新能源汽车动力电池技术课件 第6章 锂离子动力电池协同状态估计方法

第6章锂离子动力电池协同状态估计方法研究背景说明动力电池SOC与SOH存在耦合关系，使两者估计算法相互依存，实车工况复杂多变给精确估计带来挑战。基础研究内容需先建立能反映SOC与SOH相关关系的动力电池模型，再设计出二者的协同估计算法。协同估计性能协同估计框架中SOC估计采用随工况自适应调整的动态容量，比采用静态容量估计性能更优秀。锂离子动力电池协同状态估计方法动力电池协同状态概述：协同状态问题描述SOH耦合估计说明

参数映射关系说明动力电池模型包含OCV、阻抗、容量等参数，这些参数可直接作为反映动力电池SOH的映射参数。

耦合问题转换方式原本SOC和SOH的耦合估计问题，可转换为SOC状态与SOH参数的耦合估计问题。

耦合问题解决方法针对耦合估计问题，采用两个互为输入的协同估计器，共用同一新息保证算法稳定收敛。

协同状态核心含义指电池组所有电池单元的电化学特性、内阻、温度参数状态相同，可平衡充放电，延长寿命提升性能。动力电池协同状态概述：协同状态问题描述动力电池协同状态意义

电池单元参数差异电动汽车电池组内各个电池单元不完全相同，电化学特性、内部电阻、温度等参数存在差异。

差异带来的影响参数差异会导致部分电池单元状态异常，影响整个电池组的整体性能、可靠性和使用寿命。

协同状态的作用通过管控让电池单元保持协同状态，可提升电池组寿命、效率与稳定性，降低故障率和维护成本。

协同状态的意义动力电池协同状态是电池管理和电动车技术的重要概念，对保障车辆安全可靠性意义重大。动力电池协同状态概述：协同状态问题描述

动力电池相关管理技术动力电池协同管理含多种技术，需高效管理系统，高精度SOC算法是全生命周期管理的重要依据。动力电池协同状态概述：协同状态的定义协同状态基本定义

动力电池协同状态定义指电动汽车动力电池组中各电池单体或模块之间的状态均衡程度，均衡时电池组性能寿命最优，可减少不平衡带来的损失与风险。三参数对协同状态影响电池SOC不平衡会造成电荷分布不均，SOH容量衰减过快会拉低整体协同性，SOP功率不均会引发温度分布不均，三者均直接影响协同状态。实现协同状态的措施为使电池单体状态保持均衡，电池管理系统需要采取电池均衡、电池替换、温度控制等一系列对应措施保障协同状态。协同状态评价指标评价协同状态需要确定对应指标，现有主要指标包括体现状态差异的均衡度、体现分布情况的方差以及状态极值最大值和最小值。动力电池协同状态概述：协同状态的定义

协同状态总结协同状态是电动汽车动力电池管理重要内容，与电池多种状态密切相关，其评价指标可为电池管理提供指导。动力电池协同状态概述：6.1.3协同状态的评价指标

核心指标协同度说明协同度反映电池单体之间状态差异程度，是衡量协同状态的关键指标，值越小协同状态越好。

各参数均衡度指标说明SOC、SOH、SOP均衡度分别对应反映对应参数的单体差异，值越小参数均衡程度越好。

指标设置意义总结协同状态是动力电池管理的重要内容，与多参数密切相关，指标可为电池管理提供指导。

1）电池单元之间的电压差异电池单元之间的电压差异越小，说明协同状态越好。

2）电池单元之间的容量差异电池单元之间的容量差异越小，说明协同状态越好。动力电池协同状态概述：6.1.3协同状态的评价指标

3）电池单元之间的内阻差异电池单元之间的内阻差异越小，说明协同状态越好。

4）电池组的充放电效率电池组的充放电效率越高，说明协同状态越好。

5）电池组的寿命电池组的寿命越长，说明协同状态越好。

6）系统的稳定性稳定性越高协同状态越好，动力电池需综合指标评价，监测调节参数、用专用设备可提升协同，延长寿命提高性能。动力电池协同状态概述：协同状态的估算方法分类

