本發(fā)明涉及電池辨識估計領(lǐng)域，尤其是一種基于雙卡爾曼濾波算法的電池SOC在線估計方法。

背景技術(shù)：

近幾年來，以電池為主要動力來源的純電動車和混合動力車被廣泛投入使用。這種新興交通工具以其低碳排放，節(jié)能輕便的特點受到人們的重視。然而現(xiàn)階段電動車的發(fā)展很大程度上受限于動力電池的穩(wěn)定性，安全性和使用壽命等因素。在電動車運行過程中，駕駛?cè)藛T需要隨時了解電池剩余電量多少以判斷可續(xù)航里程。電池荷電狀態(tài)即SOC(State of Charge)是電池可用能量和總能量的比值，是電池不可直接測量的重要參數(shù)，其取值范圍為0～1，當SOC＝0時表示電池放電完全，當SOC＝1時表示電池完全充滿。電池的荷電狀態(tài)在電池的應(yīng)用中處于核心的地位，準確估計電池的SOC有以下意義：

(1)保護動力電池。對于動力電池而言，過充和過放都可能對電池造成永久性的損害，嚴重減少電池的使用壽命。如果可以提供準確的SOC值，整車控制策略可以將SOC控制在一定的范圍內(nèi)(如20％～80％)，起到了防止對電池過充或過放的作用，從而保證電池的正常使用，延長電池的使用壽命。

(2)提高整車性能。在沒有提供準確的SOC值的情況下，為了保證電池的安全使用，整車控制策略需要保守地使用電池，防止電池出現(xiàn)過充和過放的情況。這樣不能充分發(fā)揮電池的性能，因而降低了整車的性能。

(3)降低對動力電池的要求。在準確估計SOC的前提下，電池的性能可以被充分使用。選用電池時，針對電池性能設(shè)計的余量可以大大減小。

電池的荷電狀態(tài)SOC為電池的剩余容量與總的可用容量的比值。其定義式如下：

SOC＝Qr/Qtot；其中Qr為電池剩余容量，Qtot為電池最大可用容量。

由于電池的SOC不像電流、電壓和溫度可以通過傳感器直接測量得到，SOC只能通過估計的方法得到，一般常用的估計方法主要有：電荷累積法(也稱安時積分法)、開路電壓法和卡爾曼濾波法。安時法是將電流送入積分器中用于進行電量消耗的測量，再通過簡單的計算得到電池的SOC值。此方法實現(xiàn)簡單，但是容易產(chǎn)生累積誤差。開路電壓是指電池經(jīng)過長時間靜置穩(wěn)定后的電壓值，開路電壓在數(shù)值上接近電池電動勢，但是開路電壓需要長時間靜置獲得，而一般電池SOC估計都是動態(tài)估計；卡爾曼濾波法是將電池看成一個動力系統(tǒng)，并對動力系統(tǒng)的狀態(tài)做出最小意義上的最優(yōu)估計，此方法可以濾去固定噪聲并得到SOC的準確估值，雖然擴展卡爾曼濾波算法對輸入干擾有較好的過濾性，對初始狀態(tài)誤差有較強的修正性，能夠使估計值很快地收斂至真值附近，但其對電池模型的依賴性較大，對電池模型參數(shù)精度要求較高。

技術(shù)實現(xiàn)要素：

為了解決上述技術(shù)問題，本發(fā)明的目的是提供一種電池SOC估算速度快、精度高且不依賴與電池模型的基于雙卡爾曼濾波算法的電池SOC在線估計方法。

本發(fā)明所采用的技術(shù)方案是：一種基于雙卡爾曼濾波算法的電池SOC在線估計方法，包括以下步驟：

S1、獲取電池SOC的初始值；

S2、建立電池等效電路模型，并得到電池的狀態(tài)方程和輸出方程；

S3、以電池SOC的初始值作為輸入狀態(tài)量，電池等效電路模型所對應(yīng)的電壓方程為輸出方程，利用擴展卡爾曼濾波算法進行電池SOC估算；

S4、以擴展卡爾曼濾波算法估算的電池SOC為輸入狀態(tài)量，安時積分法為輸出方程，利用卡爾曼濾波算法進行電池SOC估算得到電池SOC的估算值。

進一步地，所述電池等效電路模型為雙RC環(huán)等效電路模型，所述雙RC環(huán)等效電路模型包括電池的開路電壓、電池內(nèi)阻、極化電阻、極化電容、雙電層電阻和雙電層電容，

