專利名稱：電池荷電狀態(tài)估算方法及裝置的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及ー種電池管理系統(tǒng)中的電池荷電狀態(tài)估算方法及裝置。
背景技術(shù)：
磷酸鐵鋰電池(LiFePCM)具有體積小、重量輕、能量密度高、密封好、無泄露、無記憶效應(yīng)、放電性能高、自放電率低、充電迅速、循環(huán)壽命長、工作環(huán)境溫度范圍寬、節(jié)能和綠色環(huán)保等特點，特別適合高壓大電流且負載波動劇烈的動カ應(yīng)用場合。磷酸鐵鋰電池在短路、過充、擠壓、針刺等苛刻的使用條件下會對電池的循環(huán)壽命造成極大影響。磷酸鐵鋰電池生產(chǎn)エ藝比較復(fù)雜，単體電池的一致性差異會比密封閥控鉛酸電池大，這就造成電池組在充電后期個別單體電池的電壓迅速上升，從而造成磷酸鐵鋰電池組壽命減短或者損壞的現(xiàn)象，為了避免以上現(xiàn)象的發(fā)生就需要用電池管理系統(tǒng)保障電池的安全可靠。

電池管理系統(tǒng)(Battery Management System,即BMS),是電池保護和管理的核心組成部分，不僅要保證電池安全可靠的使用，而且要充分發(fā)揮電池的性能和延長使用壽命，管理系統(tǒng)在高壓直流電源和電池之間、電池與負載之間起到一個橋梁作用，所以電池管理系統(tǒng)的安全管理模式對電池的安全性至關(guān)重要。電池管理系統(tǒng)主要包括數(shù)據(jù)采集単元、電池SOC (荷電狀態(tài),State of Charge)估算單元、控制單元、均衡單元和通訊單元,這其中電池荷電狀態(tài)(SOC)估算單元又是管理系統(tǒng)的關(guān)鍵。磷酸鐵鋰電池在使用過程中，精確測定電池的SOC對合理使用磷酸鐵鋰電池、延長使用壽命具有關(guān)鍵作用。目前常用的電池模型有電化學(xué)模型、熱力學(xué)模型、耦合模型和性能模型這四種。前三種模型的建立需對電池的電化學(xué)機理有很深刻的研究，且相對復(fù)雜，考慮因素過多，一般不用于電動汽車動カ電池的在線管理中。與之相對應(yīng)的電池性能模型，僅僅通過某種關(guān)系描述電池工作時的外特性，簡單易用、結(jié)構(gòu)多祥，普遍適用于電動汽車動カ電池。電池的性能模型(外特性模型)中常使用的是等效電路模型、神經(jīng)網(wǎng)絡(luò)模型和經(jīng)驗?zāi)Ｐ?。等效電路模型中有Rint、阻容網(wǎng)絡(luò)(RC)和PNGV模型以及清華大學(xué)等提出的非線性等效電路模型(GNL模型)等；神經(jīng)網(wǎng)絡(luò)模型典型的有BP網(wǎng)絡(luò)模型等；經(jīng)驗?zāi)Ｐ椭杏蠸hepherd模型、Unnewehr universal模型、Nernst模型以及復(fù)合模型等。而簡單的等效電路模型如Rint和RC網(wǎng)絡(luò)模型，其計算誤差比較大，不能滿足實際需要；復(fù)雜的等效電路模型如PNGV和GNL模型，參數(shù)辨識復(fù)雜，計算量過大，實際應(yīng)用受到很大限制；神經(jīng)網(wǎng)絡(luò)模型的參數(shù)無實際物理意義，精度受訓(xùn)練樣本和訓(xùn)練方法影響較大。傳統(tǒng)測定SOC的方法通常有開路電壓法、電流積分法、人工神經(jīng)網(wǎng)絡(luò)、卡爾曼濾波算法等，但實際上影響SOC的因素非常復(fù)雜，比如使用溫度、充放電倍率、循環(huán)次數(shù)、內(nèi)阻變化、自放電等因素都對SOC有一定的影響，傳統(tǒng)方法往往僅僅考慮電壓和電流積分這兩個參數(shù)，這必然會對于SOC的測定精度帶來一定的影響，尤其在集裝箱輪胎式龍門起重機等高壓大電流工作狀態(tài)下，這種影響有時會非常顯著。另放電實驗法需要花費大量測量時間。