CN104535934A - 在线前馈补偿的动力电池电荷状态估计方法与系统 - Google Patents

Abstract

本发明一种在线前馈补偿的动力电池电荷状态估计方法与系统，本方法步骤为：Ⅰ、建立动力电池模型及电压电流采样、参数辨识；Ⅱ、用自适应卡尔曼滤波的参数辨识；Ⅲ、OCV-SOC关系的神经网络建模，由开路电压OCV得到电荷状态估计值NNSOC；Ⅳ、根据前一时刻电流求当前时刻的电荷状态估计值BSOC_k，此值与NNSOC加权求和得前馈补偿的电荷状态估计值。本系统的动力电池所接电压电流传感器连接嵌入式微控制器，微控制器含有自适应卡尔曼滤波的参数辨识模块、OCV-SOC神经网络SOC估计模块以及前馈补偿模块。本发明结构简单，不受SOC初始值影响，辨识与估计速度加快，在线前馈补偿提高了SOC估计精度。

Description

在线前馈补偿的动力电池电荷状态估计方法与系统

技术领域

本发明涉及电动汽车动力电池电荷状态估计技术领域，具体为一种在线前馈补偿的动力电池电荷状态估计方法与系统。

背景技术

电动汽车与传统燃料汽车相比，具有无污染、高效率、舒适的行车环境等优点。动力电池，如锂电池，被广泛用作电动汽车的能源，是因为此类电池具有高效率、高充放电率、低自放电和无记忆效应等优点。

电荷状态(State of Charge，SOC)是动力电池管理系统(batterymanagement system,BMS)中的重要参数。由于电池内部电化学过程不能直接通过传感器测量得到，所以只能依据电池模型，运用相应的算法估计得到。通常采用可测量的电流和电压参数进行电荷状态估计。

目前SOC估计方法主要可以分为定义估计和间接估计。定义估计方法主要是安时法，其存在累积误差的问题。间接估计的方法是使用SOC和电池参数的内部关系，主要有开路电压(Open Circuit Volatge)OCV法、基于状态空间电池模型的状态估计法、递推卡尔曼滤波法、扩展卡尔曼滤波及无迹卡尔曼滤波等。随着电池能量消耗一般情况下随OCV以一定确定的关系下降，因此OCV被广泛用于SOC估计。但是测定开路电压OCV需电池长时间静置，很难在线使用。利用从OCV估计SOC，便于对动力电池在长时间充放电过程中表现出的迟滞特性，进行细化描述。同时OCV与SOC关系，不随时间和温度而明显变化，体现出良好一致性。也就是说，从OCV估计SOC，不受电池制造工艺不一致性的影响。

目前从OCV估计SOC方法是以一阶RC网络等效回路电池模型在频域变换整理后的电池模型为基础，采用自适应卡尔曼滤波在线辨识模型参数，得到开路电压。依据神经网络建立OCV-SOC模型，通过神经网络辨识得到SOC。

但现有的基于OCV的SOC估计方法精度不足，难以实用，因此研究OCV法的SOC估计仍为当前热点。

发明内容

本发明的目的是设计一种在线前馈补偿的动力电池电荷状态估计方法，采用自适应卡尔曼滤波在线辨识电池模型的参数，得到开路电压OCV，依据神经网络建立OCV和SOC模型，并引入基于检测电流的前馈补偿，对神经网络辨识得到的SOC进行在线前馈补偿，有效提高SOC估计精度。

本发明的另一目的是设计一种在线前馈补偿的动力电池电荷状态估计系统，为嵌入式系统，与动力电池一起，嵌入到使用的动力电池的装备中，对动力电池电荷状态实时估计并显示。

本发明设计的在线前馈补偿的动力电池电荷状态估计方法，包括以下步骤：

步骤Ⅰ、建立动力电池模型及电压电流采样、参数辨识

本发明的动力电池模型为：采用常用的一阶RC等效回路电池模型描述电量传输效应和动态电压性能，等效极化电阻R₁与等效极化电容C₁并联构成一阶RC网络，串接等效欧姆电阻R₀和Uoc，Uoc为电池的开路电压OCV，电池放电过程负载电流为正，电池充电过程负载电流为负。

