CN103744026A

CN103744026A - 基于自适应无迹卡尔曼滤波的蓄电池荷电状态估算方法

Info

Publication number: CN103744026A
Application number: CN201310702816.4A
Authority: CN
Inventors: 刘胜永; 张兴; 李�昊
Original assignee: Guangxi University of Science and Technology
Current assignee: Guangxi University of Science and Technology
Priority date: 2013-12-19
Filing date: 2013-12-19
Publication date: 2014-04-23

Abstract

本发明公开了基于自适应无迹卡尔曼滤波的蓄电池荷电状态估算方法，包括：通过HPPC试验对蓄电池性能进行测试，获得蓄电池HPPC测试数据；基于获得的蓄电池HPPC测试数据，进行参数辨识，得到蓄电池模型参数；基于得到的蓄电池模型参数，通过AUKF算法，估算蓄电池SOC。本发明所述基于自适应无迹卡尔曼滤波的蓄电池荷电状态估算方法，可以克服现有技术中人工劳动量大、实时性差、操作难度大和测算精度低等缺陷，以实现人工劳动量小、实时性好、操作难度小和测算精度高的优点。

Description

基于自适应无迹卡尔曼滤波的蓄电池荷电状态估算方法

技术领域

本发明涉及汽车电池技术领域，具体地，涉及基于自适应无迹卡尔曼滤波的蓄电池荷电状态估算方法。

背景技术

近些年来动力电池发展异常迅猛，而与之相对应的却是电池管理技术发展的严重滞后，这也导致蓄电池管理技术成为制约电动汽车发展的重要因素。由于管理技术的不完善，电动汽车用动力电池长期处于过充或过放电状态，电池性能随着使用逐渐变差，导致电池成本过高。因此，SOC精确估计显得尤为重要，但是SOC不是可以直接测量的物理量，电池本身是封闭的电化学反应，电动汽车运行时伴随着电流的剧烈变化呈现很强的非线性导致SOC估算困难。

现有技术包括放电试验法、安时积分法、开路电压法、神经网络法、卡尔曼滤波法等多种方法。放电试验法是公认的比较可靠的SOC测量方法，通过一段时间负载放电来测量SOC；安时积分法是最常用的方法，它是根据SOC的定义，将电池作为“黑箱”，采集电流直接对电流进行积分得到SOC；开路电压法是最准确的方法，利用开路电压和SOC一一对应的关系，通过不断静置，得到电池的开路电压，进而通过查表得到电池SOC神经网络法是在大量训练数据和合适训练算法下实施的SOC预测；卡尔曼滤波算法在近几年使用广泛，利用建立的数学模型，将SOC作为一状态变量，通过上一时刻和本时刻值的不断“修正—更新”得到SOC的最优无偏估计。

基于扩展卡尔曼滤波的蓄电池荷电状态估算，扩展卡尔曼滤波算法采集电动汽车运行时电池的电压、电流及温度，以传感器电流、温度为输入量，在建立电池数学模型的基础上进行估算。具体步骤如下：

⑴在不同温度和SOC对电池进行充放电试验，通过静置获得电池开路电压，数据拟合得到开路电压与SOC的函数关系。

⑵通过《FreedomCAR电池试验手册》中的HPPC试验对电池性能进行测试获得数据，经过参数辨识得到电池模型参数。

⑶建立电池的状态空间模型，离散化得到离散模型，以采集温度、电流为输入量，将SOC作为一状态变量代入扩展卡尔曼滤波算法进行估算进而得到SOC测量值。

现有测量方法的不足之处：

⑴放电实验法得到SOC比较可靠，但是放电试验法是一种完全离线的测量方法，而且对电动汽车而言需要备用电池组，成本增加过多。测量需要笨重的充放电机，放电时间长，需要专门看护。

