。另外安时法不适合电流频繁剧烈波动的场合。

神经网络法：选取样本数据训练并构建神经网络，然后根据实时输入数据输出SOC值。存在训练样本数据选取困难的问题：一方面选取哪些输入量(电压、电流、温度和内阻等)；另一方面还需获取不同使用时长旧电池的试验数据。数据量大，且难以考虑所有的情况。除此之外，对于神经网络隐藏层的层数和神经元数选取，目前尚无相应的理论支撑。

卡尔曼滤波法：卡尔曼滤波法根据采集到的电压电流，通过递推算法得到SOC的最小方差估计。该方法不受SOC初值影响，能够逐渐逼近到SOC真实值；也能解决误差累计的问题。卡尔曼滤波算法只能用于线性系统，而电池为高度非线性系统，因而采用适用于非线性系统的扩展卡尔曼滤波算法(EKF)来估算电池SOC。

目前研究卡尔曼滤波算法估算SOC的文献，多是采用固定模型参数的方案，即通过一次完整的放电过程来辨识参数，并固定使用该参数。然而使用固定参数模型EKF法存在如下问题：1)实际电池运行中，电流不会是一直固定的，尤其是在用电池调频的场合，电流变化很频繁。用某一固定电流放电过程中的数据来确定电池模型，难以使该模型适用于电流变化的情况；2)电池是复杂的非线性系统，其模型是时变的，不适合采用固定模型；3)通过仿真试验发现：在电流变化时，如果采用固定参数的EKF法，误差可能会很大甚至不收敛，比如固定采用15A时的放电数据辨识的参数，当估算放电电流为37.5A时的SOC值，会出现估算误差很大甚至不收敛的情况，如说明书附图2所示。

如何解决电池电流频繁且大范围波动时的EKF估算SOC的误差和收敛性问题，是EKF估算SOC的关键。

发明内容