CN103116136B - 基于有限差分扩展卡尔曼算法的锂电池荷电状态估计方法 - Google Patents
基于有限差分扩展卡尔曼算法的锂电池荷电状态估计方法 Download PDFInfo
- Publication number
- CN103116136B CN103116136B CN201310021706.1A CN201310021706A CN103116136B CN 103116136 B CN103116136 B CN 103116136B CN 201310021706 A CN201310021706 A CN 201310021706A CN 103116136 B CN103116136 B CN 103116136B
- Authority
- CN
- China
- Prior art keywords
- overbar
- state
- covariance
- noise
- equation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Abstract
本发明公开了一种锂电池荷电状态的估计方法,该方法包括以下步骤:步骤一、给定初始值,对各协方差进行Cholesky分解;步骤二、状态的一步预测;步骤三、协方差的一步预测;步骤四、滤波增益;步骤五、更新状态的最优值;步骤六、滤波协方差更新。与现有技术相比,本发明的精度高于泰勒级数的一阶展开,而且,充分利用了由模型线性化产生的有效误差信息,对模型参数变动具有较强的鲁棒性。
Description
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
电池作为电源已在通信、电力系统、军事装备、电动汽车等领域得到了广泛地应用。随着环保观念的日渐深入人心,越来越多的系统开始采用电池作为主要动力供给。在这些系统中,动力电池工作状态的好坏直接关系到整个系统的运行可靠性。为确保动力电池组的性能良好,延长电池组的使用寿命,须及时、准确地了解电池的运行状态,对电池进行合理有效地管理和控制。而电池荷电状态的精确估算是电池管理系统中最核心的技术。目前,对单体电池荷电状态估计的主要方法有开路电压法、内阻法、安时计量法、神经网络、卡尔曼滤波法和扩展卡尔曼滤波法等。
其中,开路电压法进行电池荷电状态估计时电池必须静置较长时间以达到稳定状态,而且只适用于电池电流非剧烈变化状态下的荷电状态估计,不能满足在线检测要求。内阻法需要精确测量电池的内阻,由于一般电池内阻在毫欧级,因此使用该方法会对测量仪器的要求非常高,难以在实际中加以应用。安时计量法易受到电流测量精度的影响,在高温或电流波动剧烈情况下,精度很差。神经网络法需要大量的样本数据进行训练才可以得到较好的精度。卡尔曼滤波法对电池模型要求较高,并且只适用于线性方程,这一问题的解决办法之一是采用扩展卡尔曼滤波法来进行荷电状态的估计。但是,扩展卡尔曼滤波法为了求取估计误差方差通过非线性函数的传播,需将非线性函数用泰勒级数展开并线性化,一方面增加了计算复杂度,另一方面,在该过程中忽略了高阶项,必定会引起误差。
发明内容
为克服现有技术的不足,本发明提出一种基于有限差分扩展卡尔曼算法的锂电池荷电状态估计方法,在锂电池的电池数学模型的基础上,利用有限差分卡尔曼滤波法进行剩余电量的估计,在对非线性方程进行线性化处理上,采用多项式近似技术和一阶中心差分法计算非线性函数的偏导数。
本发明提出了一种基于有限差分扩展卡尔曼算法的锂电池荷电状态估计方法,该方法包括以下步骤:
一种基于有限差分扩展卡尔曼算法的锂电池荷电状态估计方法,其特征在于,该方法包括以下步骤:
通过建立锂电池电量的数学模型,得到电池系统荷电状态方程x及荷电状态观测方程y如下:
xk+1=f(xk,uk,wk)
yk=g(xk,uk,vk)
其中,xk∈Rn和yk∈Rm分别为k时刻的系统n维状态向量和m维观测向量,f:Rn→Rn和g:Rn→Rm分别为系统状态函数和观测函数,wk和vk是互不相关的高斯白噪声,且假设噪声有如下统计学特性:
其中:Qk,Rk都为正定对称阵;δkj为Kronecker-δ函数;
步骤一、给定初始值,初始化x0=E[x0],P0=E[(x0-x0)(x0-x0)T],对Qk(过程噪声方差),Rk(观测噪声方差),(验前状态方差),Pk(验后状态方差)进行Cholesky分解,有
利用一阶中心差分计算非线性函数偏导数,即
Fx(k)=(f(xk+Δxk,uk,wk)-f(xk-Δxk,uk,wk))/2Δxk,
令Δxk=hSx(h为步长调节系数),则
Fx(k)Sx=Sxx={(fi(xk+hSx,j,uk,wk)-fi(xk-hSx,j,uk,wk))/2h,
其中,Sx,j为Sx的第j列。根据上式同样可导出下列各式。即
Fw(k)Sw=Sxw={(fi(xk,uk,wk+hSx,j)-fi(xk,uk,wk-hSx,j))/2h}