协同状态重要意义协同状态是电动汽车动力电池管理重要内容，与电池SOC、SOH和SOP都密切相关。

协同状态估算目的电池组中电池单体之间状态需要均衡，所以必须要对协同状态进行估算。

估算方法分类介绍协同状态估算方法主要分为两类，分类内容可以参见文中图6-1所示。动力电池协同状态概述：协同状态的估算方法分类基于模型的估计方法

协同状态估计分类动力电池协同状态估计基于模型方法，预测单体差异得到状态，分为等效电路与动态两种模型，常搭配滤波类算法。

等效电路模型原理将电池单体抽象为电路电容和电阻，通过建立电路描述单体状态变化，模拟电压电流预测差异得到协同状态。

动态模型介绍基于电池化学反应与热效应建立微分方程，描述单体状态变化过程，求解微分方程预测差异得到协同状态。

搭配滤波估计算法基于模型的估计算法通常和各类滤波算法搭配，包括卡尔曼滤波及改进型、H∞滤波、粒子滤波及改进滤波等。分类方法总览协同状态估计方法分为基于模型和基于数据两类，不同方法各有优缺点，需根据实际情况选择。基于模型方法特点原理清晰，精度较高，支持闭环反馈和实时控制，适应性良好；但模型复杂，依赖模型精度，实车运用较难。数据驱动方法特点估计精度较高，模型简单易用，具备良好非线性处理能力；但算法复杂，依赖大量训练数据，稳定性一般。数据类方法细分基于数据方法分为统计类和机器学习类：前者用统计量分析单体差异，后者用算法模型预测单体差异。动力电池协同状态概述：协同状态的估算方法分类基于数据驱动的估计方法动力电池SOC与SOH估计：SOC与SOH估计分析锂离子电池的SOC定义

研究SOC的原因SOC是BMS研究最多的指标之一，它能预测电池剩余使用时间和车辆能量耗尽前里程。

SOC的基本定义SOC是一定放电倍率下，电池剩余可用容量占满电容量的百分比，可表示当前储电量大小。

SOC的重要作用SOC可在线评估锂离子电池存储能量以实现有效利用，还是BMS中其他估计的基础输入量。

SOC的估计方式锂离子电池SOC无法直接测量，可通过测量电压和电流等电池变量间接估计，有对应计算公式。动力电池SOC与SOH估计：SOC与SOH估计分析锂离子电池的SOH定义SOH基础概述SOH用于监控锂电池健康状况评估容量和供电能量，保障电池安全最佳运行，会随电池老化下降。SOH定义现状国内外对SOH研究少于SOC，无统一定义，多基于容量衰减或内阻增加定义，容量与内阻和SOH负相关。基于容量的定义假设新电池SOH为100%，容量减至最低为0%，定义未覆盖全生命周期，实际应用估计效果不佳。动力电池SOC与SOH估计：SOC与SOH估计分析基于内阻的定义电池老化会使欧姆内阻增加，以新电池、使用中、寿命终点内阻定义SOH，欧姆内阻可直接测量。内阻分类与影响内阻分交流和直流内阻，直流内阻含欧姆和极化内阻，受材料、温度等多因素影响，是老化重要参数。研究方向确定动力电池工作中副反应会增加估计难度，内阻与安全运行密切相关，研究欧姆内阻分析SOH合理。动力电池SOC与SOH估计：SOC与SOH估计分析影响SOC和SOH联合估计的因素

