CN110286332A - 一种基于多新息理论的电动汽车动力电池soc估计方法 - Google Patents
一种基于多新息理论的电动汽车动力电池soc估计方法 Download PDFInfo
- Publication number
- CN110286332A CN110286332A CN201910523876.7A CN201910523876A CN110286332A CN 110286332 A CN110286332 A CN 110286332A CN 201910523876 A CN201910523876 A CN 201910523876A CN 110286332 A CN110286332 A CN 110286332A
- Authority
- CN
- China
- Prior art keywords
- innovation
- power battery
- soc
- algorithm
- 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.)
- Granted
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]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- 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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
- G01R31/387—Determining ampere-hour charge capacity or SoC
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tests Of Electric Status Of Batteries (AREA)
- Secondary Cells (AREA)
Abstract
本发明提供了一种基于多新息理论的电动汽车动力电池SOC估计方法，属于电动汽车动力电池管理技术领域。其技术方案为一种基于多新息理论的电动汽车动力电池SOC估计方法，包括通过间歇恒流放电法确定动力电池的OCV‑SOC的函数关系式；建立动力电池二阶RC等效电路模型，推导其辨识模型；根据多新息辨识理论，构建多新息扩展卡尔曼滤波算法，并与多新息遗忘因子递推最小二乘辨识算法组成联合估计算法。本发明的有益效果为：计算准确，适用于电动汽车动力电池SOC估计。
Description
技术领域
本发明涉及电动汽车动力电池管理技术领域，尤其涉及一种基于多新息理论的电动汽 车动力电池SOC估计方法。
背景技术
燃油汽车在给人们带来方便的同时也造成了无法避免的环境污染以及能源危机等问 题。使用高效清洁的能源替代传统动力源将成为汽车行业改革的重点，电动汽车相对于传 统内燃机汽车，具有节能环保、低噪无污染、能源转化率高等优势，既可以保护环境，又 可以缓解能源短缺等问题。因此，新能源电动汽车逐渐成为各国交通行业关注的重点，其 未来发展前景被广泛看好。
电动汽车的核心能源来自动力电池，动力电池是电动汽车最主要的供电系统和动力载 体，因此，动力电池的性能决定了电动汽车的发展。电动汽车的荷电状态(State ofCharge， SOC)精确估计是动力系统的关键技术之一，但是SOC无法直接使用仪器测量，只能通过动 力电池的电流、电压、电阻等参数进行估计，并且这些参数之间存在着十分复杂的非线性 关系，给电池的SOC精确估计带来了困难。因此，研究动力电池的高精度实时在线SOC估 计方法是当下的研究热点之一。
目前，安时积分法的模型比较简单，应用广泛，但是不能确定初始SOC，且估计误差会 逐渐累积；开路电压法虽然简单，但是需要对电池进行长时间静置，无法解决实时检测的 要求；神经网络法的估算误差受样本数据、训练方法的影响很大，并且存在局部最优、训练周期长等缺点，所以要在实际中应用需要更深入的研究；线性模型法理论上可以适用于各种类型的电池，但是由于变化的SOC与电流电压的函数式不具有通用性，不适合实际SOC估算。
如何解决上述技术问题为本发明面临的课题。
发明内容
本发明的目的在于提供一种基于多新息理论的电动汽车动力电池SOC估计方法。
本发明是通过如下措施实现的：一种基于多新息理论的电动汽车动力电池SOC估计方 法，其中，包括以下步骤：
步骤一，通过间歇恒流放电法测取动力电池的电流与电压，通过多项式拟合法确定动 力电池的OCV-SOC的函数关系式：
步骤二，建立动力电池二阶RC等效电路模型，推导其辨识模型，采用系统辨识的方法 确定模型中的未知参数；
步骤三，构建多新息遗忘因子递推最小二乘辨识算法；
步骤四，针对锂离子电池非线性系统，采用多新息扩展卡尔曼滤波算法，并与多新息 遗忘因子递推最小二乘辨识算法组成联合估计算法。
作为本发明的一种基于多新息理论的电动汽车动力电池SOC估计方法的进一步优化方 案，所述步骤二中采用系统辨识的方法确定模型中的未知参数，是通过多新息遗忘因子递 推最小二乘辨识算法得出，具体步骤如下：
(1)建立动力电池二阶RC等效电路模型：
通过基尔霍夫定律，可得到动力电池二阶RC等效电路模型电气特性的表达式为：
U＝Uoc[SOC(t)]-U1-U2-I(t)·R0 (1)
由于在实验中使用的锂离子电池自放电效率低，因此忽略电池自放电效应对等效电路 模型的影响，定义Qn为电池的实际容量，通过安时积分法可以计算电池的SOC值，得到式 (4)：
令等效电路模型的输入u和输出y分别为电流I和端电压U，状态变量为SOC、U1、U2，则式(1)到式(4)可整理成状态空间方程的形式，如式(5)所示：
式(5)中：x(t)＝[SOC(t) U1(t) U2(t)]T，u(t)＝I(t)，y(t)＝U(t)，
其中，图2中Uoc表示电池开路电压，R0是电池的欧姆内阻，R1、C1用于模拟电池动 态特性中表现出的短时间响应阶段，即电压快速变化的过程，R2、C2用于模拟电池动态特 性中表现出的长时间响应阶段，即电压缓慢稳定的过程；
(2)推导二阶RC等效电路模型的辨识模型，估计未知参数：
