[发明专利]一种温度时变下的钛酸锂电池状态估计方法

说明书

本发明提供了一种温度时变下的钛酸锂电池状态估计方法，建立温度时变的三阶RC网络等效电路钛酸锂电池模型，运用改进平方根容积卡尔曼滤波算法对钛酸锂电池SOC进行在线估计。该算法通过设置阈值判断和校正规则，对状态预测值或卡尔曼滤波增益进行校正以平衡先验预测值与后验反馈的量测值在滤波中所占的比重，解决因先验噪声统计特性未知而导致平方根容积卡尔曼滤波算法估计钛酸锂电池SOC精度下降的问题，更大程度地提高钛酸锂电池SOC的估计精度。

技术领域

本发明属于新能源汽车领域，具体涉及了一种温度时变下的钛酸锂电池状态估计方法。

背景技术

在电动汽车中，应用比较广泛的锂电池主要有锰酸锂、磷酸铁锂和钛酸锂电池，而钛酸锂电池凭借充放电寿命长、循环性能好、高倍率充放电等优势具有较好的应用前景。目前，已有许多不同数学模型来预测钛酸锂电池的行为，但尚未有一种模型可以精确模拟钛酸锂电池在温度时变下的电池状态。

电池荷电状态(State of Charge,SOC)估计是电池管理系统的一项重要功能，SOC的估算精度不仅可以提供有关剩余可用容量的信息，还可以指示充放电策略，对电池有重大影响。常见的动力电池SOC估计算法主要分为基于表征参数的估计方法，安时积分法，基于模型的估计算法和基于数据驱动的估计方法。基于表征参数的估计方法包括开路电压法，但开路电压的准确测量要求动力电池长时间的静置，不适合用于在线估计；安时积分法简单易用，应用最为广泛，但对传感器的精度要求很高，并且易受到噪声影响而无法获得精确的稳定值；基于模型的算法包括滑膜观测器、卡尔曼滤波器、H∞滤波器和粒子滤波器，该类方法的SOC估计性能同时取决于模型的可靠性和状态估计算法的性能；基于数据驱动的估计方法包括神经网络、支持向量机和深度学习，该类方法需要大量可靠数据进行模型训练且非常耗时，同时容易出现过度拟合现象。

发明内容

为了提高模型的可靠性和状态估计算法的性能，根据不同阶数的RC网络模型应用于钛酸锂电池对其误差和计算量的分析综合考虑下，本发明提出了温度时变下的三阶RC网络等效电路模型，相对于二阶RC网络等效电路模型具有了更高的准确度，并且计算量又在可接受范围之内。SOC估计算法则采用改进平方根容积卡尔曼滤波(Improved Square-RootCubature Kalman Filter，ISRCKF)估计算法，通过设置阈值判断和校正规则，对状态预测值或卡尔曼滤波增益进行校正以平衡先验预测值与后验反馈的量测值在滤波中所占的比重，解决因先验噪声统计特性未知而导致平方根容积卡尔曼滤波算法估计钛酸锂电池SOC精度下降的问题，更大程度地提高钛酸锂电池SOC的估计精度。

为此，本发明采用如下技术方案：

一种温度时变下的钛酸锂电池状态估计方法，具体包括以下步骤：

步骤1，选择要使用的钛酸锂电池模型及电池荷电状态估计算法，并对荷电状态估计算法参数进行初始化；

步骤2，设置阈值判断和校正规则，结合阈值判断校正规则和改进的平方根容积卡尔曼滤波算法，判断和执行估计结果校正，对温度时变下的钛酸锂电池SOC进行在线估计；

步骤3，针对步骤1构建的钛酸锂电池模型，按照步骤2的方法输出当前时刻钛酸锂电池的荷电状态估计结果。

所述步骤1中的钛酸锂电池模型选为三阶RC等效电路模型，SOC估计算法采用改进平方根容积卡尔曼滤波算法，SOC估计算法参数包括估计状态初始值x₀，量测初始值z₀，误差协方差矩阵平方根S、系统噪声协方差矩阵平方根S_Q、量测噪声协方差矩阵平方根S_R。

所述步骤2具体包括以下子步骤：

步骤2.1：初始化电池状态向量和状态向量的协方差平方根矩阵S_0|0；