[发明专利]一种动力电池健康与功率状态在线估算方法及系统

说明书

本发明提供了一种能精确地估算电池当前健康状态SOH值和功率状态SOP值的动力电池健康与功率状态在线估算方法及系统。本发明包括以下步骤：步骤1：基于带遗忘因子递推最小二乘法的电池二阶RC模型参数辨识；步骤2：基于滞变电压模拟的开路电压纠偏；步骤3：基于双扩展卡尔曼滤波的SOC和SOH计算；步骤4：基于二阶RC等效电路模型的SOP估算。本发明保证了参数反算的稳定性，实现了计算量小且稳定的目的，实现了对电池时变参数动态跟踪和对电池健康状态SOH实时估算，提高了计算精度，使得计算集成紧凑、消去了冗余计算，提供了计算效率。

技术领域

本发明涉及新能源汽车领域,具体涉及一种动力电池健康与功率状态在线估算方法及系统。

背景技术

随着新能源汽车、无人驾驶和人工智能技术的快速发展，为这些技术提供能源平台的动力电池具有越来越大的市场需求，但同时对电池使用过程的控制也越来越精细。其控制的目的一方面是为了正确合理地使用电池、避免对电池造成损害，从而减少成本；另一方面是为了合理管理电池、控制其能源分配实现高的使用效益，满足用户对车辆舒适性和安全性的要求。然而，电池使用精细控制是建立在对电池瞬时状态的实时估算基础上的；一般包括电池荷电状态、健康状态和功率状态。

电池状态是其隐性参数，不能通过对电池外部参数的测量而直接获得，而是通过它们与电池外部行为的关联关系，逆向求解出来。这种求解具有诸多难点，包括参数的动态变化、关联关系建模精度、各类随机噪声、可用测量方式限制和估算的实时要求等。SOH(电池健康状态值)和SOP(电池功率状态值)的估算主要以电流和端路电压为输入数据，目前学术界和工业界从两条路径探索其逆向求解方法：基于数据驱动的方法和基于等效模型的方法。

基于数据驱动的方法是通过对历史上记录的电流、电压和对应标记状态数据进行统计回归分析、特征提取和映射规律曲线拟合等途径，估算电池当前状态参数。近年来，随着相关联的机器学习技术迅猛发展，基于数据驱动的SOH状态估算方法得到广泛的研究。主要方法有人工神经网格、支持向量机、高斯过程回归、时间序列趋势预测。数据驱动方法的主要优点体现在它们的统计学习特征，独立于对象的物理机理，可以采用具有一般通用性的算法。但此方法需要大量标记后的测量数据，对预测模型训练。

基于等效模型的方法是对电池物理机理用数学模型表达的基础上，对模型参数辨识，用模型对状态值进行预测、并用测量数据对其校正后得到需要的状态估算值。该方法不需要太多的预先测量数据就能实现实时的状态估算，它是目前阶段在工业界较为可行的解决方案。在SOH估算中，常用RC等效电路模型表达电池各类参数与状态之间的动态变化关系，用卡尔曼滤波和粒子滤波等方法过滤模型噪声和观测噪声对预测数值的影响。作为电池蓄电能力指标，SOH主要有两种计算方法：基于容量计算方法和基于内阻计算方法。前者是电池当前容量与初始容量的比值，后者是电池寿命终止内阻与当前内阻之差相对于寿命终止内阻与初始内阻之差的比例。基于等效模型方法目前面临的主要问题是模型动态参数辨识的稳定性、对初值和统计特征参数的依赖性。

电池SOP状态是当前充电或放电峰值功率与额定功率的比值，主要有两类方法：离线测量方法和在线估计方法。前者是基于实验测试方法，有美国USABC功率测试方法，日本JEVS测试标准规定方法，中国国标GB/T规定方法；它们无法满足实时性应用需求。后者包含PNGV复合脉冲法，最大充放电流法，参数约束法，BP网络法，支持向量机；其中BP网络法和支持向量机属于基于数据驱动的方法，效果离实际应用还有一定的差距；其它属于基于等效模型方法。在等效模型方法中，通常是在限制电流或电压值条件下用模型预估能达到的峰值功率。例如，在当前状态下，电池充电(或放电)一定时刻后，即到达充电截止电压(或放电截止电压)，同时电流从当前值变化到最大电流，此时截止功率认为是峰值功率。SOP估算中等效模型一般采用Rint模型、Thevenin模型和PNGV模型。这些模型预测精度较低，同时与SOC(电池荷电状态)和SOH所用模型不一致。

发明内容