CN105182246A - 基于无迹卡尔曼滤波的并联型电池系统荷电状态估计方法 - Google Patents
基于无迹卡尔曼滤波的并联型电池系统荷电状态估计方法 Download PDFInfo
- Publication number
- CN105182246A CN105182246A CN201510568353.6A CN201510568353A CN105182246A CN 105182246 A CN105182246 A CN 105182246A CN 201510568353 A CN201510568353 A CN 201510568353A CN 105182246 A CN105182246 A CN 105182246A
- Authority
- CN
- China
- Prior art keywords
- battery system
- connection type
- parallel connection
- state
- parallel
- 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.)
- Pending
Links
Landscapes
- Secondary Cells (AREA)
Abstract
本发明公布了一种基于无迹卡尔曼滤波的并联型电池系统荷电状态估计方法,该并联型电池系统由N个电池单体并联而成。所述方法如下:建立基于电池荷电状态的并联型电池系统等效电路模型,结合电池荷电状态含义建立并联型电池系统空间状态方程,采用无迹卡尔曼滤波对并联型电池系统进行荷电状态估计,并通过在线检测电池系统输出电压与电压估计值进行比较来更新增益矩阵,以此循环递推来获取电池荷电状态估计值。本发明采用并联型电池系统荷电状态估计算法比扩展卡尔曼滤波算法更准确、鲁棒性更好,既可适用于并联型电池系统,也适用并联型电池模块或电池串。
Description
技术领域
本发明属于智能电网中MW级电池储能系统设计与控制技术领域,涉及一种基于无迹卡尔曼滤波的并联型电池系统荷电状态估计方法。
背景技术
随着风电、光伏发电等可再生能源及电网智能化的大力发展,电池系统作为电池储能系统能量存储的主要载体,已越来越多地受到世界各国的关注和应用。同时可再生能源规模的不断扩大及用电负荷的快速增长,也将促使电池系统向大容量化(MW级)方向发展,通过多个电池单体的并联可实现电池容量的扩大,即并联型电池系统(Parallel-connectedBatterySystem,PBS)。然而,由于应用环境的复杂性(如秒级波动功率平滑、一次高频等高动态场合)及电池电量不能直接测量等因素,准确估计电池系统荷电状态(StateofCharge,SOC)不仅直接决定电池系统能否安全、可靠、高效运行,且对电池系统优化配置、设计与控制等至关重要。
传统的SOC估计算法主要有:安时法、阻抗法、开路电压法等,近年来相继出现了神经网络、模糊逻辑法、支持向量机及标准卡尔曼滤波法、EKF等高级算法。安时法因其算法简单、易行等优点,已得到广泛应用,但存在自身开环、误差时间积累等缺点,其精度受限;开路电压法适合稳态下SOC估计,不宜于在线估计;神经网络、模糊逻辑等高级算法适宜于恒负载、恒流充放电状态下不同类型电池SOC估计,但存在训练数据量大、训练方法对估计误差影响大的局限;标准卡尔曼滤波法具有鲁棒性高、抗扰动能力强等优点,适宜于线性系统的SOC估计,然而电池系统是一种非线性时变系统,其精度仍受限;为此,针对非线性时变的电池系统,目前常采用EKF,并取得良好的效果,然而由于EKF存在自身计算复杂、忽略高阶项等问题,必会产生一定误差,使电池的SOC估计精度仍待进一步研究。
发明内容
本发明解决的问题是在于提供一种基于无迹卡尔曼滤波(UnscentedKalmanFilter,UKF)的并联型电池系统荷电状态估计方法,解决并联型电池系统性能参数受SOC影响、扩展卡尔曼滤波法计算复杂、精度不高而导致电池系统SOC难以被准确测量、估算的问题,达到准确估计并联型电池系统SOC的目的。
本发明目的是通过以下技术方案来实现:
本发明提供一种并联型电池系统,该系统由N个电池单体并联而成,其中N均为大于1的自然数。
