CN109895657A - 一种动力电池soc估计装置、汽车及方法 - Google Patents

一种动力电池soc估计装置、汽车及方法 Download PDF

Info

Publication number
CN109895657A
CN109895657A CN201910221471.8A CN201910221471A CN109895657A CN 109895657 A CN109895657 A CN 109895657A CN 201910221471 A CN201910221471 A CN 201910221471A CN 109895657 A CN109895657 A CN 109895657A
Authority
CN
China
Prior art keywords
fuzzy
power battery
particle
soc estimation
battery
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
Application number
CN201910221471.8A
Other languages
English (en)
Inventor
王勇
陶玉贵
钱峰
夏跃武
杨会
安广帅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhu Institute of Technology
Original Assignee
Wuhu Institute of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhu Institute of Technology filed Critical Wuhu Institute of Technology
Priority to CN201910221471.8A priority Critical patent/CN109895657A/zh
Publication of CN109895657A publication Critical patent/CN109895657A/zh
Pending legal-status Critical Current

Links

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries

Landscapes

  • Secondary Cells (AREA)

Abstract

本发明公开基于改进粒子群优化模糊卡尔曼滤波算法的电池SOC估计装置、汽车及方法，包括连接于动力电池的以下部件：记录动力电池充放电时间的微控制器、测量动力电池温度的温度传感器、测量动力电池充电电流的电流传感器、测量充电电池放电电压的电压传感器，其中，所述微控制器分别连接于所述温度传感器、电流传感器和电压传感器，所述微控制器通过粒子群算法确定模糊系统的隶属度函数，并通过模糊推理实时调整测量噪声协方差矩阵，以改变卡尔曼增益，修正动力电池状态估计值。该动力电池SOC估计方法可以提高卡尔曼滤波的估计精度。

