CN109613437A - 一种基于在线模型参数识别的电池荷电状态估计方法 - Google Patents
一种基于在线模型参数识别的电池荷电状态估计方法 Download PDFInfo
- Publication number
- CN109613437A CN109613437A CN201811425945.2A CN201811425945A CN109613437A CN 109613437 A CN109613437 A CN 109613437A CN 201811425945 A CN201811425945 A CN 201811425945A CN 109613437 A CN109613437 A CN 109613437A
- Authority
- CN
- China
- Prior art keywords
- battery
- soc
- moment
- model
- voltage
- 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
Abstract
本发明公开了一种基于在线模型参数识别的电池荷电状态估计方法,属于电池荷电状态估计方法技术领域。本发明包括如下步骤:1)建立表征电池动态特性的等效电路模型;2)提出了一种鲁棒的RLS算法用于在线电池模型参数识别;3)在获得的模型的基础上,设计了一个鲁棒的观测器用于SOC估计。本发明具有良好的鲁棒性,可以将电池状态估计误差限制在给定范围内,提高SOC估计精度。
Description
技术领域
本发明公开了一种基于在线模型参数识别的电池荷电状态估计方法,属于电池荷电状态估计方法技术领域。
背景技术
因为锂电池功率大、能量密度高、自放电率低和周期寿命长的优点,广泛应用于各种场合,比如消费性电子产品、混合动力汽车等。
BMS(电池管理系统)实时监控电池的状态,动态优化电池的性能,提高性能和延长寿命。SOC(荷电状态)显示了电池的剩余可用容量,它对BMS是至关重要的。不良的SOC估计很容易导致过度放电或过度充电,这可能会导致爆炸或者火灾。因此,这就需要非常有效的方法来精确估计电池的SOC。
电池可以用一个数学模型来描述它的充电和放电特性,可以用模型来提高SOC的估计精度。近年来,基于模型的评估方法得到了广泛的关注,然而部分SOC估计算法必须在一个具有明确已知参数的模型上实现,这意味着需要一个参数识别过程来为SOC准备模型,这个过程可能很麻烦,有时候甚至需要反复运行,以便提取正确的参数。
发明内容
针对电池在线模型参数识别的问题,本发明公开了一种基于在线模型参数识别的电池荷电状态估计方法。
本发明为解决其技术问题采用如下技术方案:
一种基于在线模型参数识别的电池荷电状态估计方法,包括如下步骤:
1)建立表征电池动态特性的等效电路模型;
2)提出了一种鲁棒的RLS算法用于在线电池模型参数识别;
3)在获得的模型的基础上,设计了一个鲁棒的观测器用于SOC估计。
步骤1)所述建立表征电池动态特性的等效电路模型具体过程如下:
在等效电路模型中,Cb是用于电荷存储的电容器,R0是内阻值,RC电路用于捕获充放电中的电压瞬变;在不失一般性的情况下,假设当Cb上的电压为1V时,电池完全充电;当电压为0V时,电池完全耗尽;OCV与电池SOC之间的关系用VOC=g(SOC)来描述,其中VOC表示电池的OCV,SOC表示电池的SOC,g(·)是非线性单调递增函数;
假设在每个采样间隔期间施加到电池的电流保持恒定,则电池模型的动态表示为:
SOC(k+1)=SOC(k)-ηOT/CbIB(k)
VB(k)=g(SOC(k))-R0IB(k)-Vt(k)
其中Vt(k)是电池等效电路模型中电容Ct两端的电压,VB(k)是电容Ct两端的端电压,SOC(k+1)为k+1时刻荷电为k+1时刻Ct两端的电压状态,SOC(k)为k时刻荷电状态,Vt(k+1)为k+1时刻Ct两端的电压,Vt(k)是为k时刻Ct两端的电压,Rt为等效电路模型中的电阻值,Ct为等效电路模型中的电容值,η0是库仑系数,T是采样周期,IB(k)表示电池的电流,IB(k)在放电模式下为正,充电模式下为负;
基于上述公式,电池模型改写为以下状态空间表达式:
x(k+1)=A(θ)x(k)+B(θ)ξ(k)+w(k)
y(k)=h(x(k),θ,ξ(k))+v(k)
其中输入为y(k)=VB(k),ξ(k)=IB(k)表示已知的干扰,x(k+1)=[x1(k+1),x2(k+2)]T=[SOC(k+1),Vt(k+1)]T,x(k+1)为k+1时刻状态量,x1(k+1)表示k+1时刻的荷电状态SOC(k+1),x2(k+1)表示k时刻Ct两端的电压Vt(k+1),x(k)=[x1(k),x2(k)]T=[SOC(k),Vt(k)]T,x(k)为k时刻状态量,x1(k)表示k时刻的荷电状态SOC(k),x2(k)表示k时刻Ct两端的电压Vt(k),参数矢量w(k)和v(k)表示未知的模型偏差或噪声,矩阵A(θ)、矩阵B(θ)和h(·)表示为:
