CN105044606A - 一种基于参数自适应电池模型的soc估计方法 - Google Patents

Abstract

本发明公开了一种基于参数自适应电池模型的SOC估计方法，包含自适应参数观测器、滑动平均滤波器、动态电池模型和扩展卡尔曼滤波SOC观测器。自适应参数观测器采集负载作用下电池端电压和电流，在线估计电池模型参数，滑动平均滤波器对估计参数滤波降噪后更新电池模型，然后基于动态电池模型构建卡尔曼滤波SOC观测器，用于估计电池SOC。该方法不需进行离线参数辨识，简单便捷，同时解决了参数变化导致的电池模型准确性下降问题，适应性强，能够保证了整个电池寿命周期内SOC估计的准确性。

Description

一种基于参数自适应电池模型的SOC估计方法

技术领域：

本发明属于电池参数在线辨识与电池荷电状态(SOC)估计技术领域，具体涉及一种基于参数自适应电池模型的SOC估计方法。

背景技术：

近年来，随着能源与环境问题不断加剧，清洁能源电动汽车在国内外飞速发展。电池作为电动汽车动力源，直接关系这电动汽车安全性、动力性、经济性。然而，现有动力电池能量密度、功率密度偏低，限制了电动汽车动力特性和续航里程，成为高性能电动汽车发展的主要瓶颈。

针对电池本体的研究涉及材料、化学等多个学科，短时间内动力电池产品很难有质的突破。因而通过电池管理系统(BMS)控制策略减少电池损耗、提高使用效率、降低使用成本、充分发挥电池性能，成为当下电动汽车研究的热点。作为电池的关键参数，SOC是BMS控制策略的基础，准确的电池SOC估计不仅能保证电池性能的充分发挥，也能防止电池因过充和过放造成的不可逆损耗。在众多SOC估计方法中，基于模型的方法是主流思路和发展方向。

然而，电池模型的准确度直接影响SOC估计精度。目前电动汽车BMS一般采用静态等效电路模型，通过(混合脉冲功率特性)HPPC测试离线辨识电池参数，受制于固定的电池模型结构和参数，静态电池模型难以反映工作电流、SOC、健康状态(SOH)、温度、自放电等对电池内部特性的影响，适应性较差。尽管滑模、卡尔曼滤波等算法能够通过反馈补偿一定模型系统误差，但并不能从根源消除由此带来的SOC估计误差。

综上所述，基于模型的电池SOC估计方法简单便捷，但准确性依赖于电池模型的精度，现有SOC估计方法并未建立起完整的动态电池模型，无法避免电池参数变化带来的模型系统误差，因而基于动态电池模型的SOC估计方法亟待提出。