由动力电池二阶RC等效电路模型可得：
设τ1＝R1C1、τ2＝R2C2，可得：
令：
a＝τ1τ2
b＝τ1+τ2
c＝R1τ2+R2τ1+(τ1+τ2)R0
d＝R0+R1+R2
则式(7)可化简为：
τ1τ2Uocs2+(τ1+τ2)Uocs+Uoc＝aR0Is2+cIs+dI+aUs2+bUs+U (8)
化简可得：
令：
则式(9)可化简为：
令：
θ＝[k1 k2 k3 k4 k5]T
y(k)＝Uoc(k)-U(k)
则可以得到：
式(11)为系统辨识中的辨识表达式，利用系统辨识中的参数估计方法将参数 θ＝[k1 k2 k3 k4 k5]T辨识出来，再利用辨识出来的参数值推导出相应的电阻、电容值， 具体推导过程如下：
令k0＝T2+bT+a，则可得：
a＝k0k2 (13)
由于c＝R1τ2+R2τ1+(τ1+τ2)R0、d＝R0+R1+R2，所以可得：
R2＝d-R1-R0 (19)
因为a＝τ1τ2、b＝τ1+τ2，故
作为本发明的一种基于多新息理论的电动汽车动力电池SOC估计方法的进一步优化方案，所述步骤三中，构建多新息遗忘因子递推最小二乘辨识算法具体内容如下：
多新息遗忘因子递推最小二乘辨识算法(MI-FFRLS)如下：
L(t)＝P(t)Φ(p，t)＝P(t-1)Φ(p，t)[λIp+ΦT(p，t)P(t-1)Φ(p，t)]-1 (25)
Y(p，t)＝[y(t)，y(t-1)，…，y(t-p+1)]T (27)
y(t)＝Uoc(t)-U(t) (30)
其中，是θ在t时刻的参数估计值，L(t)∈Rn×p是系统的增益矩阵，P(t)∈Rn×n是协方 差矩阵，p≥1是新息长度，λ是遗忘因子。
作为本发明的一种基于多新息理论的电动汽车动力电池SOC估计方法的进一步优化方 案，所述步步骤四中，针对锂离子电池非线性系统，采用多新息扩展卡尔曼滤波算法，并 与多新息遗忘因子递推最小二乘辨识算法组成联合估计算法的具体步骤如下：
1)构建多新息扩展卡尔曼滤波算法：
1-1)初始化：x(0)、P(0)、Q和R；
1-2)k+1时刻状态变量预测，其中为k+1时刻的预测值，为k时刻的最优估计值；
1-3)k+1时刻协方差矩阵预测，其中为k+1时刻的预测值，P(k)为k时刻的最优 滤波值；
1-4)计算Kalman滤波增益；
1-5)输出变量预测，其中为k+1时刻输出矩阵的预测值；
1-6)状态变量更新，其中为k+1时刻的最优估计值，y(k+1)为k+1时刻输出变量 的观测值；
1-7)协方差矩阵更新，其中P(k+1)为k+1时刻协方差矩阵的最优滤波值；
1-8)重复步骤1-2)至1-7)，直至滤波结束；
2)构建多新息遗忘因子递推最小二乘辨识算法与多新息扩展卡尔曼滤波(MIFFRLS-MIEKF)联合估计算法：
L1(k)＝P1(k)Φ(p，k)＝P1(k-1)Φ(p，k)[λIp+ΦT(p，k)P1(k-1)Φ(p，k)]-1 (39)
P1(k)＝P1(k-1)-L1(k)ΦT(p，k)P1(k-1) (40)
Y(p，k)＝[y(k)，y(k-1)，…，y(k-p+1)]T (41)
y(k)＝Uoc(k)-U(k) (44)
R2＝d-R1-R0 (48)
具体地，为了更好地实现上述发明目的，本发明提供了一种基于多新息理论的电动汽 车动力电池SOC估计方法，其中，具体包括如下步骤：
(1)通过间歇恒流放电法测取动力电池的电流与电压，通过多项式拟合法确定动力电 池的OCV-SOC的函数关系式：
Uoc(SOC)＝(2.9871e+03)SOC9-(1.4076e+04)SOC8+(2.8096e+04)SOC7
-(3.0923e+04)SOC6+(2.0455e+04)SOC5-(8.3101e+03)SOC4
+(2.0330e+03)SOC3-281.6196SOC2+19.7407SOC+2.6900
(2)建立动力电池二阶RC等效电路模型，推导其辨识模型，采用系统辨识的方法确定 模型中的未知参数；为了提高参数估计精度，本发明提出多新息遗忘因子递推最小二乘辨 识算法，具体步骤如下：
第一步：建立动力电池二阶RC等效电路模型如下：
通过基尔霍夫定律，可得到图2中二阶RC等效电路模型电气特性的表达式为：
U＝Uoc[SOC(t)]-U1-U2-I(t)·R0 (1)
由于在实验中使用的锂离子电池自放电效率极低，因此忽略电池自放电效应对等效电 路模型的影响；定义Qn为电池的实际容量，通过安时积分法可以计算电池的SOC值，得到 式(4)：
令等效电路模型的输入u和输出y分别为电流I和端电压U，状态变量为SOC、U1、U2，则式(1)到式(4)可整理成状态空间方程的形式，如式(5)所示：
式(5)中：x(t)＝[SOC(t) U1(t) U2(t)]T，u(t)＝I(t)，y(t)＝U(t)，
图2中Uoc表示电池开路电压，R0是电池的欧姆内阻，R1、C1用于模拟电池动态特性中表现出的短时间响应阶段，即电压快速变化的过程，R2、C2用于模拟电池动态特性中表 现出的长时间响应阶段，即电压缓慢稳定的过程；
第二步：推导二阶RC等效电路模型的辨识模型，估计未知参数：
由动力电池二阶RC等效电路模型可得：
设τ1＝R1C1、τ2＝R2C2，可得：
令：
a＝τ1τ2
b＝τ1+τ2
c＝R1τ2+R2τ1+(τ1+τ2)R0
d＝R0+R1+R2
则式(7)可化简为：
τ1τ2Uocs2+(τ1+τ2)Uocs+Uoc＝aR0Is2+cIs+dI+aUs2+bUs+U (8)
化简可得：
令：
则式(9)可化简为：
令：
θ＝[k1 k2 k3 k4 k5]T
y(k)＝Uoc(k)-U(k)
则可以得到：
式(11)即为系统辨识中的辨识表达式，利用系统辨识中的参数估计方法将参数 θ＝[k1 k2 k3 k4 k5]T直接辨识出来，然后利用辨识出来的参数值推导出相应的电阻、电 容值，具体推导过程如下：
令k0＝T2+bT+a，则可得：
a＝k0k2 (13)
由于c＝R1τ2+R2τ1+(τ1+τ2)R0、d＝R0+R1+R2，所以可得：
R2＝d-R1-R0 (19)
因为a＝τ1τ2、b＝τ1+τ2，故
(3)构建多新息遗忘因子递推最小二乘辨识算法：
