[发明专利]一种基于动力锂电池能量状态的剩余放电时间的估计方法

说明书

本发明涉及电池状态估计算法技术领域，具体地说，涉及一种基于动力锂电池能量状态的剩余放电时间的估计方法。包括如下步骤：通过AUPF算法计算电池SOE；通过BP神经网络辨识驾驶员的驾驶行为；利用SOE结果计算当前时刻的RDT的估算值；根据上述步骤结果对未来时刻电池的放电策略进行优化；依次计算下一时刻的SOE大小以及RDT，直至工况结束。本发明设计通过AUPF算法计算SOE，可以提高算法的精度，降低了因状态参数的不精确而引起的RDT估计误差；同时考虑到了电池能量状态的变化，可以进一步提高估算精度；另外对电池进行放电优化，不仅可以提高了电动汽车的运行状态，也防止了电池过放情况发生，很好地保护了电池，延长了电池的使用寿命。

技术领域

本发明涉及电池状态估计算法技术领域，具体地说，涉及一种基于动力锂电池能量状态的剩余放电时间的估计方法。

背景技术

目前，针对电动汽车动力电池的RDT估计方面的研究方向大多集中在研究剩余放电时间与电池状态之间的关系上，利用电池的状态参数求得电池的剩余放电时间。传统估算RDT的方法中仍存在不足，首先电池状态估计算法的精度不可避免地会影响后续RDT的估算精度，在估算电池RDT之前必须先提高电池状态估计算法精度；同时当前估算RDT使用的最多的电池参数是电池的SOC，SOC反映的是电池的荷电状态，忽略了电池的电压变化，因此在估算RDT时只考虑电池的SOC的变化往往会由于忽略电压的变化而造成较大的估计误差；另外在估算RDT后，很少有研究根据当前时刻RDT大小等因素去优化未来时刻动力电池的放电策略以提高电池的工作状态的。

发明内容

本发明的目的在于提供一种基于动力锂电池能量状态的剩余放电时间的估计方法，以解决上述背景技术中提出的问题。

为实现上述技术问题的解决，本发明的目的之一在于，提供一种基于动力锂电池能量状态的剩余放电时间的估计方法，包括如下步骤：

S1、电池SOE的估计算法以UPF为基础，在每个时刻针对粒子进行转移概率计算，通过AUPF算法使权值较小的粒子向权值较优的粒子进行转移；

S2、根据当前时刻汽车的行驶工况以及车速，通过BP神经网络辨识驾驶员的驾驶行为；

S3、利用S1中得到的SOE数据结果，计算当前时刻的RDT的估算值；

S4、根据当前驾驶员的驾驶行为、当前时刻的RDT大小、汽车的行驶工况以及SOE大小对未来时刻电池的放电策略进行优化；

S5、返回S1，计算下一时刻的SOE大小以及RDT，直至工况结束。

其中，电池SOE为电池的能量状态，UPF为无迹粒子滤波，AUPF算法为蚁群无迹粒子滤波算法，RDT为电池剩余放电时间。

作为本技术方案的进一步改进，所述S1中，AUPF可以利用蚁群算法中个体逐渐向最优解靠拢的特点，在无需增加粒子数目的前提下增强了UPF的粒子多样性，提高了估算精度与鲁棒性。

作为本技术方案的进一步改进，所述S1中，通过AUPF算法估算SOE的方法包括如下步骤：

S1.1、搭建用于估算SOE估计算法的等效电路模型，并对电池模型的参数进行辨识；

S1.2、对粒子进行初始化，根据初始的概率密度产生粒子；

S1.3、对UFK时间进行量测更新，进而产生更精确的后验概率分布；

S1.4、通过蚁群进行重采样操作；

S1.5、当前时刻SOE估算结束；

S1.6、判断工况是否结束，若否，则返回S1.1，进行估算下一时刻SOE的操作，若是，则算法结束。

作为本技术方案的进一步改进，所述S1中，SOE的计算公式为：