步骤二、得到基于锂电池系统上一状态预测出当前状态方程
步骤三、得到状态协方差的预测方程
其中:是当前状态的验前状态协方差;
Fx(k)是利用一阶中心差分计算状态方程的偏导数;
P(k)是上一状态的验后状态协方差;
Fw(k)是利用一阶中心差分计算状态噪声的偏导数;
Q(k)是状态噪声协方差。
步骤四、得到滤波增益方程
其中:Kk是卡尔曼滤波增益;
Gx(k)是利用一阶中心差分计算观测方程的偏导数;
Gv(k)是利用一阶中心差分计算观测噪声的偏导数;
R(k)是观测噪声协方差。
步骤五、根据当前状态的预测值,再收集当前状态的测量值。结合预测值和测量值,我们可以得到当前状态的最优值。得到更新状态的最优值
其中,是当前状态的预测输出;
xk+1是当前状态的最优值;
yk是当前状态实际的测量值。
步骤六、得到滤波协方差更新
其中,P(k)是当前状态的验后状态协方差。
在实际电池运行过程中,实时采集锂电池的电压、电流信息,通过现场可编程门阵列/数字信号处理器运行电池荷电状态估计算法,将估算结果显示在液晶屏上。与此同时,对电池组充放电电路进行控制,保证电池运行状态的安全性和稳定性。
与现有技术相比,本方法的有益效果为,其精度高于泰勒级数的一阶展开,而且,充分利用了由模型线性化产生的有效误差信息,对模型参数变动具有较强的鲁棒性。
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。
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。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。
如图2所示,为本方法的实现系统举例,该实现系统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)
1.一种基于有限差分扩展卡尔曼算法的锂电池荷电状态估计方法,其特征在于,该方法包括以下步骤:
通过建立锂电池电量的数学模型,得到电池系统荷电状态方程x及荷电状态观测方程y如下:
xk+1=f(xk,uk,wk)
yk=g(xk,uk,vk),
其中,xk∈Rn和yk∈Rm分别为k时刻的系统n维状态向量和m维观测向量,f:Rn→Rn和g:Rn→Rm分别为系统状态函数和观测函数,wk和vk是互不相关的高斯白噪声,且假设噪声有如下统计学特性:
其中:Qk,Rk都为正定对称阵;δkj为Kronecker-δ函数;
步骤一、给定初始值,初始化对过程噪声方差Qk、观测噪声方差Rk、验前状态方差验后状态方差进行Cholesky分解,有
Sw为过程噪声方差矩阵QkCholesky分解下的三角矩阵,Sv为观测噪声方差矩阵RkCholesky分解的下三角矩阵,为验前状态方差矩阵Cholesky分解的下三角矩阵,为验后状态方差矩阵Cholesky分解的下三角矩阵;
利用一阶中心差分计算非线性函数偏导数,即
令h为步长调节系数,则
其中,为的第j列,根据上式同样可导出下列各式,即
Gx(k)是利用一阶中心差分计算观测方程的偏导数;Gv(k)是利用一阶中心差分计算观测噪声的偏导数;
步骤二、得到基于锂电池系统上一状态预测出当前状态方程
步骤三、得到状态协方差的预测方程
其中:是当前状态的验前状态协方差;
Fx(k)是利用一阶中心差分计算状态方程的偏导数;
是上一状态的验后状态协方差;
Fw(k)是利用一阶中心差分计算状态噪声的偏导数;
Q(k)是状态噪声协方差;
步骤四、得到滤波增益方程
其中:Kk是卡尔曼滤波增益;
Gx(k)是利用一阶中心差分计算观测方程的偏导数;
Gv(k)是利用一阶中心差分计算观测噪声的偏导数;
R(k)是观测噪声协方差;
步骤五、根据当前状态的预测值,再收集当前状态的测量值,结合预测值和测量值,我们可以得到当前状态的最优值,得到更新状态的最优值
其中,是当前状态的预测输出;
是当前状态的最优值;
yk是当前状态实际的测量值;
步骤六、得到滤波协方差更新
其中,是当前状态的验后状态协方差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310021706.1A CN103116136B (zh) | 2013-01-21 | 2013-01-21 | 基于有限差分扩展卡尔曼算法的锂电池荷电状态估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310021706.1A CN103116136B (zh) | 2013-01-21 | 2013-01-21 | 基于有限差分扩展卡尔曼算法的锂电池荷电状态估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103116136A CN103116136A (zh) | 2013-05-22 |