所述電池的開路電壓的正極與電池內(nèi)阻的左端連接，所述電池內(nèi)阻的右端與極化電阻的左端連接，所述極化電阻的右端與雙電層電阻的左端連接，所述極化電容與極化電阻并聯(lián)，所述雙電層電容與雙電層電阻并聯(lián)，所述雙電層電阻的右端、電池的開路電壓的負極分別作為等效電路的正負輸出端。

進一步地，所述基于雙卡爾曼濾波算法的電池SOC在線估計方法還包括步驟S5：

S5、重復(fù)步驟S1-S4對電池組中多個電池單體進行電池SOC值估算，并將多個電池SOC估算值中的最小值作為電池組的電池SOC估算值。

進一步地，所述步驟S1包括以下步驟：

S11、獲取電池組的斷電時長；

S12、判斷電池組的斷電時長是否大于預(yù)定時長，若大于預(yù)定時長，則獲取電池組中電壓最低的單體的SOC作為電池SOC的初始值；否則，則將斷電前的電池組的電池SOC估算值為電池SOC的初始值。

進一步地，所述電池的狀態(tài)方程為

所述電池的輸出方程為

U_(bat)k+1＝-U_b-U_p+[-R_o]i_k+U_oc+V_k；

其中，U_oc＝f_uoc(SOC(k))；

k為循環(huán)批次數(shù)，Wk和Vk分別為k批次時的系統(tǒng)過程噪聲和系統(tǒng)測量噪聲；Ts為系統(tǒng)采樣時間；R_b和C_b分別為電池的雙電層電阻和雙電層電容，τ_b為雙電層電容C_b、雙電層電阻R_b組成的RC環(huán)時間常數(shù)，其值為R_b*C_b；R_p和C_p分別為電池的極化電阻和極化電容，τ_p為電容C_p、電阻R_p組成的RC環(huán)時間常數(shù)，值為R_p*C_p；η為電池庫倫效率，用于描述電池放電容量所占的比例；SOC為電池荷電狀態(tài)值；U_b和U_p分別為b、p兩個RC環(huán)兩端的電壓值大??；C_b和C_p為電容C_b和C_p的電容值大??；C_n為電池容量；i為通過電池的電流，充電時電流為正值，放電時為負值；U_bat表示電池端電壓，Ro為電池內(nèi)阻，Uoc為電池的開路電壓。

進一步地，所述步驟S3包括以下步驟：

S31、以電池SOC的初始值作為輸入狀態(tài)量，電池等效電路模型所對應(yīng)的電壓方程為輸出方程，定義電池狀態(tài)方程和輸出方程，設(shè)定初始狀態(tài)估計值和初始狀態(tài)誤差協(xié)方差；

S32、得到當前時刻狀態(tài)量及協(xié)方差和的函數(shù)關(guān)系；

S33、得到當前時刻的卡爾曼增益矩陣；

S34、利用通過狀態(tài)方程計算得到的輸出和測量得到的輸出對先驗估計值進行校正，得到當前時刻的更新狀態(tài)值和協(xié)方差；

S35、更新狀態(tài)量和協(xié)方差的值，得到利用擴展卡爾曼濾波算法估算的當前時刻的電池SOC值，返回步驟S31重新迭代，利用擴展卡爾曼濾波算法進行下一時刻的SOC值估算。

進一步地，所述步驟S4包括以下步驟：

S41、以擴展卡爾曼濾波算法估算的電池SOC為輸入狀態(tài)量，安時積分法為輸出方程，定義電池狀態(tài)方程和輸出方程，設(shè)定初始狀態(tài)估計值和初始狀態(tài)誤差協(xié)方差；