发明内容：

本发明的目的在于，提供一种基于参数自适应电池模型的SOC估计方法，用于在线估计电池参数，动态消除模型系统误差，提高SOC估计的便利性和准确性。

为达到上述目的，本发明采用如下的技术方案予以实现：

一种基于参数自适应电池模型的SOC估计方法，包括如下步骤：

步骤1：建立静态电池等效电路模型；

步骤2：分别通过电压传感器和电流传感器实时采集工况下动力电池端电压和电流值；

步骤3：将步骤2采集的动力电池端电压和电流值作为信号，输入自适应参数观测器，实时估计电池内部参数；

步骤4：将步骤3估计所得的电池内部参数值输入滤波器，对估计参数进行滤波降噪处理；

步骤5：利用步骤4滤波降噪后的电池参数动态更新电池模型，建立自适应电池模型；

步骤6：利用步骤5建立的自适应电池模型建立卡尔曼滤波SOC观测器，并将步骤2采集的电池端电压和电流值作为信号输入，实时估计电池SOC。

本发明进一步的改进在于：所述电池为锂离子电池、镍氢电池、镍镉电池或铅酸电池，其中，锂离子电池包括液态锂离子电池和聚合物锂离子电池。

本发明进一步的改进在于：所述电流传感器为霍尔传感器、分流器或电磁式电流互感器。

本发明进一步的改进在于：所述电压传感器为电阻分压器、电容分压器、电磁式电压互感器、电容式电压互感器或霍尔电压传感器。

相对于现有技术，本发明具有如下的优点：

本发明充分考虑实际环境影响下电池内部特性的变化，针对电动汽车动力电池建立完整的动态电池模型，通过独立的参数观测器在线估计电池参数，同时引入卡尔曼滤波算法，结合参数自适应电池模型，建立动态卡尔曼滤波SOC观测器，降低了电池模型系统误差，抑制了噪声，能够快速准确的估计电池荷电状态。

附图说明：

图1是基于参数自适应电池模型的SOC估计原理图；

图2是E₀-SOC关系曲线图；

图3是一阶RC等效电路模型图；

图4是本发明实施例中自适应电池模型在UDDS电流下端电压对比图；

图5是本发明实施例中电池SOC估计曲线图及SOC误差曲线图；其中，图5(a)为电池SOC估计曲线图，图5(b)为SOC误差曲线图。

具体实施方式：

下面结合附图和实施例对本发明做进一步详细说明。

如图1所示，本发明一种基于参数自适应电池模型的SOC估计方法，包括以下步骤：

步骤1：建立静态电池等效电路模型；

步骤2：分别通过电压传感器和电流传感器实时采集工况下动力电池端电压和电流值；

步骤3：将步骤2采集的动力电池端电压和电流值作为信号，输入自适应参数观测器，实时估计电池内部参数；

步骤4：将步骤3估计的电池内部参数值输入滤波器，对估计参数进行滤波降噪处理；

步骤5：利用步骤4滤波降噪后的电池参数动态更新电池模型，建立自适应电池模型；

步骤6：利用步骤5建立的动态电池模型建立卡尔曼滤波SOC观测器，并将步骤2采集的电池端电压和电流值作为信号输入，实时估计电池SOC。

其中，所述电池为锂离子电池、镍氢电池、镍镉电池或铅酸电池，其中，锂离子电池包括液态锂离子电池和聚合物锂离子电池。

所述电流传感器为霍尔传感器、分流器或电磁式电流互感器。

所述实时电压传感器为电阻分压器、电容分压器、电磁式电压互感器、电容式电压互感器或霍尔电压传感器。

下面给出一个具体实施例：

需要说明的是，本实施例只是本发明的一种实施方式，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员可以根据本发明作出各种相应的改变和变形，但这些改变和变形均应属于本发明所附的权利要求的保护范围。

本实施例所采用的电池为锂离子电池，开环电压E₀与SOC存在非线性关系，对其分段线性插值可得E₀＝α_n×SOC+β_n，E₀-SOC插值曲线及实际曲线对比如图2所示。

本实施例选用的一阶RC等效电路模型如图3所示，可以写成如下标准形式：

$\stackrel{\·}{x}=Ax+Bu$

y＝Cx+Du

式中状态变量x＝[x₁x₂]^T＝[zV₂]^T，z为SOC，V₂为极化电压，输出y＝V₀，V₀为端电压，输入u＝I，I为电流；

A、B、C、D分别为等效电路模型参数矩阵： $A=\left[\begin{array}{cc}0& 0\\ 0& -1/\left(R_2{C}_2\right)\end{array}\right]$

B＝[1/C_n1/C₂]^T

C＝[α_n1]