一阶RC等效回路动力电池模型在频域下,动力电池模型表示为:

$U\left(s\right)-U_{\mathrm{oc}}\left(s\right)=-I\left(s\right)(R_0+\frac{R_1}{1+s{R}_1{C}_1})---\left(1\right)$

定义E(s)＝U(s)-U_oc(s)，公式(1)的传递函数G(s)写成公式(2)：

$G\left(s\right)=\frac{E\left(s\right)}{I\left(s\right)}=-R_0-\frac{R_1}{1+s{R}_1{C}_1}=\frac{-R_0+R_1+s{R}_0{R}_1{C}_1}{1+s{R}_1{C}_1}---\left(2\right)$

用双线性变换方法得到:

$s=\frac{2(1-z^{-1})}{T(1+z^{-1})}---\left(3\right)$

对公式(2)离散化，得到a₁，a₂，a₃：

令 $a_1=-\frac{T-2R_1{C}_1}{T+2R_1{C}_1},a_2=-\frac{R_{0}T+R_{1}T+2R_0{R}_1{C}_1}{T+2R_1{C}_1},a_3=-\frac{R_{0}T+R_{1}T-2R_0{R}_1{C}_1}{T+2R_1{C}_1},$

采样周期T＝1秒，z是离散z变换算子；s是拉普拉斯变换算子。

对应模型中R₀、R₁、C₁为：

$R_0=\frac{a_3-a_2}{1+a_1}---\left(4\right)$

$R_1=\frac{2(a_3+a_1{a}_2)}{{a_1}^2-1}---\left(5\right)$

$C_1=\frac{-{(a_1+1)}^2}{4(a_3+a_1{a}_2)}---\left(6\right)$

即,公式(1)离散化后得：

E(k)＝a₁E(k-1)+a₂I(k)+a₃I(k-1)   (7)

△Uoc(k)＝Uoc(k)-Uoc(k-1)≈0   (8)

其中，k是当前时刻，k-1对应前一时刻，k时刻得到电压采样值U(k)和负载电流采样值I(k)。

方程(7)改写为：

U(k)＝(1-a₁)Uoc(k)+a₁U(k-1)+a₂I(k)+a₃I(k-1)   (9)

定义

θ(k)＝[(1-a₁)Uoc(k) a₁ a₂ a₃]^T，

y_k＝U(k)，

则,

步骤Ⅱ、自适应卡尔曼滤波的参数辨识

直接对公式(10)使用自适应卡尔曼滤波算法，对模型参数θ＝[(1-a₁)Uoc a₁ a₂ a₃]^T进行辨识。其中开路电压Uoc变化较慢，以参数的方式进行辨识。

自适应卡尔曼滤波算法辨识参数过程如下：

θ_k|k-1＝θ_k-1|k-1   (11)

Y_k＝H_kθ_k|k-1   (12)

P_k|k-1＝P_k-1|k-1+Q_k-1   (13)

K_k＝P_k|k-1H^T _k(H_kP_k|k-1H_k ^T+R_k)^-1   (14)

H_k＝[1 U(k-1) I(k) I(k-1)]   (15)

θ_k|k＝θ_k|k-1+K_k(Y_m|k-Y_k)   (16)

P_k|k＝(I-K_kH_k)P_k|k-1   (17)

更新噪声协方差

${\tilde{Y}}_k=H_k{\mathrm{\θ}}_{k|k}---\left(18\right)$

$u_k=Y_{m|k}-{\tilde{Y}}_k---\left(19\right)$

$F_k\≈\frac{{\mathrm{\Σ}}_{n=k-L+1}^k{u}_n{u_n}^T}{L}---\left(20\right)$

R_k＝F_k+H_kP_k|kH_k ^T   (21)

Q_k＝K_kF_kK_k ^T   (22)

由辨识出a₁，a₂，a₃，得

$R_0=\frac{a_3-a_2}{1+a_1},R_1=\frac{2(a_3+a_1{a}_2)}{{a_1}^2-1},C_1=\frac{-{(a_1+1)}^2}{4(a_3+a_1{a}_2)},$

