行之知识产权综合服务平台

技术领域

本发明涉及电动汽车技术领域，具体地说是一种利用卡尔曼滤波预估电 池荷电状态(SOC,StateofCharge)的方法，适用于所有需要使用动力电池的车 辆，尤其是需要实时预估动力电池荷电状态SOC的车辆。

关键字：动力电池电动车SOC

背景技术

电动汽车电池组在使用过程中表现出高度的非线性性，准确估计SOC具 有很大的难度。电池组SOC状态是电源管理系统的基础，且电池均衡，寿命 状态预测均需要准确的SOC值。随着电动汽车的推广，如何准确的估计动力 电池组的SOC值称为近些年研究的热点。

目前常用的SOC估计方法是通过测量电池组的外特性—电流、电压、内 阻等来对SOC进行估计。

安时积分法通过电池组负载电流的动态积分来估计SOC，算法简单，实 用性强，在实际电动汽车中应用最多。安时积分法是一种开环预测，在电流波 动剧烈的电动汽车实际工况中，会因为电流误差的积累而精度越来越差。对于 便携式电子设备等要求不高的情况下可以采用。

开路电压法依据电池空载时候的电压和SOC的关系曲线，测量得到电池 的开路电压值，通过查找关系曲线图来估计SOC。电动汽车用动力锂电池通 常要静置很长时间电压才趋于稳定，并且电动汽车在行驶过程中无法测量开路 电压，因此不适合用于动态估计。

神经网络法能够模拟任何非线性系统，可以用于在线估计SOC。但是要 经过较长的学习时间，在此期间需要大量训练数据，估计误差受训练数据和学 习方法的影响较大。

扩展卡尔曼滤波法通过建立锂电池组的非线性状态空间模型，结合递推算 法实现模型状态变量SOC的最小方差估计，是一种在线实时的估计方法。并 且扩展卡尔曼滤波法可以给出误差的估计范围，对于SOC的初始误差有较强 的抑制作用，特别适用于电流变化剧烈的电动汽车动力电池组。

本发明的估计策略均是建立在扩展卡尔曼滤波的基础上，通过建立适合的 电池模型来应用卡尔曼滤波，实现对状态变量的准确估计。

发明内容

本发明的目的是提供一种利用卡尔曼滤波预估电池荷电状态的方法。该方 法采用扩展卡尔曼滤波方法作为基本工具，实现了在动力电池BMS启动后， SOC的预估在整个时间阶段都保持很高的准确度，并具有实时性、抑制噪音 等优点。

本发明的目的是通过如下技术方案来实现的：

一种利用卡尔曼滤波预估电池荷电状态的方法，它包括有电池包，其特征 在于：电池包的输出端分别与高压采集单元和电流采集单元相连接；所述高压 采集单元与卡尔曼预估单元内的输出方程相连接，所述电流采集单元与卡尔曼 预估单元内的状态方程相连接；所述输出方程和状态方程的输出端与SOC计 算单元相连接；所述SOC计算单元输出端则与车载仪表中的SOC显示单元相 连接。

为了实现上述目的，本发明采用了锂电池组的V_min模型作为扩展卡尔曼 滤波器的时间更新、测量更新引擎，滤波器运行初期的初值采用SOC、对应 误差的历史数据；采用扩展卡尔曼滤波算法预估电池的SOC。

本发明的初值采用SOC、相应误差的历史数据。

本发明的采用了电池的V_min模型作为它的更新引擎。所述V_min模型的状 态方程是安时法原理方程，观测方程是关于电池最小负载电压的表达式。

将整个电池当做动态系统，输入为电池的放电电流，输出为电池的最小负 载电压，预估电池的SOC，最终预估出电池的SOC。

上述SOC估测方法采用扩展卡尔曼滤波器作为基本预测工具。

上述SOC估测方法采用电池V_min模型作为卡尔曼滤波器的时间更新、测 量更新引擎。

上述SOC估测方法在运行过程中采用扩展卡尔曼滤波算法预估电池的 SOC，利用最终预估的内阻值计算电池的SOC。

本发明具有以下特点：

1、SOC预测精度高，实现了电流与电压的数据融合，无论在运行初期还 是中后期，均具有很高的精度。

2、本发明采用了电池V_min模型作为扩展卡尔曼滤波器的更新引擎，本模 型能准确描述电池的全部特性，因此特别适用于扩展卡尔曼滤波器SOC测算 法，本发明又对电池模型的描述方程进行了离散化处理，因此具有易于实施的 优点。

