[發明專利]一種估算動力鋰電池SoC的新方法

在審

• 申請號: 201710996831.2
• 申請日: 2017-10-19
• 公開（公告）號: CN107957555A
• 公開（公告）日: 2018-04-24
• 發明（設計）人: 聶文亮;季海婷;李春莉;邱剛
• 申請（專利權）人: 重慶三峽學院
• 主分類號: G01R31/36
• 分類號: G01R31/36;G06N3/12
• 代理公司: 重慶市恒信知識產權代理有限公司50102
• 代理人: 李金蓉

技術領域

本發明涉及電池荷電狀態的估計領域，具體是一種估算動力鋰電池SoC的 新方法。

背景技術

今年來，新能源電動汽車的發展已經由當初的萌芽階段發展到了瓶頸期， 而電源管理系統(Battery Management System,BMS)成為制約其突破發展的關 鍵技術。電源管理系統主要包括電池荷電狀態(State of Charge，SoC)的估計， 電池溫度的監測，以及電池過壓、過流、過充、過放、過高溫的保護等。其中， 電池SoC主要完成電池剩余容量的估計，為駕駛員提供續航里程等信息，由于 鋰電池本身結構復雜，工作中受不同工況、周圍溫度，以及自身老化等因素的 影響，所以電池SoC的估計相當困難。

目前，鋰電池SoC估計方法主要有開路電壓法、安時積分法、神經網絡法、 卡爾曼濾波法等等。開路電壓法需要對電池進行放電實驗來獲取OCV與SoC的 對應關系，多應用于電池SoC初始值的獲取。安時積分法原理簡單、便于實現， 但存在累積誤差的問題，一般與開路電壓法進行聯合使用。

除了開路電壓法、安時積分法外，應用智能算法的鋰電池SoC估計大多數 都依賴于鋰電池等效電路模型的具體參數。由于鋰電池的動態非線性特點，及 其在工作過程中會受到不同工況、環境溫度等等因素的影響，實際建模過程中 難以將這些因素都反映到所需的模型參數中去。因此，不管是采用離線辨識還 是在線辨識的模型參數都存在誤差，且隨著誤差的不斷累積會影響所建立模型 的準確度，最終影響到SoC的估算精度。

發明內容

鑒于以上缺陷，本發明提出了一種能夠避免辨識模型參數的SoC估計方法， 即基于自回歸各態歷經(autoregressive exogenous,ARX)模型和自適應卡爾曼濾 波的動力鋰電池SoC估計(簡寫為：ARX-AKF)。本發明首先建立了鋰電池ARX 模型，然后采用遺傳算法對該模型的系數進行優化求解，同時采用遞推最小二 乘法對該模型的系數進行求解；然后根據所獲得的ARX模型系數和鋰電池狀態 方程建立卡爾曼濾波所需的空間狀態方程，最后利用卡爾曼預測迭代方程實現 鋰電池SOC的估計。

為了實現上述目的本發明采用的具體技術方案是：一種估算動力鋰電池SoC 的新方法，包括以下步驟：

步驟一，以動力鋰電池等效電路模型(n階動力學模型)為依據，建立鋰電 池的ARX模型：

A(q)V(k)＝B(q)·I(k)+ε(k)

A(q)＝1+a₁q^-1+a₂q^-2+...+a_mq^-m

B(q)＝b₀+b₁q^-1+b₂q^-2+...+b_nq^-n

式中，V(k)和I(k)分別為輸出量和輸入控制量，q為延遲算子，ε(k)為白噪聲，a_m、b_n為待辨識的系數，m、n表示ARX模型的階數。

步驟二，采用基于AIC準則的遺傳算法確定ARX模型的階數，然后利用遞 推最小二乘法獲得該模型的系數。

其中遺傳算法中利用最小信息準則(AIC)設計遺傳算法的適應度函數，具 體如下式：

式中，m、n表示ARX模型的階數，V_L,k表示第k個時刻電池負載電壓 V_L的測量值，表示第k個時刻的估計值，N表示用于參數估計的數據。

上述確定了模型階數，接著要確定模型系數。鋰電池ARX模型系數的求解 通過遞推最小二乘法實現，具體如下：

式中，表示被辨識的參數，θ＝[a₁...a_m b₁...b_n]；表示觀測向量， L(k)表示增益因子；Γ(k)表示測量的協方差 陣。

步驟三，根據所獲得的ARX模型系數和鋰電池狀態方程建立卡爾曼濾波所 需的空間狀態方程，利用卡爾曼濾波算法的遞推公式，迭代獲得鋰電池SoC。

卡爾曼濾波所需的狀態空間方程為