⑵安时法可以在线测量，使用简便。但安时法会随着时间的积累导致误差的不断积累，进而会导致下次估算的初值不精确，并且需要存储大量数据。

⑶开路电压法，使用简便，但需要电池组进行间歇静置，需要一定时间离线，无法满足电动汽车实时性要求。

⑷神经网络法，估算较为精确，但需要大量训练数据和合适的训练算法，训练数据不易获得，合适的训练算法不以寻求，并且神经网络需要存储大量数据，增加硬件成本。

⑸卡尔曼滤波算法比较适合电动汽车剧烈运行的工况，但传统卡尔曼滤波只适合线性系统，对电池使用过程中呈现的强烈非线性不在适用。

⑹扩展卡尔曼滤波方法采用一阶泰勒技术近似，可以用来估算电池荷电状态，但扩展卡尔曼滤波采用的是将非线性系统近似等价于一个线性时变系统的线性化方法，这样不免产生线性化误差，并且扩展卡尔曼滤波方法需要求解系统的雅可比矩阵，求解算法复杂，运算速度慢，不利于硬件实现。

⑺扩展卡尔曼滤波算法的有效实施，必须依靠电池模型的精确建立，电动汽车运行时，电池伴随剧烈的化学反应，电路参数也会随着电池的使用发生变化，这种变化必然导致SOC估算不精确。

在实现本发明的过程中，发明人发现现有技术中至少存在人工劳动量大、实时性差、操作难度大和精度低等缺陷。

发明内容

本发明的目的在于，针对上述问题，提出基于自适应无迹卡尔曼滤波的蓄电池荷电状态估算方法，以实现人工劳动量小、实时性好、操作难度小和测算精度高的优点。

为实现上述目的，本发明采用的技术方案是：基于自适应无迹卡尔曼滤波的蓄电池荷电状态估算方法，包括：

a、通过HPPC试验对蓄电池性能进行测试，获得蓄电池HPPC测试数据；

b、基于获得的蓄电池HPPC测试数据，进行参数辨识，得到蓄电池模型参数；

c、基于得到的蓄电池模型参数，通过AUKF算法，估算蓄电池SOC。

进一步地，在步骤a之前，还包括：

对蓄电池特性进行测试，获得蓄电池基本信息；以及，

基于获得的蓄电池基本信息，建立蓄电池的数学模型。

进一步地，所述对蓄电池特性进行测试，获得蓄电池基本信息的操作，具体包括：

对蓄电池组充满电即SOC=1，利用恒温箱在不同温度下对蓄电池组进行恒流放电测试，每当蓄电池SOC下降10%，将蓄电池静置半小时后，测量蓄电池两端开路电压OCV；

将不同SOC和温度T下的数据导入MATLAB中，经过二维数据拟合处理，得到OCV与SOC和T的函数关系：OCV=f（SOC，T）。

进一步地，所述步骤b，具体包括：

b1、通过混合动力脉冲能力特性测试试验，对电池测试获得试验数据，选择PNGV作为等效电路模型，经过最小二乘辨识得到等效电路模型参数与SOC和T的函数关系；

b2、根据数据拟合和参数辨识得到的函数关系，将SOC作为一状态变量，建立蓄电池的状态空间模型如下：

（1）；

Figure 2013107028164100002DEST_PATH_IMAGE004

（2）；

式中，

Figure 2013107028164100002DEST_PATH_IMAGE006

为k时刻采样点时电容

Figure 2013107028164100002DEST_PATH_IMAGE008

两端电压，

Figure 2013107028164100002DEST_PATH_IMAGE010

为k时刻采样点时电容两端电压，

Figure 2013107028164100002DEST_PATH_IMAGE014

为k时刻采样点时的SOC值，T为采样周期，为k时刻采样电流，

Figure 2013107028164100002DEST_PATH_IMAGE018

为k时刻采样点负载电压，

Figure 2013107028164100002DEST_PATH_IMAGE020

、

为系统传感器引起的不相关高斯白噪声。

进一步地，在步骤b1中，所述经过最小二乘辨识得到等效电路模型参数与SOC和T的函数关系的操作中，得到的函数关系包括：内阻

Figure 2013107028164100002DEST_PATH_IMAGE024

= f（SOC，T）。

进一步地，所述步骤c，具体包括：

根据步骤b得到的状态空间模型，设置合适的AUKF估算算法；

结合设置的AUKF估算算法，利用MATLAB的RTW工具将算法模型自动生成代码，进行硬件在环仿真，并将生成的代码结合到电池硬件核心控制器TMS320F2812 DSP中实现蓄电池的荷电状态估算。