$\mathrm{Uoc}=\frac{\mathrm{\θ}\left(\mathrm{1,1}\right)}{(1-a_1)};$

其中,θ_k|k-1表示在前一时刻(即(k-1)时刻)状态下预测的当前k时刻的模型参数θ；θ_k-1|k-1表示在(k-1)时刻状态下预测的(k-1)时刻的模型参数θ；θ_k|k表示在k时刻状态下预测的当前k时刻的模型参数θ。

Y_k是k时刻的端电压，H_k是由k-1时刻端电压U(k-1)、k时刻的电流I(k)和k-1时刻的电流I(k-1)组成的参数向量，P_k|k-1是在前一时刻((k-1)时刻)状态下，对预测的当前k时刻的参数估计误差方差阵，Q_k是k时刻过程噪声方差阵，K_k是k时刻的滤波增益，R_k是k时刻量测噪声方差阵，Y_m|k是k时刻电池端电压的真实值，是k时刻更新后的端电压预测值，u_k是端电压真实值与k时刻更新后的端电压预测值的差值，F_k是每L个时刻对应差值的平均值。

步骤Ⅲ、OCV-SOC关系的神经网络建模

神经网络(BP网络)是一种多层前向网络。由于OCV-SOC关系的曲线形状与BP网络神经元的S型激励函数相似。所以，选择BP网络描述开路电压OCV到SOC的映射关系，以加快神经网络的学习速度。

含M节点隐层的BP网络结构包括输入层i，隐层j和输出层k。

OCV为神经网络输入，即

x_j＝OCV   (23)

隐层神经元的输出x'_j为

${x^{\′}}_j=f\left(x_j\right)=\frac{1}{1+e^{{-x}_j}}---\left(24\right)$

输出层神经元的输出为

$\mathrm{NNSOC}=\underset{j}{\overset{M}{\mathrm{\Σ}}}{W}_{\mathrm{jk}}{x^{\′}}_j---\left(25\right)$

采用最速下降法，对BP神经网络学习，建立OCV-SOC映射关系。其中，OCV由步骤Ⅱ得到，SOC是通过高精度电池回路电流的SOC定义的传统实验方法得到。用OCV-SOC映射关系、由开路电压OCV得到的电荷状态SOC估计值，表示为NNSOC。

步骤Ⅳ、电荷状态(SOC)估计值的前馈补偿

通过神经网络辨识，得到电荷状态的估计值，由于缺乏对OCV-SOC特性的反馈补偿，电荷状态SOC估计误差仍较大，为了进一步提高精度，该发明引入前馈补偿，对步骤Ⅲ神经网络辨识得到的电荷状态估计值进行在线前馈补偿，根据步骤Ⅰ中的电流I(k-1)，求当前k时刻的电荷状态估计值BSOC_k，故称之为电流前馈补偿，用于对NNSOC的k时刻的前馈补偿。

${\mathrm{BSOC}}_k={\mathrm{BSOC}}_{k-1}-\frac{{\mathrm{\η}}_{k-1}\mathrm{\Δt}}{C_n}I(k-1)---\left(26\right)$

其中，库伦效率η_k-1＝1，△t＝1，C_n为电池标称容量。

SOC_feekback,k＝α*NNSOC_k+β*BSOC_k   (27)

其中，NNSOC_k为k时刻步骤Ⅲ通过神经网络辨识得到的NNSOC，SOC_Feedback,k为k时刻在线前馈补偿后的电荷状态，α,β为加权系数，0＜α＜1，0＜β＜1，且α+β＝1。

本发明设计的在线前馈补偿的动力电池电荷状态估计系统，包括微控制器及其连接的显示器，所述微控制器是嵌入式微控制器，动力电池输出端接有电压传感器和电流传感器。嵌入微控制器含有自适应卡尔曼滤波的动力电池模型参数辨识模块、基于OCV与SOC神经网络模型的SOC估计模块以及SOC前馈补偿模块。电压传感器和电流传感器经模数转换模块连接嵌入微控制器，嵌入微控制器连接CAN(控制器局域网络Controller Area Network)接口，与使用动力电池的设备的CAN网络连接。本系统与动力电池一起，嵌入在使用动力电池的设备中，对动力电池电荷状态实时估计并显示。