多新息遗忘因子递推最小二乘辨识算法如下：
L(t)＝P(t)Φ(p，t)＝P(t-1)Φ(p，t)[λIp+ΦT(p，t)P(t-1)Φ(p，t)]-1 (25)
Y(p，t)＝[y(t)，y(t-1)，…，y(t-p+1)]T (27)
y(t)＝Uoc(t)-U(t) (30)
其中，是θ在t时刻的参数估计值，L(t)∈Rn×p是系统的增益矩阵，P(t)∈Rn×n是协方 差矩阵，p≥1是新息长度，λ是遗忘因子；
(4)针对锂离子电池非线性系统，本发明提出多新息扩展卡尔曼滤波算法，并与多新息遗 忘因子递推最小二乘辨识算法组成联合估计算法，具体步骤如下：
第一步：构建多新息扩展卡尔曼滤波算法如下：
②初始化：x(0)、P(0)、Q和R；
②k+1时刻状态变量预测，其中为k+1时刻的预测值，为k时刻的最优估计值；
③k+1时刻协方差矩阵预测，其中为k+1时刻的预测值，P(k)为k时刻的最优滤 波值；
④计算Kalman滤波增益；
⑤输出变量预测，其中为k+1时刻输出矩阵的预测值；
⑥状态变量更新，其中为k+1时刻的最优估计值，y(k+1)为k+1时刻输出变量的 观测值；
⑦协方差矩阵更新，其中P(k+1)为k+1时刻协方差矩阵的最优滤波值。
⑧重复②至⑦步骤，直至滤波结束；
第二步：构建多新息遗忘因子递推最小二乘辨识算法与多新息扩展卡尔曼滤波联合估计算 法：
L1(k)＝P1(k)Φ(p，k)＝P1(k-1)Φ(p，k)[λIp+ΦT(p，k)P1(k-1)Φ(p，k)]-1 (39)
P1(k)＝P1(k-1)-L1(k)ΦT(p，k)P1(k-1) (40)
Y(p，k)＝[y(k)，y(k-1)，…，y(k-p+1)]T (41)
y(k)＝Uoc(k)-U(k) (44)
R2＝d-R1-R0 (48)
本发明的有益效果为：
(1)本发明通过间歇恒流放电法确定动力电池的OCV-SOC的函数关系式；建立动力电 池二阶RC等效电路模型，推导其辨识模型；根据多新息辨识理论，构建多新息扩展卡尔曼 滤波算法，并与多新息遗忘因子递推最小二乘辨识算法组成联合估计算法；计算准确，适 用于电动汽车动力电池SOC估计；
(2)通过建立动力电池二阶RC等效电路模型，推导其辨识模型，采用系统辨识的方法确定模型中的未知参数，为了提高参数估计精度，本发明提出多新息遗忘因子递推最小二乘辨识算法；
(3)构建多新息遗忘因子递推最小二乘辨识算法，常规的一些参数估计方法，如最小 二乘算法、随机梯度类算法均是采用单新息修正技术的辨识方法，由于在实际的数据处理 中会产生一些“坏数据”，这些数据会对常规辨识算法的辨识精度产生不利影响，多新息辨 识算法的提出就是为了解决这个问题，它不仅改善了现有辨识算法的性能，而且丰富了随 机系统的参数估计方法；
(4)本发明的多新息理论的电动汽车动力电池SOC估计方法计算准确，适用于电动汽 车动力电池SOC估计，把电动汽车动力电池间歇恒流放电实验法中的电流数据作为输入数 据，电压数据作为输出数据，进行数据预处理之后，采用该算法运行之后，得到预测SOC值与实际SOC值的误差；
(5)本发明通过分析动力电池的工作原理，建立了动力锂离子电池二阶RC等效模型， 通过拉普拉斯变换和大量的实验数据建立了OCV-SOC九次函数表达式，并推导了辨识表达 式，再采用多新息遗忘因子递推最小二乘辨识算法与多新息扩展卡尔曼滤波联合估计算法 估计动力电池的SOC值；仿真结果表明，该模型对电动汽车的复杂工况有较好的适应性， 不但可以提高SOC估计的准确度，并且计算量较小，易于实现，具有良好的应用前景。
附图说明
图1为本发明基于多新息理论的参数及SOC联合估计算法流程图。
图2为本发明实施例中步骤二中建立动力电池二阶RC等效电路模型的电路示意图。
图3为本发明实施例中步骤(1)中实验过程中的放电电流随时间变化曲线图。
图4为本发明实施例中步骤(1)中实验过程中的电压随时间变化曲线图。
图5为本发明是本发明实施例中新息扩展卡尔曼滤波联合估计算法SOC估计误差图。
具体实施方式
为能清楚说明本方案的技术特点，下面通过具体实施方式，对本方案进行阐述。
参见图1至图5，本发明是：一种基于多新息理论的电动汽车动力电池SOC估计方法， 包括下列步骤：
(1)通过间歇恒流放电法测取动力电池的电流与电压，以0.33C间歇恒流放电为例， 介绍实验的具体步骤：
a.电池以恒流充电模式，充电电流12A，恒流充电至充电截止电压，静置2h，认为此时电池为充满电状态，SOC＝100％，此时的电压值可以认为是SOC＝100％时对应的开路电压值；
b.电池以恒流放电模式放电18min，放电电流为12A，放电倍率为0.33C，每次放电约 为10％，每10s采集一次数据；
c.静置40min，等待电池的端电压恢复至稳态；
d.重复进行(b)、(c)步骤，直至电池端电压降至放电截止电压，认为此时电池放电完毕，SOC＝0，实验结束。
(1)现将采集到的数据在MATLAB中利用多项式拟合函数polyfit进行曲线拟合，通过多项式拟合法确定动力电池的0CV-SOC的函数关系式：
(2)建立动力电池二阶RC等效电路模型，推导其辨识模型，采用系统辨识的方法确定 模型中的未知参数，为了提高参数估计精度，本发明提出多新息遗忘因子递推最小二乘辨 识算法，具体步骤如下：
第一步：建立动力电池二阶RC等效电路模型如下：
通过基尔霍夫定律，可得到图中二阶RC等效电路模型电气特性的表达式为：
U＝Uoc[SOC(t)]-U1-U2-I(t)·R0 (1)
由于在实验中使用的锂离子电池自放电效率极低，因此忽略电池自放电效应对等效电 路模型的影响；定义Qn为电池的实际容量，通过安时积分法可以计算电池的SOC值，得到 式(4)：
令等效电路模型的输入u和输出y分别为电流I和端电压U，状态变量为SOC、U1、U2，则式(1)到式(4)可整理成状态空间方程的形式，如式(5)所示：
式(5)中：x(t)＝[SOC(t) U1(t) U2(t)]T，u(t)＝I(t)，y(t)＝U(t)，
图2中Uoc表示电池开路电压，R0是电池的欧姆内阻，R1、C1用于模拟电池动态特性中表现出的短时间响应阶段，即电压快速变化的过程，R2、C2用于模拟电池动态特性中表 现出的长时间响应阶段，即电压缓慢稳定的过程。