一种基于无迹卡尔曼滤波的并联型电池系统荷电状态估计方法如下:根据已知锂离子电池单体性能参数,利用并联电路工作特性及其充放电工作特性确定并联型电池系统性能参数与电池单体性能参数的关系,再结合基尔霍夫定律KVC确定电池系统输出端电压方程,建立并联型电池系统等效模型(1);将并联型电池系统的荷电状态SOC及等效模型中2个RC并联电路的端电压作为状态变量,以电池系统的电流及输出电压分别作为系统输入量与输出量,结合并联型电池系统等效电路模型,得并联型电池系统空间状态方程(2);将并联型电池系统空间状态方程(2)中的电池系统SOC、2个RC并联电路的端电压作为无迹卡尔曼滤波算法UKF的状态变量;以并联型电池系统空间状态方程(2)的输入状态空间方程、输出电压状态空间方程分别作为UKF算法的非线性状态方程及测量方程;通过电压传感器测量并联型电池系统端电压(4)的实际值与UKF算法获得的电池端电压估计值来更新增益矩阵(5),最后由UKF算法经循环迭代,从而实时得到电池系统SOC的估计值。
所述并联型电池系统等效电路模型(1)为二阶等效电路模型,模型主电路由2个RC并联电路、受控电压源Ub0(SOC)及电池内阻Rb等组成。建立准确的电池系统等效电路模型关键在于如何根据电池工作特性来确定电池系统性能参数与电池单体性能参数的关系。本发明中并联型电池系统性能参数与电池单体性能参数关系式为:
式中,Rps、Rpl、Cps、Cpl分别表示电池系统模型中2个RC并联电路的电阻和电容;下标i表示第i个电池单体;Ui0、Ri分别表示电池单体的开路电压、内阻;Ris、Ril、Cis、Cil分别表示电池单体模型中2个RC并联电路的电阻和电容;Ui0、Ri、Ris、Ril、Cis、Cil均与SOC有关,SOC的定义为:其中,SOC0为电池单体SOC初始值,一般为0~1的常数;Qu(t)为电池单体不可用容量,Q0为电池单体额定容量。Ui0(SOC)、Ris、Ril和Cis、Cil、Ri的计算分别如下: 其中,a0~a5、c0~c2、d0~d2、e0~e2、f0~f2、b0~b5均为模型系数,可由电池测量数据经拟合而得。
所述并联型电池系统空间状态方程(2)的建立如下:a、以电池系统的荷电状态SOCp及等效模型中2个RC并联电路的端电压作为状态变量,以电池系统的电流Ip为系统输入量,根据等效电路模型建立电池系统空间状态方程为
式中,Ups、Upl为2个RC并联电路端电压,Rps、Rpl为2个RC并联电路的电阻,QN为电池系统额定电量,τ1、τ2为时间常数,wk为系统观过程噪声,Δt为采样周期,k为大于1的自然数;b、根据基尔霍夫电压定律,结合电池系统等效电路模型,可得电池系统输出电压方程空间状态方程为:式中,Up为电池系统端电压,Rp为电池系统内阻。
所述无迹卡尔曼滤波算法UKF的主要步骤为:1)初始化状态变量x均值E()和均方误差P0:2)获取采样点xi及对应权重 式中,λ=α2(n+h)-n;3)状态估计及均方误差的时间更新:状态估计时间更新为均方误差时间更新为系统输出时间更新为式中,gk-1(·)为测量方程;4)计算增益矩阵(5):式中,5)状态估计及均方误差的测量更新:状态估计测量更新为均方误差测量更新为
与采用扩展卡尔曼滤波算法EKF进行并联型电池系统SOC估计相比,本发明具有以下有益的技术效果:一是整个放电过程,本发明所采用的UKF算法比EKF算法进行并联型电池系统SOC估计时UKF估计精度更高,尤其是放电初期和末期效果更明显;二是所采用的UKF算法比EKF算法能更快收敛于实验数据,鲁棒性更好。
附图说明
图1为并联型电池系统结构示意图;
图2为含2个电池单体的并联型电池系统结构示意图;
图3为含2个RC并联电路的并联型电池系统等效电路模型图;
图4为无迹卡尔曼滤波算法流程图;
图5-1~图5-4为SOC0不同时电池恒流放电特性,其中图5-1为SOC0=1时SOC变化情况,图5-2为SOC0=1时电池系统端电压变化情况,图5-3为SOC0=0.8时SOC变化情况,图5-4为SOC0=0.8时电池系统端电压变化情况;
图6-1~图6-4为SOC0不同时电池脉冲放电特性,其中图6-1为SOC0=1时SOC变化情况,图6-2为SOC0=1时电池系统端电压变化情况,图6-3为SOC0=0.8时SOC变化情况,图6-4为SOC0=0.8时电池系统端电压变化情况。
具体实施方式
下面结合具体的实例对本发明作进一步的详细说明,所述为对本发明的解释而不是限定。
1、并联型电池系统及其等效电路模型