与现有技术相比，本发明在线前馈补偿的动力电池电荷状态估计方法与系统的优点为：1、本发明对一阶RC网络等效回路电池模型在频域变换，得到的电池模型只与可测量电流和电压参数有关，且该模型是静态，与电池模型内部RC电路两端电压历史数据无关，结构简单，与基于状态方程的SOC状态估计相比，不存在考虑初始值问题，可加快辨识与估计速度；2、采用了自适应卡尔曼滤波算法进行辨识，得到OCV，减小噪声对OCV辨识精度的影响；3、通过神经网络辨识，由OCV得到NNSOC,有利于进一步考虑OCV-SOC复杂非光滑迟滞特性；如果把OCV-SOC复杂关系引入状态方程，在使用扩展卡尔曼滤波进行估计时，需要计算雅各比矩阵，且要求状态函数和量测函数必须是连续可微，OCV-SOC复杂非光滑迟滞的不可微问题无法回避，但本方法通过OCV-SOC及建模查表方式有效地避免了此类问题；4、对神经网络辨识得到的SOC进行基于电流的在线前馈补偿，进一步提高了SOC估计精度。

附图说明

图1为本在线前馈补偿的动力电池电荷状态估计方法实施例的流程图；

图2为本在线前馈补偿的动力电池电荷状态估计方法实施例的一阶RC网络等效回路电池模型；

图3为本在线前馈补偿的动力电池电荷状态估计方法实施例的BP神经网络结构示意图；

图4为本在线前馈补偿的动力电池电荷状态估计系统实施例的结构框图；

图5为实验所得SOC、神经网络辨识所得NNSOC_k以及前馈补偿后所得的SOC_Feedback,k的曲线图；

图6为神经网络辨识所得NNSOC_k和前馈补偿后所得的SOC_Feedback,k的估计误差曲线图。

具体实施方式

本在线前馈补偿的动力电池电荷状态估计方法实施例，其流程图如图1所示，包括如下步骤：

步骤Ⅰ、建立动力电池模型及电压电流采样、参数辨识

本例动力电池模型如图2所示，等效极化电阻R₁与等效极化电容C₁并联构成一阶RC网络，串接等效欧姆电阻R₀和Uoc，Uoc为电池的开路电压OCV，电池放电过程负载电流I为正，充电过程负载电流I为负。

动力电池的模型表示为：

$U\left(s\right)-U_{\mathrm{oc}}\left(s\right)=-I\left(s\right)(R_0+\frac{R_1}{1+s{R}_1{C}_1})$

离散化后得到

E(k)＝a₁E(k-1)+a₂I(k)+a₃I(k-1)

△Uoc(k)＝Uoc(k)-Uoc(k-1)≈0

U(k)＝(1-a₁)Uoc(k)+a₁U(k-1)+a₂I(k)+a₃I(k-1)

定义θ(k)＝[(1-a₁)Uoc(k) a₁ a₂ a₃]^T和y_k＝U(k)，其中，k时刻得到电压采样值U(k)和负载电流采样值I(k)。

则：

步骤Ⅱ、自适应卡尔曼滤波的参数辨识

直接对步骤I所得的使用自适应卡尔曼滤波算法，对模型参数θ＝[(1-a₁)Uoc a₁ a₂ a₃]^T进行辨识，得到开路电压Uoc，即OCV。

由辨识出a₁，a₂，a₃，得对应电池模型参数为：

$R_0=\frac{a_3-a_2}{1+a_1},R_1=\frac{2(a_3+a_1{a}_2)}{{a_1}^2-1},C_1=\frac{-{(a_1+1)}^2}{4(a_3+a_1{a}_2)},$

