[发明专利]一种OCV-SOC标定实验方法、电池等效模型参数辨识方法及SOC估算方法

说明书

本发明公开了一种OCV‑SOC标定实验方法，包括以下步骤：步骤一：通过铝空气电池的放电实验获取铝空气电池荷电状态SOC和开路电压OCV的实验数据并得出SOC‑OCV实验关系曲线；步骤二：在Matlab对铝空气电池的SOC和OCV的实验数据进行拟合并得到拟合式；步骤三：将由拟合式得到的SOC‑OCV拟合曲线和实验得到的SOC‑OCV实验关系曲线进行对比并得出OCV‑SOC对比误差曲线。本发明还公开了一种电池等效模型参数辨识方法，以及公开了一种基于上述OCV‑SOC标定实验方法和电池等效模型参数辨识方法的SOC估算方法。本发明的SOC估算方法用于铝空气电池的SOC估算，能估算出高精度的铝电池的SOC，为铝电池的研究提供了有效地研究帮助。

技术领域

本发明涉及电池领域，尤其是涉及一种OCV-SOC标定实验方法、电池等效模型参数辨识方法及SOC估算方法。

背景技术

随着时代的迅速发展，环境问题和能源问题越来越成为当今世界最受关注的问题之一。当今世界，各国普遍面临能源短缺的压力，传统能源对环境污染带来的问题日益加剧。随着国家相关政策的支持，开发新能源电池来代替传统化石燃料成为了目前新能源领域研究的热点。现如今，对新能源电池的研究，人们主要着重于锂离子电池、镍氢电池、铅酸蓄电池以及金属燃料电池等。其中，金属燃料电池是其中发展前景较好的一类电池。金属燃料电池作为新一代新能源电池，因为有着能量密度高、安全可靠、污染小等特点而被广泛关注，尤其是铝空气电池。铝空气电池作为新一代新能源电池，有着功率密度大、比能量高、原材料丰富、寿命长以及成本低等优点，已被示范应用于通信基站备用电源、电动汽车电源以及水下设施的驱动能源领域。目前，市场上已出现技术相对成熟的锂离子电池管理系统，若简单将其移植到铝空气电池上，存在不匹配和测试结果不准确等问题，因此研制一套应用于铝空气电池的能量管理系统是非常必要的。

现如今研发出的铝空气电池管理系统存在着检测精度、建模精度以及SOC 估算精度不高的问题，目前还未有一套成熟的管理系统对铝空气电池运行状态进行监测。

目前铝空气电池依旧存在着比功率低、电压滞后、放电速度缓慢以及自放电率大等问题，SOC估算尤其重要，但只有尽可能地将SOC的估算提高到一定的精度，给系统判断铝空气电池工作状态提供依据，避免因为铝空气电池的滥用，因此SOC是维护铝空气电池正常运作的重要指标。目前，对SOC的估计方法主要有四大类：开路电压法、安时积分法、卡尔曼滤波法以及人工神经网络法。开路电压法显著的缺点即电池需要等到放电结束后，经过长时间的静置才可以达到电池稳定状态，在测量的过程需要实时对电池SOC进行估算，因此该缺陷将会给SOC测量带来很大得到困难。安时积分法的主要原理是不考虑电池的外部结构和化学反应，仅仅通过对流过电池的电流进行长时间持续的记录和检测并对其进行积分计算得到的剩余电量，安时积分法的准确性与电池初始容量和电流检测的准确性密切相关，在放电电流检测不稳定甚至是波动剧烈时，测量误差较大，同时随着放电时间的增长，累积误差产生并增大，到后期初始容量会出现较大的误差，最终SOC的估计值与实际值会有严重的偏差。卡尔曼滤波器是一种最优化自回归数据处理算法，由卡尔曼提出的针对还原真实数据的数据处理技术。其基本原理是将电池看作动力系统，将SOC作为内部状态量，在算法的不断运行过程中不断预测更新实现最小方差意义上的最优估计，但在卡尔曼滤波算法运算过程中，存在大量的数据运算，所以该方法对处理器的计算能力要求很高。在模型参数辨识过程中，参数出现漂移同时带来的巨大的运算量，因此该方法很少运用在单片机上。人工神经网络法在估算电池SOC时，通常将电池的电压和电流作为输入层样本，只有选择了恰当的训练算法及足够数量的训练样本后，输入任何数据均能得到相应的SOC的值，人工神经网络法虽然拥有较高的精度，却对训练数据以及训练方法的依赖性较大，由于训练样本数量庞大同时会带来较大的工作量，对硬件要求较高。

发明内容

本发明的目的在于解决现有技术的不足，提供一种电池OCV-SOC标定实验方法，使用该实验方法得到的OCV-SOC曲线具有高精度的优点，本发明还提供了一种能精准估算出铝空气电池SOC且运算简单的铝空气电池的SOC估算方法。