1.1并联型电池系统
并联型电池系统是由由N个电池单体并联而成,其结构图如图1所示。为便于分析,本实例中假设并联型电池系统由2个电池单体经并联而成,即1×2并联型电池系统,如图2所示。并联型电池系统中每个电池单体的额定电压为3.2V,额定容量为25Ah,放电截止电压为2.5V。
1.21×2电池系统等效电路模型
并联型电池系统等效电路模型(1)为二阶等效电路模型,模型主电路由2个RC并联电路、受控电压源Up0(SOC)及电池内阻Rp等组成,如图3所示。并联型电池系统性能参数通过与电池单体性能参数的关系来获取,具体计算如下:
上式中,电池单体性能参数U0(t)、Rs(t)、Rl(t)和Cs(t)、Cl(t)的计算分别如下: 其中,a0~a5取值分别为-0.602、-10.365、3.395、0.267、-0.202、0.105,c0~c2取值分别为0.1058、-59.96、0.0036,d0~d2取值分别为-196、-142、295,e0~e2取值分别为0.00697、-60.8、0.0022,f0~f2取值分别为-2996、-175、5122,b0~b5取值分别为-0.0558、-29.96、0.0055、0.0062、0.0121、0.0066。
2、并联型电池系统空间状态方程
a、以并联型电池系统的荷电状态SOCP及等效模型中2个RC并联电路的端电压Ups、Upl作为状态变量,以并联型电池系统的电流Ip为系统输入量,根据等效电路模型(1)建立并联型电池系统输入状态空间方程为
式中,Ups、Upl为2个RC并联电路端电压,Rps、Rpl为2个RC并联电路的电阻,QN为电池系统额定电量,τ1、τ2为时间常数,wk为系统观过程噪声,Δt为采样周期,k为大于1的自然数。
b、根据基尔霍夫电压定律,结合并联型电池系统等效电路模型,可得并联型电池系统输出电压方程为:式中,Up为电池系统端电压,Rp为电池系统内阻,k为大于1的自然数。
3、基于卡尔曼滤波法的并联型电池系统荷电状态估计
将并联型电池系统空间状态方程中的电池系统SOC、2个RC并联电路的端电压作为无迹卡尔曼滤波算法UKF的状态变量x;将并联型电池系统的输入状态空间方程、输出电压状态空间方程分别作为UKF算法的非线性状态方程fk-1(·)及测量方程gk-1(·);通过电压传感器测量电池系统端电压(4)的实际值yk与UKF算法获得的电池端电压估计值来更新增益矩阵(5),最后由UKF算法进行循环迭代,如图4所示,在迭代过程中,状态变量x初值为[100],α取值为1、β取值为2,h取值为0;最后实时得到并联型电池系统SOC的估计值SOCk。
4、系统仿真结果及效果对比
仿真试验主要包括恒流与脉冲两种工况,一是恒流工况,即电池以恒流方式(25A)向外供电;二是脉冲工况,即以脉冲电流方式向外供电放电,具体为:先以25A恒流工作600s,静置600s后,再以25A恒流工作600s,如此循环。为验证UKF的高鲁棒性,在恒流与脉冲两种工况分别以SOC0为1、0.8两种情况进行对比分析。图5-1~图5-4为SOC0不同时电池恒流放电特性,其中图5-1为SOC0=1时SOC变化情况,图5-2为SOC0=1时电池系统端电压变化情况,图5-3为SOC0=0.8时SOC变化情况,图5-4为SOC0=0.8时电池系统端电压变化情况;由图5-1和图5-2可知,整个放电过程中,EKF和UKF都能很好地预测并联型电池系统SOC及其端电压的变化,但UKF精度更高,尤其是放电末期(3000s)。由图5-3和图5-4可知,无论是并联型电池系统SOC还是端电压,两种算法均能较好地向实验数据收敛,证明了两种算法均具有较好的鲁棒性,但不仅在放电初期时,因UKF比EKF计算量小,其收敛速度更快,而且在放电末期,因EKF本身忽略高阶项,UKF比EKF仿真结果更接近实验数据,从而证明在恒流放电情况下UKF比EKF预测结果更准确、鲁棒性更好。
图6-1~图6-4为SOC0不同时电池脉冲放电特性,其中图6-1为SOC0=1时SOC变化情况,图6-2为SOC0=1时电池系统端电压变化情况,图6-3为SOC0=0.8时SOC变化情况,图6-4为SOC0=0.8时电池系统端电压变化情况。由图6-1和图6-2可知,整个放电过程中,UKF比EKF预测精度更高,尤其是在放电末期。由图6-3和图6-4可知,整个放电过程中,UKF比EKF仿真结果与实验数据更匹配,尤其是放电初期(600s前)与末期(6000s后)两个阶段;同时,UKF能更快地收敛于实验数据,进一步验证了在脉冲工况下UKF能更准确估计并联型电池系统SOC值、且鲁棒性更好。