Description

一种动力电池SOC估计装置、汽车及方法
技术领域
本发明涉及动力电池健康状态领域，具体地，涉及一种动力电池SOC估计装置、汽车及方法。
背景技术
准确预测动力电池的荷电状态，是动力电池能量管理与电池保护的核心技术。在对电池荷电状态的估计过程中，卡尔曼滤波通过递推的方法可以实现电池荷电状态的最小方差估计，被应用广泛。卡尔曼滤波过程中通过测量误差的统计特性，确定测量误差的协方差矩阵。然而环境温度，充放电电流、充放电次数都会对测量过程造成影响。这严重影响了卡尔曼滤波的估计精度。
发明内容
本发明的目的是提供一种动力电池SOC估计装置，该动力电池SOC估计装置可以提高卡尔曼滤波的估计精度。
为了实现上述目的，本发明提供了一种基于改进粒子群优化模糊卡尔曼滤波算法的电池SOC估计装置，基于改进粒子群优化模糊卡尔曼滤波算法的电池SOC估计装置包括连接于动力电池的以下部件：记录动力电池充放电时间的微控制器、测量动力电池温度的温度传感器、测量动力电池充电电流的电流传感器、测量充电电池放电电压的电压传感器，其中，所述微控制器分别连接于所述温度传感器、电流传感器和电压传感器，所述微控制器通过粒子群算法确定模糊系统的隶属度函数，并通过模糊推理实时调整测量噪声协方差矩阵，以改变卡尔曼增益，修正动力电池状态估计值。
优选地，所述电池SOC估计装置包括：所述控制器能够根据所测量的充电电流和放电电压建立多个数学模型，并通过粒子群算法确定模糊系统的隶属度函数，再通过模糊推理实时调整测量噪声协方差矩阵，以改变卡尔曼增益；所述控制器能够通过扩展卡尔曼滤波法针对多个数学模型预测动力电池的荷电状态。
优选地，该动力电池SOC估计装置还包括电源，所述电源连接于所述微控制器、温度传感器、电流传感器和电压传感器，以提供工作电压。
优选地，该动力电池SOC估计装置还包括输入端连接于所述微控制器的CAN控制器，所述CAN控制器的输出端连接于车载ECU。
本发明还提供一种汽车，该汽车包括根据上述基于模糊多模型卡尔曼滤波的动力电池SOC估计装置。
本发明还提供一种基于模糊多模型卡尔曼滤波的动力电池SOC估计方法，该方法包括：步骤1，估计动力电池的状态变量，并计算动力电池的观测值；步骤2，根据估计动机电池的状态变量计算协方差矩阵；步骤3，使用粒子群算法确定模糊推理系统隶属度函数；在所建立的系统中，Y(k)为系统的测量值，Y(k|k-1)为所建立模型的估计值，c(k)＝Y(k)-Y(k|k-1)，表示滤波器模型中真实测量值与模型估计值之间的实际残差；p(k)＝H(k)(Φ(k)P(k-1)ΦT(k)+Q(k))HT(k)+R(k-1)，表示滤波器性能最优时的理论残差，其中R(k-1)为测量噪声的协方差矩阵，R(k-1)＝α(k)R(k-2)，而α(k)为协方差矩阵的调节系数；Φ(k)为电池的模型状态方程一阶线性化后的状态转移矩阵，H(k)为观测方程一阶线性化后的观测矩阵；r(k)＝c(k)-p(k)＝0时，表示测量噪声的模型足够准确；采用的模糊逻辑中根据r(k)的大小调节系数α(k)的大小；在模糊推理系统中，以r(k)为输入，α(k)为输出；描述r(k)、α(k)的模糊集合均为{NB、NS、Z、PS、PB}，其中NB：负大，NS：负小，Z：零，PS：正小，PB：正大；α(k)、r(k)之间的模糊规则可以归纳为：IF r(k)＝NB，THEN α(k)＝NB；IF r(k)＝NS,，THEN α(k)＝NS；IF r(k)＝Z，THEN α(k)＝Z；IF r(k)＝PS，THEN α(k)＝PS；IF r(k)＝PB，THEN α(k)＝PB；r(k)、α(k)在模糊集合中被分成了5个等级，各个等级对应的隶属度函数都是高斯型，分别为：N(μi,σi 2)，其中μi,σi 2(i＝1,2,...5)分别为高斯型隶属度函数的期望和标准差；因此，隶属度函数中待确定的参数为u1,u2,...,u5,σ1,σ2,...,σ5这样的10个参数。采用粒子群算法对待确定参数进行寻优；在搜索空间中初始化一个n个粒子组成的种群X＝(X1,X2,...Xn)，其中，第i个粒子为一个10维向量Xi＝(xi1,xi2,...xi10)T，代表第i个粒子在10维空间的位置，亦代表待确定参数的一个潜在解；
为了避免粒子在搜索过程中，陷入局部最优，将种群中的一部分粒子通过Logistic映射初始化并更新粒子的位置：
xk+1＝μ·xk(1-xk)
其中，k＝0,1,2,...；当时，且μ＝4时，映射能产生混沌序列，避免粒子出现在重复位置；