D＝R₁

y＝V₀-β_n

u＝I

其中E₀、R₁、R₂、C₂分别为电池开环电压、内阻、极化电阻、极化电容。

本实施例所采用自适应参数观测器为：

${\hat{V}}_{0\left(i\right)}=\[\begin{array}{cccc}{\hat{R}}_{1(i-1)}& \frac{{\hat{R}}_{1(i-1)}+{\hat{R}}_{2(i-1)}}{{\hat{R}}_{2(i-1)}{\hat{C}}_{2(i-1)}}& \frac{1}{{\hat{R}}_{2(i-1)}{\hat{C}}_{2(i-1)}}& \frac{{\hat{E}}_{0(i-1)}}{{\hat{R}}_{2(i-1)}{\hat{C}}_{2(i-1)}}\end{array}\]{\left[\begin{array}{cccc}{\stackrel{\·}{I}}_{(i-1)}& I_{(i-1)}& -{\hat{V}}_{0(i-1)}& 1\end{array}\right]}^T+{\hat{V}}_{0(i-1)}+\mathrm{\λ}(V_{0(i-1)}-{\hat{V}}_{0(i-1)})$

$\left[\begin{array}{c}{\widehat{\mathrm{\θ}}}_{1\left(i\right)}\\ {\widehat{\mathrm{\θ}}}_{2\left(i\right)}\\ {\widehat{\mathrm{\θ}}}_{3\left(i\right)}\\ {\widehat{\mathrm{\θ}}}_{4\left(i\right)}\end{array}\right]=\left[\begin{array}{c}{\widehat{\mathrm{\θ}}}_{1(i-1)}\\ {\widehat{\mathrm{\θ}}}_{2(i-1)}\\ {\widehat{\mathrm{\θ}}}_{3(i-1)}\\ {\widehat{\mathrm{\θ}}}_{4(i-1)}\end{array}\right]+\left[\begin{array}{c}{\mathrm{\ρ}}_1{\stackrel{\·}{I}}_{\left(i\right)}(V_{0\left(i\right)}-{\hat{V}}_{0\left(i\right)})\\ {\mathrm{\ρ}}_2{\stackrel{\·}{I}}_{\left(i\right)}(V_{0\left(i\right)}-{\hat{V}}_{0\left(i\right)})\\ -{\mathrm{\ρ}}_3{\hat{V}}_{0\left(i\right)}(V_{0\left(i\right)}-{\hat{V}}_{0\left(i\right)})\\ {\mathrm{\ρ}}_4(V_{0\left(i\right)}-{\hat{V}}_{0\left(i\right)})\end{array}\right]$

${\hat{R}}_{1\left(i\right)}={\widehat{\mathrm{\θ}}}_{1\left(i\right)}$

${\hat{R}}_{2\left(i\right)}=\frac{{\widehat{\mathrm{\θ}}}_{2\left(i\right)}}{{\widehat{\mathrm{\θ}}}_{3\left(i\right)}}-{\widehat{\mathrm{\θ}}}_{1\left(i\right)}$

${\hat{E}}_{0\left(i\right)}=\frac{{\widehat{\mathrm{\θ}}}_{4\left(i\right)}}{{\widehat{\mathrm{\θ}}}_{3\left(i\right)}}$

${\hat{C}}_{2\left(i\right)}=\[({\hat{R}}_{1\left(i\right)}+{\hat{R}}_{2\left(i\right)})I_{\left(i\right)}-V_{0\left(i\right)}+{\hat{E}}_{0\left(i\right)}\]/\[({\stackrel{\·}{V}}_{0\left(i\right)}-{\stackrel{\·}{I}}_{\left(i\right)}{\hat{R}}_{1\left(i\right)}){\hat{R}}_{2\left(i\right)}\]$

其中，分别为电池开环电压、内阻、极化电阻、极化电容估计值，λ、ρ₁、ρ₂、ρ₃、ρ₄为反馈系数，V₀为电池端电压测量值，为端电压估计值，I为电流测量值，i为正整数，表示循环更新次数。