只有當整個放電試驗結(jié)束后，之前各時刻的荷電狀態(tài)(SOC)值才能被計算得到，無法做到SOC的實時估計；電池之前進行的工作要被迫停止，并轉(zhuǎn)到恒流放電狀態(tài)。開路電壓法存在時間問題，其為了克服自恢復(fù)效應(yīng)，電池需要長時間靜置才能達到電壓狀態(tài)穩(wěn)定，一般這個靜置過程需要幾個小時到十幾個小時，這就造成了時間上的浪費；此外，如何正確判定電池是否達到穩(wěn)定狀態(tài)也是剩余電量估計的難點。當電池處于放電中期平臺時，開路電壓與荷電狀態(tài)(SOC)的數(shù)值對應(yīng)關(guān)系并不十分明顯，導(dǎo)致荷電狀態(tài)(SOC)估計誤差較大。安時計量法，方法自身不能提供電池荷電狀態(tài)初始值SOC(tO);不準確的電流測量將增大荷電狀態(tài)(SOC)估計誤差，經(jīng)過長時間累積，該誤差會變得越來越大；在電流變化比較劇烈的高壓大電流條件下，會導(dǎo)致荷電狀態(tài)(SOC)估算誤差比較大；估算SOC時必須考慮電池容量影響系數(shù)n。雖然電流測量的精度問題可以通過使用高性能電流傳感器解決，但是這樣會使系統(tǒng)成本大幅増加。同時，解決電池容量影響系數(shù)n問題必須通過大量實驗數(shù)據(jù)建立溫度影響系數(shù)nT、充放電倍率系數(shù)Hi和充放電循環(huán)次數(shù)nN的經(jīng)驗公式。

發(fā)明內(nèi)容
基于此，有必要提供ー種可提高估算精度的電池荷電狀態(tài)估算方法。同時提供ー種可提高估算精度的電池荷電狀態(tài)估算裝置。一種電池荷電狀態(tài)估算方法，采用卡爾曼濾波算法，包括在線實時調(diào)整方法所述在線實時調(diào)整方法包括如下步驟建立指數(shù)形輸入隸屬度函數(shù)Gk=l，u=0 ;Gk G
，ak=2u+l ;其中，Gk 為輸入隸屬度函數(shù)的輸入?yún)?shù)即模糊推理控制輸入量，ak為三角形輸出隸屬度函數(shù)的輸出參數(shù)即模糊推理控制輸出量，u為模糊度值；根據(jù)指數(shù)形輸入隸屬度函數(shù)及三角形輸出隸屬度函數(shù)，推出的模糊推理規(guī)則如下
權(quán)利要求
1.ー種電池荷電狀態(tài)估算方法，采用卡爾曼濾波算法，其特征在于，包括 在線實時調(diào)整方法所述在線實時調(diào)整方法包括如下步驟 建立指數(shù)形輸入隸屬度函數(shù)Gk=l，u=0 ;Gk G
, = 1-(卩)2淇中，Gk為指數(shù)形輸入隸屬度函數(shù)的輸入?yún)?shù)，u為模糊度值； 建立輸出隸屬度函數(shù)，根據(jù)指數(shù)輸入隸屬度函數(shù)及輸出隸屬度函數(shù)建立模糊推理規(guī)貝U，并將指數(shù)形輸入隸屬度函數(shù)的輸入?yún)?shù)作為模糊推理規(guī)則的模糊推理控制輸入量，輸出隸屬度的輸出參數(shù)作為模糊推理規(guī)則的模糊推理控制輸出量； 濾波器進行濾波時，根據(jù)模糊推理規(guī)則在線輸出模糊推理控制輸出量，根據(jù)在線輸出的模糊推理控制輸出量調(diào)整量測噪聲協(xié)方差的預(yù)估值以獲取量測噪聲協(xié)方差的優(yōu)化或最優(yōu)值； 將得到的量測噪聲協(xié)方差的優(yōu)化值或最優(yōu)值帶入到卡爾曼增益矩陣中進行修正 p (ザ4 = c p ニ/+D+ ，式中^ D 為量測噪聲協(xié)方差的預(yù)測值，ak為輸出隸屬度函 k k kVi,K Vi.V；.數(shù)的輸出參數(shù),At為量測噪聲協(xié)方差的優(yōu)化或最優(yōu)值，pk_為荷電狀態(tài)誤差的預(yù)測估計值，Ck為標準卡爾曼濾波算法的系統(tǒng)空間模型中的輸出方程匹配系數(shù)。
