[发明专利]一种锂离子电池SOC估算方法和装置

说明书

本发明实施例提供了一种锂离子电池SOC估算方法和装置，所述方法包括：确定电池等效电路模型中各模型参数与SOC值的映射关系；并行运行至少两个卡尔曼滤波，结合所述电池等效电路模型和所述各模型参数与SOC值的映射关系，建立电池离散状态空间模型；通过高斯和卡尔曼滤波算法对电池离散状态空间模型的SOC值进行估算。本发明实施例提供的锂离子电池SOC估算方法，能够使得多个卡尔曼滤波能够以不同权重系数比例的形式相结合，最后通过高斯和卡尔曼滤波算法对电池离散状态空间模型的SOC值进行估算，以获得最优的SOC估计值，相当于采用多个高斯密度函数按照一定的权重系数来准确描述整个过程中的过程噪声和量测噪声，大大提升了SOC估算结果的准确度，通用性强。

技术领域

本发明涉及电池管理技术领域，尤其涉及一种锂离子电池SOC估算方法和装置。

背景技术

电动汽车电池管理技术涉及电池的诸多方面，其中，电池荷电状态或剩余电量的估算(State of Charge，简称SOC估算)占有重要的地位。电池SOC 估算准确与否，不仅影响到电池的容量利用效率和电池的使用寿命，更有可能直接影响到整个电池管理系统的运行和决策，进而影响电动汽车整车性能。

有学者提出了一种锂电池在线SOC测量方法，其主要基于混合高斯过程和动态OCV修正过程。该方法中综合了混合高斯模型和高斯过程回归模型，能表示出动态非线性的时间序列，动态OCV修正的方法能根据外部因素校准 OCV-SOC曲线，从而对SOC进行修正，消除累积误差，以在一定程度上提升锂电池在线SOC测量结果的精确度。但是，该方法本质上是基于卡尔曼滤波和OCV-SOC曲线来进行的SOC估计，其完全平衡状态下的开路电压在汽车行驶中很难准确获得，并且随着充放电状态的加剧，估计出来的开路电压经常会出现虚高或者虚低的现象，导致结果仍然存在很大误差。此外，由于锂电池存在滞回效应，充电和放电的OCV-SOC曲线也会存在明显差异，从而影响最终结果。

也有学者提出了一种基于高斯过程回归的动力电池组SOC估计方法，其主要基于特征参数选择和高斯过程回归。该方法分别计算电流等与SOC的相关参数，构建输入数据集；对输入数据集进行主成分分析，选取指数平方函数作为核函数，利用得到的样本数据进行模型训练，将采集的数据导入训练好的模型中进行电池组SOC估计，从而在一定程度是上改善电池组SOC估计存在的精度差和计算量大的问题。该方法本质上还是采用滤波算法进行 SOC估计，其需要以假设过程噪声和量测噪声均为高斯分布为前提，但实际上真实情况中噪声的概率分布根本就是非常难以确定的，将其假设为高斯分布，是忽略了很多干扰噪声的处理方式，所以根据该方法估算出的SOC结果仍然准确度很低。

发明内容

针对现有技术存在的问题，本发明实施例提供了一种锂离子电池SOC 估算方法和装置。

第一方面，本发明实施例提供了一种锂离子电池SOC估算方法，包括：

确定电池等效电路模型中各模型参数与SOC值的映射关系；

并行运行至少两个卡尔曼滤波，结合所述电池等效电路模型和所述各模型参数与SOC值的映射关系，建立电池离散状态空间模型；

通过高斯和卡尔曼滤波算法对电池离散状态空间模型的SOC值进行估算。

进一步地，所述并行运行至少两个卡尔曼滤波，结合所述电池等效电路模型和所述各模型参数与SOC值的映射关系，建立电池离散状态空间模型，包括：

并行运行至少两个卡尔曼滤波，结合所述电池等效电路模型和所述各模型参数与SOC值的映射关系，建立电池离散状态空间方程；

并行运行至少两个卡尔曼滤波，结合所述电池等效电路模型和所述各模型参数与SOC值的映射关系，建立系统量测更新方程，并定义量测矩阵。

进一步地，所述通过高斯和卡尔曼滤波算法对电池离散状态空间模型的 SOC值进行估算，包括：