第二步：推导二阶RC等效电路模型的辨识模型，估计未知参数：
由动力电池二阶RC等效电路模型可得：
设τ1＝R1C1、τ2＝R2C2，可得：
令：
a＝τ1τ2
b＝τ1+τ2
c＝R1τ2+R2τ1+(τ1+τ2)R0
d＝R0+R1+R2
则式(7)可化简为：
τ1τ2Uocs2+(τ1+τ2)Uocs+Uoc＝aR0Is2+cIs+dI+aUs2+bUs+U (8)
化简可得：
令：
则式(9)可化简为：
令：
θ＝[k1 k2 k3 k4 k5]T
y(k)＝Uoc(k)-U(k)
则可以得到：
式(11)即为系统辨识中的辨识表达式，利用系统辨识中的参数估计方法将参数 θ＝[k1 k2 k3 k4 k5]T直接辨识出来，然后利用辨识出来的参数值推导出相应的电阻、电 容值，具体推导过程如下：
令k0＝T2+bT+a，则可得：
a＝k0k2 (13)
由于c＝R1τ2+R2τ1+(τ1+τ2)R0、d＝R0+R1+R2，所以可得：
R2＝d-R1-R0 (19)
因为a＝τ1τ2、b＝τ1+τ2，故
(3)构建多新息遗忘因子递推最小二乘辨识算法，常规的一些参数估计方法，如最小二乘算法、随机梯度类算法均是采用单新息修正技术的辨识方法，由于在实际的 数据处理中会产生一些“坏数据”，这些数据会对常规辨识算法的辨识精度产生不利影 响，多新息辨识算法的提出就是为了解决这个问题，它不仅改善了现有辨识算法的性 能，而且丰富了随机系统的参数估计方法。
多新息遗忘因子递推最小二乘辨识算法(MI-FFRLS)如下：
L(t)＝P(t)Φ(p，t)＝P(t-1)Φ(p，t)[λIp+ΦT(p，t)P(t-1)Φ(p，t)]-1 (25)
Y(p，t)＝[y(t)，y(t-1)，…，y(t-p+1)]T (27)
y(t)＝Uoc(t)-U(t) (30)
其中，是θ在t时刻的参数估计值，L(t)∈Rn×p是系统的增益矩阵，P(t)∈Rn×n是协方差矩阵，p≥1是新息长度，λ是遗忘因子。
(5)针对锂离子电池非线性系统，本发明提出多新息扩展卡尔曼滤波算法，并与多新 息遗忘因子递推最小二乘辨识算法组成联合估计算法，具体步骤如下：
第一步：构建多新息扩展卡尔曼滤波算法如下：
①初始化：x(0)、P(0)、Q和R；
②k+1时刻状态变量预测，其中为k+1时刻的预测值，为k时刻的最优估计值。
③k+1时刻协方差矩阵预测，其中为k+1时刻的预测值，P(k)为k时刻的最优滤波值。
④计算Kalman滤波增益。
⑤输出变量预测，其中为k+1时刻输出矩阵的预测值。
⑥状态变量更新，其中为k+1时刻的最优估计值，y(k+1)为k+1时刻输出变量 的观测值。
⑦协方差矩阵更新，其中P(k+1)为k+1时刻协方差矩阵的最优滤波值。
⑧重复②至⑦步骤，直至滤波结束。
第二步：构建多新息遗忘因子递推最小二乘辨识算法与多新息扩展卡尔曼滤波联合估 计算法：
L1(k)＝P1(k)Φ(p，k)＝P1(k-1)Φ(p，k)[λIp+ΦT(p，k)P1(k-1)Φ(p，k)]-1 (39)
P1(k)＝P1(k-1)-L1(k)ΦT(p，k)P1(k-1) (40)
Y(p，k)＝[y(k)，y(k-1)，…，y(k-p+1)]T (41)
y(k)＝Uoc(k)-U(k) (44)
R2＝d-R1-R0 (48)
本发明中应用多新息遗忘因子递推最小二乘辨识算法与多新息扩展卡尔曼滤波联合估 计算法估计动力电池的SOC值，递推过程具体为：
1)k＝0时，初始化：P1(0)、P2(0)、SOC(0)；
2)收集输入输出数据I(k)、U(k)；
3)构造Y(p，k)和
4)计算增益向量L1(k)；
5)刷新参数估计并计算R0、R1、R2、C1和C2；
6)构建状态空间表达式和状态变量x(k)；
7)计算状态变量预估计值
8)计算协方差矩阵预测值
9)计算卡尔曼滤波增益K(k+1)；
10)计算输出变量
11)计算多新息E(p，k+1)；
12)计算状态变量
13)更新协方差矩阵P(k+1)；
k＝k+1，重复步骤上述步骤3)至13)；
由于在对锂离子电池模型进行参数辨识时，开路电压值并不能被直接测量得到，需要 将当前时刻的SOC值代入到OCV-SOC九次多项式中进行计算得到；而在对锂离子电池的SOC 进行实时估算时，需要将电池参数进行实时更新才能得到更为精确的SOC估计值，因此， 本发明采用将模型参数辨识和SOC估计进行联合的估计算法，以对电池的SOC更好的实时 估计。
本发明通过分析动力电池的工作原理，建立了动力锂离子电池二阶RC等效模型，通过 拉普拉斯变换和大量的实验数据建立了OCV-SOC九次函数表达式，并推导了辨识表达式， 再采用多新息遗忘因子递推最小二乘辨识算法与多新息扩展卡尔曼滤波联合估计算法估计 动力电池的SOC值；仿真结果表明，该模型对电动汽车的复杂工况有较好的适应性，不但 可以提高SOC估计的准确度，并且计算量较小，易于实现，具有良好的应用前景。
本发明未经描述的技术特征可以通过或采用现有技术实现，在此不再赘述，当然，上 述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的普通技术人 员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。
Claims (4)
1.一种基于多新息理论的电动汽车动力电池SOC估计方法，其特征在于，包括以下步骤：
步骤一，通过间歇恒流放电法测取动力电池的电流与电压，通过多项式拟合法确定动力电池的OCV-SOC的函数关系式：
步骤二，建立动力电池二阶RC等效电路模型，推导其辨识模型，采用系统辨识的方法确定模型中的未知参数；
步骤三，构建多新息遗忘因子递推最小二乘辨识算法；
步骤四，针对锂离子电池非线性系统，采用多新息扩展卡尔曼滤波算法，并与多新息遗忘因子递推最小二乘辨识算法组成联合估计算法。
2.根据权利要求1所述的基于多新息理论的电动汽车动力电池SOC估计方法，其特征在于，所述步骤二中采用系统辨识的方法确定模型中的未知参数，通过多新息遗忘因子递推最小二乘辨识算法得出，具体步骤如下：
(1)建立动力电池二阶RC等效电路模型：
通过基尔霍夫定律，可得到动力电池二阶RC等效电路模型电气特性的表达式为：