本实施例所采用参数滤波器为滑动平均滤波器。

本实施例所采用参数自适应电池模型为：

$x_{k+1}=({\hat{A}}_i+E)x_k+{\hat{B}}_i{u}_k+{\mathrm{\Γ\ω}}_k$

$y_k={\mathrm{Cx}}_k+{\hat{D}}_i{u}_k+{\mathrm{\β}}_n+{\mathrm{\ν}}_k$

其中电池状态变量x＝[x₁x₂]^T＝[zV₂]^T，z为SOC，V₂为极化电压，输入u＝I，I为电流，输出y＝V₀，V₀为端电压，Γ是噪声矩阵，ω是过程噪声，ν是测量噪声，它们均为白噪声且互不相关，E为单位矩阵；

矩阵利用在线辨识参数动态更新：

${\hat{A}}_i=\left[\begin{array}{cc}0& 0\\ 0& -\frac{1}{{\hat{R}}_{2\left(i\right)}{\hat{C}}_{2\left(i\right)}}\end{array}\right]$

${\hat{B}}_i={\left[\begin{array}{cc}\frac{1}{C_n}& \frac{1}{{\hat{C}}_{2\left(i\right)}}\end{array}\right]}^T$

${\hat{D}}_i={\hat{R}}_{1\left(i\right)}$

本实施例所采用基于参数自适应电池模型的卡尔曼滤波SOC观测器为：

${\hat{x}}_{k+1/k}=({\hat{A}}_i+E){\hat{x}}_k+{\hat{B}}_i{u}_k$

$P_{k+1/k}={\hat{A}}_i{P}_k{\hat{A}}_i^T+{\mathrm{\ΓQ\Γ}}^T$

L_k+1＝P_k+1/kC^T(CP_k+1/kC^T+R)^-1

${\hat{x}}_{k+1}={\hat{x}}_k+L_{k+1}(y_{k+1}-C{\hat{x}}_{k+1/k}-{\hat{D}}_i{u}_{k+1})$

P_k+1＝(E-L_k+1C)P_k+1/k

其中电池状态初值状态误差协方差初值为电池状态估计值，P为状态误差协方差估计值，L为卡尔曼增益矩阵。

图4为本实施例在UDDS路况下，参数自适应电池模型输出端电压与电池实际端电压对比图，从图中可以看出在参数在线估计的自适应电池模型能够准确反映电池特性。

图5为本实施例在电池初始荷电状态未知的情况下SOC估计曲线与实际曲线对比情况，从图中可以看出，本发明能够补偿初始SOC误差，快速收敛至真实值，具有良好的鲁棒性，且误差波动范围较小，能够准确估计电池SOC。

Claims (4)

1.一种基于参数自适应电池模型的SOC估计方法，其特征在于，包括如下步骤：

步骤1：建立静态电池等效电路模型；

步骤2：分别通过电压传感器和电流传感器实时采集工况下动力电池端电压和电流值；

步骤3：将步骤2采集的动力电池端电压和电流值作为信号，输入自适应参数观测器，实时估计电池内部参数；

步骤4：将步骤3估计所得的电池内部参数值输入滤波器，对估计参数进行滤波降噪处理；

步骤5：利用步骤4滤波降噪后的电池参数动态更新电池模型，建立自适应电池模型；

步骤6：利用步骤5建立的自适应电池模型建立卡尔曼滤波SOC观测器，并将步骤2采集的电池端电压和电流值作为信号输入，实时估计电池SOC。

2.根据权利要求1所述的一种基于参数自适应电池模型的SOC估计方法，其特征在于：所述电池为锂离子电池、镍氢电池、镍镉电池或铅酸电池，其中，锂离子电池包括液态锂离子电池和聚合物锂离子电池。

3.根据权利要求1所述的一种基于参数自适应电池模型的SOC估计方法，其特征在于：所述电流传感器为霍尔传感器、分流器或电磁式电流互感器。

4.根据权利要求1所述的一种基于参数自适应电池模型的SOC估计方法，其特征在于：所述电压传感器为电阻分压器、电容分压器、电磁式电压互感器、电容式电压互感器或霍尔电压传感器。