S42、得到當前時刻狀態(tài)量及協(xié)方差和的函數(shù)關(guān)系；

S43、得到當前時刻的卡爾曼增益矩陣；

S44、利用通過狀態(tài)方程計算得到的輸出和測量得到的輸出對先驗估計值進行校正，得到當前時刻的更新狀態(tài)值和協(xié)方差；

S45、更新狀態(tài)量和協(xié)方差的值，得到基于雙卡爾曼濾波算法估算當前時刻的電池SOC值，返回步驟S41重新迭代，利用卡爾曼濾波算法進行下一時刻的SOC值估算。

進一步地，當電池組充至滿電時，將電池SOC值強制校準為100％；當電池組放電至電壓低于預(yù)定閾值時，將電池SOC值強制校準為0。

本發(fā)明的有益效果是：本發(fā)明一種基于雙卡爾曼濾波算法的電池SOC在線估計方法，結(jié)合擴展卡爾曼濾波法和安時積分法，將兩種算法估計得到的SOC結(jié)果再經(jīng)過卡爾曼算法進行加權(quán)計算，得到一個結(jié)合兩種算法優(yōu)勢的雙卡爾曼濾波算法，能更精確地得到SOC估計值；還可以快速地通過輸入信號提取估計出內(nèi)部參數(shù)SOC值，不過于依賴電池模型，同時也減小了對電流精度的要求。

附圖說明

下面結(jié)合附圖對本發(fā)明的具體實施方式作進一步說明：

圖1是本發(fā)明一種基于雙卡爾曼濾波算法的電池SOC在線估計方法的步驟流程圖；

圖2是本發(fā)明一種基于雙卡爾曼濾波算法的電池SOC在線估計方法的算法原理圖；

圖3是本發(fā)明一種基于雙卡爾曼濾波算法的電池SOC在線估計方法的一具體實施例的具體步驟流程圖；

圖4是本發(fā)明一種基于雙卡爾曼濾波算法的電池SOC在線估計方法中電池等效電路模型的一具體實施例示意圖；

圖5是本發(fā)明一種基于雙卡爾曼濾波算法的電池SOC在線估計方法中擴展卡爾曼算法的原理圖。

具體實施方式

需要說明的是，在不沖突的情況下，本申請中的實施例及實施例中的特征可以相互組合。

一種基于雙卡爾曼濾波算法的電池SOC在線估計方法，參考圖1和圖2，圖1是本發(fā)明一種基于雙卡爾曼濾波算法的電池SOC在線估計方法的步驟流程圖，圖2是本發(fā)明一種基于雙卡爾曼濾波算法的電池SOC在線估計方法的算法原理圖，包括以下步驟：

S1、獲取電池SOC的初始值；

S2、建立電池等效電路模型，并得到電池的狀態(tài)方程和輸出方程；

S3、以電池SOC的初始值作為輸入狀態(tài)量，電池等效電路模型所對應(yīng)的電壓方程為輸出方程，利用擴展卡爾曼濾波算法進行電池SOC估算；

S4、以擴展卡爾曼濾波算法估算的電池SOC為輸入狀態(tài)量，安時積分法為輸出方程，利用卡爾曼濾波算法進行電池SOC估算得到電池SOC的估算值。

一種基于雙卡爾曼濾波算法的電池SOC在線估計方法，結(jié)合擴展卡爾曼濾波法和安時積分法，將兩種算法估計得到的SOC結(jié)果再經(jīng)過卡爾曼算法進行加權(quán)計算，得到一個結(jié)合兩種算法優(yōu)勢的雙卡爾曼濾波算法，能更精確地得到SOC估計值；還可以快速地通過輸入信號提取估計出內(nèi)部參數(shù)SOC值，不過于依賴電池模型，同時也減小了對電流精度的要求。

作為技術(shù)方案的進一步改進，基于雙卡爾曼濾波算法的電池SOC在線估計方法還包括步驟S5：

S5、重復(fù)步驟S1-S4對電池組中多個電池單體進行電池SOC值估算，并將多個電池SOC估算值中的最小值作為電池組的電池SOC估算值，并反映在電池管理系統(tǒng)(BMS)的用戶界面上。

