CN104502851A - 一种基于aukf算法的soc估算方法 - Google Patents

Abstract

本发明公开了一种基于AUKF算法的SOC估算方法，包括: ⑴选择带有噪声状态估计器的Sage-Husa自适应算法；⑵Sage-Husa的算法流程，根据新的信息对状态噪声w^k和测量噪声v^k进行不断的修正；⑶将Sage-Husa算法与UKF算法进行有效的融合。本发明所述基于AUKF算法的SOC估算方法，可以克服现有技术中使用寿命短、安全性差和可靠性低等缺陷，以实现使用寿命长、安全性好和可靠性高的优点。

Description

一种基于AUKF算法的SOC估算方法

技术领域

本发明涉及锂电池技术领域，具体地，涉及一种基于AUKF算法的SOC估算方法。

背景技术

近些年，汽车工业迅猛发展，特别是在中国，2004年到2012年我国汽车保有量增长趋势，截止2012年我国私人汽车保有量达9309万辆，在未来几年增长趋势明显，随之而来的是能源安全、环境污染等一系列问题，这也成为制约汽车发展的关键因素。能源安全方面，2004年到2010年我国石油生产量与消耗量增长趋势。截止2010年，我国石油对外依存度达到了53％，超过了50％的警戒线。而汽车能耗占总能耗的比重接近成品油的60％，依照这样的消耗速度，石油会在2050年左右枯竭。环境污染方面，机动车排放的氮氧化合物(NOx)、挥发性有机物和可吸入颗粒(PM10和PM2.5)，在城市中心区所有污染中贡献比例已分别达到66％、90％和26％，机动车的排放已经成为造成雾霾的元凶之一。

目前就全世界范围来看，各国都将发展的重点放在了能量密度最高的锂离子电池身上。锂电池的发展主要集中在了IT锂电池、电动车用动力电池、储能电池三个方面。电动车用动力电池是未来锂电池发展的大趋势，世界各国都特别重视电动汽车电池发展，纷纷加大了对电池研究的投入力度。

新型的18605锂电池能量密度已经达到675Wh/L，韩国三星通过提高锂离子电池的充电截止电压来提高电池容量，其高电压的充电截止电压达到4.3V。锂离子电池能量密度的提高是把“双刃剑”，电池单位体积存放的能量越多，危险性就越大[11]。因此，用于电动汽车的锂离子电池的安全性是一个必须考虑的因素。动力锂电池的使用主要面临以下难题：

⑴动力电池使用循环次数较低；

⑵锂电池安全性差，必须防止过充电和过放电；

⑶SOC作为电动汽车运行时的重要参数，使用来判断电池是否过充电的依据，但锂电池本身是一个封闭、复杂的电化学反应，其估算困难。

在实现本发明的过程中，发明人发现现有技术中至少存在使用寿命短、安全性差和可靠性低等缺陷。

发明内容

本发明的目的在于，针对上述问题，提出一种基于AUKF算法的SOC估算方法，以实现使用寿命长、安全性好和可靠性高的优点。

为实现上述目的，本发明采用的技术方案是：一种基于AUKF算法的SOC估算方法，包括：

⑴选择带有噪声状态估计器的Sage-Husa自适应算法，其过程如下：

针对系统的状态空间描述：

x_k+1＝f(x_k,u_k)+w_k    (4-1)

y_k＝g(x_k,u_k)+v_k    (4-2)

⑵Sage-Husa的算法流程如下：

$d_{k-1}=\frac{1-b}{1-b^k}---(4-3)$

${\hat{w}}_k=(1-d_{k-1}){\hat{w}}_{k-1}+d_{k-1}({\hat{x}}_k^{-}-{\hat{A}}_{k-1}{\hat{x}}_{k-1}^{+})---(4-4)$

$Q_k=(1-d_{k-1})Q_{k-1}+d_{k-1}(L_k{\mathrm{\α}}_k{\mathrm{\α}}_k^T{L}_k^T+P_k-{\hat{A}}_{k-1}{P}_{k-1}{\hat{A}}_{k-1}^T)---(4-5)$

${\hat{v}}_k=(1-d_{k-1}){\hat{v}}_{k-1}+d_{k-1}({\mathrm{\α}}_k-{\hat{C}}_{k-1}{\hat{x}}_{k-1}^{+})---(4-6)$

$R_k=(1-d_{k-1})R_{k-1}+d_{k-1}({\mathrm{\α}}_k{\mathrm{\α}}_k^T-{\hat{C}}_{k-1}{\hat{P}}_{k-1}{\hat{C}}_{k-1}^T)---(4-7)$