以f＝||r(k)||＝||c(k)-p(k)||为适应度函数，第i个粒子在10维空间中运动的速度为：Vi＝(Vi1,Vi2,...,Vi10)T，对于第i个粒子的个体最优值为Pi＝(Pi1,Pi2,...,Pi10)T，整个种群的历史最优值为Pg＝(Pg1,Pg2,...,Pg10)T，初始化粒子以后，每个粒子综合个体极值和种群历史最优值更新粒子的位置：
其中d＝1,2,...10，表示在一个10维空间内搜索；表示第k次迭代运算时第i个粒子的速度；c1、c2为加速度因子，r1、r2是[0,1]区间内的是随机数；根据式(6)、(7)经过若干次迭代运算后计算出最优隶属度函数；步骤4，模糊推理调整观测噪声协方差矩阵；经过步骤3确定协方差调整系数α(k)，可测得R(k)＝α(k)R(k-1)，为下一次预测过程做准备；步骤5，计算卡尔曼增益，修正动力电池状态估计值。
优选地，步骤1，估计动力电池的状态变量，并计算动力电池的观测值，包括
建立电池的非线性数学模型：
X(k)＝f(X(k-1))+W(k)；
Y(k)＝H(k)X(k)+V(k)；
估计动力电池的状态变量：X(k)＝f[X(k-1)]；
计算动力电池的观测值：Y(k)＝H(k)X(k)；
其中，W(k)为过程噪声，其方差为Q(k)；V(k)为观测噪声，其方差为R(k)；一阶线性化状态方程可得状态转移矩阵为一阶线性化观测方程可得系统的观测矩阵
优选地，步骤2，根据估计动机电池的状态变量计算协方差矩阵，包括通过如下公式，计算协方差矩阵：
P(k|k-1)＝Φ(k)P(k-1)Φ(k)T+Q(k)。
优选地，步骤5，计算卡尔曼增益，修正动力电池状态估计值，包括：
通过如下公式，计算卡尔曼增益：
K(k)＝P(k|k-1)HT(k)[H(k)P(k|k-1)HT(k)+R(k)]；
其中P(k|k-1)是协方差矩阵的预测值；
H(k)为一阶线性化之后的观测矩阵；
R(k)为测量噪声的协方差矩阵；
通过如下公式，修正动力电池状态估计值：
X(k|k)＝X(k|k-1)+K(k)[Y(k)-Y(k|k-1)]；
并通过如下公式更新误差协方差矩阵：
P(k)＝[I-K(k)H(k)]P(k|k-1)。
根据上述技术方案，本发明在外部条件发生变化时，通过粒子群算法确定模糊系统的隶属度函数，并通过模糊推理实时调整测量噪声协方差矩阵，以改变卡尔曼增益，提高了卡尔曼滤波的预测精度。
本发明的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明，但并不构成对本发明的限制。在附图中：
图1是说明本发明的一种基于改进粒子群优化模糊卡尔曼滤波算法的电池SOC估计装置的结构示意图；
图2是说明本发明的一种粒子群算法搜索寻优流程图；以及
图3是说明本发明的一种基于模糊多模型卡尔曼滤波的动力电池SOC估计方法的流程图。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。
本发明提供一种基于改进粒子群优化模糊卡尔曼滤波算法的电池SOC估计装置，基于改进粒子群优化模糊卡尔曼滤波算法的电池SOC估计装置包括连接于动力电池的以下部件：记录动力电池充放电时间的微控制器、测量动力电池温度的温度传感器、测量动力电池充电电流的电流传感器、测量充电电池放电电压的电压传感器，其中，所述微控制器分别连接于所述温度传感器、电流传感器和电压传感器，所述微控制器通过粒子群算法确定模糊系统的隶属度函数，并通过模糊推理实时调整测量噪声协方差矩阵，以改变卡尔曼增益，修正动力电池状态估计值。
根据上述技术方案，本发明在外部条件发生变化时，通过粒子群算法确定模糊系统的隶属度函数，并通过模糊推理实时调整测量噪声协方差矩阵，以改变卡尔曼增益，提高了卡尔曼滤波的预测精度。
本发明结构简单、应用领域广泛，可为电动汽车电池的能量管理、电池组的保护等场合，尤其便于利用未处理将算法应用与工程实际。
测量过程中，外界因素的变化，会影响系统的测量噪声的协方差矩阵。使用改进粒子群算法确定模糊推理系统的隶属度函数，然后利用模糊推理实时调整测量过程中观测噪声的协方差，通过卡尔曼滤波实时的对数学模型的估计值进行修正，形成最终的测量结果X(k|k)更接近真实值。
在本发明的一种具体实施方式中，所述电池SOC估计装置可以包括：所述控制器能够根据所测量的充电电流和放电电压建立多个数学模型，并通过粒子群算法确定模糊系统的隶属度函数，再通过模糊推理实时调整测量噪声协方差矩阵，以改变卡尔曼增益；所述控制器能够通过扩展卡尔曼滤波法针对多个数学模型预测动力电池的荷电状态。