2.根據(jù)權(quán)利要求I所述的電池荷電狀態(tài)估算方法，其特征在于，所述輸出隸屬度函數(shù)為三角形輸出隸屬度函數(shù)，三角形輸出隸屬度函數(shù)表達式為Gk=l，ak=l ；Gk G
，ak=2u+l ； 其中，Gk為輸入隸屬度函數(shù)的輸入?yún)?shù)即模糊推理控制輸入量，ak為三角形輸出隸屬度函數(shù)的輸出參數(shù)即模糊推理控制輸出量，u為模糊度值； 根據(jù)指數(shù)形輸入隸屬度函數(shù)及三角形輸出隸屬度函數(shù)，推出的模糊推理規(guī)則如下Gk=I, ak=l ；Gk G
，^=3-2(-)2; しit 其中，Gk為指數(shù)形輸入隸屬度函數(shù)的輸入?yún)?shù)即模糊推理控制輸入量，ak為三角形輸出隸屬度函數(shù)的輸出參數(shù)即模糊推理控制輸出量，u為模糊度值。
3.根據(jù)權(quán)利要求I所述的電池荷電狀態(tài)估算方法，其特征在于，所述模糊推理控制輸入量即指數(shù)形輸入隸屬度函數(shù)的輸入?yún)?shù)為量測誤差的輸入控制量，所述在線實時調(diào)整方法還包括如下步驟 計算量測殘差rk rt =JVi-Q-V,淇中yH為k_l時刻的電池負載電壓，!為k_l時刻電池的荷電狀態(tài)的預(yù)估值，Ck為標準卡爾曼濾波算法的系統(tǒng)空間模型中的輸出方程匹配系數(shù)； 根據(jù)量測殘差計算量測誤差的實測方差Mk Mk =iy^k—n,M淇中巧為i時刻的量測殘差，rk為k時刻的量測殘差, <為巧的轉(zhuǎn)置，Yk^1為k-1時刻的電池負載電壓； 計算量測誤差的理論方差:Nk = CkP~CTk +D~ ;其中$為電池的荷電狀態(tài)誤差的預(yù)估值為量測噪聲協(xié)方差的預(yù)估值；Ck為標準卡爾曼濾波算法的系統(tǒng)空間模型中的輸出方程匹配系數(shù)C1為Ck的轉(zhuǎn)置；實時在線監(jiān)測卡爾曼濾波器每ー步的量測誤差的實測方差與量測誤差的理論方差的比值，根據(jù)量測誤差的實測方差及量測誤差的理論方差計算量測誤差的輸入控制量
4.根據(jù)權(quán)利要求I至3任意一項所述的電池荷電狀態(tài)估算方法，其特征在于，基于卡爾曼濾波算法的電池荷電狀態(tài)估算的系統(tǒng)空間模型采用多參數(shù)融合模型， 多參數(shù)融合模型如下 狀態(tài)方程
5.根據(jù)權(quán)利要求4所述的電池荷電狀態(tài)估算方法，其特征在于，所述充放電倍率影響系數(shù) Hi = O. 0003i4-0. 0057i3+0. 0512i2-0. 7952i+100. 2649，其中，i 表示充放電電流；所述溫度影響系數(shù)nT = 0. OOOlT3-O. 0115T2+0. 7612T+87. 7913，式中，T為電池溫度；所述循環(huán)次數(shù)影響系數(shù)nN =-0. 0242N+105. 0909，式中，N為電池充放電循環(huán)次數(shù)；所述電池內(nèi)阻R=0. 0001 (S0C)2-0. 0124 (SOC)+1. 4298，式中，SOC為電池荷電狀態(tài)；所述庫倫系數(shù)nQ放電時nQ=i，充電時nQ=0.995 !所述多參數(shù)融合模型的輸出方程匹配常數(shù)も^”ちヽもヽも利用最小方差原理通過處理放電測試數(shù)據(jù)求得。
6.根據(jù)權(quán)利要求4所述的電池荷電狀態(tài)估算方法，其特征在于，基于多參數(shù)融合模型的擴展卡爾曼濾波遞推算法包括如下步驟 方程匹配系數(shù)的確定步驟 根據(jù)電池荷電狀態(tài)估算的擴展卡爾曼濾波算法的一般非線性系統(tǒng)空間模型的狀態(tài)方程Xk+1=f(xk，uk)+wk與標準卡爾曼濾波算法的線性系統(tǒng)空間模型的狀態(tài)方程xk+1=Akxk+Bkuk+wk及多參數(shù)融合模型的狀態(tài)方程