CN103116136B true CN103116136B (zh) | 2015-07-15 |
Family
ID=48414561
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310021706.1A Active CN103116136B (zh) | 2013-01-21 | 2013-01-21 | 基于有限差分扩展卡尔曼算法的锂电池荷电状态估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103116136B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102013106083B4 (de) * | 2013-06-12 | 2022-02-10 | Infineon Technologies Ag | Verfahren und Vorrichtung zum Bestimmen eines Parameters eines Modells einer technischen Einrichtung |
CN103529398A (zh) * | 2013-10-28 | 2014-01-22 | 哈尔滨工业大学 | 基于扩展卡尔曼滤波的锂离子电池soc在线估计方法 |
CN104502858B (zh) * | 2014-12-31 | 2017-07-14 | 桂林电子科技大学 | 基于后向差分离散模型的动力电池soc估计方法与系统 |
CN104865535A (zh) * | 2015-06-05 | 2015-08-26 | 吉林大学 | 一种基于fpga的锂离子电池soc估计方法和估计设备 |
CN105319515B (zh) * | 2015-11-18 | 2017-12-19 | 吉林大学 | 锂离子电池荷电状态和健康状态联合估算方法 |
CN107064816A (zh) * | 2017-04-13 | 2017-08-18 | 绵阳世睿科技有限公司 | 一种增强电池状态估计鲁棒性的方法 |
CN109782176A (zh) * | 2018-12-20 | 2019-05-21 | 上海交通大学 | 基于narx模型的电池剩余容量在线估计方法 |
CN110009528B (zh) * | 2019-04-12 | 2021-06-01 | 杭州电子科技大学 | 一种基于最优结构多维泰勒网的参数自适应更新方法 |
CN112255545B (zh) * | 2019-07-05 | 2022-04-26 | 西南科技大学 | 基于平方根扩展卡尔曼滤波的锂电池soc估算模型 |
CN113156321B (zh) * | 2021-04-26 | 2023-06-20 | 中国矿业大学 | 一种锂离子电池荷电状态soc的估算方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6534954B1 (en) * | 2002-01-10 | 2003-03-18 | Compact Power Inc. | Method and apparatus for a battery state of charge estimator |
CN101065876A (zh) * | 2004-11-11 | 2007-10-31 | 株式会社Lg化学 | 使用荷电状态进行平衡电池电量的方法和系统 |
CN101625397A (zh) * | 2009-08-06 | 2010-01-13 | 杭州电子科技大学 | 一种电池剩余电量的混合快速估计方法 |
US7764049B2 (en) * | 2006-01-12 | 2010-07-27 | The Furukawa Electric Co., Ltd. | Method and device for determining battery discharge capability, and power supply system |
JP5058814B2 (ja) * | 2004-11-29 | 2012-10-24 | エルジー・ケム・リミテッド | バッテリーの状態及びパラメーターの推定システム及び方法 |
-
2013
- 2013-01-21 CN CN201310021706.1A patent/CN103116136B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6534954B1 (en) * | 2002-01-10 | 2003-03-18 | Compact Power Inc. | Method and apparatus for a battery state of charge estimator |
