锂离子电池的荷电状态(State of Charge, SOC)表示当前电池的剩余电量,准确的SOC估计是预防电池过充过放及均衡处理的基础,是电池管理系统的核心。传统方法包括安时积分法、开路电压法等[2]。安时积分法是一种开环估计方法,将电池工作时的电流对时间积分,以得到电池容量的变化,这种方法简单,随着时间的延长,累积误差增大,精度下降[3]。开路电压法是通过获取电池的开路电压OCV与SOC特定曲线,通过查表实现,这种方法需要电池静置足够长时间后才能保证其精度,不适合在线估计电池SOC[4-6]。基于数据驱动的人工智能算法,如神经网络、支持向量机等需要大量的实验数据进行训练,且对计算的要求高[7-8]。基于模型的方法主要分为电化学模型法和等效电路模型法。电化学模型包含的方程及参数较多,对电池在复杂工况下的模拟精度低。等效电路模型是通过电子元器件的搭配来模拟电池的外部工作特性,广泛应用在电池SOC估计中。2004年,Plett[9]最早开始基于扩展卡尔曼滤波(EKF)进行电池SOC估计的研究。之后,又有多位****在无迹卡尔曼滤波(UKF)、中心差分卡尔曼滤波(CDEF)等开展相应研究[10-12]。除了卡尔曼滤波方法,粒子滤波等[13]也应用在了SOC估计上。粒子滤波等算法会稍许提高算法精度,但是计算量很大,不适合在线应用。
随着电池的老化,电池容量等参数的变化也会对电池状态估计造成影响。所以,在估计电池SOC的同时对容量进行估计也至关重要。开路电压法是通过测量电池充放电起始开路电压,利用OCV-SOC插值得到SOC变化,结合累积容量估计电池的容量。基于模型的方法是基于等效电路模型及卡尔曼滤波算法等估计的SOC,结合累积充放电量实现容量估计。文献[14]采用一阶RC模型,通过测量端电压估计开路电压,利用不同老化阶段同一SOC下的开路电压差来表征老化状态。Plett[15]通过双扩展卡尔曼滤波(DEKF),一个模型估计电池SOC,另一个模型估计电池容量等参数,实现了SOC和容量的联合估计,但是这种方法需要SOC的精确估计,容量估计精度对SOC估计精度比较敏感。
针对上述研究现状,本文提出一种适用于三元锂离子电池SOC及容量的多尺度联合估计方法。在一阶等效电路模型建立了状态空间方程,在不同温度下进行了参数辨识,应用DEKF算法建立了电池状态多尺度联合估计模型,在微观时间尺度上对电池的SOC及极化电压进行估计,在宏观时间尺度上实现了电池的容量估计。在动态工况下进行了实验验证,证实了本文方法的准确性及SOC和容量的估计精度。
1 等效电路模型及参数辨识 戴维宁模型包含一个欧姆内阻和一对RC环节,如图 1所示。其中,欧姆内阻Ro对应电池端电压的突变,极化电阻Rp和电容Cp反映了电池的极化特性。戴维宁模型弥补了线性模型无法描述电池内部极化现象的缺陷,也避免了高阶RC模型参数标定复杂的问题,因此被广泛应用于电池状态估计中[16-17]。在等效电路模型中,可以得到电池端电压Ut和模型参数之间的表达式:
![]() | (1) |
![]() |
图 1 戴维宁模型 Fig. 1 Thevenin model |
图选项 |
式中:Up为RC环节两端的电压;It为电池输出电流,放电为正,充电为负。
对于等效电路模型中的参数,需要采用合适的参数辨识方法。本文采用基于实验数据的最小二乘函数拟合方法。其中电池的开路电压Uoc直接采用电池静置的方式获取。为了获取Ro、Rp、Cp三个参数,对电池进行额定倍率放电,在不同SOC时进行静置,通过获取电池静置时间段的电压响应来拟合模型参数。本文采用国轩提供的镍钴锰三元锂离子软包电池为测试对象,具体参数如表 1所示。
表 1 国轩三元锂离子电池主要技术指标 Table 1 Main technical indicators of Guoxuanternary lithium-ion battery
参数 | 数值 |
1C设计容量/Ah | 57 |
放电截止电压/V | 3.0 |
充电截止电压/V | 4.2 |
放电温度范围/℃ | -30~50 |
充电温度范围/℃ | 0~50 |
最大持续充电倍率 | 2C |
最大持续放电倍率 | 5C |
额定电压/V | 3.6 |
10s最大充电倍率 | 7.5C |
10s最大放电倍率 | 10C |
表选项
对于欧姆内阻,可以通过电池静置初期电压的突变来表示。在戴维宁模型中,式(2)为电池在静置期间电池端电压的表达式。其中,Uoc可以根据OCV-SOC曲线查表获得,T0为电池在上一个放电工况下的放电时间,τ为RC环节的时间常数。拟合统一采用电池静置前500s的数据,在SOC为0.7时,端电压静置恢复曲线拟合值及实验值如图 2所示。
![]() | (2) |
![]() |
图 2 戴维宁模型端电压拟合 Fig. 2 Terminal voltage fitting of Thevenin model |
图选项 |
