CN102998629A - 一种锂电池荷电状态的估计方法 - Google Patents

Abstract

本发明公开了一种锂电池荷电状态的估计方法，步骤一、根据系统状态初值以及状态方程进行荷电状态估计；步骤二、计算测量值与估计值的残差，从而计算渐消因子；步骤三、计算时变渐消因子；步骤四、由实际情况下的残差变化、电流大小计算得到渐消因子调整值；步骤五、得到渐消因子新值，进而求得增益矩阵；步骤六、更新荷电估计状态；步骤七、通过自适应滤波算法估计测量噪声协方差矩阵。与现有技术相比，本发明通过强跟踪滤波器算法以及对其的改进，能够根据实际情况更新测量噪声和渐消因子，与传统卡尔曼滤波器算法相比，能够有效提高锂电池荷电状态的估计精度，增强算法的跟踪性和自适应性。

Description

一种锂电池荷电状态的估计方法

技术领域

本发明锂电池荷电状态预测技术，特别是涉及一种在锂电池实际应用过程中对其荷电状态进行估计的方法。

背景技术

由于面临能源和环境的压力，锂电池以其高能量密度、使用寿命长、绿色环保等优点成为目前最具潜力的储能装置。而锂电池的荷电状态估计，是对电池进行有效管理的前提和关键。目前，常见的电池荷电状态估计方法有：开路电压法、安时计量法、神经网络、卡尔曼滤波法和扩展卡尔曼滤波法。

其中，卡尔曼滤波算法是最常用的荷电状态估计方法，但其在模型参数不确定的情况下鲁棒性很差，并且，对突变状态的跟踪能力不佳。该算法要求测量噪声统计特性是已知的，但是大多数应用问题中噪声统计特性是未知的，若根据错误的噪声统计特性设计滤波器将使滤波器的误差增大，甚至使滤波器发散。

并且由于锂电池的电池模型是个非线性系统，其中电池的开路电压和电池荷电状态呈非线性关系，因此扩展卡尔曼滤波算法在卡尔曼滤波算法的基础上，对非线性方程进行线性化处理，可以适用于非线性系统。当模型参数与过程参数精确匹配或基本匹配时，只要初始值选择适当，滤波过程可渐进收敛并得到状态的近似无偏估计值。然而，当模型参数不匹配或存在较大偏差时，扩展卡尔曼滤波算法的估计精度会大大下降甚至发散。

发明内容

为克服现有技术的不足，本发明提出一种锂电池荷电状态的估计方法，针对锂电池模型不确定性以及测量噪声统计特性未知的情况，将强跟踪滤波器算法与自适应滤波算法进行结合，应用现场可编程门阵列（FPGA）或者数字信号处理器（DSP）实现融合算法，在估计荷电状态的同时利用观测数据的信息不断地在线修正噪声统计特性，从而提高锂电池荷电状态的估算精度，增强估计算法的鲁棒性和自适应性。

本发明提出了一种锂电池荷电状态的估计方法，通过建立锂电池数学模型，得到系统状态方程以及量测方程形如：

$\left\{\begin{array}{c}X(k+1)=A\·X\left(k\right)+B\·U(k+1)+V(k+1)\\ z(k+1)=H\·X(k+1)+W(k+1)\end{array}\right.$

其中，X(k+1)是系统在k+1时刻的状态，U(k+1)是k+1时刻对系统的控制函数，Z(k+1)是系统的观测变量，W(k+1)和V(k+1)分别表示过程和测量的噪声。A,B为系统参数，H为测量系统的参数，反映状态变量对测量变量的影响，其特征在于，该方法包括以下步骤：

步骤一、根据系统状态初值以及状态方程进行荷电状态估计；

$\hat{X}(k+1|k)=A\·\hat{X}\left(k\right|k)+B\·U(k+1)$

步骤二、计算测量值与估计值的残差，从而计算渐消因子；

$\hat{z}(k+1|k)=H\·\hat{X}(k+1|k)$

$\mathrm{\γ}(k+1)=z(k+1)-\hat{z}(k+1|k)$

其中，z(k+1)为系统测量值，

为估计值，γ(k+1)为残差值。

步骤三、计算时变渐消因子λ(k+1)；

$\mathrm{\&lambda;}(K+1)=\left\{\begin{array}{cc}{\mathrm{\&lambda;}}_0& {\mathrm{\&lambda;}}_0\&GreaterEqual;1\\ 1& {\mathrm{\&lambda;}}_0<1\end{array}\right.$