$\mathrm{Uoc}=\frac{\mathrm{\θ}\left(\mathrm{1,1}\right)}{(1-a_1)};$

步骤Ⅲ、OCV-SOC关系的神经网络建模

选择BP神经网络描述开路电压OCV到SOC的映射关系，含M节点隐层的BP网络结构如图3所示，图3中i为输入层，j为隐层，k为输出层，本例i＝1；k＝1。

OCV为神经网络输入为x_j＝OCV，

隐层神经元的输出为 ${x^{\′}}_j=f\left(x_j\right)=\frac{1}{1+e^{{-x}_j}},$

输出层神经元的输出为 $\mathrm{NNSOC}=\underset{j}{\overset{M}{\mathrm{\Σ}}}{W}_{\mathrm{jk}}{x^{\′}}_j.$

采用最速下降法，对BP神经网络学习，建立OCV-SOC映射关系。提供由开路电压OCV得到电荷状态SOC估计值，记为NNSOC。

步骤Ⅳ、电荷状态SOC估计值的前馈补偿

求k时刻的前馈补偿表示为BSOC_k，用于对步骤Ⅲ神经网络辨识得到的NNSOC的前馈补偿。

${\mathrm{BSOC}}_k={\mathrm{BSOC}}_{k-1}-\frac{{\mathrm{\η}}_{k-1}\mathrm{\Δt}}{C_n}I(k-1)$

其中，库伦效率η_k-1＝1，△t＝1，C_n为电池标称容量。

在线前馈补偿的电荷状态SOC_Feedback,k由下式求得

SOC_feekback,k＝α*NNSOC_k+β*BSOC_k

其中，NNSOC_k为通过神经网络辨识得到的电荷状态SOC估计值，本例α＝0.6，β＝0.4。

在线前馈补偿的动力电池电荷状态估计系统实施例

本在线前馈补偿的动力电池电荷状态估计系统实施例，包括嵌入式微控制器及其连接的显示器，动力电池输出端接有电压传感器和电流传感器。嵌入微控制器含有自适应卡尔曼滤波的动力电池模型参数辨识模块、基于OCV与SOC神经网络模型的SOC估计模块以及SOC前馈补偿模块。电压传感器和电流传感器经模数转换模块连接嵌入微控制器，嵌入微控制器的CAN接口与使用的动力电池的设备的CAN网络连接。本系统与动力电池一起，嵌入在使用动力电池的设备中。

采用本在线前馈补偿的动力电池电荷状态估计系统实施例按本在线前馈补偿的动力电池电荷状态估计方法，对锂电池进行电荷状态估计，本例锂电池额定电压24V，额定电量20A。

所得SOC的估计结果如图5所示，其中，纵坐标为SOC值，横坐标为时间、单位为秒(s)，图中虚线为传统实验方法所得SOC值的曲线，点划线为本方法上述步骤Ⅲ根据OCV-SOC神经网络辨识所得NNSOC_k值曲线，实线为本方法步骤Ⅳ前馈补偿后的SOC_Feedback,k值曲线。实线(前馈补偿后的SOC_Feedback,k值)始终是比点划线(神经网络辨识所得NNSOC_k值)更接近虚线(传统实验所得SOC值)。

以传统实验方法所得SOC值为动力电池实际值，可计算步骤Ⅲ的NNSOC_k值与步骤Ⅳ的SOC_Feedback,k值的估计误差。二者的估计误差曲线如图6所示，图6中横坐标为时间、单位为秒(s)，纵坐标为SOC估计误差百分值，图中虚线为无前馈补偿的NNSOC_k估计误差，实线为前馈补偿后的SOC_Feedback,k估计误差。可明显看到本发明方法的前馈补偿大大减少了SOC的估计误差。

上述实施例，仅为对本发明的目的、技术方案和有益效果进一步详细说明的具体个例，本发明并非限定于此。凡在本发明的公开的范围之内所做的任何修改、等同替换、改进等，均包含在本发明的保护范围之内。

Claims (4)

1.在线前馈补偿的动力电池电荷状态估计方法，包括如下步骤：

步骤Ⅰ、建立动力电池模型及电压电流采样、参数辨识

动力电池模型为：等效极化电阻R₁与等效极化电容C₁并联构成一阶RC网络，串接等效欧姆电阻R₀和Uoc，Uoc为电池的开路电压OCV，电池放电过程负载电流I为正，电池充电过程负载电流I为负，

