锂离子电池的SOC与SOH估计研究.pdfVIP

摘要

随着新能源产业的快速发展，以锂离子电池作为储能单元的储能系统得到了

蓬勃发展。为保障储能系统安全可靠运行，需要电池管理系统（BatteryManagement

System，BMS）对其进行监视与管理。对锂离子电池的荷电状态（StateofCharge，

SOC）与健康状态（StateofHealth，SOH）的估计是BMS的两大核心技术。准

确估计SOC与SOH不仅能够提高锂离子电池的利用率，还能保障储能系统的安

全运行。本文针对锂离子电池的模型、SOC与SOH的估计，进行了一系列探索，

具体研究内容如下：

（1）介绍了锂离子电池的工作原理，分析了影响锂离子电池特性的关键因素，

建立了锂离子电池SOC与开路电压的函数关系。

（2）基于二阶滞后RC等效电路模型，研究基于偏差补偿的自适应遗忘因子

最小二乘算法（BC-AFFRLS）的模型参数在线辨识。在所提出的参数辨识算法中，

通过加入遗忘因子自适应与偏差补偿策略提高模型参数辨识精度，在各种不同工

况下进行实验仿真，验证了所提算法的稳定性与准确性。

（3）结合容积卡尔曼滤波与后向平滑算法，研究了基于后向平滑平方根容积

卡尔曼滤波算法（BS-SRCKF）的锂离子电池SOC估计问题。在所提算法

BS-SRCKF中，引入后向平滑算法以降低采样电流的白噪声干扰，矩阵分解采用

Q-R分解，初始协方差矩阵参数采用二代遗传算法进行优化。在间歇循环恒流充

放电测试工况下，基于BS-SRCKF估计的结果，其SOC与端电压估计的累计误

差均远小于其他两种对比算法，仿真结果表明所提的算法在SOC估计上具有良好

的精确性与稳定性，在预测端电压上也具备良好的跟随能力与预测精度。

（4）以欧姆内阻与最大可用容量为表征量，研究基于扩展卡尔曼滤波算法

(EKF)的锂离子电池健康状态SOH估计问题，结合基于BS-SRCKF的锂离子电

池SOC估计，建立了在线多时间尺度的SOC与SOH的协同估计BS-SRCKF-DEKF

方法。选择四种不同的经典工况进行仿真验证，可见所提出的协同估计方法得到

的SOC值在估计累计误差、均方根误差、平均绝对百分比误差、最大误差等方面，

对比其他几种算法均有较大程度的提高，得到的SOH值与电池实际状态相吻合，

表明所提出的基于BS-SRCKF-DEKF的SOC与SOH协同估计方法能够适应各种

不同工况，不仅具有良好的估计精度，还具备良好的抗干扰能力与稳定性。

关键词：锂离子电池；参数辨识；荷电状态；健康状态；协同估计

ABSTRACT

Thenewenergyindustryhasrapidlydeveloped,leadingtothevigorous

developmentofenergystoragesystemsthatuselithium-ionbatteriesastheenergy

storageunit.Toguaranteethesecureanddependableoperationoftheenergystorage

system,aBatteryManagementSystem(BMS)isnecessarytomonitorandmanageit.

ThetwocoretechnologiesofBMSaretheestimationofthestateofcharge(SOC)and

stateofhealth(SOH)oflithium-ionbatteries.AccuratelyestimatingSOCandSOHnot

onlyenhancestheutilizationofLi-ionbatteriesbutalsoensuresthesafeoperationof

theenergystoragesystem.Thisthesisexploresthemodeloflithium