[发明专利]一种全温度下基于极简电化学模型的锂电池SOC估计方法

说明书

本发明涉及一种全温度下基于极简电化学模型的锂电池SOC估计方法，包括以下步骤：步骤1：重建极简电化学模型；步骤2：使用遗传算法对步骤1中建立的极简电化学模型进行参数辨识；步骤3：构建全温度下的极简电化学模型。步骤4：将固相扩散方程进行离散化，得到系统状态空间方程和量测方程；步骤5：基于步骤4的系统状态空间方程和量测方程，将平方根容积卡尔曼滤波算法融入到锂离子电池SOC估算中，得到状态更新后的精确SOC值。在平均电极模型上进行简化处理，并考虑环境温度因素影响，构建全温度下的极简电化学模型，将平方根容积卡尔曼滤波算法融入SOC估算中，消除过程噪声影响，提高运算效率的同时解决因环境温度干扰而造成SOC估算精度不高的问题。

技术领域

本发明属于锂离子电池技术领域，尤其涉及一种全温度下基于极简电化学模型的锂电池SOC估计方法。

背景技术

电池作为能量存储及电动汽车动力源的关键部件，其使用性能，循环寿命备受关注。荷电状态(State of Charge，SOC)作为电池剩余电量的直接表征，能够促使BMS较为准确地确定瞬时峰值功率和健康状态，以便及时确保电池在安全范围内运行。

等效电路模型参数易辨识，但是不能完整的描述动力电池的特性，同时容易受到环境因素干扰造成SOC估算精度不高。传统电化学模型的的数学计算过程较为复杂，但能充分反映其内部参数与电池特性的强耦合关系，具有较高的精度，也是当下电池模型研究的热点。环境温度作为影响电池SOC估计精度的重要因素，大多数学者研究电池热特性时都是建立在准确的电池热模型基础上，但电池工作过程涉及到电化学场、电场和温度场的相互耦合，使本就较为复杂的电化学模型计算量再一次增加，为了更好地适应电池实时状态估计，对电化学模型进行简化和重建，重构为具有与SOC估计相关的独特属性是十分必要且有意义的。卡尔曼滤波算法有助于修正SOC初始值，解决电荷累积法带来的SOC初始值估计不准以及存在累积误差的问题，有助于克服传感器精度不足的问题，同时有助于消除电磁干扰影响。经典的卡尔曼滤波器更适用于线性系统，但是因为电池是一个高度非线性系统，所以需要对经典卡尔曼滤波算法进行改进，容积卡尔曼滤波和无迹卡尔曼滤波的误差取舍会带来误差协方差矩阵的非对称性和非正定性问题，扩展卡尔曼滤波又存在Taylor展开精度较低的问题。如何利用现有技术构建一个高效准确的模型，通过引入智能算法，消除具有强非线性特点的电化学模型中的过程噪声，并将其应用于电池管理系统中是需要解决的关键问题。

发明内容

本发明所要解决的技术问题是提供一种全温度下基于极简电化学模型的锂电池SOC估计方法来解决现有技术中存在的平均电极模型计算效率低不能高效应用于电池管理系统中、容易受到环境温度干扰造成SOC估算精度不高以及传统卡尔曼滤波无法适用于高度非线性的电化学模型系统中，达到消除过程噪声目的的问题。

为解决上述技术问题，本发明的技术方案为提供一种全温度下基于极简电化学模型的锂电池SOC估计方法，其创新点在于，包括以下步骤：

步骤1：极简电化学模型的建立：在平均电极模型基础上只保留开路电压与估算SOC的部分，将正负极过电势与液相电势的复杂方程简化为一个多项式方程，重建极简电化学模型；

步骤2：使用遗传算法进行参数辨识：在全温度条件下，基于电池充放电数据，使用遗传算法对步骤1中建立的极简电化学模型进行参数辨识；

步骤3：构建全温度下的极简电化学模型：设C_{s_max}表示最大锂离子浓度，θ₀和θ₁₀₀分别表示SOC为0和1时的电极利用率，将步骤1得到的极简电化学模型中与SOC计算相关的参数C_{s_max}、θ₀和θ₁₀₀拟合为与环境温度相关的函数关系式，构建出全温度下的极简电化学模型；

步骤4：全温度下的极简电化学模型离散化：基于步骤3中得到的全温度下的极简电化学模型，将固相扩散方程进行离散化，得到系统状态空间方程和量测方程；