CN101065876A (zh) * | 2004-11-11 | 2007-10-31 | 株式会社Lg化学 | 使用荷电状态进行平衡电池电量的方法和系统 |
JP5058814B2 (ja) * | 2004-11-29 | 2012-10-24 | エルジー・ケム・リミテッド | バッテリーの状態及びパラメーターの推定システム及び方法 |
US7764049B2 (en) * | 2006-01-12 | 2010-07-27 | The Furukawa Electric Co., Ltd. | Method and device for determining battery discharge capability, and power supply system |
CN101625397A (zh) * | 2009-08-06 | 2010-01-13 | 杭州电子科技大学 | 一种电池剩余电量的混合快速估计方法 |
Non-Patent Citations (2)
Title |
---|
基于扩展卡尔曼滤波算法的锂离子电池SOC估计;马彦 等;《第三十一届中国控制会议论文集D卷》;20120725;143-146、242 * |
用于弹道目标跟踪的有限差分扩展卡尔曼滤波算法;巫春玲、韩崇昭;《西安交通大学学报》;20080229;第42卷(第02期);6815-6819 * |
Also Published As
Publication number | Publication date |
---|---|
CN103116136A (zh) | 2013-05-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103116136B (zh) | 基于有限差分扩展卡尔曼算法的锂电池荷电状态估计方法 | |
CN102998629B (zh) | 一种锂电池荷电状态的估计方法 | |
CN105116343B (zh) | 最小二乘支持向量机的动力电池电荷状态估计方法及系统 | |
CN103616647B (zh) | 一种用于电动汽车电池管理系统的电池剩余电量估计方法 | |
Li et al. | The multi-innovation extended Kalman filter algorithm for battery SOC estimation | |
CN101604005B (zh) | 一种基于组合采样点卡尔曼滤波的电池剩余电量估计方法 | |
CN103472403B (zh) | 一种基于pngv等效电路模型的动力电池soc复合估计方法 | |
CN103675706B (zh) | 一种动力电池电荷量估算方法 | |
CN103439668B (zh) | 动力锂离子电池的电荷状态估算方法与系统 | |
CN102981125B (zh) | 一种基于rc等效模型的动力电池soc估计方法 | |
CN104181470B (zh) | 一种基于非线性预测扩展卡尔曼滤波的电池soc估计方法 | |
CN101598769B (zh) | 一种基于采样点卡尔曼滤波的电池剩余电量估计方法 | |
CN106019164A (zh) | 基于双重自适应无际卡尔曼滤波器的锂电池soc估计算法 | |
CN102680795B (zh) | 一种二次电池内阻的实时在线估计方法 | |
CN102289557B (zh) | 一种电池模型参数与剩余电量联合异步在线估计方法 | |
CN106842060A (zh) | 一种基于动态参数的动力电池soc估算方法及系统 | |
CN101625397B (zh) | 一种电池剩余电量的混合快速估计方法 | |
Wang et al. | Open circuit voltage and state of charge relationship functional optimization for the working state monitoring of the aerial lithium-ion battery pack | |
CN104122504A (zh) | 一种电池的soc估算方法 | |
CN105334462A (zh) | 电池容量损失在线估算方法 | |
CN105572596B (zh) | 锂电池soc估算方法及系统 | |
CN102831100A (zh) | 电池荷电状态估算方法及装置 | |
CN102169168B (zh) | 一种基于粒子滤波的电池剩余电量估计方法 | |
CN103472398A (zh) | 基于扩展卡尔曼粒子滤波算法的动力电池soc估计方法 | |
CN205898985U (zh) | 一种纯电动汽车用动力锂电池soc估计系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |