SOH的学习

SOH

经验估计，通过老化（寿命）试验——老化规律——预测模型——实测应用工况，I,T,SOC等等
预测模型等得到——实车衰减情况（1容量变化，2内阻变化）——通过这两个得到SOH计算

两个公式都包含了日历老化和循环老化。
中间的5*的原因是寿命终了条件为容量衰减百分之20就终了，同理内阻增加百分之30则终了了。

经验方法不足之处

开环原因，预测模型的输入是运行工况（I,SOC,T）得到的，预测模型得到的的是容量与内阻。是开环。

SOH在线参数识别

递推最小二乘原理如图：
n(t)系统噪声。辨识算法就是最小二乘，用端电压减去模型的端电压得到一个误差，通过这个算法来修正电池模型参数。
得到在线辨识结果后对参数进行滤波

SOH也是基于模型的估计，估计的是模型参数。
SOC也是基于模型的估计，估计的是SOC。
SOC精度取决于模型结构与模型参数。
因此提出在线同步估计SOC与SOH，两者精度相互提高。
模型精度提高——SOC精度提高，
知道模型参数并由SOC和温度——精确估计SOH。
图中：
U表示电池端电压，U1则是模型的端电压，两者相减得到一个误差，该误差分别给状态估测器与参数辨识单元。状态估测器得到一个矫正后的SOC，把SOC反馈到参数辨识单元，得到模型参数。模型参数又反馈到状态估测器中。

(联合卡尔曼滤波器——计算量大)双卡尔曼滤波方法

SOC和SOH同步计算，两个卡尔曼滤波器交替运行，分别估计状态与参数。
两个状态空间方差：
左边是是三维向量，SOC，U1,U2,组成的。f（）是线性函数，g()是非线性函数（包含SOC和OCV关系）
g()的方程切记=OCV（soc）-ir–ir-ir.
右边的是构造出来的，构造的参数方程。θ是参数向量（R0R1C1R2C2）rk是误差。这个式子描述参数缓变过程。yk还是输出观测方程，差不多。
Ckx是状态估计矩阵，Ckθ是参数矩阵。

DEKF原理

初始化就是以最好的估计给初始条件赋值
分别状态参数初始化，状态参数初始不确定。
循环计算
前面两步，第一个是参数状态方程，第二个是参数的不确定性预测，
接下来两步是状态的一步预测
然后Lk是状态增益的卡尔曼增益，再然后把参数一步预测带到g函数中得到矫正值。下一步就是不确定度的矫正
然后到参数的卡尔曼增益

举例

只估算R0
所以参数公式简单化，R0k+1=R0k+rk
A是线性方程，即为上图矩阵，
Ckx对g求导（求x），g中的U1和U2等于xk向量中的x(2)，x(3).求导为1.OCV等于复合求导。（因为是关于SOC的函数）
Ckθ求导一样，这里的θ＝R0，g对θ求导就是对R0求导，求导稍稍复杂。

我们估算其他参数，Ak和g都不变（一个是线性），一个是观测方程。Ckx也是不变，g对X求导没变化，变得是Ckθ。因为R2，C2，求导过程如下图

不会推导…去文献看看怎么推。

SOH在线参数识别估计

在线估计电池内阻问题

R受老化，温度，soc等因素影响，然而R受温度影响是一直变化的，SOC影响在中间区域内是基本保持不变。
SOS=f®。SOH=f©
图标是内阻跟温度，跟老化程度的关系。温度高，寿命状态对内阻影响比较小。
所以现在问题是要知道老化状态，才可以知道哪条线，才可以知道某个温度下的内阻，才可以去跟新电池内阻得到老化状态，这里就存在逻辑死循环。
因此现在的办法只能是选择前一时刻的老化状态来获取内阻，得到下一时刻的老化状态。

在线估计电池容量方法

电池容量定义式：ΔSOC=∫idt/C(当前容量)，若能把C得到，SOH就可以得到。
三个方法，1：车静置很长时间后，突然打开，通过测量电压得到SOC1，然后没开，静置很长时间后测量出SOC2。ΔSOC1=SOC1-SOC2，此外ΔSOC=∫idt/C又可以得到一个ΔSOC2，在第一次开车的过程中把所有电流积分都保留下来。这两个ΔSOC有差别就是因为容量有差别，ΔSOC1=SOC1-SOC2是精确的，所以可以得出修正的C。应用场景是要有够长的静置时间。
2：就是老化状态不用，恒流充电线不同，但应用场景需要，1充电充满，2需要恒流，3从电流剩余很少的值开始充电。
3：建立容量衰减的在线状态方程进行估计。
原理：当电池容量发生变化后，ΔSOC=∫idt/C中ΔSOC会发生变化，然后ΔOCV会发生变化，然后ΔU会变化。因此逆向判断，通过ΔU变化推ΔOCV再推ΔSOC，结合电流积分再推C。
方法三好。
如何在线得到ΔOCV呢？利用卡尔曼滤波得到ΔOCV得到ΔSOC。
电流积分又可以同时得到一个ΔSOC，这里面两个SOC，一个是通过开路电压查表得到得ΔSOC精确值，一个是通过卡尔曼滤波得到的ΔSOC，有误差。
此外，这里的电流积分有误差，如果是偏移误差，那样子比较糟糕，因为会随着积分一直累计下来。而随机误差可以滤除。
所以步骤是电流偏差估计和SOC的估计算法。
然后这里有涉及了时间尺度的问题。欧姆内阻和传荷内阻是中高频段，扩散阻抗是在低频。所以用双时间尺度的辨识方法。
但其实最长的时间尺度不是扩散，而是SOC所导致的开路电压变化，他影响的是总体电压走势，所以这里的问题就是SOC变化可能开路电压变化缓慢，
所以不是每一步都辨识开路电压，而是通过ΔSOC变化一定在去采集。

一致性问题

不一致带来的后果可用用量会变小
SOCcorrect是修正过的SOC（充电往最高靠，放电往最低靠，将可用容量变小），

总结

SOH定义不一样。准确估计问题很大，在实际应用中重要性不明确。不知道有啥用。（电池更换，能量管理等？）