CN106772094B - 一种基于参数自适应的电池模型的soc估计方法 - Google Patents
一种基于参数自适应的电池模型的soc估计方法 Download PDFInfo
- Publication number
- CN106772094B CN106772094B CN201710012923.2A CN201710012923A CN106772094B CN 106772094 B CN106772094 B CN 106772094B CN 201710012923 A CN201710012923 A CN 201710012923A CN 106772094 B CN106772094 B CN 106772094B
- Authority
- CN
- China
- Prior art keywords
- battery
- model
- soc
- lithium battery
- parameter
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
- G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current measurements
Abstract
本发明公开一种基于参数自适应的电池模型的SOC估计方法,解决现有技术估算精度低的问题;具体为选用锂电池二阶戴维南模型作为静态电池等效电路模型,在20℃下对锂电池进行恒流充放电实验,实时采集工况下电池端电压电流数据并记录时间,根据电池模型离散状态方程选取最小二乘法指数拟合锂电池端电压对脉冲电流的响应曲线,进而得到电池不同SOC状态下的模型参数;将所得参数利用粒子群算法建立适应度函数并优化该模型参数,利用优化后参数在线更新电池模型参数之后建立动态电池模型;利用动态电池模型建立UKF‑SOC观测器,改进UKF的噪声估计,再将采集的电压电流数据输入该观测器,在线估计电池SOC。本发明设计科学合理。
Description
技术领域
本发明涉及一种基于参数自适应的电池模型的SOC估计方法。
背景技术
锂电池的荷电状态(SOC)估计是电池管理系统(BMS)的核心技术之一,准确、实时的在线估计有助于提高电池使用寿命,同时关系到电动车的安全驾驶。电动车行驶的路况不定,且SOC不可直接测量,且同时受温度,使用时长等多因素影响,这给SOC的估计造成极大的困难。现在工程设备中常用的是安时积分法配合开路电压法提高估算精度,但两者结合依然未能解决累计误差和在车况中难以校正的问题。
发明内容
本发明要解决的技术问题是:提供一种基于参数自适应的电池模型的SOC估计方法,用于车载系统实时在线估计电池参数,通过粒子群算法优化模型参数,提高SOC估计的精确度。
为实现上述目的,本发明采用的技术方案如下:
一种基于参数自适应的电池模型的SOC估计方法,包括以下步骤:
(1)选用锂电池二阶戴维南模型作为静态电池等效电路模型,在20℃下对锂电池进行恒流充放电实验,实时采集工况下电池端电压和电流数据,并记录时间,根据电池模型离散状态方程,选取递归最小二乘法指数拟合锂电池端电压对脉冲电流的响应曲线,进而求出此状态下的模型参数,所述二阶戴维南模型离散状态方程和输出方程如下:
离散状态方程为 输出方程为Ut=OCV(soct)-R0It-U1,t-U2,t+vt;
其中,Ut表示锂电池的端电压,端电压需辨识且分别为U1,t和U2,t,It表示锂电池的工作电流,R0表示锂电池的等效内阻,OCV表示等效电压源,R1、C1以及R2、C2分别表示两个RC回路,用于描述锂电池的荷电变化以及扩散现象;Δt为采样周期且取值是1s;W1,t、W2,t和W3,t表示过程噪声,Vt表示测量噪声,过程噪声和测量噪声均为高斯白噪声;
(2)将所得模型参数利用粒子群算法建立适应度函数并优化该模型参数,利用优化后的模型参数在线更新电池模型参数,之后建立动态电池模型,所述适应度函数如下:
其中,R0为内阻,R1和R2为极化电阻,C1和C2为极化电容;
(3)利用建立的动态电池模型建立UKF-SOC观测器,改进UKF的噪声估计,再将采集得到的电压和电流数据输入UKF-SOC观测器,在线估计电池SOC。
与现有技术相比,本发明具有以下有益效果:
本发明针对电池工作环境的复杂性引入仿生算法,利用粒子群算法,对电池模型参数进行优化,同时将蚁群算法信息素挥发概念引入卡尔曼滤波器,降低噪声,提高电池荷电状态估计精度。
附图说明
图1为本发明的SOC估计原理框图。
图2为本发明开路电压与荷电状态关系曲线图。
图3为本发明锂电池二阶戴维南电路模型图。
图4为本发明SOC估计曲线图。
图5为本发明SOC误差曲线图。
具体实施方式
下面结合附图说明和实施例对本发明作进一步说明,本发明的方式包括但不仅限于以下实施例。
实施例
如图1-5所示,一种基于参数自适应的电池模型的SOC估计方法,包括以下步骤:
(1)选用锂电池二阶戴维南模型作为静态电池等效电路模型,在20℃下对锂电池进行恒流充放电实验,实时采集工况下电池端电压和电流数据,并记录时间,根据电池模型离散状态方程,选取递归最小二乘法指数拟合锂电池端电压对脉冲电流的响应曲线,进而求出此状态下的模型参数,所述二阶戴维南模型离散状态方程和输出方程如下:
离散状态方程为 输出方程为Ut=OCV(soct)-R0It-U1,t-U2,t+vt;
