[发明专利]基于修正的RC电池模型的荷电状态估计方法

摘要

本发明公开了一种基于修正的RC电池模型的荷电状态估计方法，具体过程为：建立RC修正模型：辨识模型参数：利用扩展卡尔曼滤波算法，得到电池                                               修正模型的连续状态空间方程；根据辨识方法获得的各点的电池模型参数值，进行多次曲线拟合，然后用插值法获得整个阶段的的参数值。本发明还针对经典电池荷电状态估计算法存在的不足，利用建立的RC修正模型，提出了基于修正模型的扩展卡尔曼滤波(EKF)的电池荷电状态估计方法，与传统方法相比较，提出的方法具有良好的动态性能、对初值误差不敏感以及具有很好的抑制测量噪声等特性。

主权项

基于修正的RC电池模型的荷电状态估计方法，其特征在于，具体过程为：1)建立RC修正模型：用二极管将电池在充放电不同工况下的电阻分开，根据电池RC修正模型，建立以下电路的数学方程表达式：充电时：U_o(t)＝U_voc(SOC,T)‑U_p(t)‑i(t)*R_c(T,SOC,I)；放电时：U_o(t)＝U_voc(SOC,T)‑U_p(t)‑i(t)*R_d(T,SOC,I)；$i\left(t\right)=\frac{U_p\left(t\right)}{R_p}+C_p*\frac{d\left(U_p\right(t\left)\right)}{dt};$方程的通解为：$U_P\left(t\right)=e^{-t/(R_p+C_p)}*\[\∫i\left(t\right)e^{t/(R_p+C_p)}dt+C\];$其中，R_p为电池的极化内阻，C_p为电池的极化电容，I为充放电电流，U_o为输出电压，U_voc(SOC,T)为电压源，SOC为剩余电量，T为电池温度，i(t)为电流；可以利用对电池进行间隔性的充放电来分析电池的极化阻容电压的变化规律和确定C的数值；2)辨识模型参数：在RC修正模型中，分别辨识是充放电内阻、开路电压、极化电压和极化内阻的电池模型参数；从电池充放电静置后的电压响应曲线数据，用最小二乘法拟合得到电池的开路电压；利用电流加载和卸载的瞬间电压变化来测试欧姆内阻；在磷酸铁锂RC修正模型中，设定模型的极化初始电压为U_p(0)，恒定电流为I，时间常数为τ＝C_p*R_p；电池在放电加载时的极化电压U_p(t)和开路电压U_o(t)分别为：U_p(t)＝U_p(0)*e^‑t/τ+I*R_p*(1‑e^‑t/τ)；         (1)U_o(t)＝U_ovc(SOC,T)‑[U_p(0)*e^‑t/τ+I*R_p*(1‑e^‑t/τ)]‑I*R_d(T,SOC,I)；   (2)电池在放电卸载时，得到的极化电压U_p(t)和开路电压U_o(t)分别为：U_p(t)＝U_p(0)*e^‑t/τ；            (3)U_o(t)＝U_voc(SOC,T)‑[U_p(0)*e^‑t/τ]；       (4)开路电压U_ocv(SOC,T)由拟合插值得到；当t＝0时，利用式(1)～(4)，并结合最小二乘法，求出U_p(0)和时间常数τ，再将时间常数和U_p(0)代入式(1)～(4)，结合τ＝C_p*R_p和最小二乘法，求出极化电阻R_p和极化电容C_p；3)利用扩展卡尔曼滤波算法，得到电池RC修正模型的连续状态空间方程：方程的状态变量为电池SOC和极化电容上的电压，状态空间方程的观测方程为电池等效电路的回路方程；电池的额定容量由C_N表示，电池的充电效率由η表示；电池的连续状态空间方程表达式如下：$\left\{\begin{array}{c}\left[\begin{array}{c}SOC\\ U_p\end{array}\right]=\left[\begin{array}{cc}0& 0\\ 0& -1/C_p{R}_p\end{array}\right]\left[\begin{array}{c}SOC\\ U_p\end{array}\right]+\left[\begin{array}{c}-\mathrm{\η}/C_N\\ 1/C_p\end{array}\right]\[i\]\\ U_o=\[\begin{array}{cc}0& -1\end{array}\]\left[\begin{array}{c}SOC\\ U_p\end{array}\right]+\[-R_d\]\[i\]+\[U_{ovc}\]\end{array}\right.;$经线性化和离散化处理得到电池的离散状态空间方程，数据的采样时间用T_s表示；电池的离散状态空间方程如下：$\left\{\begin{array}{c}\left[\begin{array}{c}SO{C}_{k+1}\\ U_{p,k+1}\end{array}\right]=\left[\begin{array}{cc}0& 0\\ 0& 1-T_s/C_p{R}_p\end{array}\right]\left[\begin{array}{c}SO{C}_k\\ U_{p,k}\end{array}\right]+\left[\begin{array}{c}-{\mathrm{\ηT}}_s/C_N\\ T_s/C_p\end{array}\right]\[i_k\]\\ U_{o,k}=\[\begin{array}{cc}0& -1\end{array}\]\left[\begin{array}{c}SO{C}_k\\ U_{p,k}\end{array}\right]+\[-R_d\]\[i_k\]+\[U_{ovc,k}\]\end{array}\right.;$对比扩展卡尔曼滤波算法中的系数，得到：系统状态向量：$X_k=\left[\begin{array}{c}SO{C}_k\\ U_{p,k}\end{array}\right],$u_k＝[i_k]；系统矩阵：$A_k=\left[\begin{array}{cc}1& 0\\ 0& 1-T_s/C_p{R}_p\end{array}\right];$观测矩阵：$C_k=\frac{\∂U_o}{\∂X}=\[\begin{array}{cc}\frac{\∂U_o}{\∂SOC}& \frac{\∂U_o}{\∂U_p}\end{array}\]=\[\begin{array}{cc}\frac{\∂U_{ovc}}{\∂SOC}-i_k*\frac{\∂R_d}{\∂SOC}& \frac{\∂U_o}{\∂U_p}\end{array}\];$根据辨识方法获得的各点SOC的电池模型参数值，进行多次曲线拟合，然后用插值法获得整个阶段的SOC的参数值。