[发明专利]一种动力电池SOC估算方法

说明书

本发明涉及一种动力电池SOC估算方法，该方法包括以下步骤：1)在程序中设置两个SOC值，SOC_True和SOC_Display；2)下电时刻存储SOC_True和SOC_Display，上电时刻BMS利用SOC‑OCV曲线修正SOC_True，此时向整车控制器继续发送SOC_Display；3)当BMS采集的电流小于等于电流阈值A₁时通过SOC‑OCV曲线修正SOC_True；BMS采集的电流大于电流阈值A₁时通过安时积分法计算SOC_True；4)充放电过程中，实时动态调整速率K₂(k)，使得SOC_Display跟随SOC_True。该估算方法在充放电过程中让SOC_Display在不跳变的情况下逐渐接近SOC_True制定了SOC动态跟随策略，提高用户体验。

技术领域

本发明涉及一种动力电池SOC的估算方法，属于电动汽车电池领域。

背景技术

SOC(State of Charge)，即电池的荷电状态，也称为电池的剩余电量。表示电池使用或长期搁置一段时间后，其剩余容量与总的可用容量的比值，常用百分数表示。电池SOC的准确估算对电动汽车具有重要的意义，因为电动汽车要按照SOC值来估算车辆的续航里程，同时准确估算SOC对提升电池的利用率和安全性方面也有重要意义。SOC的常用定义为：

剩余电量的概念和电池容量的概念对准确估算SOC尤为重要。剩余电量从广义的角度来说，是在不损坏电池的前提下，锂离子电池内部所有化学物质发生化学反应所释放出的电荷量。而从狭义的角度来定义剩余电量就是在不损坏电池的前提下，在某一温度和某一放电倍率条件下，电池所能释放的电荷量的多少。

因此温度和放电倍率会直接影响到剩余电量的计算。

电池的容量并不是电池出厂标称的容量，因为随着电池的老化，电池所能放出的实际容量在大大减少。在计算电池的容量时，通常要把老化因子考虑进去。

主流的计算SOC的算法主要有：开路电压，安时积分，卡尔曼滤波，神经网络算法等。

(一)、卡尔曼滤波算法包括线性卡尔曼滤波(KF)、扩展卡尔曼(EKF)、自适应卡尔曼(AEKF)、以及无迹卡尔曼(UKF)等卡尔曼变形模式。线性卡尔曼滤波器针对线性系统，实际应用过程一般对非线性系统线性化。如对非线性离散系统的状态方程和观测方程进行一阶泰勒公式展开，即可得到线性化的系统方程，应用EKF估算所需变量。卡尔曼滤波根据当前的测量值，上一刻的预测量值以及误差，来计算得到当前的最优值。其优势是把误差纳入了计算，误差独立存在，不受测量数据的影响。卡尔曼滤波法适用于各种类型不同老化阶段的电池，其精确性很大程度的依赖于电池模型的建立，计算量比较大。

(二)、神经网络主要是通过对大量的数据进行分析学习，自主总结非线性系统的内部规律，并在实际的应用中根据总结的内部规律对系统的状态进行预判。对于电池这种非线性系统，神经网络可以以任意精度逼近任意复杂的动态参数，当然也包括SOC。

神经网络会将大量实验电池样本的放电电流值和放电电压值作为输入，并将实际测试计算出的SOC值作为神经网络评判的根据。神经网络通过反复的迭代计算寻找输入电压、电流与SOC之间的潜在数学关系。当神经网络通过不停地迭代运算，使得输入与输出结果的误差精度低于所预设的值时，该神经网络模型就已经完成了。神经网络法模拟人脑及神经元来处理非线性的新型算法，无需深入研究电池的内部结构，只需提前从电池中提取出符合工作特性的输入和输出样本，并将其输入到建立系统中，就能获得运行中的SOC值。虽然神经网络方法后期处理相对简单，但却需要大量的样本数据做支撑，工作量较大。