U＝Uoc[SOC(t)]-U1-U2-I(t)·R0 (1)
由于在实验中使用的锂离子电池自放电效率低，因此忽略电池自放电效应对等效电路模型的影响，定义Qn为电池的实际容量，通过安时积分法可以计算电池的SOC值，得到式(4)：
令等效电路模型的输入u和输出y分别为电流I和端电压U，状态变量为SOC、U1、U2，则式(1)到式(4)可整理成状态空间方程的形式，如式(5)所示：
式(5)中：x(t)＝[SOC(t) U1(t) U2(t)]T，u(t)＝I(t)，y(t)＝U(t)，
Dt＝-R0；
其中，图2中Uoc表示电池开路电压，R0是电池的欧姆内阻，R1、C1用于模拟电池动态特性中表现出的短时间响应阶段，即电压快速变化的过程，R2、C2用于模拟电池动态特性中表现出的长时间响应阶段，即电压缓慢稳定的过程；
(2)推导二阶RC等效电路模型的辨识模型，估计未知参数：
由动力电池二阶RC等效电路模型可得：
设τ1＝R1C1、τ2＝R2C2，可得：
令：
a＝τ1τ2
b＝τ1+τ2
c＝R1τ2+R2τ1+(τ1+τ2)R0
d＝R0+R1+R2
则式(7)可化简为：
τ1τ2Uocs2+(τ1+τ2)Uocs+Uoc＝aR0Is2+cIs+dI+aUs2+bUs+U (8)
化简可得：
令：
则式(9)可化简为：
令：
θ＝[k1 k2 k3 k4 k5]T
y(k)＝Uoc(k)-U(k)
则可以得到：
式(11)为系统辨识中的辨识表达式，利用系统辨识中的参数估计方法将参数θ＝[k1 k2k3 k4 k5]T辨识出来，再利用辨识出来的参数值推导出相应的电阻、电容值，具体推导过程如下：
令k0＝T2+bT+a，则可得：
a＝k0k2 (13)
由于c＝R1τ2+R2τ1+(τ1+τ2)R0、d＝R0+R1+R2，所以可得：
R2＝d-R1-R0 (19)
因为a＝τ1τ2、b＝τ1+τ2，故
3.根据权利要求1或2所述的基于多新息理论的电动汽车动力电池SOC估计方法，其特征在于，所述步骤三中，构建多新息遗忘因子递推最小二乘辨识算法具体内容如下：
多新息遗忘因子递推最小二乘辨识算法如下：
L(t)＝P(t)Φ(p，t)＝P(t-1)Φ(p，t)[λIp+ΦT(p，t)P(t-1)Φ(p，t)]-1 (25)
Y(p，t)＝[y(t)，y(t-1)，…，y(t-p+1)]T (27)
y(t)＝Uoc(t)-U(t) (30)
其中，是θ在t时刻的参数估计值，L(t)∈Rn×p是系统的增益矩阵，P(t)∈Rn×n是协方差矩阵，p≥1是新息长度，λ是遗忘因子。
4.根据权利要求1-3任一项所述的基于多新息理论的电动汽车动力电池SOC估计方法，其特征在于，所述步步骤四中，针对锂离子电池非线性系统，采用多新息扩展卡尔曼滤波算法，并与多新息遗忘因子递推最小二乘辨识算法组成联合估计算法的具体步骤如下：
1)构建多新息扩展卡尔曼滤波算法：
1-1)初始化：x(0)、P(0)、Q和R；
1-2)k+1时刻状态变量预测，其中为k+1时刻的预测值，为k时刻的最优估计值；
1-3)k+1时刻协方差矩阵预测，其中为k+1时刻的预测值，P(k)为k时刻的最优滤波值；
1-4)计算Kalman滤波增益；
1-5)输出变量预测，其中为k+1时刻输出矩阵的预测值；
1-6)状态变量更新，其中为k+1时刻的最优估计值，y(k+1)为k+1时刻输出变量的观测值；
1-7)协方差矩阵更新，其中P(k+1)为k+1时刻协方差矩阵的最优滤波值；
1-8)重复步骤1-2)至1-7)，直至滤波结束；
2)构建多新息遗忘因子递推最小二乘辨识算法与多新息扩展卡尔曼滤波联合估计算法：
L1(k)＝P1(k)Φ(p，k)＝P1(k-1)Φ(p，k)[λIp+ΦT(p，k)P1(k-1)Φ(p，k)]-1 (39)
P1(k)＝P1(k-1)-L1(k)ΦT(p，k)P1(k-1) (40)
Y(p，k)＝[y(k)，y(k-1)，…，y(k-p+1)]T (41)
y(k)＝Uoc(k)-U(k) (44)
R2＝d-R1-R0 (48)
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910523876.7A CN110286332B (zh) | 2019-06-17 | 2019-06-17 | 一种基于多新息理论的电动汽车动力电池soc估计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910523876.7A CN110286332B (zh) | 2019-06-17 | 2019-06-17 | 一种基于多新息理论的电动汽车动力电池soc估计方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110286332A true CN110286332A (zh) | 2019-09-27 |
| CN110286332B CN110286332B (zh) | 2021-06-22 |
Family
ID=68005289
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910523876.7A Active CN110286332B (zh) | 2019-06-17 | 2019-06-17 | 一种基于多新息理论的电动汽车动力电池soc估计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110286332B (zh) |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111077452A (zh) * | 2019-12-31 | 2020-04-28 | 江苏大学 | 一种基于气液动力学电池模型在线估算开路电压的方法及系统 |
| CN111098755A (zh) * | 2019-11-21 | 2020-05-05 | 南通大学 | 一种电动汽车动力电池soc估计方法 |
| CN111463811A (zh) * | 2020-04-13 | 2020-07-28 | 国网江苏电力设计咨询有限公司 | 基于电池能量均衡的mmhc储能系统控制方法 |
