[发明专利]一种基于特征曲线优化的锂电池荷电状态估算方法

说明书

本发明公开了一种基于特征曲线优化的锂电池荷电状态估算方法，包括以下：每10％电池荷电状态SOC为一个采样点，获取离散的OCV‑SOC的特征曲线L₁，获取连续的OCV‑SOC的特征曲线L₂；基于差分进化DE方法，融合获取的特征曲线L₁和特征曲线L₂；最终基于扩展卡尔曼EKF引入历史SOC估算结果误差的权重项因子建立W‑EKF估算模型，联合二阶RC电池等效电路模型，输入实时采集的不同工况下锂电池实测电压、电流和温度数据，精准估算当前时刻下的SOC值。本发明的方法用以电池荷电状态(State of charge，SOC)的精确估算。

技术领域

本发明涉及锂电池技术领域，具体是一种基于特征曲线优化的锂电池荷电状态估计算法方法。

背景技术

锂电池作为汽车动力源对整车不同工况下的运行有着关键作用，电池荷电状态(State of charge，SOC)是反应锂电池剩余能量的重要参数，动力锂电池SOC的精准估计能够有效提高电池的使用寿命，避免电池出现过充/过放情况，保障整车系统安全稳定的运行。由于SOC属于电池内部电化学参量无法从外部直接测量且SOC与电池运行时的电压、电流、温度等特征具有密不可分的非线性关系，因此，如何精准估算SOC是当前新能源汽车领域的关键问题。

研究发现，目前有多种SOC估算方法。安时积分法通过确定SOC的初始值，利用电流的累积求和结合电池的额定容量能够计算出任意时刻的SOC值，但是积分过程存在累积误差，当电流波动很大时，累积误差会影响SOC估算精度，带来错误估计，而且SOC的初始值通常很难获取；开路电压法通过电池的开路电压与SOC的关系进行估算，但需要电池静置待极化效应消失才能使用开路电压法，不能在电池运行工作状态中估计；神经网络法通过对大量电池工况运行数据进行网络训练，构成非线性表达能力的网络对SOC进行估算，但存在电池工况数据覆盖不全面，导致非线性表征能力不够，且车用嵌入式设备计算能力的约束也存在限制；卡尔曼滤波(KF)可以对线性系统建模估计，为了适用于非线性电池系统发展出了扩展卡尔曼(EKF)，EKF估算SOC需要建立电池模型并对模型参数联合开路电压(OCV)与SOC的特征曲线进行参数辨识，常用静置间隔法取采样点(每10％SOC为一个采样点)实验获取OCV与SOC的关系，然后利用线性插值的方式获取完整OCV-SOC特征曲线，但线性插值的方式会带来误差，且EKF仅使用上一时刻SOC估计状态对当前时刻SOC估计修正，忽视了历史估算结果的影响，也会给SOC估算带来误差。

因此，需要对现有技术进行改进。

发明内容

本发明要解决的技术问题提供一种基于特征曲线优化的锂电池荷电状态估算方法，用以电池荷电状态(State of charge，SOC)的精确估算。

为了解决上述技术问题，本发明提供了一种基于特征曲线优化的锂电池荷电状态估算方法，包括以下步骤：

S01、使用锂电池充放电平台对锂电池进行离线充放电并利用电池管理系统BMS设备采集不同工况下锂电池实测电压、电流、温度数据；同时，每10％电池荷电状态SOC为一个采样点，利用通过混合脉冲功率性能测试法获取离散的OCV-SOC的特征曲线L₁，通过小电流放电法，以1％电池容量的小电流恒流放电获取连续的OCV-SOC的特征曲线L₂；

S02、基于差分进化DE方法，融合步骤S01中获取的特征曲线L₁和特征曲线L₂，以特征曲线L₂作为标准曲线，特征曲线L₁离散点作为标准点，通过对标准曲线在规定范围内进行移动，保证标准点与标准曲线上对应点之间的误差达到最小，输出得到优化后的连续OCV-SOC的特征曲线L₃；