${\mathrm{\α}}_k=y_k-{\hat{C}}_{k-1}{\hat{x}}_{k-1}^{+}---(4-8)$

其中，b为遗忘因子，0＜b＜1，一般b取值为0.95,α^k新信息，其他符号与UKF滤波框架中的意义相同；

从式4-3到4-8看出，Sage-Husa算法利用观测值的残差得到新的信息，根据新的信息对状态噪声w^k和测量噪声v^k进行不断的修正，进而得到噪声的无偏估计；

⑶将Sage-Husa算法与UKF算法进行有效的融合，根据UKF估算锂电池的算法流程，只需将UKF公式中的Q_k和R_k进行修改，修改后公式如下：

${\hat{q}}_k=(1-d_{k-1}){\hat{q}}_{k-1}+d_{k-1}({\hat{x}}_{k-1}^{+}-\underset{i=0}{\overset{2L}{\mathrm{\Σ}}}{w}_i{\mathrm{\χ}}_{i,k|k-1})---(4-9)$

$\begin{array}{c}{Q}_k=(1-d_{k-1})Q_{k-1}+d_{k-1}\{(L_k{\mathrm{\α}}_k{\mathrm{\α}}_k^T{L}_k^T+P_k-\\ \underset{i=0}{\overset{2L}{\mathrm{\Σ}}}{w}_i({\mathrm{\χ}}_{i,k|k-1}-{\hat{x}}_{k|k-1}){({\mathrm{\χ}}_{i,k|k-1}-{\hat{x}}_{k|k-1})}^T\left)\right\}\end{array}---(4-10)$

${\hat{v}}_k=(1-d_{k-1}){\hat{v}}_{k-1}+d_{k-1}({\mathrm{\α}}_k-{\hat{C}}_{k-1}\underset{i=0}{\overset{2L}{\mathrm{\Σ}}}{w}_i{\mathrm{\χ}}_{i,k|k-1})---(4-11)$

$R_k=(1-d_{k-1})R_{k-1}+d_{k-1}({\mathrm{\α}}_k{\mathrm{\α}}_k^T-{\hat{C}}_{k-1}{\hat{P}}_{k-1}{\hat{C}}_{k-1}^T)---(4-12)$

由式4-9到式4-12可得AUKF的估算模型，其就是将UT变换后的sigma点带入到Sage-Huas算法中得到噪声的后验估计，用时变的噪声代替UKF固定的噪声模型。

本发明各实施例的基于AUKF算法的SOC估算方法，由于包括:⑴选择带有噪声状态估计器的Sage-Husa自适应算法；⑵Sage-Husa的算法流程，根据新的信息对状态噪声w^k和测量噪声v^k进行不断的修正；⑶将Sage-Husa算法与UKF算法进行有效的融合。；从而可以克服现有技术中使用寿命短、安全性差和可靠性低的缺陷，以实现使用寿命长、安全性好和可靠性高的优点。

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。

下面通过实施例，对本发明的技术方案做进一步的详细描述。

具体实施方式

以下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，提供了一种基于AUKF算法的SOC估算方法。

在本发明的技术方案中，基于AUKF算法的SOC估算：

4.2.1AUKF算法介绍

针对传统Kalman滤波算法存在的问题，许多学者提出了将自适应控制的思想融合到UKF算法之中，利用自适应算法能够实时测量本身的参数并将其与期望值数据比较，不断修改参数值的特性，将其应用到UKF估算之中，对噪声进行实时预测和修正，从而提高SOC的估算精度。AUKF算法在UKF算法的基础之上，对噪声模型进行自适应参数调整，也就是对噪声进行后验估计，而不是像UKF那样使用先验噪声。AUKF结合了自适应控制和UKF算法的优点，在UKF进行非线性传递的同时，利用自适应控制对未知噪声或变化的噪声进行估计，最终使得UKF算法能够提高对噪声变化的自适应能力，进而提高UKF滤波的稳定性和收敛性。

在上一章已经系统介绍过UKF的算法流程，由于AUKF只是对噪声的处理上有所变化，最终还是基于传统的Kalman滤波框架，在本节主要噪声的自适应调整方法。

自适应算法经过多年的研究已经形成了很多行之有效的方法，本发明的技术方案选择带有噪声状态估计器的Sage-Husa自适应算法，其过程如下：

针对系统的状态空间描述：

x_k+1＝f(x_k,u_k)+w_k   (4-1)

y_k＝g(x_k,u_k)+v_k   (4-2)