| CN111812530A (zh) * | 2020-06-22 | 2020-10-23 | 南京邮电大学 | 一种锂电池荷电状态估测方法 |
| CN112526348A (zh) * | 2020-11-18 | 2021-03-19 | 南通大学 | 一种基于多新息递推贝叶斯算法的电池模型参数辨识方法 |
| CN112595979A (zh) * | 2020-12-02 | 2021-04-02 | 华中科技大学 | 一种考虑非充分激励的锂电池参数在线辨识方法及系统 |
| CN113030752A (zh) * | 2021-04-12 | 2021-06-25 | 安徽理工大学 | 一种基于变遗忘因子在线参数辨识和soc联合估计方法 |
| 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 |
| CN113420444A (zh) * | 2021-06-23 | 2021-09-21 | 南通大学 | 一种基于参数在线辨识的锂离子电池soc估计方法 |
| CN113655281A (zh) * | 2021-08-13 | 2021-11-16 | 海南师范大学 | 一种在电动汽车动力电池断开时的绝缘阻值检测方法 |
| CN113655277A (zh) * | 2021-08-13 | 2021-11-16 | 海南师范大学 | 一种在电动汽车动力电池断开时的绝缘阻值检测方法 |
| CN113777510A (zh) * | 2021-09-07 | 2021-12-10 | 国网江苏省电力有限公司电力科学研究院 | 一种锂电池荷电状态估计方法及装置 |
| CN114594377A (zh) * | 2020-12-03 | 2022-06-07 | 西南科技大学 | 一种基于多新息ekf算法的航天动力锂电池soc估算方法 |
| CN114879044A (zh) * | 2022-03-18 | 2022-08-09 | 中国矿业大学 | 一种锂离子电池荷电状态联合估算方法 |
| CN115015767A (zh) * | 2022-08-04 | 2022-09-06 | 华南理工大学 | 基于多新息无迹卡尔曼滤波算法融合的锂电池soc估算方法 |
| CN118898176A (zh) * | 2024-10-09 | 2024-11-05 | 西南科技大学 | 一种新型动态折息储能电池模型参数的辨识方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103995464A (zh) * | 2014-05-26 | 2014-08-20 | 北京理工大学 | 一种估计电动车辆的动力系统的参数和状态的方法 |
| CN104569835A (zh) * | 2014-12-16 | 2015-04-29 | 北京理工大学 | 一种估计电动汽车的动力电池的荷电状态的方法 |
| CN106054084A (zh) * | 2016-07-06 | 2016-10-26 | 南京航空航天大学 | 一种动力电池soc估计方法 |
| US20180093538A1 (en) * | 2017-11-07 | 2018-04-05 | Michael Benn Rothschild | Digital hardware method, system and device for preventing the initial onset of trailer oscillations and control thereof |
| CN109194225A (zh) * | 2018-09-30 | 2019-01-11 | 江南大学 | 一种双馈电机参数在线辨识方法 |
| CN109472000A (zh) * | 2018-11-29 | 2019-03-15 | 南京邮电大学 | 一种基于加权多新息随机梯度的球杆模型参数辨识方法 |
| CN111427266A (zh) * | 2020-03-20 | 2020-07-17 | 北华航天工业学院 | 一种针对带扰动的非线性系统辨识方法 |
| CN111510041A (zh) * | 2020-06-11 | 2020-08-07 | 中国人民解放军火箭军工程大学 | 一种永磁同步电机的运行状态评估方法及系统 |
-
2019
- 2019-06-17 CN CN201910523876.7A patent/CN110286332B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103995464A (zh) * | 2014-05-26 | 2014-08-20 | 北京理工大学 | 一种估计电动车辆的动力系统的参数和状态的方法 |
| CN104569835A (zh) * | 2014-12-16 | 2015-04-29 | 北京理工大学 | 一种估计电动汽车的动力电池的荷电状态的方法 |
| CN106054084A (zh) * | 2016-07-06 | 2016-10-26 | 南京航空航天大学 | 一种动力电池soc估计方法 |
| US20180093538A1 (en) * | 2017-11-07 | 2018-04-05 | Michael Benn Rothschild | Digital hardware method, system and device for preventing the initial onset of trailer oscillations and control thereof |
| CN109194225A (zh) * | 2018-09-30 | 2019-01-11 | 江南大学 | 一种双馈电机参数在线辨识方法 |
| CN109472000A (zh) * | 2018-11-29 | 2019-03-15 | 南京邮电大学 | 一种基于加权多新息随机梯度的球杆模型参数辨识方法 |