其中,Ut表示锂电池的端电压,端电压需辨识且分别为U1,t和U2,t,It表示锂电池的工作电流,R0表示锂电池的等效内阻,OCV表示等效电压源,R1、C1以及R2、C2分别表示两个RC回路,用于描述锂电池的荷电变化以及扩散现象;Δt为采样周期且取值是1s;W1,t、W2,t和W3,t表示过程噪声,Vt表示测量噪声,过程噪声和测量噪声均为高斯白噪声;
(2)将所得模型参数利用粒子群算法建立适应度函数并优化该模型参数,利用优化后的模型参数在线更新电池模型参数,之后建立动态电池模型,所述适应度函数如下:
其中,R0为内阻,R1和R2为极化电阻,C1和C2为极化电容;
(3)利用建立的动态电池模型建立UKF-SOC观测器,改进UKF的噪声估计,再将采集得到的电压和电流数据输入UKF-SOC观测器,在线估计电池SOC。
下面采用具体的实例对本发明做进一步的阐述。
本发明选用锂电池二阶戴维南模型,其离散方程如下:
Ut=F(soct)-R0It-U1,t-U2,t+vt。
其中,Ut表示锂电池的负载电压即端电压;It表示锂电池的工作电流;R0表示锂电池的等效内阻;OCV表示等效电压源;R1、C1以及R2、C2表示两个RC回路,用于描述锂电池的荷电变化以及扩散现象,本发明端电压需辨识,分别为U1,t和U2,t;Δt为采样周期,在本发明中周期取值是1s;w和v分别表示过程噪声和测量噪声,且均为高斯白噪声。
模型参数辨识
在20℃下对锂电池进行恒流充放电实验,有上位机和监控软件实时采集并记录电池的工作数据电流、电压及SOC。由递归二乘法得到不同荷电状态下模型的基本参数。再通过PSO对模型参数进行优化,具体步骤如下:
由RLS得到基本模型参数
参数优化:初始化粒子群算法,粒子个数为40,由电池模型可知粒子维数为5,分别代表内阻R0,极化电阻R1和R2,极化电容C1和C2,然后由RLS得到的模型参数确定粒子各维变化范围。
随机产生粒子初始位置xij和速度vij。
确定适应度函数,由状态方程Ut=F(soct)-R0It-U1,t-U2,t+vt可得到适应度函数为:V(soct),it,t均由实验记录仪读取,视为常数。
计算粒子适应度,获取最优值,判断是否达到迭代停止阈值,是则输出粒子位置值,即内阻,极化电阻,极化电容,否则更新粒子速度,以及粒子位置,继续迭代计算。通过粒子群算法,输出优化后的模型参数。
采取比例修正的采样策略计算采样点。
由电池模型可知维数是1,故有3个sigma点,
由输入变量的统计量,采取对称采样,得到相应加权系数;
时间与测量更新,时间更新为:
测量更新为:
变量和协方差修正后的估计值:
电池的状态空间方程:
Ut=F(soct)-R0It-U1,t-U2,t+vt。
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。
由于系统噪声未知,故将系统噪声的协方差阵视为常数并不妥善。故引如蚁群算法中信息素概念,并根据Sage-Husa基于观测的噪声次优无偏估计器动态更新系统噪声协方差:
式中Kk+1为增益更新参数;Fk为一个残差项,用于计算平均值和估计值的平均值之差。将两公式带入UKF方程中,对系统噪声进行估计。由此可输出SOC的最优估计。
本发明设计科学合理,能在线精确稳定地对电池参数进行估计。具备突出的实质性特点和显著的进步。
上述实施例仅为本发明的优选实施方式之一,不应当用于限制本发明的保护范围,但凡在本发明的主体设计思想和精神上作出的毫无实质意义的改动或润色,其所解决的技术问题仍然与本发明一致的,均应当包含在本发明的保护范围之内。
Claims (1)
1.一种基于参数自适应的电池模型的SOC估计方法,其特征在于:包括以下步骤:
(1)选用锂电池二阶戴维南模型作为静态电池等效电路模型,在20℃下对锂电池进行恒流充放电实验,实时采集工况下电池端电压和电流数据,并记录时间,根据电池模型离散状态方程,选取最小二乘法指数拟合锂电池端电压对脉冲电流的响应曲线,进而得到电池不同SOC状态下的模型参数,所述二阶戴维南模型离散状态方程和输出方程如下:
离散状态方程为 输出方程为Ut=OCV(soct)-R0It-U1,t-U2,t+vt;
其中,Ut表示锂电池的端电压,端电压需辨识且分别为U1,t和U2,t,It表示锂电池的工作电流,R0表示锂电池的等效内阻,OCV表示等效电压源,R1、C1以及R2、C2分别表示两个RC回路,用于描述锂电池的荷电变化以及扩散现象;Δt为采样周期且取值是1s;W1,t、W2,t和W3,t表示过程噪声,Vt表示测量噪声,过程噪声和测量噪声均为高斯白噪声;
(2)将所得模型参数利用粒子群算法建立适应度函数并优化该模型参数,利用优化后的模型参数在线更新电池模型参数,之后建立动态电池模型,所述适应度函数如下:
其中,R0为内阻,R1和R2为极化电阻,C1和C2为极化电容;
利用建立的动态电池模型建立UKF-SOC观测器,改进UKF的噪声估计,再将采集得到的电压和电流数据输入UKF-SOC观测器,在线估计电池SOC。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710012923.2A CN106772094B (zh) | 2017-01-09 | 2017-01-09 | 一种基于参数自适应的电池模型的soc估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710012923.2A CN106772094B (zh) | 2017-01-09 | 2017-01-09 | 一种基于参数自适应的电池模型的soc估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106772094A CN106772094A (zh) | 2017-05-31 |