进一步地，所述电池硬件核心控制器，具体包括型号为TMS320F2812的DSP。

本发明各实施例的基于自适应无迹卡尔曼滤波的蓄电池荷电状态估算方法，由于包括：通过HPPC试验对蓄电池性能进行测试，获得蓄电池HPPC测试数据；基于获得的蓄电池HPPC测试数据，进行参数辨识，得到蓄电池模型参数；基于得到的蓄电池模型参数，通过AUKF算法，估算蓄电池SOC；可以在不消耗大量硬件成本的基础上，使SOC的估算不过分的依赖建模的精度，实现电动汽车SOC的实时精确测量；从而可以克服现有技术中人工劳动量大、实时性差、操作难度大和测算精度低的缺陷，以实现人工劳动量小、实时性好、操作难度小和测算精度高的优点。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1为本发明基于自适应无迹卡尔曼滤波的蓄电池荷电状态估算方法的流程示意图；

图2为本发明基于自适应无迹卡尔曼滤波的蓄电池荷电状态估算方法中PNGV模型的工作原理示意图；

图3为本发明基于自适应无迹卡尔曼滤波的蓄电池荷电状态估算方法中整个AUKF算法的流程示意图；

图4为本发明基于自适应无迹卡尔曼滤波的蓄电池荷电状态估算方法中AUKF估算算法的流程示意图。

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

根据本发明实施例，如图1、图2、图3和图4所示，提供了基于自适应无迹卡尔曼滤波的蓄电池荷电状态估算方法。该基于自适应无迹卡尔曼滤波的蓄电池荷电状态估算方法，提出运用自适应无迹卡尔曼滤波估算蓄电池荷电状态，旨在不消耗大量硬件成本的基础上，使SOC的估算不过分的依赖建模的精度，实现电动汽车SOC的实时精确测量。自适应无迹卡尔曼滤波利用自适应控制和无迹变换的方法直接对非线性系统进行传递，避免了线性化引起的误差，并且无迹卡尔曼滤波不用求解雅可比矩阵，算法复杂度低，自适应控制方法的引入使SOC的估算不过分的依赖建模的精度，运算速度快，能够满足电动汽车实时性要求。

本实施例的基于自适应无迹卡尔曼滤波的蓄电池荷电状态估算方法，目的在于通过自适应无迹卡尔曼滤波算法实时精确估算蓄电池SOC。本发明的整个技术方案可描述为：对蓄电池特性进行测试以获得蓄电池的基本信息；建立蓄电池的数学模型，通过《FreedomCAR电池试验手册》中的HPPC试验对电池性能进行测试获得数据，经过参数辨识得到电池模型参数，设计AUKF算法估算蓄电池SOC。

如图1、图3和图4所示，本实施例的基于自适应无迹卡尔曼滤波的蓄电池荷电状态估算方法，主要包括以下几个步骤：

⑴首先对蓄电池组充满电（SOC=1），利用恒温箱在不同温度下对蓄电池组进行恒流放电，每当电池SOC下降10%，将蓄电池静置半个小时，然后测量电池两端开路电压OCV（Open Circuit Voltage），将不同SOC和温度T下的数据导入MATLAB中，经过二维数据拟合得到OCV与SOC和T的函数关系，即OCV=f（SOC，T）；

⑵通过《FreedomCAR电池试验手册》中的混合动力脉冲能力特性测试试验对电池测试获得试验数据，选择PNGV（参见图2）作为等效电路模型，经过最小二乘辨识得到等效电路模型参数与SOC和T的函数关系，以内阻为例，

= f（SOC，T）；

⑶根据数据拟合和参数辨识得到的函数关系，将SOC作为一状态变量，建立蓄电池的状态空间模型如下：

（1）；

（2）；

式中，

为k时刻采样点时电容

两端电压，

为k时刻采样点时电容

两端电压，

为k时刻采样点时的SOC值，T为采样周期，

为k时刻采样电流，

为k时刻采样点负载电压。

、

为系统传感器引起的不相关高斯白噪声；

⑷根据得到的状态空间模型，设计合适的AUKF算法；

⑸结合开发的AUKF估算算法的开发流程，利用MATLAB的RTW工具将算法模型自动生成代码，进行硬件在环仿真，并将生成的代码结合到电池硬件核心控制器TMS320F2812 DSP中实现蓄电池的荷电状态估算。