| CN111427266A (zh) * | 2020-03-20 | 2020-07-17 | 北华航天工业学院 | 一种针对带扰动的非线性系统辨识方法 |
| CN111510041A (zh) * | 2020-06-11 | 2020-08-07 | 中国人民解放军火箭军工程大学 | 一种永磁同步电机的运行状态评估方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| ZHENG LIU ET AL.: "A Novel Open Circuit Voltage Based State of Charge Estimation for Lithium-Ion Battery by Multi-Innovation Kalman Filter", 《IEEE ACCESS》 * |
| 岳军: "带未知参数系统的多传感器多新息卡尔曼滤波器", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
Cited By (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111098755A (zh) * | 2019-11-21 | 2020-05-05 | 南通大学 | 一种电动汽车动力电池soc估计方法 |
| CN111077452A (zh) * | 2019-12-31 | 2020-04-28 | 江苏大学 | 一种基于气液动力学电池模型在线估算开路电压的方法及系统 |
| CN111077452B (zh) * | 2019-12-31 | 2022-05-20 | 江苏大学 | 一种基于气液动力学电池模型在线估算开路电压的方法及系统 |
| CN111463811A (zh) * | 2020-04-13 | 2020-07-28 | 国网江苏电力设计咨询有限公司 | 基于电池能量均衡的mmhc储能系统控制方法 |
| CN111463811B (zh) * | 2020-04-13 | 2023-04-14 | 国网江苏电力设计咨询有限公司 | 基于电池能量均衡的mmhc储能系统控制方法 |
| CN111812530A (zh) * | 2020-06-22 | 2020-10-23 | 南京邮电大学 | 一种锂电池荷电状态估测方法 |
| CN112526348A (zh) * | 2020-11-18 | 2021-03-19 | 南通大学 | 一种基于多新息递推贝叶斯算法的电池模型参数辨识方法 |
| CN112526348B (zh) * | 2020-11-18 | 2021-11-09 | 南通大学 | 一种基于多新息递推贝叶斯算法的电池模型参数辨识方法 |
| WO2022105104A1 (zh) * | 2020-11-18 | 2022-05-27 | 南通大学 | 一种基于多新息递推贝叶斯算法的电池模型参数辨识方法 |
| CN112595979B (zh) * | 2020-12-02 | 2021-10-08 | 华中科技大学 | 一种考虑非充分激励的锂电池参数在线辨识方法及系统 |
| CN112595979A (zh) * | 2020-12-02 | 2021-04-02 | 华中科技大学 | 一种考虑非充分激励的锂电池参数在线辨识方法及系统 |
| CN114594377A (zh) * | 2020-12-03 | 2022-06-07 | 西南科技大学 | 一种基于多新息ekf算法的航天动力锂电池soc估算方法 |
| CN113030752B (zh) * | 2021-04-12 | 2024-03-29 | 安徽理工大学 | 一种基于变遗忘因子在线参数辨识和soc联合估计方法 |
| CN113030752A (zh) * | 2021-04-12 | 2021-06-25 | 安徽理工大学 | 一种基于变遗忘因子在线参数辨识和soc联合估计方法 |
| 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 |
| CN113420444A (zh) * | 2021-06-23 | 2021-09-21 | 南通大学 | 一种基于参数在线辨识的锂离子电池soc估计方法 |
| CN113655277A (zh) * | 2021-08-13 | 2021-11-16 | 海南师范大学 | 一种在电动汽车动力电池断开时的绝缘阻值检测方法 |
| CN113655277B (zh) * | 2021-08-13 | 2023-09-26 | 海南师范大学 | 一种在电动汽车动力电池断开时的绝缘阻值检测方法 |
| CN113655281B (zh) * | 2021-08-13 | 2023-09-26 | 海南师范大学 | 一种在电动汽车动力电池断开时的绝缘阻值检测方法 |
| CN113655281A (zh) * | 2021-08-13 | 2021-11-16 | 海南师范大学 | 一种在电动汽车动力电池断开时的绝缘阻值检测方法 |
| CN113777510A (zh) * | 2021-09-07 | 2021-12-10 | 国网江苏省电力有限公司电力科学研究院 | 一种锂电池荷电状态估计方法及装置 |
| CN114879044A (zh) * | 2022-03-18 | 2022-08-09 | 中国矿业大学 | 一种锂离子电池荷电状态联合估算方法 |
| CN115015767A (zh) * | 2022-08-04 | 2022-09-06 | 华南理工大学 | 基于多新息无迹卡尔曼滤波算法融合的锂电池soc估算方法 |
| CN118898176A (zh) * | 2024-10-09 | 2024-11-05 | 西南科技大学 | 一种新型动态折息储能电池模型参数的辨识方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110286332B (zh) | 2021-06-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110286332B (zh) | 一种基于多新息理论的电动汽车动力电池soc估计方法 | |
