[发明专利]基于FFRLS和EKF的锂离子电池SOC估测算法

说明书

本发明公开了一种基于FFRLS和EKF的锂离子电池SOC估测算法，步骤包括：建立锂离子电池模型，利用放电静置法确定SOC‑OCV的关系，离线状态下估计电池模型初始参数，在线状态下利用带遗忘因子的最小二乘法FFRLS算法进行电池模型参数辨识，利用扩展卡尔曼滤波算法EKF估算SOC。本发明算法实现简单，实用性强，通过利用FFRLS和EKF解决了传统卡尔曼滤波器不能实现参数在线估算导致估算误差大的问题，并且保证了锂离子电池估测算法的准确性。

技术领域

本发明涉及电池荷电状态估算领域，具体涉及一种基于FFRLS和EKF的锂离子电池SOC估测算法。

背景技术

动力电池作为电动汽车的主要能源，其SOC是能源管理系统中最重要和最基础的参数之一；只有准确的SOC值估算才能进行合理的能源分配，从而更有效地利用有限能源；也能正确预测车辆的剩余行驶里程。SOC(State of Charge)的定义是电池的荷电状态，用来表示电池的剩余电量。电池是一个复杂的非线性系统，用于电动车辆时，因电子设备繁多，噪声干扰复杂，难以得到准确的噪声统计；加之外部环境和内部环境参数变化随机性，使系统数学模型不够准确，产生模型误差，因此必须对电池荷电状态估计的抗干扰能力和自适应能力进行研究，提高估计的鲁棒性对电池荷电状态的有效性。

目前现有的SOC估算方法中，基于电流积分法的安时计量法容易形成累积误差；基于电池端电压测量的开路电压法和电动势法，需要电池长时间静置，无法实时估算SOC值；基于大量样本数据和神经网络模型的神经网络法，需要以大量的数据样本为依据提供可靠的训练方法；基于电池状态空间模型和递推方程的卡尔曼滤波方法，不能进行模型参数在线估计，SOC估算误差大。

发明内容

本发明的目的在于提供一种基于FFRLS和EKF的锂离子电池SOC估测算法，解决传统锂离子电池SOC估测算法不能实现模型参数在线实时估计，SOC估算精度低，误差大的问题。

实现本发明目的的技术方案为：一种基于FFRLS和EKF的锂离子电池SOC估测算法，包括以下步骤：

步骤1、建立戴维南锂离子电池模型；

步骤2、利用间歇放电静置法确定SOC-OCV的关系；

步骤3、离线状态下估计电池模型初始参数；

步骤4、在线状态下带遗传因子的最小二乘法FFRLS进行电池模型参数的辨识；

步骤5、利用扩展卡尔曼滤波算法EKF观测SOC。

本发明与现有技术相比，其显著优点为：带遗传因子的最小二乘法FFRLS能够进行电池模型参数在线的实时辨识，遗传因子加强了新的数据提供的信息量，逐渐削弱老的数据，防止数据饱和，与一般的卡尔曼滤波算法相比减小了SOC估算误差。

附图说明

图1是本发明的算法流程图。

图2是二阶戴维南锂离子电池模型图。

图3是间歇放电电流图。

图4是间歇放电电压图。

图5是锂离子电池放点结束端电压响应曲线示意图。

图6是SOC观测实验结果图。

具体实施方式

如图1所示，一种基于FFRLS和EKF的锂离子电池SOC估测算法，包括以下步骤：

步骤1、建立戴维南锂离子电池模型；

步骤2、利用间歇放电静置法确定SOC-OCV的关系；

步骤3、离线状态下估计电池模型初始参数；

步骤4、在线状态下带遗传因子的最小二乘法FFRLS进行电池模型参数的辨识；