在图1中，蓄电池特性测试模块，可以实现蓄电池SOC在30%-80%范围内的不同倍率下的充放电控制，并可以监测和显示温度、电流、电压等数据，IGBT的占空比可以智能调节方便实现HPPC测试，为蓄电池的在线参数辨识提供数据。

由于蓄电池特性测试模块对蓄电池特性测试得到的是离线参数，蓄电池在线参数辨识模块可以采用非线性最小二乘辨识实现蓄电池PNGV模型参数的在线数据，为AUKF算法的开发提供数据支持。

AUKF算法模块，主要实现AUKF算法开发，利用MATLAB的CCSLink结合CCS进行DSP程序的调试及代码的直接生成，完成代码生成、代码加载、代码执行等功能；可以便捷的实现参数修改，提高DSP开发效率，短时间内完成AUKF的开发。

需要说明的是，图3可以显示整个AUKF算法实施的五个实施步骤，具体如下：

步骤1：利用恒温箱在不同温度下对蓄电池组进行恒流放电，以传感器采集的蓄电池电压、电流、温度为输入量测试得到蓄电池SOC与OCV函数关系；

步骤2：通过HPPC测试和参数辨识得到PNGV模型参数；

步骤3：以步骤一得到的SOC与OCV函数关系和步骤2得到的PNGV参数，并以SOC为一状态变量建立状态空间模型；

步骤4：根据以上步骤得出结果，设计合适的AUKF算法，在MATLAB中仿真校验算法的有效性；

步骤5：利用MATLAB的RTW工具自动代码生成，实现参数在线辨识和SOC估算。

在上述实施例中，相关术语解释如下：

⑴无迹卡尔曼滤波方法：无迹变换（UT）和标准Kalman滤波体系的结合，通过无迹变换使非线性系统方程适用于线性假设下的标准Kalman滤波方法。

⑵自适应无迹卡尔曼滤波：自适应控制方法与无迹卡尔曼滤波算法相融来提高系统鲁棒性的滤波方法。

⑶SOC：state of charge的缩写，电池行业用语，指荷电状态。又称剩余容量，当蓄电池使用一段时间或长期搁置不用后的剩余容量与其完全充电状态的容量的比值，常用百分数表示。

⑷HPPC：混合动力脉冲能力特性，是用来体现动力电池脉冲充放电性能的一种特征，动力电池的一种通用测试方法。

综上所述，本发明本上述各实施例的基于自适应无迹卡尔曼滤波的蓄电池荷电状态估算方法，提供一种动力蓄电池荷电状态的确定方法。现有技术包括放电试验法、安时积分法、开路电压法、神经网络法、卡尔曼滤波法，其中，放电试验法要中断正在工作的电池；安时积分法会随着时间推移积累误差导致估算不精确；开路电压法需要电池静置足够长的时间；神经网络需要大量的训练数据以及合适的训练方法；卡尔曼滤波法比较适合电动汽车剧烈变化的工况而广泛应用于动力电池荷电状态估算。电池本身是封闭的化学反应，伴随强烈的非线性，传统的卡尔曼滤波法已经不再适用，近几年扩展卡尔曼滤波（EKF）得到了很广泛的应用，但是扩展卡尔曼滤波算法使用一阶泰勒级数逼近系统状态方程，不可避免地引入线性化误差，而且可比矩阵的求解复杂，实现起来对硬件的要求较高。本发明的技术方案，提出应用自适应无迹卡尔曼滤波（AUKF）方法估算蓄电池荷电状态，通过自适应控制方法与无迹卡尔曼滤波方法的有机融合实现状态的非线性传递，解决现有技术实时性差、估算复杂以及估算不精确的问题，从而完成动力电池的在线测量，降低硬件成本。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。