在不同温度下,电池的外在特性表现也不相同,电池模型的参数受到温度的影响,所以为了使电池适应不同环境温度下的工作环境,在不同温度下对电池模型参数进行辨识也至关重要[18]。多次重复上述参数辨识过程,得到电池在0、15、25、45℃下的模型参数与SOC的变化曲线,如图 3所示。
![]() |
图 3 不同温度下的电池特性曲线 Fig. 3 Battery characteristics at different temperatures |
图选项 |
2 EKF算法原理 EKF算法是在卡尔曼滤波的基础上,将非线性模型进行线性化处理,再进行递推计算的一种方法[19-20]。某一非线性离散系统可由以下方程表示。
状态方程:
![]() | (3a) |
观测方程:
![]() | (3b) |
式中:xk为系统的状态向量;yk为系统的观测向量;随机信号ωk和vk分别为系统噪声和观测噪声,2个噪声为互不影响的高斯白噪声;uk为系统输入;f(xk, uk)和g(xk, uk)分别为非线性状态转换函数和量测函数。
在每一时刻,对f(xk, uk)和g(xk, uk)通过一阶泰勒展开进行线性化,有
![]() | (4) |
式中:

定义

![]() | (5) |
非线性系统的EKF算法递推公式如式(6)~式(11)所示,其中,


滤波方程初始条件:
![]() | (6) |
预测更新:
![]() | (7) |
协方差预估:
![]() | (8) |
卡尔曼增益矩阵:
![]() | (9) |
状态更新:
![]() | (10) |
误差协方差更新:
![]() | (11) |
3 多尺度联合估计 3.1 基于DEKF的联合估计方案 在联合估计中,采用DEKF算法,一个卡尔曼滤波器用来估计电池的SOC,另一个卡尔曼滤波器用来估计电池的容量。假设电流在一个采样周期内保持恒定,根据图 1所示的戴维宁模型及式(1),可以将系统离散化,得到极化电压的表达式为
![]() | (12) |
式中:Δt为系统采样时间。
SOC的离散化方程由安时积分法获取,公式如下:
![]() | (13) |
式中:zk为k时刻的SOC值;Cn为电池当前温度下的额定容量。
在估计SOC的卡尔曼滤波器中,将电池的极化电压Up和SOC值作为系统状态值,观测方程采用式(1)中的端电压表达式,所以系统的状态方程和观测方程为
![]() | (14) |
由于容量具有短时不变的特性,所以估计容量系统的状态方程和观测方程为
![]() | (15) |
式中:Ck为EKF算法中的系统状态值,表示k时刻的电池容量;zk为估计出的SOC值,由估计SOC的EKF算法求得;dk为系统的观测值,在该系统中,观测值期望为0;η为电池的充放电效率。
基于DEKF算法的SOC和容量的联合估计中,x为估计SOC的系统状态值,即x=[Up??z]T,C为估计容量的系统状态值。首先设定系统状态和协方差的初始值,初值的选择不会影响后续计算结果,一般将状态初值设为状态的期望值,协方差的初值设为0。
![]() | (16) |
在电池SOC和容量的预测更新中,分别采用各自的状态方程,计算如下:
![]() | (17) |
SOC和容量系统的协方差预测计算分别为
![]() | (18) |
SOC和容量估计的卡尔曼滤波增益计算分别为
![]() | (19) |
SOC和容量的状态更新计算分别为
![]() | (20) |
SOC和容量的误差协方差更新计算分别为
![]() | (21) |
循环计算式(17)~式(21),即可实现基于DEKF的电池SOC及容量联合估计。在该方法中,估计的SOC值用于计算容量更新,而估计出的容量值用于计算预估的SOC值。
3.2 多时间尺度的SOC及容量联合估计 在电池的SOC估计中,SOC需要以一个较高的频率进行更新,因为在大电流脉冲充放电时,很短的时间都会对SOC造成影响。例如,在BMS系统中,SOC计算更新的步长一般在100ms左右。但对于容量而言,其变化速率远远小于SOC的变化速率,在固定工况下,电池前100次循环的容量衰减小于5%,可见容量变化速率很小。如果在计算容量时也采用和计算SOC相同的更新频率,会增加BMS系统的计算量。根据以上分析,设计一种多时间尺度的SOC及容量联合估计,其中SOC采用微观时间尺度,容量采用宏观时间尺度,通过设置时间尺度变换量L,当微观时间尺度达到设定的尺度变化量L时,进行一次宏观时间尺度计算,即容量更新。具体实现流程如图 4所示。
![]() |
图 4 多时间尺度的SOC及容量联合估计方法 Fig. 4 Multi-time scale SOC and capacity joint estimation method |
图选项 |
在多时间尺度的SOC及容量联合估计中,仍采用DEKF算法,微观尺度下进行SOC估计更新,期间采用安时积分法计算容量的累积变化量,并用l进行计数,直到l=L,进行时间尺度转换,将SOC值zk1|k1及L时间内的安时积分量ΔCL传入到宏观尺度下,进行宏观尺度的容量估计。时间尺度转换如下:
![]() | (22) |
多尺度EKF算法中的微观尺度SOC估计和DEKF算法中的SOC估计相对应,具有相同的功能和效果,多尺度EKF算法中的宏观尺度容量估计和DEKF算法中的容量估计相对应,不同之处在于宏观尺度的容量估计是每隔Lk1更新一次,而DEKF算法中是每隔k1更新一次,大大减小了计算量。多尺度EKF算法中,微观尺度估计出的SOC值和安时积分量用于宏观尺度容量估计的测量更新;宏观尺度估计出的容量值用于微观尺度SOC的时间更新。
4 实验验证及分析 4.1 模型验证 为了验证模型对SOC和容量估计的准确性,本文在动态工况下进行验证。电池动态工况采用DST工况,由美国先进电池联盟提出,为了模拟电动汽车需求的功率范围而设定多个放电倍率,一个DST循环为360s,如图 5所示。将其扩展至电池的整个放电循环,测试环境温度为25℃,实验端电压及模型仿真值如图 6所示。
![]() |
图 5 DST循环电流 Fig. 5 Circulating current of DST |
图选项 |
![]() |
图 6 端电压测量值与仿真值对比 Fig. 6 Comparison of voltage measurementvalue and simulation value |
图选项 |
从图 6可以看出,电压仿真值和测量值基本重合,在放电末端,由于电池内阻较大,电压变化较快,导致模型估计误差增大。本文所搭建的模型可以较好地对动力电池端电压动态变化实现模拟,该结果也进一步验证了模型的可靠性及参数辨识的准确性。
4.2 SOC验证 采用DST测试工况,环境温度设置为25℃,基于DEKF算法,对电池的SOC进行验证,估计结果如图 7所示。其中参考值采用安时积分法获得,估计值为DEKF算法考虑温度的SOC估计值,在DST动态工况下SOC的估计误差保持在0.03以内。
![]() |
图 7 SOC估计结果及误差(25℃) Fig. 7 SOC estimation results and errors (25℃) |
图选项 |
为了验证温度对SOC估计的影响,在0℃环境下开展DST工况测试验证。图 8(a)为采用25℃下的模型参数得到的SOC估计结果及误差,图 8(b)为采用实际测量温度得到的SOC估计结果及误差。在0℃环境下,若仍采用25℃下的模型参数进行SOC估计,会出现比较大的误差,从图 8可以看到,SOC的最大误差已经超过0.1。由于模型已提前对0~45℃下的模型参数进行了标定,且参数在不同温度下相差较大,采用实际测量的电池温度数据才能更好模拟电池当前特性,得到的SOC估计结果如图 8(b)所示。考虑到电池实际温度后,电池SOC估计误差保持在0.03以内,估计精度得到很大提升,所以考虑电池温度能够提高SOC的估计精度。
![]() |
图 8 温度对SOC估计的影响 Fig. 8 Effect of temperature on SOC estimation |
图选项 |
4.3 容量验证 为了验证容量估计的准确性,在0℃和25℃下采用DST测试工况进行验证。在容量估计模型中,设定尺度变换量L=400,容量估计初始值为58Ah,容量估计结果及参考值如图 9所示,其中参考值为该温度下电池放电实验获取的容量值。在容量估计中,设定的初始值允许有初始误差,从图中可以看到,容量估计的结果逐渐靠近参考值,达到收敛,且误差保持在1Ah以内。
![]() |
图 9 容量估计结果 Fig. 9 Capacity estimation results |
图选项 |
5 结论 1) 建立了三元锂离子电池戴维宁等效电路模型,采用端电压静置恢复曲线拟合的方法对模型参数进行辨识,并将开路电压、欧姆内阻、极化电阻、时间常数等参数设定为和温度SOC相关的变量,建立二维脉谱图,提高了电池模型在宽温度范围内的准确度。
2) 基于EKF算法原理,建立DEKF状态空间方程,实现三元锂离子电池SOC和容量的联合估计。提出了多时间尺度估计方法,SOC估计采用微观时间尺度,容量估计采用宏观时间尺度,减小了BMS系统的变化量,也降低了SOC短时估计误差对容量的影响。
3) 采用DST动态工况对搭建的电池模型及估计方法进行验证,结果表明,三元锂离子电池在宽温度范围内,建立的电池模型具有较高的精度,所提出的多时间尺度估计方法SOC的估计误差小于0.03,容量的估计误差小于1Ah。
综上所述,本文提供的联合估计方法可为三元锂离子电池SOC及容量提供准确估计。此外,后续会进一步探索该方法在其他类型电池(如磷酸铁锂电池)的估计效果。
参考文献
[1] | RIVERA-BARRERA J P, MU?OZ-GALEANO N, SARMIENTO-MALDONADO H O. SoC estimation for lithium-ion batteries:Review and future challenges[J]. Electronics, 2017, 6(4): 102. DOI:10.3390/electronics6040102 |
[2] | ANDWARI A M, PESIRIDIS A, RAJOO S, et al. A review of battery electric vehicle technology and readiness levels[J]. Renewable and Sustainable Energy Reviews, 2017, 78: 414-430. DOI:10.1016/j.rser.2017.03.138 |
[3] | 杨世春, 麻翠娟. 基于PNGV改进模型的SOC估计算法[J]. 汽车工程, 2015, 37(5): 582-586. YANG S C, MA C J. SOC estimation algorithm based on improved PNGV model[J]. Automotive Engneering, 2015, 37(5): 582-586. (in Chinese) |
[4] | LI Z, HUANG J, LIAW B Y, et al. On state-of-charge determination for lithium-ion batteries[J]. Journal of Power Sources, 2017, 348: 281-301. DOI:10.1016/j.jpowsour.2017.03.001 |
[5] | 徐颖, 沈英. 基于改进卡尔曼滤波的电池SOC估算[J]. 北京航空航天大学学报, 2014, 40(6): 855-860. XU Y, SHEN Y. Improved battery state-of-charge estimation based on Kalman filter[J]. Journal of Beijing University of Aeronautics and Astronautics, 2014, 40(6): 855-860. (in Chinese) |
[6] | HANNAN M A, LIPU M S H, HUSSAIN A, et al. A review of lithium-ion battery state of charge estimation and management system in electric vehicle applications:Challenges and recommendations[J]. Renewable and Sustainable Energy Reviews, 2017, 78: 834-854. DOI:10.1016/j.rser.2017.05.001 |
[7] | 印学浩, 宋宇晨, 刘旺, 等. 基于多时间尺度的锂离子电池状态联合估计[J]. 仪器仪表学报, 2018, 39(8): 118-126. YIN X H, SONG Y C, LIU W, et al. Multi-scale state joint estimation for lithium-ion battery[J]. Chinese Journal of Scientific Instrument, 2018, 39(8): 118-126. (in Chinese) |
[8] | HU C, YOUN B D, CHUNG J. A multiscale framework with extended Kalman filter for lithium-ion battery SOC and capacity estimation[J]. Applied Energy, 2012, 92: 694-704. DOI:10.1016/j.apenergy.2011.08.002 |
[9] | PLETT G L. Extended Kalman filtering for battery management systems of LiPB-based HEV battery packs-Part 1.Background[J]. Journal of Power Sources, 2004, 134(2): 252-261. DOI:10.1016/j.jpowsour.2004.02.031 |
[10] | HE H W, ZHANG Y Z, XIONG R, et al. A novel Gaussian model based battery state estimation approach:State-of-energy[J]. Applied Energy, 2015, 151: 41-48. DOI:10.1016/j.apenergy.2015.04.062 |
[11] | SUN F, XIONG R, HE H. Estimation of state-of-charge and state-of-power capability of lithium-ion battery considering varying health conditions[J]. Journal of Power Sources, 2014, 259: 166-176. DOI:10.1016/j.jpowsour.2014.02.095 |
[12] | LIU C, LIU W, WANG L, et al. A new method of modeling and state of charge estimation of the battery[J]. Journal of Power Sources, 2016, 320: 1-12. DOI:10.1016/j.jpowsour.2016.03.112 |
[13] | SCHWUNK S, ARMBRUSTER N, STRAUB S, et al. Particle filter for state of charge and state of health estimation for lithium-iron phosphate batteries[J]. Journal of Power Sources, 2013, 239: 705-710. DOI:10.1016/j.jpowsour.2012.10.058 |
[14] | ROSCHER M A, ASSFALG J, BOHLEN O S. Detection of utilizable capacity deterioration in battery systems[J]. IEEE Transactions on Vehicular Technology, 2011, 60(1): 98-103. DOI:10.1109/TVT.2010.2090370 |
[15] | PLETT G L. Extended Kalman filtering for battery management systems of LiPB-based HEV battery packs-Part 3.State and parameter estimation[J]. Journal of Power Sources, 2004, 134(2): 277-292. DOI:10.1016/j.jpowsour.2004.02.033 |
[16] | YANG S C, DENG C, ZHANG Y L, et al. State of charge estimation for lithium-ion battery with a temperature-compensated model[J]. Energies, 2017, 10(10): 1560. DOI:10.3390/en10101560 |
[17] | SHEN P, OUYANG M G, LU L G, et al. The co-estimation of state of charge, state of health and state of function for lithium-ion batteries in electric vehicles[J]. IEEE Transactions on Vehicular Technology, 2017, 67(1): 92-103. |
[18] | 刘新天, 孙张驰, 何耀, 等. 基于环境变量建模的锂电池SOC估计方法[J]. 东南大学学报(自然科学版), 2017, 47(2): 306-312. LIU X T, SUN Z C, HE Y, et al. SOC estimation method based on lithium-ion cell model considering environmental factors[J]. Journal of Southeast University (Natural Science Edition), 2017, 47(2): 306-312. (in Chinese) |
[19] | YANG J F, XIA B, SHANG Y L, et al. Adaptive state-of-charge estimation based on a split battery model for electric vehicle applications[J]. IEEE Transactions on Vehicular Technology, 2017, 66(12): 10889-10898. DOI:10.1109/TVT.2017.2728806 |
[20] | XIONG R, CAO J Y, YU Q Q, et al. Critical review on the battery state of charge estimation methods for electric vehicles[J]. IEEE Access, 2018, 6: 1832-1843. DOI:10.1109/ACCESS.2017.2780258 |