专利名称：一种动力电池荷电状态估计方法
技术领域：
本发明涉及动力电池电源管理系统领域，尤其涉及一种动力电池荷电状 态估计方法。
背景技术：
动力电池荷电状态(S0C — State of Charge)的估计是电源管理系统 中一个非常重要的内容。目前常用的动力电池SOC估计方法有以下三种第一，安时计量法，将充放电电流随时间的积分值加于初始的SOC上对 实时的SOC进行估计。该方法存在以下两方面缺陷 一方面，由于动力电池 可能在任何一个SOC开始工作，故而初始的SOC难以确定；另一方面，动力 电池在实际使用过程中，会不确定地以不同倍率电流进行放电，而在不同倍 率电流放电的情况下，特别是在高倍率电流放电情况下，动力电池的放电效 率有较大变化(如图2所示)，此时仅凭充放电电流随时间的直接积分而不 对该积分过程加以修正，无法体现放电效率变化对实时的S0C造成的影响， 从而估计所得的SOC有较大误差。第二，开路电压法，利用开路电压(0CV — Open Circuit Voltage) 与S0C的对应关系进行估计。该方法需要基于OCV的测定，但由于在动力电 池工作过程中，无法测定开路电压，故该方法无法应用于动力电池的工作过 程中。第三，神经网络法，利用神经网络模型，直接预测某个放电电流DC和 放电电压DV下的放电量，并根据初始S0C，由上述两者的差值推算出实时的 S0C。该方法也不适用于动力电池的SOC估计， 一方面因为初始SOC难以确 定；另一方面因为神经网络模型受输入维数限制，仅预测单个倍率下的放电
电量，而实际应用中动力电池以变化的倍率电流放电，因此神经网络法不符 合实际使用情况。发明内容针对现有的动力电池soc估计方法存在误差较大、不适用工作状态的缺陷，本发明提供了一种具有较小误差的动力电池荷电状态估计方法，其特征在于，该方法包括以下步骤(a) 测量动力电池在多个不同放电倍率下的放电量，并且与额定放电量 进行比值计算，得到多组不同放电倍率下的充放电效率修正系数尼数据，然 后将所述多组数据引入数据拟合工具，得到不同放电倍率下的《变化曲线；(b) 测量动力电池在多个不同温度下的放电量，并且与额定放电量进行比值计算，得到多组不同温度下的充放电效率修正系数^;数据，然后将所述多组数据引入数据拟合工具，得到不同温度下的A变化曲线；(c) 将电池工作状态的初始时刻至t时刻划分为多个时间段。 ，通过下 式计算工作状态下的动力电池在t时刻的剩余电量G (即S0C)，式中，凡为对电池的一致性差异和不同循环次数进行修正的实际电量修正系数，c。为工作状态下初始时刻电池的剩余电量， A;为从所述《变化曲线得到的o'时间段内的放电倍率下的《值， A;为从所述A;变化曲线得到的工作温度下的凡值，/,为每个时间段结束时的电流值。与现有技术相比，本发明的方法的优点在于适用于电池工作状态；考 虑了影响电池的放电倍率、温度、循环次数、电池一致性差异等因素，更符 合动力电池的实际使用情况，估计结果误差较小；使用数据拟合工具建立相 关曲线，简化建模过程，易于该方法的工业应用。
图1是根据本发明的不同开路电压下的非工作状态电池在t时刻的初始 剩余电量&的曲线图。图2是根据本发明的不同倍率下的充放电效率修正系数yr,的曲线图。 图3是根据本发明的不同温度下的充放电效率修正系数凡的曲线图。图4是根据本发明的具体实施方式
的单隐层BP网络模型结构图示。 图5是开路电压和放电量实测结果与网络拟合结果的比较图示。 图6是根据本发明的具体实施方式
的方法的原理流程图。
具体实施方式