动力电池的模型表示为：

$U\left(s\right)-U_{\mathrm{oc}}\left(s\right)=-I\left(s\right)(R_0+\frac{R_1}{1+R_1{C}_{1}s})$

离散化后得到

E(k)＝a₁E(k-1)+a₂I(k)+a₃I(k-1)

△Uoc(k)＝Uoc(k)-Uoc(k-1)≈0

U(k)＝(1-a₁)Uoc(k)+a₁U(k-1)+a₂I(k)+a₃I(k-1)

定义θ(k)＝[(1-a₁)Uoc(k) a₁ a₂ a₃]^T和y_k＝U(k)，其中，k时刻得到电压采样值U(k)和负载电流采样值I(k)；

则：

步骤Ⅱ、自适应卡尔曼滤波的参数辨识

直接对步骤I所得的使用自适应卡尔曼滤波算法，对模型参数θ＝[(1-a₁)Uoc a₁ a₂ a₃]^T进行辨识，得到开路电压Uoc，即OCV；

由辨识出a₁，a₂，a₃，得对应电池模型参数为：

$R_0=\frac{a_3-a_2}{1+a_1},R_1=\frac{2(a_3+a_1{a}_2)}{{a_1}^2-1},C_1=\frac{{-(a_1+1)}^2}{4(a_3+a_1{a}_2)},$

$\mathrm{Uoc}=\frac{\mathrm{\θ}\left(\mathrm{1,1}\right)}{(1-a_1)};$

步骤Ⅲ、OCV-SOC关系的神经网络建模

选择BP神经网络描述开路电压OCV到电荷状态SOC的映射关系，含M节点隐层的BP网络结构中i为输入层，j为隐层，k为输出层；

OCV为神经网络输入为x_j＝OCV，

隐层神经元的输出为 ${x^{\′}}_j=f\left(x_j\right)=\frac{1}{1+e^{-x_j}},$

输出层神经元的输出为 $\mathrm{NNSOC}=\underset{j}{\overset{M}{\mathrm{\Σ}}}{W}_{\mathrm{jk}}{x^{\′}}_j;$

采用最速下降法，对BP神经网络学习，建立OCV-SOC映射关系，其中，OCV由步骤Ⅱ得到，SOC通过高精度电池回路电流的SOC定义的传统实验方法得到；用OCV-SOC映射关系、由开路电压OCV得到电荷状态SOC估计值，表示为NNSOC；

步骤Ⅳ、电荷状态估计值的前馈补偿

求k时刻的前馈补偿为BSOC_k，用于对步骤Ⅲ神经网络辨识得到的NNSOC的前馈补偿；

${\mathrm{BSOC}}_k={\mathrm{BSOC}}_{k-1}-\frac{{\mathrm{\η}}_{k-1}\mathrm{\Δt}}{C_n}I(k-1)$

其中，库伦效率η_k-1＝1，△t＝1，C_n为电池标称容量；

在线前馈补偿的电荷状态SOC_Feedback,k由下式求得

SOC_feekback,k＝α*NNSOC_k+β*BSOC_k

其中，NNSOC_k为通过神经网络辨识得到的电荷状态估计值，α、β为加权系数。

2.根据权利要求1所述的在线前馈补偿的动力电池电荷状态估计方法，其特征在于：

所述步骤Ⅳ中加权系数0＜α＜1，0＜β＜1，且α+β＝1。

3.根据权利要求1或2所述的在线前馈补偿的动力电池电荷状态估计方法建立的在线前馈补偿的动力电池电荷状态估计系统，其特征在于：

包括嵌入式微控制器及其连接的显示器，动力电池输出端接有电压传感器和电流传感器；嵌入微控制器含有自适应卡尔曼滤波的动力电池模型参数辨识模块、SOC与OCV的神经网络模型的SOC估计模块以及SOC前馈补偿模块；电压传感器和电流传感器经模数转换模块连接嵌入微控制器，嵌入微控制器的CAN接口与使用动力电池设备的CAN网络连接。

4.根据权利要求3所述的在线前馈补偿的动力电池电荷状态估计系统，其特征在于：

所述在线前馈补偿的动力电池电荷状态估计系统与动力电池一起，嵌入在使用动力电池的设备中。