7.根據(jù)權(quán)利要求6所述的電池荷電狀態(tài)估算方法，其特征在干，所述狀態(tài)量初始化步驟中測量多組電池的開路電壓，并計算測量的多組開路電壓的平均值以得到電池荷電狀態(tài)的初始值4 = (W)tl;計算測量的開路電壓與開路電壓平均值的差值以得到電池荷電狀態(tài)誤差、并計算該電池荷電狀態(tài)誤差協(xié)方差以得到電池荷電狀態(tài)誤差協(xié)方差的初始值P = var(x0);假設(shè)系統(tǒng)噪聲Wk與量測噪聲Vk都為零均值的高斯隨機白噪聲，分別計算系統(tǒng)噪聲協(xié)方差的預(yù)估值A(chǔ),、量測噪聲協(xié)方差的預(yù)估值只；。
8.—種電池荷電狀態(tài)估算裝置，采用卡爾曼濾波算法模型，其特征在于，包括實時對荷電狀態(tài)估算方法中的卡爾曼濾增益矩陣進行實時調(diào)整優(yōu)化的在線實時調(diào)整模塊所述在線實時調(diào)整模塊包括 指數(shù)形輸入隸屬度函數(shù)模塊建立指數(shù)形輸入隸屬度函數(shù)Gk = 1，U=O ;GkG
, " = 1-其中，Gk為指數(shù)形輸入隸屬度函數(shù)的輸入?yún)?shù)，u為模糊度值；模糊推理規(guī)則模塊建立輸出隸屬度函數(shù)，根據(jù)指數(shù)輸入隸屬度函數(shù)及輸出隸屬度函數(shù)建立模糊推理規(guī)則，并將指數(shù)形輸入隸屬度函數(shù)的輸入?yún)?shù)作為模糊推理規(guī)則的模糊推理控制輸入量，輸出隸屬度的輸出參數(shù)作為模糊推理規(guī)則的模糊推理控制輸出量； 量測噪聲協(xié)方差優(yōu)化模塊濾波器進行濾波吋，根據(jù)模糊推理規(guī)則在線輸出模糊推理控制輸出量，根據(jù)在線輸出的模糊推理控制輸出量調(diào)整量測噪聲協(xié)方差的預(yù)估值以獲取量測噪聲協(xié)方差的優(yōu)化或最優(yōu)值； 卡爾曼増益矩陣修正模塊將得到的量測噪聲的協(xié)方差的優(yōu)化值或最優(yōu)值帶入到卡爾 曼增益矩陣中進行修正:
9.根據(jù)權(quán)利要求7所述的電池荷電狀態(tài)估算裝置，其特征在于，所述輸出隸屬度函數(shù)為三角形輸出隸屬度函數(shù)，三角形輸出隸屬度函數(shù)表達式為
10.根據(jù)權(quán)利要求7所述的電池荷電狀態(tài)估算裝置，其特征在于，還包括基于多參數(shù)融合模型的擴展卡爾曼濾波遞推算法的進行荷電狀態(tài)估算的荷電狀態(tài)推算模塊， 所述擴展卡爾曼濾波算法的數(shù)學(xué)模型采用多參數(shù)融合模型， 所述多參數(shù)融合模型如下狀態(tài)方程
全文摘要
本發(fā)明提供一種電池荷電狀態(tài)估算方法及裝置，包括建立磷酸鐵鋰電池的多參數(shù)融合數(shù)學(xué)模型；采用基于指數(shù)輸入隸屬度函數(shù)的模糊卡爾曼濾波算法對電池荷電狀態(tài)進行優(yōu)化估算。其中，建立多參數(shù)融合數(shù)學(xué)模型包括充放電倍率—荷電狀態(tài)分模型的建立、溫度—荷電狀態(tài)分模型的建立、循環(huán)次數(shù)—荷電狀態(tài)分模型的建立。上述的電池荷電狀態(tài)估算方法，采用基于指數(shù)輸入隸屬度函數(shù)的模糊自適應(yīng)卡爾曼濾波算法，使得更為平滑地自適應(yīng)調(diào)節(jié)卡爾曼濾波器中的量測噪聲的理論值，提高系統(tǒng)量測噪聲的匹配程度，更精確地對電池荷電狀態(tài)進行估算。
文檔編號H01M10/42GK102831100SQ20121024908
公開日2012年12月19日 申請日期2012年7月18日 優(yōu)先權(quán)日2012年7月18日
發(fā)明者呂利昌, 趙怡濱, 郭向勇, 傅國強, 曹璞, 冀健, 周利華 申請人:深圳職業(yè)技術(shù)學(xué)院