h(x(k),θ,ξ(k))=g(x1(k))-x2(k)-θ3ξ(k)
其中:θ1定义为θ2表示等效电路模型中电阻Rt,θ3表示内阻R0。
所述步骤2)提出了一种鲁棒的RLS算法用于在线识别电池模型,具体为:
根据步骤1的电池等效模型推导出:
y(k)-y(k-1)=UT(k)Φ+v1(k)
其中
Φ=[θ1,-θ3,θ1θ3-(1-θ1)θ2]T,
U(k)=[y(k-1)-y(k-2),ξ(k)-ξ(k-1),ξ(k-1)-ξ(k-2)]T,y(k-1)为k-1时刻观测量,y(k-2)为k-2时刻观测量,ξ(k-1)为k-1时刻电池电流,ξ(k-2)为k-2时刻电池电流,v1(k)表示未知的偏差或者噪声;在这里我们假定它是有界的,定义y1(k)=y(k)-y(k-1),Φ(k)的估计值通过以下公式推导得到:
其中:argmin表示求最小值运算,为i时刻的未知偏差或者噪声;是Φ的估计;λ是遗忘因子,通常取值在0.98至0.995之间;表示损失函数,定义为:
其中:为y1的估计误差,δ表示的标准差,α是正常数,α=3,使用中值滤波器来估计δ,具体估计如下:
其中:median{·}表示求中值运算,Nm表示所选数据长度。
所述步骤3)设计一个鲁棒的观测器用于SOC估计,具体如下:
电池模型参数估计值定义为:其中 为的三个元素,
设计一个鲁棒观测器:
其中是x(k)的估计值,为x1(k)的估计值,即为荷电状态SOC(k)的估计值,为x2(k)的估计值,即为Ct两端的电压Vt(k)的估计值,为荷电状态SOC(k)的估计值,为Ct两端的电压Vt(k)的估计值,为x(k+1)的估计值,为电池模型参数估计值。定义如下所示:
L(·)是要设计的增益矢量,用泰勒展开,得:
其中:定义为状态估计误差,x1为荷电状态SOC,是高阶项;
增益矢量L=P1 -1Q,P1和Q通过以下约束条件求出:
满足且P1>0,使得γ2最小,
其中∏2=P1E-QF,P1为满足约束条件的待求矩阵,Q也为满足约束条件的待求矩阵,O2×3为2行3列的全0矩阵,O3×2表示3行2列的全0矩阵,I为单位阵,γ>0是一个衰减因子,E=[I,O2],F=[O2 T,1],O2为维度为2的0向量。
本发明的有益效果如下:
1、本发明的模型参数可以在线更新,可以提高电池模型精度,即使存在电池测量异常时,本发明的鲁棒RLS(迭代最小二乘法)算法也能有效地确保参数识别性能。
2、本发明具有良好的鲁棒性,可以将电池状态估计误差限制在给定范围内,提高SOC估计精度。
附图说明
图1是电池等效电路模型示意图。
图2是OCV和电池SOC之间的关系示意图。
图3是电池电流示意图。
图4是鲁棒RLS、常规RLS和离线计算对比确定模型参数θ1示意图。
图5是鲁棒RLS、常规RLS和离线计算对比确定模型参数θ2示意图。
图6是鲁棒RLS、常规RLS和离线计算对比确定模型参数θ3示意图。
图7是SOC估计误差示意图。
具体实施方式
下面结合附图对本发明创造做进一步详细说明。
为证明在线模型参数识别状态观测器的效果,下面用一个实例证明该技术方案的可行性。
采用上述方法的本发明的实施例及其实施过程如下:
1、电池等效电路模型建立
对于如图1所示的等效电路模型,Cb是用于电荷存储的电容器,R0是内阻,RC电路(Rt,Ct)用于捕获充放电中的电压瞬变。在不失一般性的情况下,假设当Cb上的电压为1V时,电池完全充电(100%SOC);当电压为0V时,电池完全耗尽(0%SOC)。OCV(开路电压)与电池SOC(荷电状态)之间的关系可以用VOC=g(SOC)来描述,其中VOC表示电池的OCV,SOC表示电池的SOC,g(·)是非线性单调递增函数,图2显示了OCV和电池SOC之间的关系,图3是显示了电池电流随时间变化情况。
2、在线识别电池模型的鲁棒RLS算法设计
基于鲁棒判别函数设计一种用于电池模型在线参数识别的鲁棒RLS算法,并与传统常规的RLS算法和离线LS(最小二乘法)算法比较,鲁棒RLS算法和传统RLS算法的初始估计模型参数矢量定为:P0=diag{0.1,0.1,0.1},Nm=20。图4、图5、图6比较了鲁棒RLS、常规RLS和离线计算在电压测量异常值出现的参数估计偏差,可以明显看出鲁棒RLS优于常规的RLS。
3、鲁棒观测器设计