Claims (5)
1.本发明公布了一种基于无迹卡尔曼滤波的并联型电池系统荷电状态估计方法,其特征在于所述的并联型电池系统是由N个电池单体并联而成,其中N均为大于1的自然数。
所述方法包括以下步骤:
根据已知锂离子电池单体性能参数,利用并联电路工作特性及其充放电工作特性确定并联型电池系统性能参数与电池单体性能参数的关系,再结合基尔霍夫定律KVC确定电池系统输出端电压方程,建立并联型电池系统等效模型(1)。
将并联型电池系统的荷电状态SOC及等效模型中2个RC并联电路的端电压作为状态变量,以电池系统的电流及输出电压分别作为系统输入量与输出量,结合并联型电池系统等效电路模型,得并联型电池系统空间状态方程(2)。
将并联型电池系统空间状态方程(2)中的电池系统SOC、2个RC并联电路的端电压作为无迹卡尔曼滤波算法UKF的状态变量;并联型电池系统空间状态方程(2)的输入状态空间方程、输出电压状态空间方程分别作为UKF算法的非线性状态方程及测量方程;通过电压传感器测量并联型电池系统端电压(4)的实际值与UKF算法获得的电池端电压估计值来更新增益矩阵(5),最后由UKF算法经循环迭代,从而实时得到并联型电池系统SOC的估计值。
2.根据权利要求1所述的一种基于无迹卡尔曼滤波的并联型电池系统荷电状态估计方法,其特征在于所建立的并联型电池系统模型(1)为含2个RC并联电路的二阶等效电路模型。
3.根据权利要求1所述的一种基于无迹卡尔曼滤波的并联型电池系统荷电状态估计方法,其特征在于所述的并联型电池系统空间状态方程(2)如下:系统状态空间方程及系统输出方程分别为
4.根据权利要求1所述的一种基于无迹卡尔曼滤波的并联型电池系统荷电状态估计方法,其特征在于所述的无迹卡尔曼滤波UKF算法步骤如下:1)初始化状态变量x均值E()和均方误差P0;2)获取采样点xi及对应权重ω;3)状态估计及均方误差的时间更新;4)计算增益矩阵;5)状态估计及均方误差的测量更新。
5.根据权利要求1所述的一种基于无迹卡尔曼滤波的并联型电池系统荷电状态估计方法,其特征在于所述的建模方法不仅适用于并联型电池系统,也可应用于并联型电池模块或电池串。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510568353.6A CN105182246A (zh) | 2015-09-08 | 2015-09-08 | 基于无迹卡尔曼滤波的并联型电池系统荷电状态估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510568353.6A CN105182246A (zh) | 2015-09-08 | 2015-09-08 | 基于无迹卡尔曼滤波的并联型电池系统荷电状态估计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105182246A true CN105182246A (zh) | 2015-12-23 |
Family
ID=54904453
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510568353.6A Pending CN105182246A (zh) | 2015-09-08 | 2015-09-08 | 基于无迹卡尔曼滤波的并联型电池系统荷电状态估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105182246A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105353314A (zh) * | 2015-09-30 | 2016-02-24 | 盐城工学院 | 一种并联型电池系统荷电状态估计方法 |
CN105738817A (zh) * | 2016-01-29 | 2016-07-06 | 深圳市沃特玛电池有限公司 | 一种基于aekf的电池荷电状态估计方法及估计系统 |
