[發明專利]多時間尺度估計動力電池荷電狀態與健康狀態的方法

有效

• 申請號: 201611077392.7
• 申請日: 2016-11-30
• 公開（公告）號: CN106772067B
• 公開（公告）日: 2018-12-28
• 發明（設計）人: 熊瑞;郭輝;于全慶;穆浩
• 申請（專利權）人: 北京理工大學
• 主分類號: G01R31/36
• 分類號: G01R31/36;G01R31/00
• 代理公司: 北京市誠輝律師事務所 11430
• 代理人: 郎堅

本申請涉及利用IAPF濾波估計動力電池荷電狀態與健康狀態的方法，首先進行準備工作：建立容量?SOC?OCV三維響應面，然后利用多時間尺度IAPF濾波算法，使用宏觀時間尺度獲得動力電池系統參數估計值、使用微觀時間尺度估計系統狀態，最后提出荷電狀態SOC和健康狀態SOH的表征量，評估所述動力電池的荷電狀態與健康狀態，形成基于多時間尺度的動力電池參數和狀態的聯合估計方法，實現動力電池荷電狀態和可用容量在不確定性應用環境中的精確聯合估計，使得估計結果在全工作周期內更加穩定可靠且實現減小BMS計算量。

技術領域：

本發明涉及動力電池管理技術領域，尤其是車載動力電池系統參數辨識、荷電狀態和健康狀態估計領域。

背景技術：

在前專利申請CN201610375853.4首次提出了聯合估計動力電池的荷電狀態SOC和參數的聯合估計方法，分別利用HF算法進行在線參數辨識，利用UKF算法和前述在線參數辨識的結果進行在線SOC估計，實現估計方法針對系統的實時參數更新和狀態估計。

然而，上述方法中，參數根據采集數據實時更新，但是參數是一個緩慢變化的過程，而狀態可以認為是一個快速實時變化的過程，所以采用HF-UKF聯合估計方法雖然可以根據電池的工作情況實時更新電池的參數以便于獲取更準確的荷電狀態SOC，但是實時更新緩慢變化的參數對于車載電池管理系統(以下簡稱BMS)而言計算量比較大，而更合理的方法是采用不同時間尺度來更新電池的參數和荷電狀態。此外，HF-UKF聯合估計方法無法獲取電池的健康狀態。

基于此，本發明對上述方法進行改進，利用Improved Adeptive Particle Filter(以下簡稱IAPF)算法來進行動力電池系統荷電狀態與健康狀態的聯合估計。

本發明針對動力電池系統狀態量的快速時變特性與參數量的緩慢時變特性，采用IAPF算法在微觀時間尺度估計動力電池的SOC，利用微觀時間尺度估計結果，采用IAPF算法在宏觀時間尺度估計動力電池的模型參數與可用容量，形成基于多時間尺度的動力電池SOC和容量的聯合估計方法，實現動力電池SOC和容量在不確定性應用環境中的精確聯合估計。相對于HF-UKF聯合估計電池參數與狀態方法，此方法減少了計算量，并可以在線獲取電池的健康狀態。

發明內容：

本發明的一種動力電池狀態和參數估計的多時間尺度IAPF濾波方法，包括：

每個微觀采樣點進行狀態估計，每隔L個微觀采樣點為一個宏觀采樣點并進行參數估計；進而實現在微觀和宏觀兩個時間尺度的動力電池估計。

初始化：初始化所述濾波算法的宏觀參數觀測器和微觀狀態觀測器的初始參數；

步驟①：狀態估計：利用當前微觀采樣點k下系統的電流值、上個微觀采樣點k-1的狀態粒子集和上個宏觀采樣點l-1的參數估計值進行狀態粒子集值預估，然后計算狀態權重值，最后對狀態權重值進行歸一化處理，得到當前微觀采樣點k下的狀態估計值；

步驟②：參數估計：通過更新后的當前系統開路電壓計算參數粒子集值預估、參數權重值，然后對參數權重值進行歸一化處理，得到當前宏觀采樣點l下的參數估計值。

優選地，所述初始參數包括狀態噪聲和參數噪聲；

步驟③：判斷k+1是否超過該算法最大計算次數，超過，則停止所述多時間尺度IAPF濾波算法算法，如果未超過，則進行步驟④；

步驟④：通過計算狀態噪聲和參數噪聲的協方差，更新所述狀態噪聲和所述參數噪聲；

步驟⑤：針對狀態粒子和參數粒子退化現象，進行重新采樣生成新的狀態粒子集和參數粒子集；

經過上述五步之后，把k+1作為新的當前微觀采樣點狀態，判斷k+1是否能被L整除，如果能，則進行步驟①；否則直接輸出參數估計值。