下面参照附图对本发明进行详细说明。 本发明提供的S0C估计方法包括以下步骤(a) 测量动力电池在多个不同放电倍率下的放电量，并且与额定放电量 进行比值计算，得到多组不同放电倍率下的充放电效率修正系数凡数据，然 后将所述多组数据引入数据拟合工具，得到不同放电倍率下的《变化曲线；(b) 测量动力电池在多个不同温度下的放电量，并且与额定放电量进行 比值计算，得到多组不同温度下的充放电效率修正系数凡数据，然后将所述 多组数据引入数据拟合工具，得到不同温度下的A7变化曲线；(c) 将电池工作状态的初始时刻至t时刻划分为多个时间段0，通过下式计算工作状态下的动力电池在t时刻的剩余电量G (即S0C)， 式中，尤为对电池的一致性差异和不同循环次数进行修正的实际电量修正系、W'数，G为工作状态下初始时刻电池的剩余电量，《为从所述《变化曲线得到的G时间段内的放电倍率下的A f直，兄为从所述A;变化曲线得到的工作温度下的x值， /,为每个时间段结束时的电流值。其中，动力电池在t时刻的剩余电量G即代表此时动力电池的荷电状态(soc)。实际电量修正系数凡可以通过拟合曲线的方式获得测量动力电池在多个循环次数条件下的放电量，并且与额定放电量进行比值计算得到多组不同 循环次数下的放电效率修正系数凡/数据，再将多组数据引入所述数据拟合工具，得到具有所述额定放电量的动力电池在不同循环次数下的L曲线； 在使用具有所述额定放电量的动力电池前，测量首次充/放电的电量，并且 与额定放电量进行比值计算得到一致性差异系数U估计动力电池荷电状态 时，从所述不同循环次数下的l曲线取得与估计时的循环次数对应的l值， 并与该动力电池的一致性差异系数凡4目乘，得到实际电量修正系数凡。实际电量修正系数《还可以通过历史记录的方法来获得通过对动力电池进行完整的小倍率充/放电，测得电池实际总电量c ，然后将G与电池的 额定放电量进行比值计算，得到所调用的实际电量修正系数尤。所述拟合曲线的方法中，可由动力电池生产厂家对具有同等额定电量的 同批次动力电池建立同一条不同循环次数下的l曲线，而用户只需对动力 电池使用前进行完整的小倍率充放电量测量得到凡,，并查询1曲线得到凡/值，从而得到电池的实际容量修正系数A;。该方法极大的方便了用户。但由于拟合曲线时不可避免的误差，使用历史纪录的方法得到的凡值更加准确，
可以通过历史纪录方法定期修正拟合曲线方法得到的凡值，从而减小误差。由于上述《.变化曲线与A7变化曲线均是在常温下建立，而不同环境温度 下，所述的变化曲线会有变化，引入A;，可以修正温度差异带来的影响。该方法还可按照以下步骤，对非工作状态下的电池进行S0C估计(a) 通过测量非工作状态下动力电池的开路电压随时间的变化，判断电池是否完成自恢复效应；(b) 自恢复效应已完成时，通过下式计算动力电池在t时刻的剩余电量 G (即S0C)，式中，X为从所述凡变化曲线得到的工作温度下的凡值,所述凡变化曲线是由 前述的数据拟合工具对多次测量所得数据进行拟合而得到，尤为对电池的一致性差异和不同循环次数进行修正的实际电量修正系数，&为自恢复效应下电池的剩余电量；(C)当动力电池未完成自恢复效应时，直接引用该动力电池在上一工作状态下的剩余电量C.作为该状态下的G，即C, =CW。所述G,可以通过以下方式获得在已知电池总电量的情况下，对电池 进行多次放电并同时测量每次的放电量和开路电压，已知的电池电量与所述 放电量之差为电池剩余电量C。t，从而得到多组开路电压和G的对应数据， 将多组数据引入所述数据拟合工具，得到不同开路电压下的^的变化曲线。由于上述各组关系是非线性的对应关系，本发明优选使用具有良好非线性拟合功能的BP前向神经网络模型进行对应的数据拟合。其中，如何使用 BP前向神经网络模型进行数据拟合是本领域技术人员所能知晓的。图5是开 路电压和放电量实测结果与网络拟合结果的比较图示，其中曲线部分是根据 图4的单隐层BP前向网络模型对开路电压和放电量的对应关系的拟合，点的部分是实测结果。为达到良好的拟合效果，使用本发明的方法在建立关系曲线时釆集数据 的组数不小于9。下面结合图6对本发明的原理过程进行详细描述。