CN106443496A (zh) * | 2016-12-08 | 2017-02-22 | 盐城工学院 | 一种带改进型噪声估计器的电池荷电状态估计方法 |
CN106443471A (zh) * | 2016-09-20 | 2017-02-22 | 首都师范大学 | 锂离子电池soc估计方法及其硬件实现 |
CN107255786A (zh) * | 2017-05-18 | 2017-10-17 | 中山职业技术学院 | 一种磷酸铁锂电池loc模型 |
JP2019132666A (ja) * | 2018-01-30 | 2019-08-08 | プライムアースEvエナジー株式会社 | 組電池の状態推定装置及び組電池の状態推定方法 |
CN110707766A (zh) * | 2018-07-09 | 2020-01-17 | 加百裕工业股份有限公司 | 并联电池管理系统 |
CN114910806A (zh) * | 2022-05-16 | 2022-08-16 | 盐城工学院 | 一种并联型电池系统建模方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103744028A (zh) * | 2013-12-25 | 2014-04-23 | 广西科技大学 | 一种基于ukf的蓄电池荷电状态soc估算方法 |
CN103852727A (zh) * | 2014-02-14 | 2014-06-11 | 清华大学深圳研究生院 | 动力电池荷电状态在线估算方法和装置 |
CN104573294A (zh) * | 2013-10-15 | 2015-04-29 | 胡志坤 | 动力电池的自适应卡尔曼滤波器估计算法 |
-
2015
- 2015-09-08 CN CN201510568353.6A patent/CN105182246A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104573294A (zh) * | 2013-10-15 | 2015-04-29 | 胡志坤 | 动力电池的自适应卡尔曼滤波器估计算法 |
CN103744028A (zh) * | 2013-12-25 | 2014-04-23 | 广西科技大学 | 一种基于ukf的蓄电池荷电状态soc估算方法 |
CN103852727A (zh) * | 2014-02-14 | 2014-06-11 | 清华大学深圳研究生院 | 动力电池荷电状态在线估算方法和装置 |
Non-Patent Citations (2)
Title |
---|
HTET AUNG ET AL.: "Modeling and state of charge estimation of a lithium ion battery using unscented Kalman filter in a nanosatellite", 《2014 IEEE 9TH CONFERENCE ON INDUSTRIAL ELECTRONICS AND APPLICATIONS (ICIEA)》 * |
吴铁洲 等: "基于UKF的动力电池SOC估算算法研究", 《电力电子技术》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105353314A (zh) * | 2015-09-30 | 2016-02-24 | 盐城工学院 | 一种并联型电池系统荷电状态估计方法 |
CN105738817A (zh) * | 2016-01-29 | 2016-07-06 | 深圳市沃特玛电池有限公司 | 一种基于aekf的电池荷电状态估计方法及估计系统 |
CN106443471A (zh) * | 2016-09-20 | 2017-02-22 | 首都师范大学 | 锂离子电池soc估计方法及其硬件实现 |
CN106443496A (zh) * | 2016-12-08 | 2017-02-22 | 盐城工学院 | 一种带改进型噪声估计器的电池荷电状态估计方法 |
CN107255786A (zh) * | 2017-05-18 | 2017-10-17 | 中山职业技术学院 | 一种磷酸铁锂电池loc模型 |
