[发明专利]一种基于变分贝叶斯滤波的电池荷电状态估计方法

说明书

本发明提供了一种基于变分贝叶斯滤波的电池荷电状态估计方法，通过采集静置的电池端电压标定OCV与SOC关系曲线，建立系统状态方程和量测方程，建立电池模型参数的状态空间方程和量测方程，利用双变分贝叶斯滤波算法在线联合估计电池的SOC和电池模型参数。本发明通过交替使用两个变分贝叶斯滤波器在线估计电池状态和参数，同时实时估计量测噪声协方差来补偿电池模型的不确定因素，使电池模型能较好的描述电池的动态特性，具有了较好的适应性，因而具有精度高、实时性好、鲁棒性强等优点，实验证明，本发明的SOC估计精度与鲁棒性都优于传统的双扩展卡尔曼滤波算法。

技术领域

本发明涉及电池荷电领域，尤其是一种电池荷电状态估计方法。

背景技术

电池荷电状态(state of charge，SOC)表征了电池的剩余可用电量，对其准确估计是电池管理系统的核心功能之一，是实现电池均衡、故障诊断、电池充/放电控制等其他功能的前提，其估计精度直接影响整个电池管理系统的效率。然而，SOC通常难以直接测量获取，只能基于其它可测参数(电压、电流、温度)间的关系进行估算。由于这种关系存在强烈的非线性特性，而且往往会受到工况、温度、老化程度等诸多因素影响而实时地发生变化，所以SOC的精准在线估计十分困难。

目前常用的SOC估计方法分为四类：开路电压法、安时积分法、数据驱动的方法和基于模型的方法。现有方法的不足之处在于：1)开路电压法需要长时间静置电池，不适于实时估计。2)安时积分法对准确的SOC初值依赖性强，对电流采集设备的精度要求很高。若SOC初值不准确或者电流表发生偏移，则会产生较大的累积误差。3)神经网络法、模糊逻辑法和支持向量机法等数据驱动类方法，需要大量的实验数据作为先验知识，若样本数据不能较为全面地反映电池特性则估计精度也难以保证。4)基于模型的方法，以扩展卡尔曼滤波(EKF)及其衍生算法为主。基于模型的方法克服了安时积分法对SOC初值要求严格的问题，同时并不需要大量的训练数据，具有研究与发展前景。但其精度受电池模型、传感器测量误差等因素的影响，在实际应用过程中，电池模型参数随SOC、温度以及电池老化程度的不同而变化，而且传感器误差的统计信息可能未知或时变，这将导致传统的EKF类方法的估计精度不高、鲁棒性差。因而需要开发鲁棒且高精度的SOC估计算法。

发明内容

为了克服现有技术的不足，本发明提供基于变分贝叶斯滤波方法的电池荷电状态估计方法，通过利用两个变分贝叶斯滤波器来实时估计电池的SOC、电池模型参数以及量测噪声协方差，具有精度高、实时性好、鲁棒性强等优点。

本发明解决其技术问题所采用的技术方案包括以下步骤：

步骤1：选择二阶RC网络作为电池等效电路模型，通过电池混合脉冲功率特性(HPPC)实验对电池模型的各个参数进行辨识，包括电池的欧姆内阻、两个极化电阻和两个极化电容；

步骤2：通过采集静置的电池端电压标定开路电压(OCV)与SOC关系曲线，采集步骤为：

(1)：标准充电：以0.5C电流对电池持续充电至截止电压；

(2)：静置：将电池静置2分钟；

(3)：持续充电：以0.2C电流对电池持续充电至截止电压；

(4)：静置：将电池静置3小时，测量电池此时端电压，此时电池SOC为100％；

(5)：间断放电：以0.2C电流对电池放电，直至电池SOC下降10％；

(6)：静置：将电池静置3小时，测量电池此时端电压；

(7)：重复步骤(5)-(6)九次，直至SOC下降到0％；

步骤3：建立系统状态方程和量测方程，表示如下：