在本发明的一种具体实施方式中，该动力电池SOC估计装置还包括电源，所述电源连接于所述微控制器、温度传感器、电流传感器和电压传感器，以提供工作电压。
在本发明的一种具体实施方式中，该动力电池SOC估计装置还包括输入端连接于所述微控制器的CAN控制器，所述CAN控制器的输出端连接于车载ECU。
本发明还提供一种汽车，该汽车包括根据上述基于模糊多模型卡尔曼滤波的动力电池SOC估计装置。
本发明还提供一种基于模糊多模型卡尔曼滤波的动力电池SOC估计方法，该方法包括：
步骤1，估计动力电池的状态变量，并计算动力电池的观测值；
步骤2，根据估计动机电池的状态变量计算协方差矩阵；
步骤3，使用粒子群算法确定模糊推理系统隶属度函数；
在所建立的系统中，Y(k)为系统的测量值，Y(k|k-1)为所建立模型的估计值，c(k)＝Y(k)-Y(k|k-1)，表示滤波器模型中真实测量值与模型估计值之间的实际残差；
p(k)＝H(k)(Φ(k)P(k-1)ΦT(k)+Q(k))HT(k)+R(k-1)，表示滤波器性能最优时的理论残差，其中R(k-1)为测量噪声的协方差矩阵，R(k-1)＝α(k)R(k-2)，而α(k)为协方差矩阵的调节系数；Φ(k)为电池的模型状态方程一阶线性化后的状态转移矩阵，H(k)为观测方程一阶线性化后的观测矩阵；
r(k)＝c(k)-p(k)＝0时，表示测量噪声的模型足够准确；采用的模糊逻辑中根据r(k)的大小调节系数α(k)的大小；
在模糊推理系统中，以r(k)为输入，α(k)为输出；
描述r(k)、α(k)的模糊集合均为{NB、NS、Z、PS、PB}，其中NB：负大，NS：负小，Z：零，PS：正小，PB：正大；
α(k)、r(k)之间的模糊规则可以归纳为：
IF r(k)＝NB，THEN α(k)＝NB；
IF r(k)＝NS，THEN α(k)＝NS；
IF r(k)＝Z，THEN α(k)＝Z；
IF r(k)＝PS，THEN α(k)＝PS；
IF r(k)＝PB，THEN α(k)＝PB；
r(k)、α(k)在模糊集合中被分成了5个等级，各个等级对应的隶属度函数都是高斯型，分别为：N(μi,σi 2)，其中μi,σi 2(i＝1,2,...5)分别为高斯型隶属度函数的期望和标准差；
因此，隶属度函数中待确定的参数为u1,u2,...,u5,σ1,σ2,...,σ5这样的10个参数。采用粒子群算法对待确定参数进行寻优；
在搜索空间中初始化一个n个粒子组成的种群X＝(X1,X2,...Xn)，其中，第i个粒子为一个10维向量Xi＝(xi1,xi2,...xi10)T，代表第i个粒子在10维空间的位置，亦代表待确定参数的一个潜在解；
为了避免粒子在搜索过程中，陷入局部最优，将种群中的一部分粒子通过Logistic映射初始化并更新粒子的位置：
xk+1＝μ·xk(1-xk)
其中，k＝0,1,2,...；当时，且μ＝4时，映射能产生混沌序列，避免粒子出现在重复位置；
以f＝||r(k)||＝||c(k)-p(k)||为适应度函数，第i个粒子在10维空间中运动的速度为：Vi＝(Vi1,Vi2,...,Vi10)T，对于第i个粒子的个体最优值为Pi＝(Pi1,Pi2,...,Pi10)T，整个种群的历史最优值为Pg＝(Pg1,Pg2,...,Pg10)T，初始化粒子以后，每个粒子综合个体极值和种群历史最优值更新粒子的位置：
其中d＝1,2,...10，表示在一个10维空间内搜索；表示第k次迭代运算时第i个粒子的速度；c1、c2为加速度因子，r1、r2是[0,1]区间内的是随机数；
根据式(6)、(7)经过若干次迭代运算后计算出最优隶属度函数；
步骤4，模糊推理调整观测噪声协方差矩阵；
经过步骤3确定协方差调整系数α(k)，可测得R(k)＝α(k)R(k-1)，为下一次预测过程做准备；
步骤5，计算卡尔曼增益，修正动力电池状态估计值。
在本发明的一种具体实施方式中，首先建立电池的非线性数学模型。
X(k)＝f(X(k-1))+W(k)
Y(k)＝H(k)X(k)+V(k)
W(k)为过程噪声，其方差为Q(k)；V(k)为观测噪声，其方差为R(k)。
对动力电池SOC估计的流程如下：
(1)状态变量的估计
X(k)＝f[X(k-1)] (式1)
(2)观测值估计
Y(k)＝H(k)X(k) (式2)
一阶线性化状态方程可得状态转移矩阵为一阶线性化观测方程可得系统的观测矩阵
(3)计算协方差矩阵
P(k|k-1)＝Φ(k)P(k-1)Φ(k)T+Q(k) (式3)
(4)计算卡尔曼增益