${\mathrm{\&lambda;}}_0=\frac{\mathrm{tr}\left[N(k+1)\right]}{\mathrm{tr}\left[M(k+1)\right]}$

$S_0(k+1)=\left\{\begin{array}{cc}\mathrm{\&gamma;}\left(1\right){\mathrm{\&gamma;}}^T\left(1\right)& k=0\\ \frac{\mathrm{\&rho;}{S}_0\left(k\right)+\mathrm{\&gamma;}(k+1){\mathrm{\&gamma;}}^T(k+1)}{1+\mathrm{\&rho;}}& k\&GreaterEqual;1\end{array}\right.$

其中

N(k+1)=S₀(k+1)-H·Q(k)·H^T-βR(k+1)

M(k+1)=H·A·P(k|k)·A^T·H^T

γ(k+1)为残差值，P(k|k)是对应状态X(k k)的协方差矩阵，Q(k)是系统的过程噪声参数，R(k+1)为系统的观测噪声协方差矩阵，ρ为遗忘因子，β≥1为弱化因子；

步骤四、由实际情况下的残差变化、电流大小计算得到渐消因子调整值；

渐消因子调整值由模糊控制算法得到，模糊控制规则如下：

（1）残差差值较小，调整因子增大，残差差值较大，调整因子减小；

（2）残差增大，调整因子增大；

（3）电流增大，调整因子增大；

其中，残差值为γ(k+1)，残差差值为γ(k+1)-γ(k)，由模糊控制算法得到的渐消因子调整值为Δλ；

步骤五、得到渐消因子新值，进而求得增益矩阵；

渐消因子的新值为λn(k+1)=λ(k+1)+Δλ

P(k+1|k)=λn(k+1)·A·P(k|k)·A^T+Q(k)

K(k+1)=P(k+1|k)·H^T·[H·P(k+1|k)·H^T+R(k+1)]^-1

其中，P(k+1|k)为更新的协方差矩阵，K(k+1)为增益矩阵。

步骤六、更新荷电估计状态；

$\hat{X}(k+1|k+1)=\hat{X}(k+1|k)+K(k+1)\mathrm{\&gamma;}(k+1)$

为系统状态更新值，

为系统状态预测值。

步骤七、通过自适应滤波算法估计测量噪声协方差矩阵；

c1=H·P(k+1|k)·H^T+R(k+1)

c=S2(k)/c1;

R(k+2)=c·R(k+1)

其中，S2(k)为实际噪声方差，c1为理论噪声方差，R(k+1)为原测量噪声协方差矩阵，R(k+2)为更新后的测量噪声协方差矩阵。

与现有技术相比，本发明通过强跟踪滤波器算法以及对其的改进，能够根据实际情况更新测量噪声和渐消因子，与传统卡尔曼滤波器算法相比，能够有效提高锂电池荷电状态的估计精度，增强算法的跟踪性和自适应性。

附图说明

图1是本发明的锂电池荷电状态的估计方法流程图；

图2是本发明的锂电池荷电状态的估计方法的具体实施系统的结构示意图。

具体实施方式

下面将结合附图对本发明的具体实施方式进行详细描述，这些实施方式若存在示例性的内容，不应解释成对本发明的限制。

针对锂电池模型不确定性以及测量噪声统计特性未知的情况，将强跟踪滤波器算法与自适应滤波算法进行结合，应用现场可编程门阵列（FPGA）或者数字信号处理器（DSP）实现融合算法，在估计荷电状态的同时利用观测数据的信息不断地在线修正噪声统计特性，从而提高锂电池荷电状态的估算精度，增强估计算法的鲁棒性和自适应性。

强跟踪滤波器较卡尔曼滤波器有以下优点：（1）对模型不确定性具有较强的鲁棒性；（2）对突变状态的跟踪能力强；（3）适中的计算复杂度。

在建立锂电池数学模型的基础上，本发明利用强跟踪滤波器算法进行状态估计，在状态估计的同时加入对渐消因子的自适应调整和对测量噪声的估计。

如图2所示，为本方法的实现系统举例，其系统结构包括现场可编程门阵列/数字信号处理器控制芯片、液晶显示模块、模数转换以及采集电路。在核心控制芯片中，实现电池荷电状态估计算法、充放电电路的控制、液晶显示时序控制、以及对电池各参数量的采集控制。锂电池的电压、电流、温度通过采集电路以及模数转换电路进入控制芯片，从而运行电池荷电状态估计算法，得到各单体电池的荷电状态值，并将电池实时状态显示在液晶屏上。从而实现了电池的荷电状态估计和实时监控。与此同时，通过实际要求控制充放电电路，优化电池组系统性能，保证系统工作的安全性和可靠性。