作為技術(shù)方案的進一步改進，步驟S1包括以下步驟：

S11、獲取電池組的斷電時長；

S12、判斷電池組的斷電時長是否大于預(yù)定時長，若大于預(yù)定時長，則獲取電池組中電壓最低的單體的SOC作為電池SOC的初始值；否則，則將斷電前的電池組的電池SOC估算值為電池SOC的初始值。

本實施例中，參考圖3，圖3是本發(fā)明一種基于雙卡爾曼濾波算法的電池SOC在線估計方法的一具體實施例的具體步驟流程圖，本發(fā)明提供一種基于雙卡爾曼濾波算法的電動車電池SOC值在線估算方法，該方法可應(yīng)用于電動車電池管理系統(tǒng)平臺上，通過采集電動車電池組充放電過程中的電壓電流數(shù)據(jù)，對其SOC值進行計算及實時更新。估算的第一步，獲取電池SOC的初始值，在電動汽車未啟動時，判斷距離上次斷電所經(jīng)過的時間，若超過4小時，則電池組初始SOC值選取為電池靜置一定時間后，電池組中電壓最低單體的開路電壓所對應(yīng)的SOC值；若時間間隔低于4小時，則選取上一次電池管理系統(tǒng)(BMS)斷電前所記錄的SOC估算值作為初始值。行車期間，通過電池管理系統(tǒng)(BMS)實時采集所有電池單體電壓和電流數(shù)據(jù)，進入步驟2-4的雙卡爾曼濾波算法循環(huán)對每個電池單體的SOC分別進行估算，步驟2中，建立電池等效電路模型，使用電壓源、電阻、電容組成電路模型，通過調(diào)整電路中各組成單元的物理參數(shù)模擬電池的動態(tài)特性，然后根據(jù)基爾霍夫電流電壓定理得到電池的狀態(tài)方程和輸出方程。

作為技術(shù)方案的進一步改進，參考圖4，圖4是本發(fā)明一種基于雙卡爾曼濾波算法的電池SOC在線估計方法中電池等效電路模型的一具體實施例示意圖，電池等效電路模型為雙RC環(huán)等效電路模型，雙RC環(huán)等效電路模型包括電池的開路電壓U_OC、電池內(nèi)阻R_O、極化電阻R_p、極化電容C_p、雙電層電阻R_b和雙電層電容C_b，

電池的開路電壓U_OC的正極與電池內(nèi)阻R_O的左端連接，電池內(nèi)阻R_O的右端與極化電阻R_p的左端連接，極化電阻R_p的右端與雙電層電阻R_b的左端連接，極化電容C_p與極化電阻R_p并聯(lián)，雙電層電容C_b與雙電層電阻R_b并聯(lián)，雙電層電阻R_b的右端、電池的開路電壓U_OC的負極分別作為等效電路的正負輸出端，電池的輸出電流為I_bat，輸出端電壓為U_bat。

電池的狀態(tài)方程為

電池的輸出方程為

U_(bat)k+1＝-U_b-U_p+[-R_o]i_k+U_oc+V_k；

其中，U_oc＝f_uoc(SOC(k))；

k為循環(huán)批次數(shù)，Wk和Vk分別為k批次時的系統(tǒng)過程噪聲和系統(tǒng)測量噪聲；Ts為系統(tǒng)采樣時間；R_b和C_b分別為電池的雙電層電阻和雙電層電容，τ_b為雙電層電容C_b、雙電層電阻R_b組成的RC環(huán)時間常數(shù)，其值為R_b*C_b；R_p和C_p分別為電池的極化電阻和極化電容，τ_p為電容C_p、電阻R_p組成的RC環(huán)時間常數(shù)，值為R_p*C_p；η為電池庫倫效率，用于描述電池放電容量所占的比例；SOC為電池荷電狀態(tài)值；U_b和U_p分別為b、p兩個RC環(huán)兩端的電壓值大??；C_b和C_p為電容C_b和C_p的電容值大??；C_n為電池容量；i為通過電池的電流，充電時電流為正值，放電時為負值；U_bat表示電池端電壓，Ro為電池內(nèi)阻，Uoc為電池的開路電壓。