K(k)＝P(k|k-1)HT(k)[H(k)P(k|k-1)HT(k)+R(k)] (式4)
当电池内部参数发生变化、环境温度变化会影响测量过程，测量噪声的协方差矩阵R(k)会跟着变化，所以令R(k)＝α(k)R(k-1)，其中α(k)是由模糊推理得到的调整系数。
在所建立的模糊推理系统中，c(k)＝Y(k)-Y(k|k-1)，表示滤波器模型中真实测量值与模型估计值之间的实际残差。
p(k)＝H(k)(Φ(k)P(k-1)ΦT(k)+Q(k))HT(k)+R(k-1)，表示滤波器性能最优时的理论残差。
r(k)＝c(k)-p(k)＝0时，表示测量噪声的模型足够准确。采用的模糊逻辑中根据r(k)的大小调节系数α(k)的大小。在模糊推理系统中，以r(k)为输入，α(k)为输出。描述r(k)、α(k)的模糊集合均为{NB、NS、Z、PS、PB}，其中NB：负大，NS：负小，Z：零，PS：正小，PB：正大。
α(k)、α(k)之间的模糊规则可以归纳为：
IF r(k)＝NB，THEN α(k)＝NB；
IF r(k)＝NS，THEN α(k)＝NS；
IF r(k)＝Z，THEN α(k)＝Z；
IF r(k)＝PS，THEN α(k)＝PS；
IF r(k)＝PB，THEN α(k)＝PB；
r(k)、α(k)在模糊集合中被分成了5个等级，各个等级对应的隶属度函数都是高斯型，分别为：N(μi,σi 2)，其中μi,σi 2(i＝1,2,...5)分别为高斯型隶属度函数的期望和标准差。
因此，隶属度函数中待确定的参数为u1,u2,...,u5,σ1,σ2,...,σ5这样的10个参数。采用粒子群算法对待确定参数进行寻优。在搜索空间中初始化一个n个粒子组成的种群X＝(X1,X2,...Xn)，其中第i个粒子为一个10维向量Xi＝(xi1,xi2,...xi10)T，代表第i个粒子在10维空间的位置，亦代表待确定参数的一个潜在解。
为了避免粒子在搜索过程中，陷入局部最优，将种群中的一部分粒子通过Logistic映射初始化并更新粒子的位置：
xk+1＝μ·xk(1-xk) (式5)
其中，k＝0,1,2,...。当时，且μ＝4时，映射能产生混沌序列，避免粒子出现在重复位置。
以f＝||r(k)||＝||c(k)-p(k)||为适应度函数，第i个粒子在10维空间中运动的速度为：Vi＝(Vi1,Vi2,...,Vi10)T，对于第i个粒子的个体最优值为Pi＝(Pi1,Pi2,...,Pi10)T，整个种群的历史最优值为Pg＝(Pg1,Pg2,...,Pg10)T，初始化粒子以后，每个粒子综合个体极值和种群历史最优值更新粒子的位置：
其中d＝1,2,...10，表示在一个10维空间内搜索。表示第k次迭代运算时第i个粒子的速度。c1、c2为加速度因子，r1、r2是[0,1]区间内的是随机数。具体迭代计算的方法如图2所示。
(5)获得卡尔曼增益之后，修正状态估计值
X(k|k)＝X(k|k-1)+K(k)[Y(k)-Y(k|k-1)] (式8)
(6)更新误差协方差矩阵
P(k)＝[I-K(k)H(k)]P(k|k-1) (式9)
其中I为单位矩阵。具体测量流程如图3所示。
计算出具体测量结果后，微处理器可通过CAN控制器将测量结果发送至车载ECU。
本发明专利中引入混沌粒子群算法确定模糊推理系统的隶属度函数，并通过模糊推理调整观测噪声的协方差矩阵，获得更为精确的卡尔曼增益，提高了系统的抗干扰性与测量的精度。本发明专利可将测量结果通过CAN控制器发送至网络。
本发明结构简单、应用领域广泛，可为电动汽车电池的能量管理、电池组的保护等场合，尤其便于利用未处理将算法应用与工程实际。
测量过程中，外界因素的变化，会影响系统的测量噪声的协方差矩阵。使用改进粒子群算法确定模糊推理系统的隶属度函数，然后利用模糊推理实时调整测量过程中观测噪声的协方差，通过卡尔曼滤波实时的对数学模型的估计值进行修正，形成最终的测量结果X(k|k)更接近真实值。
以上结合附图详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种简单变型，这些简单变型均属于本发明的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合，为了避免不必要的重复，本发明对各种可能的组合方式不再另行说明。
此外，本发明的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明的思想，其同样应当视为本发明所公开的内容。

Claims (9)

1.一种基于改进粒子群优化模糊卡尔曼滤波算法的电池SOC估计装置，其特征在于，基于改进粒子群优化模糊卡尔曼滤波算法的电池SOC估计装置包括连接于动力电池的以下部件：记录动力电池充放电时间的微控制器、测量动力电池温度的温度传感器、测量动力电池充电电流的电流传感器、测量充电电池放电电压的电压传感器，其中，所述微控制器分别连接于所述温度传感器、电流传感器和电压传感器，所述微控制器通过粒子群算法确定模糊系统的隶属度函数，并通过模糊推理实时调整测量噪声协方差矩阵，以改变卡尔曼增益，修正动力电池状态估计值。
2.根据权利要求1所述的基于改进粒子群优化模糊卡尔曼滤波算法的电池SOC估计装置，其特征在于，所述电池SOC估计装置包括：所述控制器能够根据所测量的充电电流和放电电压建立多个数学模型，并通过粒子群算法确定模糊系统的隶属度函数，再通过模糊推理实时调整测量噪声协方差矩阵，以改变卡尔曼增益；所述控制器能够通过扩展卡尔曼滤波法针对多个数学模型预测动力电池的荷电状态。
3.根据权利要求1所述的基于改进粒子群优化模糊卡尔曼滤波算法的电池SOC估计装置，其特征在于，该动力电池SOC估计装置还包括电源，所述电源连接于所述微控制器、温度传感器、电流传感器和电压传感器，以提供工作电压。
4.根据权利要求1所述的基于模糊多模型卡尔曼滤波的动力电池SOC估计装置，其特征在于，该动力电池SOC估计装置还包括输入端连接于所述微控制器的CAN控制器，所述CAN控制器的输出端连接于车载ECU。
5.一种汽车，其特征在于，该汽车包括根据权利要求1-4中任意一项所述基于模糊多模型卡尔曼滤波的动力电池SOC估计装置。
6.一种基于模糊多模型卡尔曼滤波的动力电池SOC估计方法，其特征在于，该方法使用权利要求1-4中任意一项所述的基于改进粒子群优化模糊卡尔曼滤波算法的电池SOC估计装置，该方法包括：
步骤1，估计动力电池的状态变量，并计算动力电池的观测值；
步骤2，根据估计动机电池的状态变量计算协方差矩阵；
步骤3，使用粒子群算法确定模糊推理系统隶属度函数；
在所建立的系统中，Y(k)为系统的测量值，Y(k|k-1)为所建立模型的估计值，c(k)＝Y(k)-Y(k|k-1)，表示滤波器模型中真实测量值与模型估计值之间的实际残差；
p(k)＝H(k)(Φ(k)P(k-1)ΦT(k)+Q(k))HT(k)+R(k-1)，表示滤波器性能最优时的理论残差，其中R(k-1)为测量噪声的协方差矩阵，R(k-1)＝α(k)R(k-2)，而α(k)为协方差矩阵的调节系数；Φ(k)为电池的模型状态方程一阶线性化后的状态转移矩阵，H(k)为观测方程一阶线性化后的观测矩阵；
r(k)＝c(k)-p(k)＝0时，表示测量噪声的模型足够准确；采用的模糊逻辑中根据r(k)的大小调节系数α(k)的大小；
在模糊推理系统中，以r(k)为输入，α(k)为输出；
描述r(k)、α(k)的模糊集合均为{NB、NS、Z、PS、PB}，其中NB：负大，NS：负小，Z：零，PS：正小，PB：正大；
α(k)、r(k)之间的模糊规则可以归纳为：
IF r(k)＝NB，THENα(k)＝NB；
IF r(k)＝NS，THENα(k)＝NS；
IF r(k)＝Z，THENα(k)＝Z；
IF r(k)＝PS，THENα(k)＝PS；
IF r(k)＝PB，THENα(k)＝PB；
r(k)、α(k)在模糊集合中被分成了5个等级，各个等级对应的隶属度函数都是高斯型，分别为：N(μi,σi 2)，其中μi,σi 2(i＝1,2,...5)分别为高斯型隶属度函数的期望和标准差；
因此，隶属度函数中待确定的参数为u1,u2,...,u5,σ1,σ2,...,σ5这样的10个参数。采用粒子群算法对待确定参数进行寻优；
在搜索空间中初始化一个n个粒子组成的种群X＝(X1,X2,...Xn)，其中，第i个粒子为一个10维向量Xi＝(xi1,xi2,...xi10)T，代表第i个粒子在10维空间的位置，亦代表待确定参数的一个潜在解；
为了避免粒子在搜索过程中，陷入局部最优，将种群中的一部分粒子通过Logistic映射初始化并更新粒子的位置：
xk+1＝μ·xk(1-xk)
其中，k＝0,1,2,...；当时，且μ＝4时，映射能产生混沌序列，避免粒子出现在重复位置；
以f＝||r(k)||＝||c(k)-p(k)||为适应度函数，第i个粒子在10维空间中运动的速度为：Vi＝(Vi1,Vi2,...,Vi10)T，对于第i个粒子的个体最优值为Pi＝(Pi1,Pi2,...,Pi10)T，整个种群的历史最优值为Pg＝(Pg1,Pg2,...,Pg10)T，初始化粒子以后，每个粒子综合个体极值和种群历史最优值更新粒子的位置：
其中d＝1,2,...10，表示在一个10维空间内搜索；表示第k次迭代运算时第i个粒子的速度；c1、c2为加速度因子，r1、r2是[0,1]区间内的是随机数；
根据式(6)、(7)经过若干次迭代运算后计算出最优隶属度函数；
步骤4，模糊推理调整观测噪声协方差矩阵；
经过步骤3确定协方差调整系数α(k)，可测得R(k)＝α(k)R(k-1)，为下一次预测过程做准备；
步骤5，计算卡尔曼增益，修正动力电池状态估计值。
7.根据权利要求6所述的基于模糊多模型卡尔曼滤波的动力电池SOC估计方法，其特征在于，步骤1，估计动力电池的状态变量，并计算动力电池的观测值，包括
建立电池的非线性数学模型：
X(k)＝f(X(k-1))+W(k)；
Y(k)＝H(k)X(k)+V(k)；
估计动力电池的状态变量：X(k)＝f[X(k-1)]；
计算动力电池的观测值：Y(k)＝H(k)X(k)；
其中，W(k)为过程噪声，其方差为Q(k)；V(k)为观测噪声，其方差为R(k)；一阶线性化状态方程可得状态转移矩阵为一阶线性化观测方程可得系统的观测矩阵
8.根据权利要求7所述的基于模糊多模型卡尔曼滤波的动力电池SOC估计方法，其特征在于，步骤2，根据估计动机电池的状态变量计算协方差矩阵，包括
通过如下公式，计算协方差矩阵：
P(k|k-1)＝Φ(k)P(k-1)Φ(k)T+Q(k)。
9.根据权利要求8所述的基于模糊多模型卡尔曼滤波的动力电池SOC估计方法，其特征在于，步骤5，计算卡尔曼增益，修正动力电池状态估计值，包括：
通过如下公式，计算卡尔曼增益：
K(k)＝P(k|k-1)HT(k)[H(k)P(k|k-1)HT(k)+R(k)]；
其中P(k|k-1)是协方差矩阵的预测值；
H(k)为一阶线性化之后的观测矩阵；
R(k)为测量噪声的协方差矩阵；
通过如下公式，修正动力电池状态估计值：
X(k|k)＝X(k|k-1)+K(k)[Y(k)-Y(k|k-1)]；
并通过如下公式更新误差协方差矩阵：
P(k)＝[I-K(k)H(k)]P(k|k-1)。
CN201910221471.8A 2019-03-22 2019-03-22 一种动力电池soc估计装置、汽车及方法 Pending CN109895657A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910221471.8A CN109895657A (zh) 2019-03-22 2019-03-22 一种动力电池soc估计装置、汽车及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910221471.8A CN109895657A (zh) 2019-03-22 2019-03-22 一种动力电池soc估计装置、汽车及方法

Publications (1)

Publication Number Publication Date
CN109895657A true CN109895657A (zh) 2019-06-18

Family

ID=66952443

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910221471.8A Pending CN109895657A (zh) 2019-03-22 2019-03-22 一种动力电池soc估计装置、汽车及方法

Country Status (1)

Country Link
CN (1) CN109895657A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110333456A (zh) * 2019-07-23 2019-10-15 北京长城华冠汽车科技股份有限公司 动力电池soc的估算方法和装置、车辆
CN111751750A (zh) * 2020-06-19 2020-10-09 杭州电子科技大学 基于模糊ekf的多阶段闭环锂电池soc估算方法
CN111983472A (zh) * 2020-08-24 2020-11-24 哈尔滨理工大学 一种基于自适应卡尔曼滤波的锂离子动力电池安全度估算方法及估算装置
CN112748665A (zh) * 2020-12-22 2021-05-04 国网江苏省电力有限公司电力科学研究院 基于模糊卡尔曼滤波的氢燃料电池迭代控制方法及装置
CN112793466A (zh) * 2021-03-24 2021-05-14 辽宁工业大学 一种新能源汽车电池管理系统的控制方法
CN112858929A (zh) * 2021-03-16 2021-05-28 上海理工大学 一种基于模糊逻辑与扩展卡尔曼滤波的电池soc估计方法
CN113419177A (zh) * 2021-07-29 2021-09-21 江苏大学 基于结合改进的粒子群算法的扩展卡尔曼滤波soc估算方法
CN116148678A (zh) * 2023-04-19 2023-05-23 河南创达电子科技有限公司 基于大数据估算电池soc值的方法和装置
CN116315189A (zh) * 2023-05-25 2023-06-23 澄瑞电力科技(上海)股份公司 一种基于数据融合的电池包热失控预测方法和系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012114036A1 (fr) * 2011-02-21 2012-08-30 Renault S.A.S. Dispositif embarque d'estimation du vieillissement d'une batterie d'alimentation de vehicule automobile et procede correspondant
CN104617623A (zh) * 2015-01-30 2015-05-13 武汉理工大学 一种电动汽车动力电池组均衡控制方法
CN104882931A (zh) * 2015-05-27 2015-09-02 沈阳航空航天大学 航空电源电池管理系统及其方法
CN108572324A (zh) * 2018-04-13 2018-09-25 芜湖职业技术学院 基于免疫算法优化bp神经网络的电池soc估计装置
CN109358293A (zh) * 2018-06-07 2019-02-19 温州大学 基于ipf的锂离子电池soc估计方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012114036A1 (fr) * 2011-02-21 2012-08-30 Renault S.A.S. Dispositif embarque d'estimation du vieillissement d'une batterie d'alimentation de vehicule automobile et procede correspondant
CN104617623A (zh) * 2015-01-30 2015-05-13 武汉理工大学 一种电动汽车动力电池组均衡控制方法
CN104882931A (zh) * 2015-05-27 2015-09-02 沈阳航空航天大学 航空电源电池管理系统及其方法
CN108572324A (zh) * 2018-04-13 2018-09-25 芜湖职业技术学院 基于免疫算法优化bp神经网络的电池soc估计装置
CN109358293A (zh) * 2018-06-07 2019-02-19 温州大学 基于ipf的锂离子电池soc估计方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
尹忠刚 等: "《一种基于粒子群优化的感应电机模糊扩展卡尔曼滤波器转速估计方法》", 《电工技术学报》 *
李荣钧，刘小龙: "《基于微生物行为机制的粒子群优化算法》", 31 January 2015, 华南理工大学出版社 *
申强，李东光，纪秀玲，时景峰: "《引信弹道修正技术》", 31 March 2016, 国防工业出版社 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110333456A (zh) * 2019-07-23 2019-10-15 北京长城华冠汽车科技股份有限公司 动力电池soc的估算方法和装置、车辆
CN111751750A (zh) * 2020-06-19 2020-10-09 杭州电子科技大学 基于模糊ekf的多阶段闭环锂电池soc估算方法
CN111983472A (zh) * 2020-08-24 2020-11-24 哈尔滨理工大学 一种基于自适应卡尔曼滤波的锂离子动力电池安全度估算方法及估算装置
CN111983472B (zh) * 2020-08-24 2022-11-25 哈尔滨理工大学 一种基于自适应卡尔曼滤波的锂离子动力电池安全度估算方法及估算装置
CN112748665A (zh) * 2020-12-22 2021-05-04 国网江苏省电力有限公司电力科学研究院 基于模糊卡尔曼滤波的氢燃料电池迭代控制方法及装置
CN112748665B (zh) * 2020-12-22 2022-06-14 国网江苏省电力有限公司电力科学研究院 基于模糊卡尔曼滤波的氢燃料电池迭代控制方法及装置
CN112858929A (zh) * 2021-03-16 2021-05-28 上海理工大学 一种基于模糊逻辑与扩展卡尔曼滤波的电池soc估计方法
CN112793466A (zh) * 2021-03-24 2021-05-14 辽宁工业大学 一种新能源汽车电池管理系统的控制方法
CN113419177A (zh) * 2021-07-29 2021-09-21 江苏大学 基于结合改进的粒子群算法的扩展卡尔曼滤波soc估算方法
CN116148678A (zh) * 2023-04-19 2023-05-23 河南创达电子科技有限公司 基于大数据估算电池soc值的方法和装置
CN116315189A (zh) * 2023-05-25 2023-06-23 澄瑞电力科技(上海)股份公司 一种基于数据融合的电池包热失控预测方法和系统
CN116315189B (zh) * 2023-05-25 2023-08-11 澄瑞电力科技(上海)股份公司 一种基于数据融合的电池包热失控预测方法和系统

Similar Documents

Publication Publication Date Title
CN109895657A (zh) 一种动力电池soc估计装置、汽车及方法
Vichard et al. A method to estimate battery SOH indicators based on vehicle operating data only
Saji et al. SoC estimation of lithium ion battery using combined coulomb counting and fuzzy logic method
CN107290688B (zh) 一种基于自适应模糊卡尔曼滤波的锂电池soc估计方法
CN105510829B (zh) 一种新型锂离子动力电池soc估计方法
CN110703114B (zh) 一种基于电-热-神经网络耦合模型的动力电池soc和sot联合状态估计方法
CN105974327A (zh) 一种基于神经网络和ukf的锂电池组soc预测方法
CN105068008A (zh) 利用车载充电机辨识电池参数的电池荷电状态估计方法
Liu et al. A novel open circuit voltage based state of charge estimation for lithium-ion battery by multi-innovation Kalman filter
CN107367699A (zh) 一种基于分数阶模型的锂电池soc估算新方法
CN109839596B (zh) 基于ud分解的自适应扩展卡尔曼滤波的soc估算方法
Li et al. A novel state estimation approach based on adaptive unscented Kalman filter for electric vehicles
Hu et al. Battery charge control with an electro-thermal-aging coupling
CN104698382A (zh) 一种电池组的soc与soh的预测方法
CN114091282B (zh) 基于分数阶模型的锂离子电池状态估计方法及系统
CN105445665A (zh) 一种利用卡尔曼滤波预估电池荷电状态的方法
CN106405434A (zh) 电池荷电状态的估计方法
Kassim et al. State-of-charge (soc) and state-of-health (soh) estimation methods in battery management systems for electric vehicles
Chaoui et al. Accurate state of charge (SOC) estimation for batteries using a reduced-order observer
Huang et al. State of charge estimation of li-ion batteries based on the noise-adaptive interacting multiple model
Tian et al. A comparative study of state-of-charge estimation algorithms for lithium-ion batteries in wireless charging electric vehicles
CN116973756A (zh) 用于估计电池的健康状态的方法及设备以及计算机程序
CN115656838A (zh) 一种基于布谷鸟算法的电池soc估算方法
CN115047357A (zh) 一种锂离子电池状态联合估算方法
Boujoudar et al. Lithium-Ion batteries modeling using NARX Nonlinear model

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: 20190618