CN110118936A - 一种基于ehf的电池剩余电量估计方法 - Google Patents

Abstract

本发明公开了一种基于EHF的电池剩余电量估计方法。锂离子电池的强非线性和时变特性很容易受到操作环境和老化等诸多因素的影响，现有的方法不能准确估计。本发明方法首先测量在k时刻的电池端电压y_k和电池供电电流i_k，用状态方程和观测方程表示电池的各个时刻的荷电状态，然后进行初始化过程，最后采用EHF算法进行循环递推：首先计算状态方程的雅克比矩阵，然后进行时间域更新，计算测量方程的雅克比矩阵，根据观测方程完成测量更新，递推所得到的状态更新值即为当前时刻所估计得到的电池剩余电量。本发明方法可以准确地进行电池SOC估计，收敛速度快，估计精度高，适用于各种电池SOC的快速估计。

Description

一种基于EHF的电池剩余电量估计方法

技术领域

本发明属于电池技术领域，具体涉及一种基于EHF的电池剩余电量估计方法。

背景技术

随着人们越来越关注环境恶化和能源短缺问题，电动汽车已被确定为新的交通方式。锂离子电池由于具有高能量，无记忆效应，低自放电率和长循环寿命等优点而被广泛应用于电动汽车中。这些电池的有效管理是电动汽车安全可靠运行的基础。电池管理系统的关键是准确估计荷电状态(SoC)。SoC代表的是电池剩余容量与其完全充电状态的容量的比值。

电池SoC无法在实际的电动汽车应用中直接测量，一般方法是通过测量的电流，电压和温度来估算SoC。目前已经提出了许多方法来估计SoC，如库仑积分法，开路电压法，神经网络法和基于模型的方法等。在基于模型的SoC估计方法中，卡尔曼滤波器(KF)适用于线性电池模型，当电池行为表现出非线性特性时，可以使用基于KF框架的扩展卡尔曼滤波器(EKF)等方法进行状态估计。当存在电池模型误差和未知的测量噪声特性时，通常采用H-infinity滤波器(HIF)来估计电池状态。实际情况中，锂离子电池的强非线性和时变特性很容易受到操作环境和老化等诸多因素的影响，现有的传统方法不能很好地克服，因此SoC估计估算准确度方面还有待提高。

发明内容

本发明的目的就是克服现有技术的不足，提出将EKF和H-infinity滤波器结合的EHF(扩展H无穷大滤波器)算法，用于电池SOC估计，该方法适用于所有电池。

本发明方法具体步骤是：

步骤(1)测量在k时刻的电池端电压y_k和电池供电电流i_k，k＝1,2,3,…。

步骤(2)用状态方程和观测方程表示电池的各个时刻的荷电状态：

状态方程：

观测方程：

其中x_k为电池的荷电状态SOC(State of Charge)，即剩余电量；η_i为电池的放电比例系数；Q_n是电池在室温25℃条件下、以1/30倍额定电流的放电速率放电时所能得到的额定总电量，Δt是测量时间间隔，w_k为过程噪声。k₀、k₁、k₂、k₃、k₄为常数，P＝[k₀ R k₁ k₂ k₃k₄]，P为电池观测模型的参数，是一个列向量，对同类型的电池它们是不变的；R为电池内阻，v_k为测量噪声。

放电比例系数η_i的确定方法为：

(a)将完全充满电的电池以不同放电速率C_i恒流放电N次，计算相应放电速率下的电池总电量Q_i；0＜C_i≤C，C为电池的额定放电电流；N＞10，1≤i≤N；

(b)根据最小二乘方法拟合出Q_i与C_i间的二次曲线关系，即在最小均方误差准则下求出同时满足Q_i＝aC_i ²+bC_i+c，a,b,c为最优系数；

(c)在放电电流为i_k时，对应的放电比例系数η_i为：

此处，最优系数a,b,c对于同一类型的电池只需确定一次，确定后可作为已知常数直接用于所有同类型电池的剩余电量估计。

电池内阻R以及常数k₀、k₁、k₂、k₃、k₄的确定方法为：

(e)在室温25℃条件下、以1/30倍额定电流对充满电的电池进行恒定电流放电直至电量耗尽；

(f)在放电过程中以时间间隔Δt测量电池在s时刻的端电压y_s，s＝0,1,2,...M，其中s＝0对应电池充满后的起始放电时刻，s＝M对应电池电量耗尽的终止时刻；

(g)计算s时刻的剩余电量z_s＝1-s/M；

(h)记

则P＝(H^TH)^-1H^TY，上标T表示矩阵转置，上标-1表示矩阵求逆，得到内阻R以及常数k₀、k₁、k₂、k₃、k₄。

对同一类型的电池，这些参数只需确定一次，确定后可作为已知常数直接用于所有同类型电池的剩余电量估计。

步骤(3)执行如下初始化过程：

选择起始状态及其方差P₀，选择处理噪声w_k的方差Q_k和测量噪声v_k的方差R_k，扩展后的状态向量及其协方差为：选择的起始状态在0～1之间，方差P₀在10^-4～10^-2之间，处理噪声的方差Q_k在10^-6～10^-2之间，测量噪声的方差R_k在10^-6～10^-2之间。

