[发明专利]一种不同温度下的锂电池SOC在线预估方法

说明书

本发明公开了一种不同温度下的锂电池SOC在线预估方法，基于不同温度下对电路模型中各参数进行在线辨识，并把温度作为输入，通过差分选择算法对原扩展卡尔曼滤波算法中固定的过程噪声方差进行优化，使噪声方差根据环境的变化而自动做出调整，使用这个不断变化的方差代入到原扩展卡尔曼滤波算法中，完成循环工况下SOC的在线预估。本发明通过加入不同温度作为输入条件，使锂电池SOC偏差更小，同时消除了传统卡尔曼滤波算法没有考虑温度和噪声方差的误差，提高了SOC的估计精度。

技术领域

本发明属于电动汽车电池管理领域，特别涉及了一种锂电池SOC在线预估方法。

背景技术

随着汽车行业的不断发展，传统燃油汽车所带来的能源消耗、环境污染等矛盾渐渐凸现，成了社会进步中必须考虑的因素。所以加大电动汽车的发展力度，降低电动汽车的使用成本，实施低碳可持续发展的策略，能够缓解当下人们对于能源与环境问题的担忧。

作为电动汽车电池管理系统的重要组成部分，锂电池荷电状态(State ofCharge,SOC)估计已成为目前电动汽车中的研究热点。电池荷电状态估计既是整个能量管理系统的重点，也是难点。因此提炼出准确且有效的参数辨识算法和SOC估算算法，准确地在线估计电池荷电状态对电池乃至于整车的性能提升都有着非常重要的意义。目前，常用的估计方法主要有开路电压法、安时积分法、神经网络法和卡尔曼滤波法等。

开路电压法需先根据实验值确定电池开路电压和SOC的关系，然后通过测量开路电压实现电池SOC的估算，开路电压法简单易行，其缺点就是在电池断电时才能使用，需要对电池进行长时间的静置，不能实现实时在线测量。

安时积分方法的基本原理是电池在充放电过程中,通过电流对时间积分,可以计算出电池充入或放出的电量,将此电量除以电池当前状态可用容量,再与电池初始进行相应的加减运算即可得出当前状态值，但由于电流采样和充放电效率误差引起的累积误差随积分过程逐渐增大，从而导致SOC估计误差增大。

由大量神经元通过广泛连接构成的复杂非线性系统即称为神经网络。根据采集到的数据，神经网络可以自动归纳、学习和整理。但是此方法需要大量的数据进行训练，训练数据和训练方法对估计精度的影响较大。

扩展卡尔曼滤波法(EKF)是在卡尔曼滤波法基础上衍生出来的一种算法，相比于卡尔曼滤波法对系统的高度线性化要求，扩展卡尔曼滤波法可在非线性系统中得到应用，由于电池在工作过程中表现出较强的非线性，其属于非线性系统，因此采用扩展卡尔曼滤波法进行在线辨识可以获取较高的辨识准确度，在扩展卡尔曼滤波方程中，过程噪声以及过程噪声方差阵是一组固定的值，但噪声不可测量且过程噪声也在随着环境的变化而不断变化，固定取值明显是不合适的。

发明内容

为了解决上述背景技术提到的技术问题，本发明提出了一种不同温度下的锂电池SOC在线预估方法。

为了实现上述技术目的，本发明的技术方案为：

一种不同温度下的锂电池SOC在线预估方法，包括以下步骤：

(1)建立锂电池等效电路模型和动态系统方程，获取开路电压、内阻R₀、极化电阻、极化电容与SOC和温度的函数关系式；

(2)进行不同温度下锂电池的OCV测试，测量不同SOC和温度下的锂电池开路电压值，得到开路电压与SOC和温度的对应关系曲线；

(3)在不同温度下记录锂电池在UDDS工况下数据，通过扩展卡尔曼滤波算法对锂电池各参数进行在线辨识；所述参数包括内阻R₀、极化电阻和极化电容；