| CN112733411B (zh) | 基于二阶差分粒子滤波的锂电池soc估计方法及系统 | |
| WO2023274194A1 (zh) | 一种适用于富锂锰基电池的高阶模型参数辨识方法和系统 | |
| CN103197251B (zh) | 一种动力锂电池二阶rc等效模型的辨识方法 | |
| CN106249171B (zh) | 一种用于宽采样间隔的动力电池系统辨识和状态估计方法 | |
| Guo et al. | SoC estimation of lithium battery based on AEKF algorithm | |
| CN111352032A (zh) | 一种锂电池动态峰值功率预测方法 | |
| CN107576919A (zh) | 基于armax模型的动力电池荷电状态估算系统及方法 | |
| CN107589379A (zh) | 一种在线估计锂电池soc和阻抗的方法 | |
| CN110007236A (zh) | 一种铝空气电池等效电路模型的参数辨识方法 | |
| CN105203969A (zh) | 基于修正的rc电池模型的荷电状态估计方法 | |
| CN110221221A (zh) | 锂离子电池荷电状态和健康状态联合估计方法 | |
| CN107505578A (zh) | 一种锂电池电荷状态估计的方法 | |
| CN111400935B (zh) | 基于似然函数的锂电池三阶模型参数辨识方法及系统 | |
| CN111098755B (zh) | 一种电动汽车动力电池soc估计方法 | |
| CN112710955B (zh) | 一种用于提高电池容量估计精度的算法 | |
| CN112345939A (zh) | 基于连续脉冲响应的锂离子电池模型参数辨识方法 | |
| CN112946481A (zh) | 基于联合h∞滤波的滑模观测器锂离子电池soc估计方法及电池管理系统 | |
| CN113484771A (zh) | 一种锂离子电池宽温度全寿命soc及容量估计的方法 | |
| CN107192961A (zh) | 新型动力电池soc估算方法 | |
| CN107144793A (zh) | 一种动力电池的分数阶KiBaM模型参数辨识方法及系统 | |
| CN113740735A (zh) | 一种锂离子电池soc估计的方法 | |
| CN114609525A (zh) | 基于分数阶容积卡尔曼滤波的动力电池soc估计方法 | |
| CN118818307A (zh) | 电池soh估计模型训练方法、soh估计方法及系统 | |
| Cai et al. | Research state of charge estimation tactics of nickel-hydrogen battery |
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 | ||
| OL01 | Intention to license declared | ||
| OL01 | Intention to license declared | ||
| OL02 | Intention to license withdrawn | ||
| OL02 | Intention to license withdrawn | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20250409 Address after: 508 Kangrui Times Square, Keyuan Business Building, No. 39 Huarong Road, Gaofeng Community, Dalang Street, Longhua District, Shenzhen City, Guangdong Province, 518000 Patentee after: Shenzhen Lizhan Zhifeng Technology Co.,Ltd. Country or region after: China Address before: 226019 Jiangsu Province, Nantong City Chongchuan District sik Road No. 9 Patentee before: NANTONG University Country or region before: China |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20250520 Address after: Room 2100, Zone A1, 2nd Floor, Building 1, No. 15, Lane 588, Zhangliantang Road, Liantang Town, Qingpu District, Shanghai, 201799 Patentee after: Shanghai Liyi Information Technology Co.,Ltd. Country or region after: China Address before: 508 Kangrui Times Square, Keyuan Business Building, No. 39 Huarong Road, Gaofeng Community, Dalang Street, Longhua District, Shenzhen City, Guangdong Province, 518000 Patentee before: Shenzhen Lizhan Zhifeng Technology Co.,Ltd. Country or region before: China |
|
| TR01 | Transfer of patent right |