作為技術(shù)方案的進一步改進，步驟S3包括以下步驟：

S31、以電池SOC的初始值作為輸入狀態(tài)量，電池等效電路模型所對應(yīng)的電壓方程為輸出方程，定義電池狀態(tài)方程和輸出方程，設(shè)定初始狀態(tài)估計值和初始狀態(tài)誤差協(xié)方差；

S32、得到當前時刻狀態(tài)量及協(xié)方差和的函數(shù)關(guān)系；

S33、得到當前時刻的卡爾曼增益矩陣；

S34、利用通過狀態(tài)方程計算得到的輸出和測量得到的輸出對先驗估計值進行校正，得到當前時刻的更新狀態(tài)值和協(xié)方差；

S35、更新狀態(tài)量和協(xié)方差的值，得到利用擴展卡爾曼濾波算法估算的當前時刻的電池SOC值，返回步驟S31重新迭代，利用擴展卡爾曼濾波算法進行下一時刻的SOC值估算。

本實施例中，參考圖5，圖5是本發(fā)明一種基于雙卡爾曼濾波算法的電池SOC在線估計方法中擴展卡爾曼算法的原理圖。以作為輸入狀態(tài)量矩陣，電池等效電路模型所對應(yīng)的電壓方程為輸出方程，利用擴展卡爾曼濾波算法(EKF)循環(huán)估算電池的SOC，參考圖3，圖3是本發(fā)明一種基于雙卡爾曼濾波算法的電池SOC在線估計方法的一具體實施例的具體步驟流程圖，利用針對非線性系統(tǒng)的擴展卡爾曼濾波算法進行當前時刻的SOC值估算過程，具體地：

(1)、定義k時刻下電池狀態(tài)方程和輸出方程；

U_(bat)k+1＝-U_b-U_p+[-R_o]i_k+U_oc+V_k；

其中，U_oc＝f_uoc(SOC(k))；

Y_new＝U_(bat)k+1；

(2)、得到當前時刻狀態(tài)及協(xié)方差和的函數(shù)關(guān)系；

P_ud＝A*P_old*A^T+Q；

(3)、得到當前時刻的增益矩陣K，其中矩陣C為開路電壓對狀態(tài)求偏導(dǎo)得到的雅克比矩陣；

K＝P_ud*C^T*(C*P_ud*C^T+R)；

(4)、用通過狀態(tài)方程計算得到的輸出和測量得到的輸出來對先驗估計值進行校正，得到當前時刻的更新狀態(tài)值和協(xié)方差。

delt_Y＝Y(jié)_measure-Y_new；

X_new＝X_ud+K*delt_Y；

P_new＝(Id-K*C)*P_ud；

(5)、最后更新狀態(tài)和協(xié)方差的值：

X_old＝X_new；

P_old＝P_new；

回到第1)步重新迭代運算，利用擴展卡爾曼濾波算法進行下一時刻的SOC值估算。

其中，X為包含SOC的電池狀態(tài)量矩陣，Y為基于電池模型預(yù)測得到的電池端電壓值；X_ud是對X_old的狀態(tài)預(yù)測值，X_new是X_old的狀態(tài)校正值；I為實測電流值，Y_measure為實測電池端電壓值，Y_new為端電壓預(yù)測值；P_ud為狀態(tài)協(xié)方差預(yù)測矩陣，P_new為狀態(tài)協(xié)方差更新矩陣，Id為單位矩陣；Q和R分別為過程噪聲W和測量噪聲V的協(xié)方差矩陣，過程噪聲和測量噪聲均符合高斯白噪聲分布。