CN106772094B true CN106772094B (zh) | 2019-05-14 |
Family
ID=58951131
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710012923.2A Active CN106772094B (zh) | 2017-01-09 | 2017-01-09 | 一种基于参数自适应的电池模型的soc估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106772094B (zh) |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107192961A (zh) * | 2017-07-12 | 2017-09-22 | 江苏维科新能源科技有限公司 | 新型动力电池soc估算方法 |
CN107958136A (zh) * | 2017-11-24 | 2018-04-24 | 广州市香港科大霍英东研究院 | 一种基于模型迁移的电池模型构建方法、系统及装置 |
CN108196200B (zh) * | 2018-01-28 | 2020-08-28 | 复旦大学 | 一种锂电池健康和荷电状态的联合模拟评估方法 |
CN108427080A (zh) * | 2018-06-20 | 2018-08-21 | 上海海事大学 | 混合动力船舶的动力电池组的荷电状态计算方法 |
CN109613437A (zh) * | 2018-11-27 | 2019-04-12 | 南京航空航天大学 | 一种基于在线模型参数识别的电池荷电状态估计方法 |
CN109669138B (zh) * | 2018-12-28 | 2021-02-19 | 天能电池集团股份有限公司 | 一种精准测定动力铅蓄电池组剩余容量的方法 |
CN110031763A (zh) * | 2019-04-30 | 2019-07-19 | 国能新能源汽车有限责任公司 | 一种锂离子电池等效电路数据参数估算的测试方法 |
CN110286325B (zh) * | 2019-07-29 | 2021-07-20 | 四川嘉垭汽车科技有限公司 | 一种锂离子电池的局部敏感度分析方法 |
CN110929464B (zh) * | 2019-11-20 | 2022-06-03 | 燕山大学 | 一种基于改进蜻蜓算法的蓄电池参数辨识方法 |
CN111308352A (zh) * | 2019-11-28 | 2020-06-19 | 湖南海博瑞德电智控制技术有限公司 | 一种锂离子的电池衰减估算方法 |
DE102020203245A1 (de) | 2020-03-13 | 2021-09-16 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren zur Bestimmung eines Modellfehlers eines mathematischen Modells einer elektrischen Energiespeichereinheit |
CN112881921A (zh) * | 2021-01-08 | 2021-06-01 | 恒大新能源汽车投资控股集团有限公司 | 电池等效电路模型参数辨识方法、装置、设备及存储介质 |
CN113203955A (zh) * | 2021-04-29 | 2021-08-03 | 南京林业大学 | 一种基于动态优选遗忘因子递推最小二乘在线辨识的磷酸铁锂电池soc估算方法 |
CN113625182A (zh) * | 2021-07-23 | 2021-11-09 | 北京理工大学 | 一种对电池状态进行在线估计的方法 |
CN113625177A (zh) * | 2021-08-06 | 2021-11-09 | 国网安徽省电力有限公司滁州供电公司 | 一种基于粒子群优化粒子滤波算法的soc估算方法 |
CN113848487A (zh) * | 2021-10-22 | 2021-12-28 | 四川宽鑫科技发展有限公司 | 一种基于专有soc估算的均衡控制方法 |
CN114236401B (zh) * | 2021-12-20 | 2023-11-28 | 上海正泰电源系统有限公司 | 一种基于自适应粒子群算法的电池状态估计方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103323781A (zh) * | 2013-05-29 | 2013-09-25 | 西安交通大学 | 动力电池组在线参数检测系统及soc估计方法 |
CN103399282A (zh) * | 2013-08-07 | 2013-11-20 | 清华大学 | 电池单体故障诊断方法 |
CN105633487A (zh) * | 2016-01-13 | 2016-06-01 | 河南理工大学 | 一种锂离子电池智能管理系统 |
CN105699907A (zh) * | 2016-01-28 | 2016-06-22 | 广州市香港科大霍英东研究院 | 一种基于动态阻抗校正的电池soc估计方法及系统 |
KR20160128000A (ko) * | 2015-04-28 | 2016-11-07 | 영남대학교 산학협력단 | 배터리 진단 장치 및 그 방법 |