3、由于在计算过程中考虑了噪声的影响，故算法对噪声有很强的抑制作 用。

附图说明

附图1为本发明的原理结构图；

附图2为扩展卡尔曼滤波算法流程图；

附图3为Rint等效电路模型示意图。

下面将结合附图通过实例，对本发明作进一步详细说明，但下述实例仅仅 是本发明的例子而已，并不代表本发明所限定的权利保护范围，本发明的权利 保护范围以权利要求书为准。

具体实施方式

实例1

本发明的原理结构由图1所示，它包括有电池包，其特征在于：电池包的 输出端分别与高压采集单元和电流采集单元相连接；所述高压采集单元与卡尔 曼预估单元内的输出方程相连接，所述电流采集单元与卡尔曼预估单元内的状 态方程相连接；所述输出方程和状态方程的输出端与SOC计算单元相连接； 所述SOC计算单元输出端则与车载仪表中的SOC显示单元相连接。

图1中包括带有采集动力电池实时电流的电流采集单元、动力电池总高压 的高压采集单元的动力电池，存储着由电池供应商通过实验得到电池特性的电 池特性数据存储单元，所述的电流采集单元输出端与状态方程单元连接，高压 采集单元输出端与输出方程单元连接，状态方程和输出方程单元一同连接SOC 计算单元；SOC计算单元输出端直接与车载仪表中的SOC显示单元相连接。

下面以实例方式对本发明进行详细描述：

EKF估计全称为扩展卡尔曼滤波，可以实现实时估计和噪声抑制。本专 利旨在实现基于V_min模型的SOC状态EKF估计。根据附图3所示的电池等效 电路模型，附图3中Uoc表示电池开路电压，R0表示电池内阻，V表示电池 工作电压，具体表现为公式1中的电流可以根据该模型求出，公式2中的Vmin 为电池工作电压，V0即为开路电压，R即为电池内阻；系统的非线性状态空 间模型:

S O C ( t ) = S O C ( 0 ) - ∫ 0 t η c i ( t ) d t C N V min ( t ) = V 0 - R i ( t ) - K 0 / S O C ( t ) - K 1 S O C ( t ) + K 2 ln ( S O C ( t ) ) + K 3 ln ( 1 - S O C ( t ) ) - - - ( 1 ) ]]>

式中：η_c为库仑效率；C_N为电池额定容量；i(t)为电池放电电流；V₀为电 池充满电后的空载电压；SOC(t)为电池的SOC值；SOC(0)为电池SOC初 始值；V_min(t)为电池最小负载电压；R为电池内阻；K₀、K₁、K₂、K₃为经 验系数，暂时全取1；

对非线性状态空间模型离散化，得到电池组的离散状态方程

SOC k + 1 = SOC k - η c Δ t C N i k V min , k = V 0 - Ri k - K 0 / SOC k - K 1 SOC k + K 2 ln ( SOC k ) + K 3 ln ( 1 - SOC k ) + v K - - - ( 2 ) ]]>

式中：V_k为电池测量时的观测噪声；

结合附图2，本发明所采用的共同扩展卡尔曼滤波算法的流程如下:

SOC表示为状态变量x，V_min表示为输出变量y，定义

A K - 1 = ∂ f ( x k - 1 , i k - 1 ) ∂ x k - 1 | x k - 1 = x ^ k - 1 = 1 - - - ( 3 ) ]]>

C k = ∂ g ( x k , i k ) ∂ x k | x k = x ^ k = K 0 ( x k ^ ) 2 - K 1 + K 2 x k ^ - K 3 ( 1 - x k ^ ) - - - ( 4 ) ]]>

初始化x

x ^ 0 + = E [ x 0 ] Σ x ~ , 0 + = [ ( x 0 - x ^ 0 + ) ( x 0 - x ^ 0 + ) T ] - - - ( 5 ) ]]>

迭代过程

状态向量x的时间更新

{ x ^ k - = f ( x ^ k - 1 + , i k - 1 ) Σ x ~ , k - = A k Σ x ~ , k - 1 + A k T + Q - - - ( 6 ) ]]>

状态向量x的状态更新

L k = Σ x ~ , k - ( C k ) T [ C k Σ x ~ , k - ( C k ) T + R ] - 1 x ^ k + = x ^ k - + L k x [ y k - g ( x ^ k - , i k ) ] Σ x ~ , k + = ( I - L k C k ) Σ x ~ , k - - - - ( 7 ) ]]>

式中：R、Q均为观测过程中的高斯白噪声。

当然，本发明还可能有其他多种实施实例，在不背离本发明精神及其实质 的情况下，熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变 形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。