步骤(4)采用EHF算法进行循环递推：

在时刻k＝1,2,3,…，根据测得的电池端电压y_k及电池的供电电流i_k，按下列各式进行递推计算：

①计算状态方程的雅克比矩阵：

②根据状态方程进行时间域更新：

计算状态的估计值 上标-表示临时估计结果；

计算状态估计的方差

③计算测量方程的雅克比矩阵：

④根据观测方程完成测量更新：

计算测量更新

计算卡尔曼增益K_k：

计算状态更新

计算状态更新的方差P_k：

其中，矩阵R_e,k表示为：

参数γ²取值为：ρ为大于1的标量。

递推所得到的状态更新值即为当前时刻k所估计得到的电池剩余电量。整个循环递推过程是在线完成的，即在电池实际工作过程中同步完成各时刻电池剩余电量的估计。

根据本发明的第一方面，公开了一种用于估计电池剩余电量的EHF算法所依赖的测量量，分别为电池的端电压和电池的电流。

根据本发明的第二方面，公开了一种用于估计电池剩余电量的EHF算法的状态方程和观测方程。其中观测方程中电池模型参数通过最小二乘法确定。

根据本发明的第三方面，公开了一种用于估计电池剩余电量的EHF算法所依赖的初始值。包括初始SOC，初始SOC的方差，处理噪声及观察噪声的方差。其中初始SOC及初始SOC方差的值不必很准确，在EHF的后续迭代过程中它们会很快收敛到真实值附近。

根据本发明的第四方面，公开了一种用于估计电池剩余电量的EHF算法的具体流程。主要包括：计算状态方程的雅克比矩阵,进行时间更新，得到状态的估计值及状态估计的方差；计算测量方程的雅克比矩阵，进行测量更新，得到观测的估计值；计算卡尔曼增益；计算状态及其方差的更新等。

本发明可以准确地进行电池SOC估计，该方法收敛速度快，估计精度高，而且适用于各种电池SOC的快速估计。。

具体实施方式

基于EHF的电池剩余电量估计方法，具体步骤是：

步骤(1)测量在k时刻的电池端电压y_k和电池供电电流i_k，k＝1,2,3,…。

步骤(2)用状态方程和观测方程表示电池的各个时刻的荷电状态：

状态方程：

观测方程：

其中x_k为电池的荷电状态(State of Charge,SOC)，即剩余电量；η_i为电池的放电比例系数，反映的是放电速率、温度、自放电、老化等因素对电池SOC的影响程度；Q_n是电池在室温25℃条件下、以1/30倍额定电流的放电速率放电时所能得到的额定总电量，Δt是测量时间间隔，w_k为过程噪声。k₀、k₁、k₂、k₃、k₄为常数，P＝[k₀ R k₁ k₂ k₃ k₄]，P为电池观测模型的参数，是一个列向量，对同类型的电池它们是不变的；R为电池的内阻，v_k为测量噪声。

放电比例系数η_i的确定方法为：

(a)将完全充满电的电池以不同放电速率C_i(0＜C_i≤C，C为电池的额定放电电流)恒流放电N(N＞10)次，计算相应放电速率下的电池总电量Q_i，1≤i≤N。

(b)根据最小二乘方法拟合出Q_i与C_i间的二次曲线关系，即在最小均方误差准则下求出同时满足Q_i＝aC_i ²+bC_i+c，a,b,c为最优系数。

(c)在放电电流为i_k时，对应的放电比例系数η_i为：

此处，最优系数a,b,c对于同一类型的电池只需确定一次，确定后可作为已知常数直接用于所有同类型电池的剩余电量估计。

电池的内阻R以及常数k₀、k₁、k₂、k₃、k₄的确定方法为：

(e)在室温25℃条件下、以1/30倍额定电流对充满电的电池进行恒定电流放电直至电量耗尽；

(f)在放电过程中以时间间隔Δt测量电池在s时刻的端电压y_s，s＝0,1,2,...M，其中s＝0对应电池充满后的起始放电时刻，s＝M对应电池电量耗尽的终止时刻。

(g)计算s时刻的剩余电量z_s＝1-s/M。

(h)记

则P＝(H^TH)^-1H^TY，也就得到内阻R以及常数k₀、k₁、k₂、k₃、k₄。

对同一类型的电池，这些参数只需确定一次，确定后可作为已知常数直接用于所有同类型电池的剩余电量估计。

步骤(3)执行如下初始化过程：

选择合适的起始状态及其方差P₀，选择合适的处理噪声w_k的方差Q_k和测量噪声v_k的方差R_k；选择的起始状态在0～1之间，方差P₀在10^-4～10^-2之间，处理噪声的方差Q_k在10^-6～10^-2之间，测量噪声的方差R_k在10^-6～10^-2之间扩展后的状态向量及其协方差为：

步骤(4)采用EHF算法进行循环递推：

在时刻k＝1,2,3,…，根据测得的电池端电压y_k及电池的供电电流i_k，按下列各式进行递推计算：

①计算状态方程的雅克比矩阵：

②根据状态方程进行时间域更新：

计算状态的估计值

计算状态估计的方差

③计算测量方程的雅克比矩阵：

④根据观测方程完成测量更新：

计算测量更新

计算卡尔曼增益K_k：

计算状态更新

计算状态更新的方差P_k：

其中，矩阵R_e,k表示为：

参数γ²取值为：ρ为大于1的标量。

递推所得到的状态更新值即为当前时刻k所估计得到的电池剩余电量。整个循环递推过程是在线完成的，即在电池实际工作过程中同步完成各时刻电池剩余电量的估计。

Claims (5)

1.一种基于EHF的电池剩余电量估计方法，其特征在于具体步骤是：

步骤(1)测量在k时刻的电池端电压y_k和电池供电电流i_k，k＝1,2,3,…；

步骤(2)用状态方程和观测方程表示电池的各个时刻的荷电状态：

状态方程：

观测方程：

其中x_k为电池的荷电状态SOC，即剩余电量；η_i为电池的放电比例系数；Q_n是电池在室温25℃条件下、以1/30倍额定电流的放电速率放电时所能得到的额定总电量，Δt是测量时间间隔，w_k为过程噪声；k₀、k₁、k₂、k₃、k₄为常数，P＝[k₀ R k₁ k₂ k₃ k₄]，P为电池观测模型的参数，是一个列向量；R为电池内阻，v_k为测量噪声；

步骤(3)执行如下初始化过程：

选择起始状态及其方差P₀，选择处理噪声w_k的方差Q_k和测量噪声v_k的方差R_k，扩展后的状态向量及其协方差为：上标T表示矩阵转置；

步骤(4)采用EHF算法进行循环递推：

在时刻k＝1,2,3,…，根据测得的电池端电压y_k及电池的供电电流i_k，按下列各式进行递推计算：

①计算状态方程的雅克比矩阵：

②根据状态方程进行时间域更新：

计算状态的估计值 上标-表示临时估计结果；

计算状态估计的方差

③计算测量方程的雅克比矩阵：

④根据观测方程完成测量更新：

计算测量更新

计算卡尔曼增益K_k：上标-1表示矩阵求逆；

计算状态更新

计算状态更新的方差P_k：

其中，矩阵R_e,k表示为：

参数γ²取值为：ρ为大于1的标量；

递推所得到的状态更新值即为当前时刻k所估计得到的电池剩余电量。

2.如权利要求1所述的一种基于EHF的电池剩余电量估计方法，其特征在于步骤(2)中所述的放电比例系数η_i的确定方法为：

(a)将完全充满电的电池以不同放电速率C_i恒流放电N次，计算相应放电速率下的电池总电量Q_i；0＜C_i≤C，C为电池的额定放电电流；N＞10，1≤i≤N；

(b)根据最小二乘方法拟合出Q_i与C_i间的二次曲线关系，即在最小均方误差准则下求出同时满足Q_i＝aC_i ²+bC_i+c，a,b,c为最优系数；

(c)在放电电流为i_k时，对应的放电比例系数η_i为：

最优系数a,b,c对于同一类型的电池只需确定一次，确定后作为已知常数直接用于所有同类型电池的剩余电量估计。

3.如权利要求1所述的一种基于EHF的电池剩余电量估计方法，其特征在于步骤(2)中所述的电池内阻R以及常数k₀、k₁、k₂、k₃、k₄的确定方法为：

(e)在室温25℃条件下、以1/30倍额定电流对充满电的电池进行恒定电流放电直至电量耗尽；

(f)在放电过程中以时间间隔Δt测量电池在s时刻的端电压y_s，s＝0,1,2,...M，其中s＝0对应电池充满后的起始放电时刻，s＝M对应电池电量耗尽的终止时刻；

(g)计算s时刻的剩余电量z_s＝1-s/M；

(h)记

则P＝(H^TH)^-1H^TY，得到内阻R以及常数k₀、k₁、k₂、k₃、k₄；

对同一类型的电池，这些参数只需确定一次，确定后作为已知常数直接用于所有同类型电池的剩余电量估计。

4.如权利要求1所述的一种基于EHF的电池剩余电量估计方法，其特征在于步骤(3)中选择的起始状态在0～1之间，方差P₀在10^-4～10^-2之间，处理噪声的方差Q_k在10^-6～10^-2之间，测量噪声的方差R_k在10^-6～10^-2之间。

5.如权利要求1所述的一种基于EHF的电池剩余电量估计方法，其特征在于步骤(4)循环递推过程为在线完成，即在电池实际工作过程中同步完成各时刻电池剩余电量的估计。