-
2017
- 2017-01-09 CN CN201710012923.2A patent/CN106772094B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103323781A (zh) * | 2013-05-29 | 2013-09-25 | 西安交通大学 | 动力电池组在线参数检测系统及soc估计方法 |
CN103399282A (zh) * | 2013-08-07 | 2013-11-20 | 清华大学 | 电池单体故障诊断方法 |
KR20160128000A (ko) * | 2015-04-28 | 2016-11-07 | 영남대학교 산학협력단 | 배터리 진단 장치 및 그 방법 |
CN105633487A (zh) * | 2016-01-13 | 2016-06-01 | 河南理工大学 | 一种锂离子电池智能管理系统 |
CN105699907A (zh) * | 2016-01-28 | 2016-06-22 | 广州市香港科大霍英东研究院 | 一种基于动态阻抗校正的电池soc估计方法及系统 |
Non-Patent Citations (1)
Title |
---|
《电动汽车锂离子电池建模及SOC估计方法研究》;何磊等;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20140315(第03期);第11-12,30-32,45-46页 |
Also Published As
Publication number | Publication date |
---|---|
CN106772094A (zh) | 2017-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106772094B (zh) | 一种基于参数自适应的电池模型的soc估计方法 | |
CN108333528B (zh) | 基于动力电池电-热耦合模型的soc和sot联合状态估计方法 | |
CN111581904B (zh) | 考虑循环次数影响的锂电池soc及soh协同估算方法 | |
CN102937704B (zh) | 一种动力电池rc等效模型的辨识方法 | |
Li et al. | Comparative study of the influence of open circuit voltage tests on state of charge online estimation for lithium-ion batteries | |
CN104502858B (zh) | 基于后向差分离散模型的动力电池soc估计方法与系统 | |
Gao et al. | Battery state of charge online estimation based on particle filter | |
CN104267261B (zh) | 基于分数阶联合卡尔曼滤波的二次电池简化阻抗谱模型参数在线估计方法 | |
CN105717460B (zh) | 一种基于非线性观测器的动力电池soc估计方法和系统 | |
Niri et al. | State of power prediction for lithium-ion batteries in electric vehicles via wavelet-Markov load analysis | |
CN105510829B (zh) | 一种新型锂离子动力电池soc估计方法 | |
CN106054084A (zh) | 一种动力电池soc估计方法 | |
CN105093122A (zh) | 基于强跟踪自适应sqkf的应急灯电池soc估计方法 | |
CN110658459B (zh) | 基于双向循环神经网络的锂离子电池荷电状态估计方法 | |
CN106772067A (zh) | 多时间尺度iapf滤波估计动力电池荷电状态与健康状态的方法 | |
Hsieh et al. | Electric circuit modelling for lithium‐ion batteries by intermittent discharging | |
CN111812530A (zh) | 一种锂电池荷电状态估测方法 | |
CN109917299B (zh) | 一种锂电池荷电状态的三层滤波估算方法 | |
CN112782594B (zh) | 考虑内阻的数据驱动算法估算锂电池soc的方法 | |
CN106154168A (zh) | 数据驱动的动力电池荷电状态估计方法 | |
WO2018188321A1 (zh) | 一种增强电池状态估计鲁棒性的方法 | |
CN106126783A (zh) | 一种锂离子电池变时间尺度模型参数估计方法 | |
CN114184962A (zh) | 一种多算法融合的锂离子电池soc和soh联合估算方法 | |
CN106443496A (zh) | 一种带改进型噪声估计器的电池荷电状态估计方法 | |
Chen et al. | A novel sliding mode observer for state of charge estimation of EV lithium batteries |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |