CN110395141B - 基于自适应卡尔曼滤波法的动力锂电池soc估算方法 - Google Patents

基于自适应卡尔曼滤波法的动力锂电池soc估算方法 Download PDF

Info

Publication number
CN110395141B
CN110395141B CN201910567240.2A CN201910567240A CN110395141B CN 110395141 B CN110395141 B CN 110395141B CN 201910567240 A CN201910567240 A CN 201910567240A CN 110395141 B CN110395141 B CN 110395141B
Authority
CN
China
Prior art keywords
soc
time
matrix
representing
ocv
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.)
Active
Application number
CN201910567240.2A
Other languages
English (en)
Other versions
CN110395141A (zh
Inventor
康健强
秦鹏
王振新
熊松
朱国荣
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.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
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 Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN201910567240.2A priority Critical patent/CN110395141B/zh
Publication of CN110395141A publication Critical patent/CN110395141A/zh
Application granted granted Critical
Publication of CN110395141B publication Critical patent/CN110395141B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
    • B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
    • B60L58/12—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to state of charge [SoC]
    • 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
    • G01R31/388—Determining ampere-hour charge capacity or SoC involving voltage measurements
    • 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

Abstract

本发明公开了一种基于自适应卡尔曼滤波法的动力锂电池SOC估算方法，首先，根据锂离子电池的动态特性，建立电池的双极化等效电路模型；然后，通过混合脉冲功率性能测试获取数据，对模型特性参数进行辨识，并用最小二乘法拟合得到开路电压与SOC的关系曲线；接着，基于开路电压与SOC的关系曲线和DP模型的离散方程，建立状态方程和观测方程，并将状态方程和观测方程代入EFK算法得到系统矩阵；再运用改进的自适应扩展卡尔曼滤波算法对锂离子电池SOC进行估算。本发明的方法有效解决了在运用传统自适应卡尔曼滤波算法或EKF算法进行SOC估算时，滤波结果发散、运算不稳定的问题，且加快了SOC估算值向真值收敛的速度。

Description

基于自适应卡尔曼滤波法的动力锂电池SOC估算方法
技术领域
本发明涉及新能源汽车电池管理系统技术领域，具体涉及一种基于自适应卡尔曼滤波法的动力锂电池SOC估算方法。
背景技术
作为新能源汽车动力系统的关键技术，电池管理系统(Battery ManagementSystem，BMS)以动力电池状态估算为核心，通过获取电池的状态来制定相应的控制策略，使电池高效、安全工作。其承担的功能主要包括估算电池状态(荷电状态SOC、健康状态SOH、功率状态SOP)、监测电池工作状态、电池均衡控制、热管理和信息交互功能。而对电池荷电状态(State of Charge，SOC)的估算一直是BMS的核心工作，它能反映电池剩余电量便于估计续驶里程，同时和其他状态(SOH/SOP)的估算也紧密相关，是整车多项控制策略的核心。
在SOC估算方面，现有的扩展卡尔曼滤波算法(EKF)表现出很强的优越性。该算法对SOC初始值所造成的误差有良好的修正作用，对系统中的噪声干扰信号有很强的抑制作用，对系统中变化频率较高的电流有很强的适应能力，且能够实现系统状态量的实时动态估算。
本申请发明人在实施本发明的过程中，发现现有技术的方法，至少存在如下技术问题：
扩展卡尔曼滤波算法(EKF)中，电池模型精度低、动态响应能力差会导致EKF失去最优性甚至会引起滤波发散，且EKF不具有应对噪声统计变化的自适应能力。
由此可知，现有技术中的方法存在滤波发散和稳定性不高的技术问题。
发明内容
有鉴于此，本发明提供了一种基于自适应卡尔曼滤波法的动力锂电池SOC估算方法，用以解决或者至少部分解决现有技术中的方法存在滤波发散和稳定性不高的技术问题。
本发明提供了一种基于自适应卡尔曼滤波法的动力锂电池SOC估算方法，包括：
步骤S1：根据锂离子电池的动态特性，建立电池的双极化等效电路模型：DP模型，并对DP模型进行离散化，得到DP模型的离散方程；
步骤S2：通过混合脉冲功率性能测试获取数据，对双极化等效电路模型的特性参数进行辨识，其中，特性参数包括开路电压UOCV，采用最小二乘法拟合得到开路电压UOCV与SOC的关系曲线；
步骤S3：基于开路电压UOCV与SOC的关系曲线和DP模型的离散方程，建立状态方程和观测方程，并将状态方程和观测方程代入EFK算法得到系统矩阵，其中，系统矩阵包括状态估计矩阵、误差协方差矩阵及测量矩阵；
步骤S4：基于状态估计矩阵、误差协方差矩阵及测量矩阵、卡尔曼增益、过程噪声协方差以及量测噪声协方差的更新，运用改进的自适应扩展卡尔曼滤波算法对锂离子电池SOC进行估算。
在一种实施方式中，步骤S1中DP模型的数学方程如下：
Figure BDA0002109981750000021
式(1)中，UL为端电压，I为电流，R0为欧姆内阻，UP1、UP2分别为第一个RC电路和第二个RC电路的极化电压，CP1、CP2为极化电容，RP1、RP2为极化电阻；
对以上方程(1)进行离散化得到的DP模型的离散方程为：
Figure BDA0002109981750000022
式(2)中，放电方向为正，Ik为k时刻电流，UL(k)是k时刻电池端电压；UP1(k)、UP2(k)分别是k时刻在两个RC模块两端的极化电压，Δt为采样时间间隔。
在一种实施方式中，DP模型的特性参数还包括欧姆内阻R0，极化电容CP1、CP2以及极化电阻RP1、RP2，步骤S2具体包括：
步骤S2.1：将电池充分静置后电池的端电压近似为开路电压UOCV，辨识开路电压UOCV；
步骤S2.2：根据电流接通瞬间出现的电压差值比上电流值得到R0，辨识欧姆内阻R0；
步骤S2.3：根据脉冲放电静置40s阶段辨识出两个RC并联电路的时间常数τ1、τ2，此段端电压的表达式为：UL＝UOCV-Ae-t/τ1-Be-t/τ2，再进行指数拟合出τ1、τ2，根据脉冲放电10s阶段的总极化电压表达式：UP1+UP2＝UOCV-UL-IRO＝IRP1(1-e-t/τ1)+IRP2(1-e-t/τ2)计算出RP1、RP2，最后利用时间常数τ1、τ2和RP1、RP2的比值分别得出极化电容CP1、CP2；
步骤S2.4：采用最小二乘法拟合UOCV与SOC值的关系时，用六阶多项式UOCV(soc)＝a1*soc6+a2*soc5+a3*soc4+a4*soc3+a5*soc2+a6*soc+a7进行拟合，获得开路电压UOCV与SOC值的函数关系。
在一种实施方式中，步骤S3具体包括：
步骤S3.1：基于开路电压UOCV与SOC的关系曲线和DP模型的离散方程，采用安时积分法选取极化电压UP1、UP2以及SOC作为状态变量，选取电池端电压UL作为观察变量，建立状态方程和观测方程：
Figure BDA0002109981750000031
其中，SOCk表示k时刻荷电状态，Up1,k-1表示k-1时刻第一个RC电路的极化电压，
Figure BDA0002109981750000032
表示与Up1,k-1对应的系统噪声，η为电池放电效率，CN为电池额定容量，Uocv(SOCk)表示开路电压UOCV的值；
步骤S3.2：EKF算法中的系统方程和观测方程如下：
Figure BDA0002109981750000041
zk＝Hk xk+yk+υk
式中，xk为状态变量，
Figure BDA0002109981750000042
表示k-1时刻的状态转移矩阵，ωk-1表示k-1时刻的预测过程噪声，Uk-1表示k-1时刻的控制矩阵，zk表示k时刻的测量矩阵，Hk表示k时刻的转换矩阵，υk为测量噪声，ωk和υk都服从高斯分布，两者的协方差分别为Q和R，将状态方程和观测方程代入EFK算法，得到系统矩阵：
Figure BDA0002109981750000043
Hk＝[-1 -1 0]，yk＝-IkR0+UOCV(SOCk)
其中，Ik表示k时刻的电流，R0表示电阻，yk表示测量控制变量。
在一种实施方式中，步骤S4具体包括：
步骤S4.1：设置遗忘因子b以及初始值SOC(0)、UP1(0)、UP2(0)、P(0)、Q(0)和R(0)；
步骤S4.2：对状态估计矩阵、误差协方差矩阵及测量矩阵进行时间更新，
状态估计时间更新方式为：
Figure BDA0002109981750000044
误差协方差矩阵时间更新方式为：
Figure BDA0002109981750000045
测量矩阵更新方式为：
Figure BDA0002109981750000046
其中，
Figure BDA0002109981750000047
表示k时刻的状态估计值、
Figure BDA0002109981750000048
表示k-1时刻的状态转移矩阵、
Figure BDA0002109981750000049
表示k-1时刻x的最优估计值，Uk-1表示k-1时刻的控制矩阵，Pk/k-1表示k时刻的误差协方差，Pk-1表示k-1时刻的误差协方差，Qk-1表示k-1时刻的过程噪声协方差，
Figure BDA00021099817500000410
表示k时刻的测量矩阵，Hk表示k时刻的转换矩阵；
步骤S4.3：计算卡尔曼增益Kk，
Figure BDA00021099817500000411
其中，Rk表示k时刻的测量噪声协方差，
步骤S4.4：更新得到当前时刻状态变量的最优估计值
Figure BDA0002109981750000051
和协方差矩阵Pk；
状态估计测量更新：
Figure BDA0002109981750000052
误差协方差矩阵测量更新：Pk＝(I-KkHk)Pk/k-1，
并将当前时刻得到的最优估计值
Figure BDA0002109981750000053
和协方差矩阵Pk作为下一时刻的初始值；
步骤S4.5：计算自适应因子dk，
Figure BDA0002109981750000054
步骤S4.6：更新过程噪声协方差Q和量测噪声协方差R；
其中，过程噪声协方差的更新方式为：
Figure BDA0002109981750000055
量测噪声协方差的更新方式为：
Figure BDA0002109981750000056
步骤S4.7：循环步骤S4.2至步骤S4.6：估算出全时段的SOC值。
在一种实施方式中，步骤S4.5中遗忘因子b的取值范围为0.95-0.99。
本申请实施例中的上述一个或多个技术方案，至少具有如下一种或多种技术效果：
本发明提供的一种基于自适应卡尔曼滤波法的动力锂电池SOC估算方法，首先，根据锂离子电池的动态特性，建立电池的双极化(Dual Polarization，DP)等效电路模型；然后，通过混合脉冲功率性能测试获取数据，对模型特性参数进行辨识，并用最小二乘法拟合得到开路电压与SOC的关系曲线；接着，基于开路电压UOCV与SOC的关系曲线和DP模型的离散方程，建立状态方程和观测方程，并将状态方程和观测方程代入EFK算法得到系统矩阵，最后，运用改进的自适应扩展卡尔曼滤波算法对锂离子电池SOC进行估算。
本发明通过建立电池的DP模型，可以更准确的反映电池在充放电过程中的动态特性，并以此作为SOC估算的基础，通过改进过程噪声和量测噪声的协方差矩阵Q和R的更新算法，解决了在运用Sage-Husa法的自适应卡尔曼滤波进行SOC估算时，滤波发散、运算不稳定的问题。
进一步地，本发明还分析了在不同条件下初始值SOC(0)、UP1(0)、UP2(0)、P(0)、Q(0)和R(0)的设置方法，有利于SOC估算曲线快速收敛逼近真实值。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明中一种基于自适应卡尔曼滤波法的动力锂电池SOC估算方法的流程示意图；
图2为本发明一种示例中基于自适应卡尔曼滤波法的动力锂电池SOC估算方法的流程图；
图3为本发明实施例所涉及的DP等效电路模型示意图；
图4为本发明实施例所涉及的三种估算算法(本发明改进的自适应算法、EKF算法、Sage-Husa算法)的估计值和SOC真实值比较图。
图5为图4的局部放大图。
具体实施方式
本发明的目的在于针对现有技术中的方法存在滤波发散和稳定性不高的技术问题，提供的一种基于自适应卡尔曼滤波法的动力锂电池SOC估算方法，从而达到提高运算稳定性和准确性的技术效果。
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本实施例提供了一种基于自适应卡尔曼滤波法的动力锂电池SOC估算方法，请参见图1，该方法包括：
步骤S1：根据锂离子电池的动态特性，建立电池的双极化等效电路模型：DP模型，并对DP模型进行离散化，得到DP模型的离散方程。
其中，步骤S1中DP模型的数学方程如下：
Figure BDA0002109981750000071
式(1)中，UL为端电压，I为电流，R0为欧姆内阻，UP1、UP2分别为第一个RC电路和第二个RC电路的极化电压，CP1、CP2为极化电容，RP1、RP2为极化电阻；
对以上方程(1)进行离散化得到的DP模型的离散方程为：
Figure BDA0002109981750000072
式(2)中，放电方向为正，Ik为k时刻电流，UL(k)是k时刻电池端电压；UP1(k)、UP2(k)分别是k时刻在两个RC模块两端的极化电压，Δt为采样时间间隔。
具体来说，本发明构建的DP模型如图3所示，利用该模型可以更准确的反映电池在充放电过程中的动态特性，并以此作为SOC估算的基础。具体实现时，采样时间间隔可以根据需要选取，例如取0.1s、1s、10s等等。
步骤S2：通过混合脉冲功率性能测试获取数据，对双极化等效电路模型的特性参数进行辨识，其中，特性参数包括开路电压UOCV，采用最小二乘法拟合得到开路电压UOCV与SOC的关系曲线。
具体来说，HPPC即Hybrid Pulse Power Characteristic(混合动力脉冲能力特性)：是用来体现动力电池脉冲充放电性能的一种特征。混合脉冲功率性能测试(HPPC测试)可以采用专用电池检测设备完成。
步骤S3：基于开路电压UOCV与SOC的关系曲线和DP模型的离散方程，建立状态方程和观测方程，并将状态方程和观测方程代入EFK算法得到系统矩阵，其中，系统矩阵包括状态估计矩阵、误差协方差矩阵及测量矩阵。
步骤S4：基于状态估计矩阵、误差协方差矩阵及测量矩阵、卡尔曼增益、过程噪声协方差以及量测噪声协方差的更新，运用改进的自适应扩展卡尔曼滤波算法对锂离子电池SOC进行估算。
在具体示例中，本发明提供的动力锂电池SOC估算方法的流程如图2所示，
在一种实施方式中，DP模型的特性参数还包括欧姆内阻R0，极化电容CP1、CP2以及极化电阻RP1、RP2，步骤S2具体包括：
步骤S2.1：将电池充分静置后电池的端电压近似为开路电压UOCV，辨识开路电压UOCV；
步骤S2.2：根据电流接通瞬间出现的电压差值比上电流值得到R0，辨识欧姆内阻R0；
步骤S2.3：根据脉冲放电静置40s阶段辨识出两个RC并联电路的时间常数τ1、τ2，此段端电压的表达式为：UL＝UOCV-Ae-t/τ1-Be-t/τ2，再进行指数拟合出τ1、τ2，根据脉冲放电10s阶段的总极化电压表达式：UP1+UP2＝UOCV-UL-IRO＝IRP1(1-e-t/τ1)+IRP2(1-e-t/τ2)计算出RP1、RP2，最后利用时间常数τ1、τ2和RP1、RP2的比值分别得出极化电容CP1、CP2；
步骤S2.4：采用最小二乘法拟合UOCV与SOC值的关系时，用六阶多项式
Figure BDA0002109981750000081
进行拟合，获得开路电压UOCV与SOC值的函数关系。
具体来说，参数辨识为离线辨识。步骤S2.4中，采用最小二乘法拟合UOCV与SOC值的关系时，采用六阶多项式进行拟合，可以提高拟合结果的精度。
在一种实施方式中，步骤S3具体包括：
步骤S3.1：基于开路电压UOCV与SOC的关系曲线和DP模型的离散方程，采用安时积分法选取极化电压UP1、UP2以及SOC作为状态变量，选取电池端电压UL作为观察变量，建立状态方程和观测方程：
Figure BDA0002109981750000082
