[发明专利]一种估算动力锂电池SoC的新方法

说明书

技术领域

本发明涉及电池荷电状态的估计领域，具体是一种估算动力锂电池SoC的 新方法。

背景技术

今年来，新能源电动汽车的发展已经由当初的萌芽阶段发展到了瓶颈期， 而电源管理系统(Battery Management System,BMS)成为制约其突破发展的关 键技术。电源管理系统主要包括电池荷电状态(State of Charge，SoC)的估计， 电池温度的监测，以及电池过压、过流、过充、过放、过高温的保护等。其中， 电池SoC主要完成电池剩余容量的估计，为驾驶员提供续航里程等信息，由于 锂电池本身结构复杂，工作中受不同工况、周围温度，以及自身老化等因素的 影响，所以电池SoC的估计相当困难。

目前，锂电池SoC估计方法主要有开路电压法、安时积分法、神经网络法、 卡尔曼滤波法等等。开路电压法需要对电池进行放电实验来获取OCV与SoC的 对应关系，多应用于电池SoC初始值的获取。安时积分法原理简单、便于实现， 但存在累积误差的问题，一般与开路电压法进行联合使用。

除了开路电压法、安时积分法外，应用智能算法的锂电池SoC估计大多数 都依赖于锂电池等效电路模型的具体参数。由于锂电池的动态非线性特点，及 其在工作过程中会受到不同工况、环境温度等等因素的影响，实际建模过程中 难以将这些因素都反映到所需的模型参数中去。因此，不管是采用离线辨识还 是在线辨识的模型参数都存在误差，且随着误差的不断累积会影响所建立模型 的准确度，最终影响到SoC的估算精度。

发明内容

鉴于以上缺陷，本发明提出了一种能够避免辨识模型参数的SoC估计方法， 即基于自回归各态历经(autoregressive exogenous,ARX)模型和自适应卡尔曼滤 波的动力锂电池SoC估计(简写为：ARX-AKF)。本发明首先建立了锂电池ARX 模型，然后采用遗传算法对该模型的系数进行优化求解，同时采用递推最小二 乘法对该模型的系数进行求解；然后根据所获得的ARX模型系数和锂电池状态 方程建立卡尔曼滤波所需的空间状态方程，最后利用卡尔曼预测迭代方程实现 锂电池SOC的估计。

为了实现上述目的本发明采用的具体技术方案是：一种估算动力锂电池SoC 的新方法，包括以下步骤：

步骤一，以动力锂电池等效电路模型(n阶动力学模型)为依据，建立锂电 池的ARX模型：

A(q)V(k)＝B(q)·I(k)+ε(k)

A(q)＝1+a₁q^-1+a₂q^-2+...+a_mq^-m

B(q)＝b₀+b₁q^-1+b₂q^-2+...+b_nq^-n

式中，V(k)和I(k)分别为输出量和输入控制量，q为延迟算子，ε(k)为白噪声，a_m、b_n为待辨识的系数，m、n表示ARX模型的阶数。

步骤二，采用基于AIC准则的遗传算法确定ARX模型的阶数，然后利用递 推最小二乘法获得该模型的系数。

其中遗传算法中利用最小信息准则(AIC)设计遗传算法的适应度函数，具 体如下式：

式中，m、n表示ARX模型的阶数，V_L,k表示第k个时刻电池负载电压 V_L的测量值，表示第k个时刻的估计值，N表示用于参数估计的数据。

上述确定了模型阶数，接着要确定模型系数。锂电池ARX模型系数的求解 通过递推最小二乘法实现，具体如下：

式中，表示被辨识的参数，θ＝[a₁...a_m b₁...b_n]；表示观测向量， L(k)表示增益因子；Γ(k)表示测量的协方差 阵。

步骤三，根据所获得的ARX模型系数和锂电池状态方程建立卡尔曼滤波所 需的空间状态方程，利用卡尔曼滤波算法的递推公式，迭代获得锂电池SoC。

卡尔曼滤波所需的状态空间方程为