首先判断电池是否处于充放电状态(/二0 or /#0)，当/=0时，电池处 于非工作状态，估计过程进入图6右侧的进程；否则，进入图6左侧的进程。电池处于非工作状态时，通过相邻连续的两个时间点上的OCV差异，判 断是否完成自恢复效应。当自恢复效应完成，此时估计过程继续图6右侧的 进程，否则直接引用该动力电池在上一工作状态下的剩余电量作为该状态下 的电池S0C。当自恢复效应完成，根据上一步骤的开路电压查询所述不同开路电压下 剩余电量曲线，得到初始SOC，经过一致性修正和循环系数修正、以及温度修 正，得到修正后的SOC。值得注意的是，上述修正顺序可以互换。电池处于工作状态时，估计过程进入图6左侧的进程，此时将上一时刻 的SOC作为此状态下的初始电量，之后依次进行放电效率修正、温度修正， 最后计算得到修正后的S0C。这样，本发明的方法对处于工作状态或是非工 作状态的情况下的电池均可进行S0C估计。本发明的方法对工作状态或非工作状态下的电池S0C均可进行估计；采 用BP前向神经网络拟合数据，拟合误差较小。本发明的方法可适用于多种 动力电池，包括EV (Electric vehcle)车载电池等具有复杂使用情况、且 需要高精度估计结果的场合。实际使用中只需根据本发明中建立曲线的方 法，新建各项系数的曲线即可实施例
本实施例对标称电量为3300mAh的锂离子动力电池在一次循环内进行电 池荷电状态(S0C)估计。首先，取存在一致性差异的标称电量为3300mAh的锂离子动力电池，根 据所述多次测量的方法并使用单隐层BP前向神经网络(如图4)，确定不同 开路电压下的^的变化曲线(如图1)、不同放电倍率下的凡变化曲线(如 图2)、不同温度下的(变化曲线(如图3);根据一次完整小倍率放电的电 量和标称电量的比值，得到实际电量修正系数凡:0.9110，因为本实施例中 估计的状态点均在该电池的一次循环内进行，故无需考虑由于循环次数带来 的影响，该凡值已经包括了对电池一致性差异和本次循环的实际容量修正。其次，根据图6所示的原理流程图，进行电池荷电状态估计。估计过程 中，以不同倍率(0C~6C)交替放电，检测并记录实际放电过程；然后选取 9个考察点，比较估计的剩余电量与实际剩余电量的差异。测试结果表明， 使用本发明的方法的估计误差(误差电量/总电量)的绝对值在2%以内，满 足实际需要，具有较优的性能。 下表为本实施例的数据实际剩余 电量(mAh)2728245321781903翻1078803528253估计剩余 电量(mAh)272924282147188515961020764540282误差电量 (mAh)-l253118325839-12-29误差比率 绝对值0. 03%0. 76%0. 95%0. 55%0. 98%1.77%1. 19%0. 37%0. 88%
权利要求
1. 一种动力电池荷电状态估计方法，其特征在于，该方法包括以下步骤(a)测量动力电池在多个不同放电倍率下的放电量，并且与额定放电量进行比值计算，得到多组不同放电倍率下的充放电效率修正系数Ki数据，然后将所述多组数据引入数据拟合工具，得到不同放电倍率下的Ki变化曲线；(b)测量动力电池在多个不同温度下的放电量，并且与额定放电量进行比值计算，得到多组不同温度下的充放电效率修正系数Kw数据，然后将所述多组数据引入数据拟合工具，得到不同温度下的Kw变化曲线；(c)将电池工作状态的初始时刻至t时刻划分为多个时间段tj，通过下式计算工作状态下的动力电池在t时刻的剩余电量Ct，Ct＝(KCC0+∑KiIjtj)Kw式中，Kc为对电池的一致性差异和不同循环次数进行修正的实际电量修正系数，C0为工作状态下初始时刻电池的剩余电量，Ki为从所述Ki变化曲线得到的tj时间段内的放电倍率下的Kj值，Kw为从所述Kw变化曲线得到的工作温度下的Kw值，Ij为每个时间段结束时的电流值。