JP2019132666A (ja) * | 2018-01-30 | 2019-08-08 | プライムアースEvエナジー株式会社 | 組電池の状態推定装置及び組電池の状態推定方法 |
JP7036605B2 (ja) | 2018-01-30 | 2022-03-15 | プライムアースEvエナジー株式会社 | 組電池の状態推定装置及び組電池の状態推定方法 |
CN110707766A (zh) * | 2018-07-09 | 2020-01-17 | 加百裕工业股份有限公司 | 并联电池管理系统 |
CN110707766B (zh) * | 2018-07-09 | 2023-04-25 | 加百裕工业股份有限公司 | 并联电池管理系统 |
CN114910806A (zh) * | 2022-05-16 | 2022-08-16 | 盐城工学院 | 一种并联型电池系统建模方法 |
CN114910806B (zh) * | 2022-05-16 | 2024-05-07 | 盐城工学院 | 一种并联型电池系统建模方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105182245A (zh) | 基于无迹卡尔曼滤波的大容量电池系统荷电状态估计方法 | |
CN105353315A (zh) | 一种基于无迹卡尔曼滤波的电池系统荷电状态估计方法 | |
CN105182246A (zh) | 基于无迹卡尔曼滤波的并联型电池系统荷电状态估计方法 | |
CN105203969B (zh) | 基于修正的rc电池模型的荷电状态估计方法 | |
CN105353314A (zh) | 一种并联型电池系统荷电状态估计方法 | |
CN105116346A (zh) | 一种串联型锂离子电池系统及其荷电状态估计方法 | |
CN103926538B (zh) | 基于aic准则的变阶数rc等效电路模型及实现方法 | |
Boulmrharj et al. | Online battery state-of-charge estimation methods in micro-grid systems | |
CN103632018B (zh) | 一种基于Simscape平台的电池建模方法 | |
CN105093122B (zh) | 基于强跟踪自适应sqkf的应急灯电池soc估计方法 | |
CN109061506A (zh) | 基于神经网络优化ekf的锂离子动力电池soc估计方法 | |
CN103901351B (zh) | 一种基于滑动窗滤波的单体锂离子电池soc估计方法 | |
CN108594135A (zh) | 一种用于锂电池均衡充放电控制的soc估算方法 | |
CN107576919A (zh) | 基于armax模型的动力电池荷电状态估算系统及方法 | |
CN104617623B (zh) | 一种电动汽车动力电池组均衡控制方法 | |
CN107741569A (zh) | 一种基于分段扩展卡尔曼滤波的锂电池荷电状态的估算方法 | |
CN105445671A (zh) | 一种基于无迹粒子滤波的锂离子电池寿命预测方法 | |
CN110275113A (zh) | 一种锂电池荷电状态估计方法 | |
CN107831448B (zh) | 一种并联型电池系统的荷电状态估计方法 | |
Wan et al. | Probabilistic load flow computation using first-order second-moment method | |
CN107677892B (zh) | 一种超级电容等效电路模型结构及验证方法 | |
CN107169170B (zh) | 一种电池剩余容量的预测方法 | |
CN105116338A (zh) | 一种基于soc补偿器的并联型电池系统建模方法 | |
CN109839599A (zh) | 基于二阶ekf算法的锂离子电池soc估计方法 | |
CN108090244A (zh) | 一种并联型锂离子电池系统建模方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20151223 |
|
WD01 | Invention patent application deemed withdrawn after publication |