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

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

一种基于在线模型参数识别的电池荷电状态估计方法

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，C_b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C_b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V_OC＝g(SOC)来描述，其中V_OC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)-η_OT/C_bI_B(k)

V_B(k)＝g(SOC(k))-R₀I_B(k)-V_t(k)

其中V_t(k)是电池等效电路模型中电容C_t两端的电压，V_B(k)是电容C_t两端的端电压，SOC(k+1)为k+1时刻荷电为k+1时刻C_t两端的电压状态，SOC(k)为k时刻荷电状态，V_t(k+1)为k+1时刻C_t两端的电压，V_t(k)是为k时刻C_t两端的电压，R_t为等效电路模型中的电阻值，C_t为等效电路模型中的电容值，η₀是库仑系数，T是采样周期，I_B(k)表示电池的电流，I_B(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)＝V_B(k)，ξ(k)＝I_B(k)表示已知的干扰，x(k+1)＝[x₁(k+1)，x₂(k+2)]^T＝[SOC(k+1)，V_t(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C_t两端的电压V_t(k+1)，x(k)＝[x₁(k)，x₂(k)]^T＝[SOC(k)，V_t(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C_t两端的电压V_t(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R_t，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)＝U^T(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，N_m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C_t两端的电压V_t(k)的估计值，为荷电状态SOC(k)的估计值，为C_t两端的电压V_t(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，O_2×3为2行3列的全0矩阵，O_3×2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，C_b是用于电荷存储的电容器，R₀是内阻，RC电路(R_t，C_t)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C_b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V_OC＝g(SOC)来描述，其中V_OC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}，N_m＝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，C_b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C_b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V_OC＝g(SOC)来描述，其中V_OC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/C_bI_B(k)

V_B(k)＝g(SOC(k))-R₀I_B(k)-V_t(k)

其中V_t(k)是电池等效电路模型中电容C_t两端的电压,V_B(k)是电容C_t两端的端电压，SOC(k+1)为k+1时刻荷电为k+1时刻C_t两端的电压状态，SOC(k)为k时刻荷电状态，V_t(k+1)为k+1时刻C_t两端的电压，V_t(k)是为k时刻C_t两端的电压，R_t为等效电路模型中的电阻值，C_t为等效电路模型中的电容值，η₀是库仑系数，T是采样周期，I_B(k)表示电池的电流，I_B(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)＝V_B(k)，ξ(k)＝I_B(k)表示已知的干扰，x(k+1)＝[x₁(k+1)，x₂(k+2)]^T＝[SOC(k+1)，V_t(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C_t两端的电压V_t(k+1)，x(k)＝[x₁(k)，x₂(k)]T＝[SOC(k)，V_t(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C_t两端的电压V_t(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R_t，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)＝U^T(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，N_m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C_t两端的电压V_t(k)的估计值，为荷电状态SOC(k)的估计值，为C_t两端的电压V_t(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，O_2×3为2行3列的全0矩阵，O_3×2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。