Sage-Husa的算法流程如下：

$d_{k-1}=\frac{1-b}{1-b^k}---(4-3)$

${\hat{w}}_k=(1-d_{k-1}){\hat{w}}_{k-1}+d_{k-1}({\hat{x}}_k^{-}-{\hat{A}}_{k-1}{\hat{x}}_{k-1}^{+})---(4-4)$

$Q_k=(1-d_{k-1})Q_{k-1}+d_{k-1}(L_k{\mathrm{\α}}_k{\mathrm{\α}}_k^T{L}_k^T+P_k-{\hat{A}}_{k-1}{P}_{k-1}{\hat{A}}_{k-1}^T)---(4-5)$

${\hat{v}}_k=(1-d_{k-1}){\hat{v}}_{k-1}+d_{k-1}({\mathrm{\α}}_k-{\hat{C}}_{k-1}{\hat{x}}_{k-1}^{+})---(4-6)$

$R_k=(1-d_{k-1})R_{k-1}+d_{k-1}({\mathrm{\α}}_k{\mathrm{\α}}_k^T-{\hat{C}}_{k-1}{\hat{P}}_{k-1}{\hat{C}}_{k-1}^T)---(4-7)$

${\mathrm{\α}}_k=y_k-{\hat{C}}_{k-1}{\hat{x}}_{k-1}^{+}---(4-8)$

其中，b为遗忘因子，0＜b＜1，一般b取值为0.95,α^k新信息，其他符号与UKF滤波框架中的意义相同。

从式4-3到4-8可以看出，Sage-Husa算法利用观测值的残差得到新的信息，根据新的信息对状态噪声w^k和测量噪声v^k进行不断的修正，进而得到噪声的无偏估计。

为了将Sage-Husa算法与UKF算法进行有效的融合，根据UKF估算锂电池的算法流程，只需将UKF公式中的Q_k和R_k进行修改，修改后公式如下：

${\hat{q}}_k=(1-d_{k-1}){\hat{q}}_{k-1}+d_{k-1}({\hat{x}}_{k-1}^{+}-\underset{i=0}{\overset{2L}{\mathrm{\Σ}}}{w}_i{\mathrm{\χ}}_{i,k|k-1})---(4-9)$

$\begin{array}{c}{Q}_k=(1-d_{k-1})Q_{k-1}+d_{k-1}\{(L_k{\mathrm{\α}}_k{\mathrm{\α}}_k^T{L}_k^T+P_k-\\ \underset{i=0}{\overset{2L}{\mathrm{\Σ}}}{w}_i({\mathrm{\χ}}_{i,k|k-1}-{\hat{x}}_{k|k-1}){({\mathrm{\χ}}_{i,k|k-1}-{\hat{x}}_{k|k-1})}^T\left)\right\}\end{array}---(4-10)$

${\hat{v}}_k=(1-d_{k-1}){\hat{v}}_{k-1}+d_{k-1}({\mathrm{\α}}_k-{\hat{C}}_{k-1}\underset{i=0}{\overset{2L}{\mathrm{\Σ}}}{w}_i{\mathrm{\χ}}_{i,k|k-1})---(4-11)$

$R_k=(1-d_{k-1})R_{k-1}+d_{k-1}({\mathrm{\α}}_k{\mathrm{\α}}_k^T-{\hat{C}}_{k-1}{\hat{P}}_{k-1}{\hat{C}}_{k-1}^T)---(4-12)$

由式4-9到式4-12可得AUKF的估算模型，其就是将UT变换后的sigma点带入到Sage-Huas算法中得到噪声的后验估计，用时变的噪声代替UKF固定的噪声模型。

4.2.2基于AUKF的锂电池SOC估算

将AUKF应用到锂电池SOC估算中就是在UKF估算中加入噪声的自适应模块，在电动汽车实际运行中测量噪声可以通过校准来获得较为准确的近似值，并且Q_k和R_k同时估算时，很有可能导致滤波发散，为简便算法的递推过程，AUKF中的噪声估计器只进行Q_k的递推，递推公式4-9和4-10所示。

为验证AUKF算法的精确度和有效性，在Matlab/Simulink中，以锂电池组为例，设计放电试验，将锂电池组UKF模块中加入自适应噪声估计器得到的AUKF算法模块。