在设计鲁棒观测器中,可以通过在每个采样步骤中解决矩阵线性不等式优化问题来计算最佳增益L。对于鲁棒观测器来说,初始估计状态向量定为根据终端电压测量异常值引起的常规RLS算法的模型参数估计误差,可以通过常规的RLS算法观察到SOC观测器估计性能下降。然而,对于具有鲁棒RLS的在线模型参数识别的鲁棒观测器来说,其负面影响可以降低,这表明它对电池测量信号的异常值具有良好的鲁棒性。如图7所示为SOC估计误差对比示意图,可见本发明提出的鲁棒观测器引起的误差值最小。因此与传统的RLS相比,所提出的鲁棒RLS可以有效地降低由测量异常值引起的模型参数识别性能下降。
Claims (5)
1.一种基于在线模型参数识别的电池荷电状态估计方法,其特征在于,包括如下步骤:
1)建立表征电池动态特性的等效电路模型;
2)提出了一种鲁棒的RLS算法用于在线电池模型参数识别;
3)在获得的模型的基础上,设计了一个鲁棒的观测器用于SOC估计。
2.根据权利要求1所述的一种基于在线模型参数识别的电池荷电状态估计方法,其特征在于,步骤1)所述建立表征电池动态特性的等效电路模型具体过程如下:
在等效电路模型中,Cb是用于电荷存储的电容器,R0是内阻值,RC电路用于捕获充放电中的电压瞬变;在不失一般性的情况下,假设当Cb上的电压为1V时,电池完全充电;当电压为0V时,电池完全耗尽;OCV与电池SOC之间的关系用VOC=g(SOC)来描述,其中VOC表示电池的OCV,SOC表示电池的SOC,g(·)是非线性单调递增函数;
假设在每个采样间隔期间施加到电池的电流保持恒定,则电池模型的动态表示为:
SOC(k+1)=SOC(k)-η0T/CbIB(k)
VB(k)=g(SOC(k))-R0IB(k)-Vt(k)
其中Vt(k)是电池等效电路模型中电容Ct两端的电压,VB(k)是电容Ct两端的端电压,SOC(k+1)为k+1时刻荷电为k+1时刻Ct两端的电压状态,SOC(k)为k时刻荷电状态,Vt(k+1)为k+1时刻Ct两端的电压,Vt(k)是为k时刻Ct两端的电压,Rt为等效电路模型中的电阻值,Ct为等效电路模型中的电容值,η0是库仑系数,T是采样周期,IB(k)表示电池的电流,IB(k)在放电模式下为正,充电模式下为负;
基于上述公式,电池模型改写为以下状态空间表达式:
x(k+1)=A(θ)x(k)+B(θ)ξ(k)+w(k)
y(k)=h(x(k),θ,ξ(k))+v(k)
其中输入为y(k)=VB(k),ξ(k)=IB(k)表示已知的干扰,x(k+1)=[x1(k+1),x2(k+2)]T=[SOC(k+1),Vt(k+1)]T,x(k+1)为k+1时刻状态量,x1(k+1)表示k+1时刻的荷电状态SOC(k+1),x2(k+1)表示k时刻Ct两端的电压Vt(k+1),x(k)=[x1(k),x2(k)]T=[SOC(k),Vt(k)]T,x(k)为k时刻状态量,x1(k)表示k时刻的荷电状态SOC(k),x2(k)表示k时刻Ct两端的电压Vt(k),参数矢量w(k)和v(k)表示未知的模型偏差或噪声,矩阵A(θ)、矩阵B(θ)和h(·)表示为:
h(x(k),θ,ξ(k))=g(x1(k))-x2(k)-θ3ξ(k)
其中:θ1定义为θ2表示等效电路模型中电阻Rt,θ3表示内阻R0。
3.根据权利要求1所述的一种基于在线模型参数识别的电池荷电状态估计方法,其特征在于,所述步骤2)提出了一种鲁棒的RLS算法用于在线识别电池模型,具体为:
根据步骤1的电池等效模型推导出:
y(k)-y(k-1)=UT(k)Φ+v1(k)
其中
Φ=[θ1,-θ3,θ1θ3-(1-θ1)θ2]T,
U(k)=[y(k-1)-y(k-2),ξ(k)-ξ(k-1),ξ(k-1)-ξ(k-2)]T,y(k-1)
为k-1时刻观测量,y(k-2)为k-2时刻观测量,ξ(k-1)为k-1时刻电池电流,ξ(k-2)为k-2时刻电池电流,v1(k)表示未知的偏差或者噪声;在这里我们假定它是有界的,定义y1(k)=y(k)-y(k-1),Φ(k)的估计值通过以下公式推导得到:
其中:argmin表示求最小值运算,为i时刻的未知偏差或者噪声;是Φ的估计;λ是遗忘因子,通常取值在0.98至0.995之间;表示损失函数,定义为:
其中:为y1的估计误差,δ表示的标准差,α是正常数,α=3,使用中值滤波器来估计δ,具体估计如下:
其中:median{·}表示求中值运算,Nm表示所选数据长度。
4.根据权利要求1所述的一种基于在线模型参数识别的电池荷电状态估计方法,其特征在于,所述步骤3)设计一个鲁棒的观测器用于SOC估计,具体如下:
电池模型参数估计值定义为:其中 为的三个元素,
设计一个鲁棒观测器:
其中是x(k)的估计值,为x1(k)的估计值,即为荷电状态SOC(k)的估计值,为x2(k)的估计值,即为Ct两端的电压Vt(k)的估计值,为荷电状态SOC(k)的估计值,为Ct两端的电压Vt(k)的估计值,为x(k+1)的估计值,为电池模型参数估计值。定义如下所示:
L(·)是要设计的增益矢量,用泰勒展开,得:
其中:定义为状态估计误差,x1为荷电状态SOC,是高阶项;增益矢量L=P1 -1Q,P1和Q通过以下约束条件求出:
满足且P1>0,使得γ2最小,
其中∏2=P1E-QF,P1为满足约束条件的待求矩阵,Q也为满足约束条件的待求矩阵,O2×3为2行3列的全0矩阵,O3×2表示3行2列的全0矩阵,I为单位阵,γ>0是一个衰减因子,E=[I,O2],F=[O2 T,1],O2为维度为2的0向量。
5.根据权利要求1所述的一种基于在线模型参数识别的电池荷电状态估计方法,其特征在于,步骤3)所述设计鲁棒观测器中,通过在每个采样步骤中解决矩阵线性不等式优化问题来计算最佳增益L。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811425945.2A CN109613437A (zh) | 2018-11-27 | 2018-11-27 | 一种基于在线模型参数识别的电池荷电状态估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811425945.2A CN109613437A (zh) | 2018-11-27 | 2018-11-27 | 一种基于在线模型参数识别的电池荷电状态估计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109613437A true CN109613437A (zh) | 2019-04-12 |
Family
ID=66005238
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811425945.2A Pending CN109613437A (zh) | 2018-11-27 | 2018-11-27 | 一种基于在线模型参数识别的电池荷电状态估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109613437A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110007238A (zh) * | 2019-04-19 | 2019-07-12 | 中国计量大学 | 一种铝空气电池等效电路模型的建立方法 |
CN110007236A (zh) * | 2019-04-19 | 2019-07-12 | 中国计量大学 | 一种铝空气电池等效电路模型的参数辨识方法 |
CN111308371A (zh) * | 2019-11-29 | 2020-06-19 | 湖南海博瑞德电智控制技术有限公司 | 一种锂离子的电池荷电状态估算方法 |
CN111323705A (zh) * | 2020-03-19 | 2020-06-23 | 山东大学 | 基于鲁棒递归最小二乘的电池参数辨识方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040162683A1 (en) * | 2003-02-18 | 2004-08-19 | Verbrugge Mark W. | Method and apparatus for generalized recursive least-squares process for battery state of charge and state of health |
CN104181470A (zh) * | 2014-09-10 | 2014-12-03 | 山东大学 | 一种基于非线性预测扩展卡尔曼滤波的电池soc估计方法 |
CN105301509A (zh) * | 2015-11-12 | 2016-02-03 | 清华大学 | 锂离子电池荷电状态、健康状态与功率状态的联合估计方法 |
CN105607009A (zh) * | 2016-02-01 | 2016-05-25 | 深圳大学 | 一种基于动态参数模型的动力电池soc估计方法和系统 |
CN106597308A (zh) * | 2016-12-16 | 2017-04-26 | 西南交通大学 | 一种动力电池剩余电量估计方法 |
CN106772094A (zh) * | 2017-01-09 | 2017-05-31 | 成都理工大学 | 一种基于参数自适应的电池模型的soc估计方法 |
-
2018
