[發明專利]一種動力電池荷電狀態估計方法

有效

• 申請號: 200610167393.0
• 申請日: 2006-12-31
• 公開（公告）號: CN101212071A
• 公開（公告）日: 2008-07-02
• 發明（設計）人: 沈晞;李超;王勇
• 申請（專利權）人: 比亞迪股份有限公司
• 主分類號: H01M10/42
• 分類號: H01M10/42;H01M10/48;H01M10/44;G01R31/36;G06T1/00
• 代理公司: 北京潤平知識產權代理有限公司
• 代理人: 王鳳桐;徐嫻

技術領域

本發明涉及動力電池電源管理系統領域，尤其涉及一種動力電池荷電狀態估計方法。

背景技術

動力電池荷電狀態(SOC-State?of?Charge)的估計是電源管理系統中一個非常重要的內容。目前常用的動力電池SOC估計方法有以下三種：

第一，安時計量法，將充放電電流隨時間的積分值加于初始的SOC上對實時的SOC進行估計。該方法存在以下兩方面缺陷：一方面，由于動力電池可能在任何一個SOC開始工作，故而初始的SOC難以確定；另一方面，動力電池在實際使用過程中，會不確定地以不同倍率電流進行放電，而在不同倍率電流放電的情況下，特別是在高倍率電流放電情況下，動力電池的放電效率有較大變化(如圖2所示)，此時僅憑充放電電流隨時間的直接積分而不對該積分過程加以修正，無法體現放電效率變化對實時的SOC造成的影響，從而估計所得的SOC有較大誤差。

第二，開路電壓法，利用開路電壓(OCV-Open?Circuit?Voltage)與SOC的對應關系進行估計。該方法需要基于OCV的測定，但由于在動力電池工作過程中，無法測定開路電壓，故該方法無法應用于動力電池的工作過程中。

第三，神經網絡法，利用神經網絡模型，直接預測某個放電電流DC和放電電壓DV下的放電量，并根據初始SOC，由上述兩者的差值推算出實時的SOC。該方法也不適用于動力電池的SOC估計，一方面因為初始SOC難以確定；另一方面因為神經網絡模型受輸入維數限制，僅預測單個倍率下的放電電量，而實際應用中動力電池以變化的倍率電流放電，因此神經網絡法不符合實際使用情況。

發明內容

針對現有的動力電池SOC估計方法存在誤差較大、不適用工作狀態的缺陷，本發明提供了一種具有較小誤差的動力電池荷電狀態估計方法，其特征在于，該方法包括以下步驟：

(a)測量動力電池在多個不同放電倍率下的放電量，并且與額定放電量進行比值計算，得到多組不同放電倍率下的充放電效率修正系數K_i數據，然后將所述多組數據引入數據擬合工具，得到不同放電倍率下的K_i變化曲線；

(b)測量動力電池在多個不同溫度下的放電量，并且與額定放電量進行比值計算，得到多組不同溫度下的充放電效率修正系數K_w數據，然后將所述多組數據引入數據擬合工具，得到不同溫度下的K_w變化曲線；

(c)將電池工作狀態的初始時刻至t時刻劃分為多個時間段t_j，通過下式計算工作狀態下的動力電池在t時刻的剩余電量C_t(即SOC)，

C_t＝(K_CC₀+∑K_iI_jt_j)K_w

式中，

K_c為對電池的一致性差異和不同循環次數進行修正的實際電量修正系數，

C₀為工作狀態下初始時刻電池的剩余電量，

K_i為從所述K_i變化曲線得到的tj時間段內的放電倍率下的K_i值，

K_w為從所述K_w變化曲線得到的工作溫度下的K_w值，

I_j為每個時間段結束時的電流值。

與現有技術相比，本發明的方法的優點在于：適用于電池工作狀態；考慮了影響電池的放電倍率、溫度、循環次數、電池一致性差異等因素，更符合動力電池的實際使用情況，估計結果誤差較?。皇褂脭祿M合工具建立相關曲線，簡化建模過程，易于該方法的工業應用。

附圖說明

圖1是根據本發明的不同開路電壓下的非工作狀態電池在t時刻的初始剩余電量C_0t的曲線圖。

圖2是根據本發明的不同倍率下的充放電效率修正系數K_i的曲線圖。

圖3是根據本發明的不同溫度下的充放電效率修正系數K_w的曲線圖。

圖4是根據本發明的具體實施方式的單隱層BP網絡模型結構圖示。

圖5是開路電壓和放電量實測結果與網絡擬合結果的比較圖示。

圖6是根據本發明的具體實施方式的方法的原理流程圖。

具體實施方式

下面參照附圖對本發明進行詳細說明。