01估计难度与意义动力电池反应原理复杂，准确估计SOC与SOH可避免电池异常状态，保障功率和能量传输。

02影响因素总览进行电池状态估计时，需综合考虑电压、内阻、容量、温度、电池一致性多类因素。

03电压因素影响工作电压随SOC和SOH变化，过充过放危害电池安全与寿命，需通过准确估计防控风险。

04内阻因素影响欧姆内阻随老化增加，极化内阻不固定，未修正内阻变化会增大SOC与SOH的估计误差。动力电池SOC与SOH估计：SOC与SOH估计分析

容量因素影响容量是评估电池老化的关键指标，可用容量受多重因素影响，不随放电电流单调变化。温度因素影响温度与电池循环寿命密切相关，会改变SOC和SOH估计结果，最佳工作温度在15℃到50℃。电池一致性影响串联并联的电池单元性能不均衡，易引发过充过放，导致安全问题并缩短电池使用寿命。后续优化方向明确各类因素对估计结果的影响后，建模时可加入对应因子，降低这些因素造成的干扰。无迹卡尔曼滤波框架摒弃传统非线性函数线性化做法，沿用卡尔曼线性滤波框架，通过无迹变换处理非线性传递问题。核心算法思路不对非线性函数做近似，而是近似概率密度分布，用确定样本逼近后验概率密度，无需求导Jacobian矩阵。算法主要优势不忽略高阶项，对非线性分布统计量计算精度更高，有效解决扩展卡尔曼滤波精度低、稳定性差的问题。基于双无迹卡尔曼滤波的SOC与SOH联合估计：无迹卡尔曼滤波原理基于双无迹卡尔曼滤波的SOC与SOH联合估计：无迹卡尔曼滤波原理无迹变换

无迹卡尔曼滤波概述由S.Julier等人提出，是一种非线性滤波方法，通过无迹变换近似状态概率密度函数。与扩展卡尔曼区别不对非线性状态和观测方程做线性化逼近，而是通过无迹变换取采样点来近似概率密度。UT变换实现原理按规则取均值协方差匹配原分布的采样点，代入非线性函数得到点集，再求变换后均值协方差。基于双无迹卡尔曼滤波的SOC与SOH联合估计：无迹卡尔曼滤波原理

UT变换精度说明得到的均值和协方差精度最少有二阶精度，高斯分布可达三阶，采样点基于先验均值协方差选取。

对称采样UT步骤先计算n维状态对应的Sigma采样点，再计算各采样点对应的均值权值和协方差权值。

UT参数意义说明参数λ是缩放比例参数降低预测误差，控制采样分布；参数κ为非负权系数可包含高阶项影响。

Sigma点集性质围绕均值对称分布，对称点权值相同，样本均值与方差和原随机向量一致，正态分布由标准正态变换得到。基于双无迹卡尔曼滤波的SOC与SOH联合估计：无迹卡尔曼滤波算法实现非线性系统模型描述

非线性系统描述不同时刻由含高斯白噪声的随机变量、观测变量构成，含状态方程函数、观测方程函数及对应协方差阵。

算法初始化步骤首先开展无迹卡尔曼滤波算法初始化，确定初始状态期望和初始协方差矩阵。

Sigma点采样计算计算Sigma采样点并得到对应权值，结合状态维数、比例系数与矩阵方根列计算。基于双无迹卡尔曼滤波的SOC与SOH联合估计：无迹卡尔曼滤波算法实现

一步预测与协方差计算由Sigma点集预测值加权求和得到一步预测，和传统卡尔曼滤波预测方法不同。

后续算法计算步骤一步预测后重新做UT变换产生新Sigma点集，计算观测预测均值、协方差和卡尔曼增益。

状态协方差更新完成相关参数计算后，最终计算系统状态更新值，以及对应协方差更新结果。无迹卡尔曼滤波特点处理非线性滤波无需泰勒展开近似，通过UT变换获匹配原统计特性的Sigma点集，做非线性映射做统计近似。基于双无迹卡尔曼滤波的SOC与SOH联合估计：无迹卡尔曼滤波算法实现基于双无迹卡尔曼滤波的SOC与SOH联合估计：基于双无迹卡尔曼滤波的协同估计

建立电池模型二阶RC模型结构选择二阶RC网络等效电路模型，包含开路电压、欧姆电阻，电化学与浓差极化等模块与参数。模型参数意义欧姆电阻反映电池内阻特性，两组RC分别对应电化学极化特性与浓差极化特性。模型方程处理电池模型为非线性离散系统，需通过泰勒级数展开对非线性系统做线性化处理。模型离散化方程给出二阶RC模型的离散化状态方程与输出方程，说明方程中各参数与噪声的含义。基于双无迹卡尔曼滤波的SOC与SOH联合估计：基于双无迹卡尔曼滤波的协同估计

估计流程联合估算前提建立电池SOC和容量状态空间方程，给出了SOC状态方程，确定容量状态方程及观测方程。算法流程组成DUKF算法由两个卡尔曼滤波器组成，整体估算流程已绘制成图6-6。联合估算过程每个采样时刻用上一时刻SOH估算SOC，再以SOC估算新的SOH，循环迭代实现实时联合计算。基于双无迹卡尔曼滤波的SOC与SOH联合估计：基于双无迹卡尔曼滤