[发明专利]一种动力锂电池SOC在线估计方法

说明书

本发明公开的一种动力锂电池SOC在线估计方法，包括：S1、基于当前时刻k锂电池的电量SOC_k获取对应时刻的电池电动势E_k；S2、采用Thevenin等效电路模型描述电池内部的动态特征，将电池电动势E_k、采集到的电压U_k和电流I_k输入BCRLS进行在线辨识，识别当前时刻k的模型参数；S3、将当前时刻k的电池电动势E_k、采集到的电压U_k和电流I_k、电池的模型参数输入到ASREKF算法，校正k时刻电池电量SOC_k，再利用k时刻校正后的电池电量SOC_k预测得到k+1时刻的电量SOC_k+1，将k+1时刻作为当前时刻，返回步骤S1。基于BCRLS‑ASREKF算法实现电池参数在线辨识条件下的SOC精准估计。

技术领域

本发明属于电量预估技术领域，更具体地，本发明涉及一种动力锂电池SOC在线估计方法。

背景技术

动力电池荷电状态(State of Charge，SOC)用来表征电池的剩余可使用电量，从而反映电动汽车的续航里程，是电动汽车电池管理系统中的核心参数之一，能否准确获得动力电池SOC将直接影响整车性能及行驶安全。由于锂电池的工作特性呈强非线性变化，且实际运行中易受到充放电倍率、自放电、温度和老化程度等因素影响。因此，准确在线估计SOC是动力电池管理的关键和难点之一。

目前，常用的SOC估计方法主要包括：安时计量法、开路电压曲线法、机器学习法和卡尔曼滤波法，其中结合参数辨识算法的卡尔曼滤波联合算法能够在模型参数在线辨识的条件下实现SOC的精准估计，是当前SOC估计的主要方法。常用的有参数辨识算法与扩展卡尔曼滤波及其改进算法相结合，在卡尔曼滤波算法应用时，为了获得理想的滤波效果，通常要求过程噪声和观测噪声的统计特性先验已知，但由于实际系统的时变性和复杂性，事实上很难准确获取过程噪声和观测噪声，而且这两个变量也可能是未知的，甚至是时变的，先验值与系统实际噪声分布的不匹配会增大状态估计误差或减小真值的不确定范围，这两种结果都可能造成滤波发散，从而影响SOC估计精度。

发明内容

本发明提供一种动力锂电池SOC在线估计方法，旨在改善上述问题。

本发明是在这样实现的，一种动力锂电池SOC在线估计方法，所述方法具体包括如下步骤：

S1、基于当前时刻k锂电池的电量SOC_k获取对应时刻的电池电动势E_k；

S2、采用Thevenin等效电路模型描述电池内部的动态特征，将电池电动势E_k、采集到的电压U_k和电流I_k输入BCRLS进行在线辨识，识别当前时刻k的模型参数；

S3、将当前时刻k的电池电动势E_k、采集到的电压U_k和电流I_k、电池的模型参数输入到ASREKF算法，校正k时刻电池电量SOC_k，再利用k时刻校正后的电池电量SOC_k预测得到k+1时刻的电量SOC_k+1，将k+1时刻作为当前时刻，返回步骤S1。

进一步的，电池电动势Ek的获取方法具体如下：

对锂电池进行混合动力脉冲能力测试实验，采集锂电池在不同电动势E下的电量SOC，拟合获取电动势E-电量SOC的关系曲线；

基于当前时刻k锂电池的电量SOC_k读取对应时刻的电池电动势E_k。

进一步的，当前时刻k电池的内部参数获取方法具体如下：