[发明专利]一种动力电池充放电状态估算方法

说明书

本发明公开了一种动力电池充放电状态估算方法，包括根据动力电池的OCV‑SOC曲线，得到初始SOC值SOC₀；由卡尔曼滤波不断修正SOC₀，以逼近真实的初始SOC值；由安时积分法得到具体的SOC值。本发明的动力电池充放电状态估算方法通过实验的方法得到了电池的OCV‑SOC关系，然后引入电池模型并进行参数辨识，得到电池系统的方程，在此基础上，采用安时积分法和卡尔曼滤波算法的基本原理和使用过程，由此得出精度较高且便于在实践中实现的SOC估计算法，采用本发明的方法的SOC估计误差在3％以内，具有良好的精度。

技术领域

本发明涉及一种电池检测的技术领域，尤其涉及一种动力电池充放电状态估算方法。

背景技术

电池的SOC是电池内部参数，无法通过仪器测量来直接获得，并且，SOC容易受到温度，充放电电流倍率，电池老化程度等其他因素影响。因此准确的SOC估计是电池管理系统的一大难点，也是全世界学术界和工业界所研究的重点。在此之前，国内外许多学者已经对SOC估计进行了仔细的研究，并且取得了一定成果。现有的SOC估计方法为以下四大类：直接测量法，模型观测法，非线性滤波算法，智能算法。

直接测量法包括安时积分法和开路电压法等。其中，安时积分法原理简单，计算成本低，易于实现，适用性广，已经在实践中大量使用。但这种方法没有闭环反馈的环节，一旦受到初始值误差，环境噪声，电流漂移等干扰，便会产生累积误差，并随着时间的推移越来越大，无法消除。开路电压法是利用电池开路电压(OCV)与电池SOC近似成正比关系的原理来估计SOC的。但是开路电压无法直接由仪器测量，需要长时间静置后才会测量准确。此外，电池开路电压还受电池温度老化程度等因素影响。因此，这种方法精度不是很高。直接测量法由于原理简单，计算成本低，易于实现等原因已经在工业上普遍使用，但是这种方法精度低，误差也较大，在一些精度需求高的场合经常和其他方法结合使用。

模型观测法是闭环方法，对于SOC的估计具有很好的鲁棒性。模型观测法的模型是指根据动力电池特性构建的物理模型，包括等效电路模型和电化学模型等。等效电路模型结构简单，便于利用电路理论进行计算，可以模拟电池的动态特性，非常适合用于动力电池SOC的估计。典型的等效电路模型有RC模型、Rint模型、Thevenin模型和PNGV模型等。基于这些模型，结合其他方法便衍生出许多SOC的估计方法。

智能算法将一些智能方法应用于电池SOC估计之中，以神经网络和遗传算法为代表。这种方法属于黑箱测试的一种，不需要建立电池的机理模型。由于动力电池内部结构复杂，非线性严重，影响电池状态的因素众多，很难搭建合适的机理模型，因此这种可以直接绕过电池模型的方法具有重大意义。但需要大量的，全面的数据用于训练，一旦训练数据不够，其性能便会大打折扣。此外，大量的数据训练也就需要很高的计算成本，这也极大的限制了这种方法的适用范围。

总的来说，直接测量法由于其成本低，易于实现的原因，使用最为广泛，但其精度较差，会产生累积误差。模型观测法属于闭环控制，具有较好的鲁棒性。智能算法估算精度高，鲁棒性好，但对计算能力要求高，应用较少，目前主要处于实验阶段。非线性滤波法对于解决SOC估计中的非线性具有很好的效果，应用较为广泛。上述方法各有自己的优劣势，通常都是两种或多种方法结合使用，兼顾成本和效果，更好地实现对于电池SOC的估计。

(1)虽然部分电池管理系统的SOC估计精度可以达到5％以内，但这个SOC通常指的是电池总的SOC，目前主流的电池管理系统并未对单体电池的SOC进行估算。

(2)由于大部分电池管理系统并未对单体电池的SOC进行估算，导致电池的均衡只能采用电压均衡。而动力电池在充电和放电过程中，电压相较于静置状态会有一定变化，因此在使用过程中电压很难准确的代表电池的容量，采用电压均衡便会造成较大误差。