- 2018-11-27 CN CN201811425945.2A patent/CN109613437A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040162683A1 (en) * | 2003-02-18 | 2004-08-19 | Verbrugge Mark W. | Method and apparatus for generalized recursive least-squares process for battery state of charge and state of health |
CN104181470A (zh) * | 2014-09-10 | 2014-12-03 | 山东大学 | 一种基于非线性预测扩展卡尔曼滤波的电池soc估计方法 |
CN105301509A (zh) * | 2015-11-12 | 2016-02-03 | 清华大学 | 锂离子电池荷电状态、健康状态与功率状态的联合估计方法 |
CN105607009A (zh) * | 2016-02-01 | 2016-05-25 | 深圳大学 | 一种基于动态参数模型的动力电池soc估计方法和系统 |
CN106597308A (zh) * | 2016-12-16 | 2017-04-26 | 西南交通大学 | 一种动力电池剩余电量估计方法 |
CN106772094A (zh) * | 2017-01-09 | 2017-05-31 | 成都理工大学 | 一种基于参数自适应的电池模型的soc估计方法 |
Non-Patent Citations (6)
Title |
---|
JOAOFIGUEIRAS: "《移动定位与跟踪》", 31 January 3013 * |
刘江: "基于RLS与EKF算法的锂电池SOC估计", 《测控技术》 * |
张云: "锂离子电池荷电状态估计_非线性观测器方法", 《控制理论与应用》 * |
张利: "锂离子电池自适应参数辨识与SoC估算研究", 《电子测量与仪器学报》 * |
朱明德: "《统计预测与控制》", 31 May 1993 * |
权太范: "《目标跟踪新理论与技术》", 31 August 2009 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110007238A (zh) * | 2019-04-19 | 2019-07-12 | 中国计量大学 | 一种铝空气电池等效电路模型的建立方法 |
CN110007236A (zh) * | 2019-04-19 | 2019-07-12 | 中国计量大学 | 一种铝空气电池等效电路模型的参数辨识方法 |
CN111308371A (zh) * | 2019-11-29 | 2020-06-19 | 湖南海博瑞德电智控制技术有限公司 | 一种锂离子的电池荷电状态估算方法 |
CN111323705A (zh) * | 2020-03-19 | 2020-06-23 | 山东大学 | 基于鲁棒递归最小二乘的电池参数辨识方法及系统 |
CN111323705B (zh) * | 2020-03-19 | 2021-07-23 | 山东大学 | 基于鲁棒递归最小二乘的电池参数辨识方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10312699B2 (en) | Method and system for estimating battery open cell voltage, state of charge, and state of health during operation of the battery | |
Duong et al. | Online state of charge and model parameters estimation of the LiFePO4 battery in electric vehicles using multiple adaptive forgetting factors recursive least-squares | |
CN108717164B (zh) | 电池的荷电状态soc标定方法及系统 | |
Saji et al. | SoC estimation of lithium ion battery using combined coulomb counting and fuzzy logic method | |