Kalman滤波算法大体可以分为传统的Kalman滤波算法和改进的Kalman滤波算法。传统的Kalman滤波算法分为标准Kalman滤波和扩展Kalman滤波，这是很长一段时间内，学术界大多研究学者普遍认可的分类方法，但笔者认为，随着状态估计的不断深入，Kalman滤波家族的成员也不断增多，无迹卡尔曼滤波算法也应该归类到传统的Kalman滤波算法行列之中。本发明的技术方案在建立锂电池模型的基础上设计EKF和UKF算法，运用Kalman滤波算法可以实现状态的最优估计，并且不用存储大量数据的优点，将其应用到SOC估算中，为Kalman滤波算法的改进算法的引入打下基础。

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。

Claims (1)

1.一种基于AUKF算法的SOC估算方法，其特征在于，包括：

⑴选择带有噪声状态估计器的Sage-Husa自适应算法，其过程如下：

针对系统的状态空间描述：

x_k+1＝f(x_k,u_k)+w_k            (4-1)

y_k＝g(x_k,u_k)+v_k          (4-2)

⑵Sage-Husa的算法流程如下：

$d_{k-1}=\frac{1-b}{1-b^k}---(4-3)$

${\hat{w}}_k=(1-d_{k-1}){\hat{w}}_{k-1}+d_{k-1}({\hat{x}}_k^{-}-{\hat{A}}_{k-1}{\hat{x}}_{k-1}^{+})---(4-4)$

$Q_k=(1-d_{k-1})Q_{k-1}+d_{k-1}(L_k{\mathrm{\α}}_k{\mathrm{\α}}_k^T{L}_k^T+P_k-{\hat{A}}_{k-1}{P}_{k-1}{\hat{A}}_{k-1}^T)---(4-5)$

${\hat{v}}_k=(1-d_{k-1}){\hat{v}}_{k-1}+d_{k-1}({\mathrm{\α}}_k-{\hat{C}}_{k-1}{\hat{x}}_{k-1}^{+})---(4-6)$

$R_k=(1-d_{k-1})R_{k-1}+d_{k-1}({\mathrm{\α}}_k{\mathrm{\α}}_k^T-{\hat{C}}_{k-1}{\hat{P}}_{k-1}{\hat{C}}_{k-1}^T)---(4-7)$

${\mathrm{\α}}_k=y_k-{\hat{C}}_{k-1}{\hat{x}}_{k-1}^{+}---(4-8)$

其中，b为遗忘因子，0＜b＜1，一般b取值为0.95,α^k新信息，其他符号与UKF滤波框架中的意义相同；

从式4-3到4-8看出，Sage-Husa算法利用观测值的残差得到新的信息，根据新的信息对状态噪声w^k和测量噪声v^k进行不断的修正，进而得到噪声的无偏估计；

⑶将Sage-Husa算法与UKF算法进行有效的融合，根据UKF估算锂电池的算法流程，只需将UKF公式中的Q_k和R_k进行修改，修改后公式如下：

${\hat{q}}_k=(1-d_{k-1}){\hat{q}}_{k-1}+d_{k-1}({\hat{x}}_{k-1}^{+}-\underset{i=0}{\overset{2L}{\mathrm{\Σ}}}{w}_i{\mathrm{\χ}}_{i,k|k-1})---(4-9)$

$\begin{array}{c}{Q}_k=(1-d_{k-1})Q_{k-1}+d_{k-1}\{(L_k{\mathrm{\α}}_k{\mathrm{\α}}_k^T{L}_k^T+P_k-\\ \underset{i=0}{\overset{2L}{\mathrm{\Σ}}}{w}_i({\mathrm{\χ}}_{i,k|k-1}-{\hat{x}}_{k|k-1}){({\mathrm{\χ}}_{i,k|k-1}-{\hat{x}}_{k|k-1})}^T\left)\right\}\end{array}---(4-10)$

${\hat{v}}_k=(1-d_{k-1}){\hat{v}}_{k-1}+d_{k-1}({\mathrm{\α}}_k-{\hat{C}}_{k-1}\underset{i=0}{\overset{2L}{\mathrm{\Σ}}}{w}_i{\mathrm{\χ}}_{i,k|k-1})---(4-11)$

$R_k=(1-d_{k-1})R_{k-1}+d_{k-1}({\mathrm{\α}}_k{\mathrm{\α}}_k^T-{\hat{C}}_{k-1}{\hat{P}}_{k-1}{\hat{C}}_{k-1}^T)---(4-12)$

由式4-9到式4-12可得AUKF的估算模型，其就是将UT变换后的sigma点带入到Sage-Huas算法中得到噪声的后验估计，用时变的噪声代替UKF固定的噪声模型。