作為技術(shù)方案的進一步改進，參考圖3，圖3是本發(fā)明一種基于雙卡爾曼濾波算法的電池SOC在線估計方法的一具體實施例的具體步驟流程圖，將經(jīng)過第一個EKF算法循環(huán)得到的SOC估算值作為輸入狀態(tài)量，安時積分法作為狀態(tài)方程，進入第二個針對線性系統(tǒng)的卡爾曼濾波算法(KF)循環(huán)中，得到SOC估算最終值，步驟S4包括以下步驟：

S41、以擴展卡爾曼濾波算法估算的電池SOC為輸入狀態(tài)量，安時積分法為輸出方程，定義電池狀態(tài)方程和輸出方程，設(shè)定初始狀態(tài)估計值和初始狀態(tài)誤差協(xié)方差；

S42、得到當前時刻狀態(tài)量及協(xié)方差和的函數(shù)關(guān)系；

S43、得到當前時刻的卡爾曼增益矩陣；

S44、利用通過狀態(tài)方程計算得到的輸出和測量得到的輸出對先驗估計值進行校正，得到當前時刻的更新狀態(tài)值和協(xié)方差；

S45、更新狀態(tài)量和協(xié)方差的值，得到基于雙卡爾曼濾波算法估算當前時刻的電池SOC值，返回步驟S41重新迭代，利用卡爾曼濾波算法進行下一時刻的SOC值估算。

具體地：

(1)、定義k時刻下KF輸入狀態(tài)量和輸出方程，設(shè)定初始狀態(tài)估計值X₂_old和初始狀態(tài)誤差協(xié)方差P₂_old；

X₂(k+1)＝f₂(X₂(k),I)；

Y₂(k)＝SOC_EKF(k)；

(2)、得到當前時刻狀態(tài)及協(xié)方差和的函數(shù)關(guān)系；

X₂_ud＝f₂(X₂_old,I)；

P₂_ud＝P₂_old+Q₂；

(3)、得到當前時刻的增益矩陣K₂；

K₂＝P₂_ud/(P₂_ud+R₂)；

(4)、用通過狀態(tài)方程計算得到的輸出和測量得到的輸出來對先驗估計值進行校正，得到當前時刻的更新狀態(tài)值和協(xié)方差。

Y₂_new＝X₂_old；

delt_Y₂＝Y(jié)₂-Y₂_new；

X₂_new＝X₂_ud+K₂*delt_Y₂；

P₂_new＝(1-K₂)*P₂_ud；

(5)、最后更新狀態(tài)和協(xié)方差的值：

X₂_old＝X₂_new；

P₂_old＝P₂_new；

回到第(1)步重新迭代運算，利用卡爾曼濾波算法進行下一時刻的SOC值估算。

其中X₂為雙卡爾曼濾波算法SOC估算終值，Y₂為第一個EKF算法估算所得SOC值。X₂_ud是對X₂_old的狀態(tài)預(yù)測值，X₂_new是X₂_old的狀態(tài)校正值。I為實測電流值，Y₂_new為端電壓預(yù)測值。P₂_ud為狀態(tài)協(xié)方差預(yù)測矩陣，P₂_new為狀態(tài)協(xié)方差更新矩陣。Q2和R2分別為過程噪聲和測量噪聲的協(xié)方差矩陣。

作為技術(shù)方案的進一步改進，當電池組充至滿電時，將電池SOC值強制校準為100％；當電池組放電至電壓低于預(yù)定閾值時，將電池SOC值強制校準為0，從而不定期消除SOC估算系統(tǒng)中存在的累積誤差。

本發(fā)明提供一種精度高、計算量小的適用于嵌入至電池管理系統(tǒng)(BMS)平臺的動力鋰離子電池SOC實時估計算法。通過實時采集的電流電壓信息，可以實時估計電池SOC，是一種應(yīng)用新型算法的新實踐。

以上是對本發(fā)明的較佳實施進行了具體說明，但本發(fā)明創(chuàng)造并不限于所述實施例，熟悉本領(lǐng)域的技術(shù)人員在不違背本發(fā)明精神的前提下還可做出種種的等同變形或替換，這些等同的變形或替換均包含在本申請權(quán)利要求所限定的范圍內(nèi)。