Chaoui et al. | Lyapunov-based adaptive state of charge and state of health estimation for lithium-ion batteries | |
US10126369B2 (en) | Secondary battery capacity measurement system and secondary battery capacity measurement method | |
Kim | Nonlinear state of charge estimator for hybrid electric vehicle battery | |
CN109613437A (zh) | 一种基于在线模型参数识别的电池荷电状态估计方法 | |
Fathoni et al. | Comparison of State-of-Charge (SOC) estimation performance based on three popular methods: Coulomb counting, open circuit voltage, and Kalman filter | |
Nguyen et al. | Development of the intelligent charger with battery State-Of-Health estimation using online impedance spectroscopy | |
Chaoui et al. | Online parameter and state estimation of lithium-ion batteries under temperature effects | |
CN109342950B (zh) | 一种用于锂电池荷电状态的评估方法、装置及其设备 | |
Azis et al. | State of charge (SoC) and state of health (SoH) estimation of lithium-ion battery using dual extended kalman filter based on polynomial battery model | |
Chaoui et al. | Adaptive state of charge estimation of lithium-ion batteries with parameter and thermal uncertainties | |
CN110895310A (zh) | 一种磷酸铁锂电池soc估算系统 | |
US20140365150A1 (en) | Method and device for determining a charge state of an electric energy store | |
CN110058177B (zh) | 一种动力电池电量soc修正方法 | |
Chaoui et al. | Online parameter identification of lithium-ion batteries with surface temperature variations | |
Tan et al. | Joint estimation of ternary lithium-ion battery state of charge and state of power based on dual polarization model | |
Chaoui et al. | Accurate state of charge (SOC) estimation for batteries using a reduced-order observer | |
KR20080012079A (ko) | 슬라이딩 모드 관측기를 이용한 2차 전지 soc 예측방법 및 장치 | |
CN110596604A (zh) | 一种基于安时积分法的锂电池soc估计方法 | |
Hussein et al. | State-of-charge estimation for a single Lithium battery cell using Extended Kalman Filter | |
CN113625174B (zh) | 一种锂离子电池soc与容量联合估计方法 | |
Baba et al. | State of charge estimation of lithium-ion battery using Kalman filters |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190412 |