Claims (1)

1.一种锂电池荷电状态的估计方法，通过建立锂电池数学模型，得到系统状态方程以及量测方程形如：

$\left\{\begin{array}{c}X(k+1)=A\&CenterDot;X\left(k\right)+B\&CenterDot;U(k+1)+V(k+1)\\ z(k+1)=H\&CenterDot;X(k+1)+W(k+1)\end{array}\right.$

其中，X(k+1)是系统在k+1时刻的状态，U(k+1)是k+1时刻对系统的控制函数，Z(k+1)是系统的观测变量，W(k+1)和V(k+1)分别表示过程和测量的噪声；A,B为系统参数，H为测量系统的参数，反映状态变量对测量变量的影响，其特征在于，该方法包括以下步骤：

步骤一、根据系统状态初值以及状态方程进行荷电状态估计；

$\hat{X}(k+1|k)=A\&CenterDot;\hat{X}\left(k\right|k)+B\&CenterDot;U(k+1)$

步骤二、计算测量值与估计值的残差，从而计算渐消因子；

$\hat{z}(k+1|k)=H\&CenterDot;\hat{X}(k+1|k)$

$\mathrm{\&gamma;}(k+1)=z(k+1)-\hat{z}(k+1|k)$

其中，z(k+1)为系统测量值，为估计值，γ(k+1)为残差值；

步骤三、计算时变渐消因子λ(k+1)；

$\mathrm{\&lambda;}(K+1)=\left\{\begin{array}{cc}{\mathrm{\&lambda;}}_0& {\mathrm{\&lambda;}}_0\&GreaterEqual;1\\ 1& {\mathrm{\&lambda;}}_0<1\end{array}\right.$

${\mathrm{\&lambda;}}_0=\frac{\mathrm{tr}\left[N(k+1)\right]}{\mathrm{tr}\left[M(k+1)\right]}$

$S_0(k+1)=\left\{\begin{array}{cc}\mathrm{\&gamma;}\left(1\right){\mathrm{\&gamma;}}^T\left(1\right)& k=0\\ \frac{\mathrm{\&rho;}{S}_0\left(k\right)+\mathrm{\&gamma;}(k+1){\mathrm{\&gamma;}}^T(k+1)}{1+\mathrm{\&rho;}}& k\&GreaterEqual;1\end{array}\right.$

其中

N(k+1)=S₀(k+1)-H·Q(k)·H^T-βR(k+1)

M(k+1)＝H·A·P(k|k)·A^T·H^T

γ(k+1)为残差值，P(k|k)是对应状态X(k k)的协方差矩阵，Q(k)是系统的过程噪声参数，R(k+1)为系统的观测噪声协方差矩阵，ρ为遗忘因子，β≥1为弱化因子；

步骤四、由实际情况下的残差变化、电流大小计算得到渐消因子调整值；

渐消因子调整值由模糊控制算法得到，模糊控制规则如下：

（1）残差差值较小，调整因子增大，残差差值较大，调整因子减小；

（2）残差增大，调整因子增大；

（3）电流增大，调整因子增大；

其中，残差值为γ(k+1)，残差差值为γ(k+1)-γ(k)，由模糊控制算法得到的渐消因子调整值为Δλ；

步骤五、得到渐消因子新值，进而求得增益矩阵；

渐消因子的新值为λn(k+1)=λ(k+1)+Δλ

P(k+1|k)=λn(k+1)·A·P(k|k)·A^T+Q(k)

K(k+1)=P(k+1|k)·H^T·[H·P(k+1|k)·H^T+R(k+1)]^-1

其中，P(k+1|k)为更新的协方差矩阵，K(k+1)为增益矩阵；

步骤六、更新荷电估计状态；

$\hat{X}(k+1|k+1)=\hat{X}(k+1|k)+K(k+1)\mathrm{\&gamma;}(k+1)$

为系统状态更新值，

为系统状态预测值；

步骤七、通过自适应滤波算法估计测量噪声协方差矩阵；

c1=H·P(k+1|k)·H^T+R(k+1)

c=S2(k)/c1;

R(k+2)=c·R(k+1)

其中，S2(k)为实际噪声方差，c1为理论噪声方差，R(k+1)为原测量噪声协方差矩阵，R(k+2)为更新后的测量噪声协方差矩阵。

Images