2. 根据权利要求1所述的方法，其特征在于，该方法还包括如下步骤:测量动力电池在多个循环次数条件下的放电量，并且与额定放电量进行比值 计算得到多组不同循环次数下的放电效率修正系数l数据，再将多组数据 引入所述数据拟合工具，得到具有所述额定放电量的动力电池在不同循环次数下的^曲线；在使用具有所述额定放电量的动力电池前，测量首次充/放 电的电量，并且与额定放电量进行比值计算得到一致性差异系数^U估计动 力电池荷电状态时，从所述不同循环次数下的曲线取得与估计时的循环 次数对应的L值，并与该动力电池的一致性差异系数凡4目乘，得到实际电 量修正系数凡。
3. 根据权利要求1所述的方法，其特征在于，该方法还包括如下步骤， 通过对动力电池进行完整的小倍率充/放电，测得电池实际总电量c然后 将g与电池的额定放电量进行比值计算，得到所调用的实际电量修正系数 凡。
4. 根据权利要求1所述的方法，其特征在于，该方法还包括以下步骤(a) 通过测量非工作状态下动力电池的开路电压随时间的变化，判断电 池是否完成自恢复效应；(b) 自恢复效应已完成时，通过下式计算动力电池在t时刻的剩余电量g，<formula>formula see original document page 3</formula> ; 式中，凡为从所述a;变化曲线得到的工作温度下的^值，所述凡变化曲线是由 前述的数据拟合工具对多次测量所得数据进行拟合而得到，a;为对电池的一致性差异和不同循环次数进行修正的实际电量修正系必,数，G为自恢复效应下电池的剩余电量；(c) 当动力电池未完成自恢复效应时，直接引用该动力电池在上一工作状态下的剩余电量c,作为该状态下的g，即c, =cw。
5. 根据权利要求4所述的方法，其特征在于，该方法还包括如下步骤，在已知电池总电量的情况下，对电池进行多次放电并同时测量每次的放电量 和开路电压，已知的电池电量与所述放电量之差为电池剩余电量C。t，从而得到多组开路电压和"的对应数据，将多组数据引入数据拟合工具，得到不同开路电压下的6k的变化曲线。
6. 根据权利要求1、 2、 4或5中任一项所述的方法，其特征在于，所述 数据拟合工具为BP前向神经网络。
7. 根据权利要求1、 2、 4或5中任一项所述的方法，其特征在于，该方 法在建立关系曲线时采集数据的组数不小于9。
全文摘要
本发明提供了一种具有较小误差的动力电池荷电状态估计方法，包括以下步骤；通过测量数据拟合，得到不同倍率下的充放电效率修正系数K<sub>i</sub>曲线、不同温度下的充放电效率修正系数K<sub>w</sub>曲线以及实际电量修正系数K<sub>c</sub>曲线，K<sub>c</sub>值也可通过历史纪录获得；依据动力电池的状态，应用下式工作状态下，C<sub>t</sub>＝(K<sub>C</sub>C<sub>0</sub>+∑K<sub>i</sub>I<sub>i</sub>t<sub>i</sub>)K<sub>w</sub>，非工作状态且已完成自恢复效应时，C＝K<sub>W</sub>K<sub>C</sub>C<sub>0t</sub>，非工作状态且未完成自恢复效应时，C<sub>t</sub>＝C<sub>m</sub>；从所述曲线中调用K<sub>i</sub>、K<sub>w</sub>、K<sub>c</sub>，代入到上式中，得到动力电池t时刻的剩余电量C<sub>t</sub>，从而完成对电池SOC的估计。本发明适用于电池工作状态和非工作状态，估计结果误差较小，且建立了相关曲线，易于模型的工业应用。
文档编号H01M10/42GK101212071SQ20061016739
公开日2008年7月2日 申请日期2006年12月31日 优先权日2006年12月31日
发明者超 李, 晞 沈, 勇 王 申请人:比亚迪股份有限公司