其中，SOCk表示k时刻荷电状态，Up1,k-1表示k-1时刻第一个RC电路的极化电压，
Figure BDA0002109981750000091
表示与Up1,k-1对应的系统噪声，η为电池放电效率，CN为电池额定容量，Uocv(SOCk)表示开路电压UOCV的值；
步骤S3.2：EKF算法中的系统方程和观测方程如下：
Figure BDA0002109981750000092
zk＝Hk xk+yk+υk
式中，xk为状态变量，
Figure BDA0002109981750000093
表示k-1时刻的状态转移矩阵，ωk-1表示k-1时刻的预测过程噪声，Uk-1表示k-1时刻的控制矩阵，zk表示k时刻的测量矩阵，Hk表示k时刻的转换矩阵，υk为测量噪声，ωk和υk都服从高斯分布，两者的协方差分别为Q和R，将状态方程和观测方程代入EFK算法，得到系统矩阵：
Figure BDA0002109981750000094
Hk＝[-1 -1 0]，yk＝-IkR0+UOCV(SOCk)
其中，Ik表示k时刻的电流，R0表示电阻，yk表示测量控制变量。
在一种实施方式中，步骤S4具体包括：
步骤S4.1：设置遗忘因子b以及初始值SOC(0)、UP1(0)、UP2(0)、P(0)、Q(0)和R(0)；
步骤S4.2：对状态估计矩阵、误差协方差矩阵及测量矩阵进行时间更新，
状态估计时间更新方式为：
Figure BDA0002109981750000095
误差协方差矩阵时间更新方式为：
Figure BDA0002109981750000096
测量矩阵更新方式为：
Figure BDA0002109981750000097
其中，
Figure BDA0002109981750000098
表示k时刻的状态估计值、
Figure BDA0002109981750000099
表示k-1时刻的状态转移矩阵、
Figure BDA00021099817500000910
表示k-1时刻x的最优估计值，Uk-1表示k-1时刻的控制矩阵，Pk/k-1表示k时刻的误差协方差，Pk-1表示k-1时刻的误差协方差，Qk-1表示k-1时刻的过程噪声协方差，
Figure BDA0002109981750000101
表示k时刻的测量矩阵，Hk表示k时刻的转换矩阵；
步骤S4.3：计算卡尔曼增益Kk，
Figure BDA0002109981750000102
其中，Rk表示k时刻的测量噪声协方差，
步骤S4.4：更新得到当前时刻状态变量的最优估计值
Figure BDA0002109981750000103
和协方差矩阵Pk；
状态估计测量更新：
Figure BDA0002109981750000104
误差协方差矩阵测量更新：Pk＝(I-KkHk)Pk/k-1，
并将当前时刻得到的最优估计值
Figure BDA0002109981750000105
和协方差矩阵Pk作为下一时刻的初始值；
步骤S4.5：计算自适应因子dk，
Figure BDA0002109981750000106
步骤S4.6：更新过程噪声协方差Q和量测噪声协方差R；
其中，过程噪声协方差的更新方式为：
Figure BDA0002109981750000107
量测噪声协方差的更新方式为：
Figure BDA0002109981750000108
步骤S4.7：循环步骤S4.2至步骤S4.6：估算出全时段的SOC值。
具体实现时，以采用额定容量为2600mAh、标称电压为3.6V的18650型三元材料锂离子电池单体为研究对象为例进行说明。
其中，步骤S4.5中遗忘因子b的取值范围为0.95-0.99。本实施例的方法取b＝0.95。由于初始阶段极化作用不明显，将两个极化电压UP1(0)、UP2(0)设为0。状态误差协方差P(0)则设为单位矩阵。由于改进的自适应卡尔曼滤波算法对SOC初始值的敏感性不强，Q(0)和R(0)可以设置为零矩阵，SOC初始值设为0.5。而极化内阻Rp1、Rp2以及时间常数τ1、τ2的初始值，则按照步骤2中辨识的对应参数值的平均值设置。
步骤S4.6中，传统的Sage-Husa的自适应卡尔曼滤波算法对过程噪声和量测噪声的协方差矩阵Q和R的更新方式如下：
Figure BDA0002109981750000109
Figure BDA00021099817500001010
本方法为了避免在矩阵迭代计算中失去正定性，减少发散的可能性，对传统的过程噪声和量测噪声的协方差矩阵Q和R的更新进行了改进。具体为：将Q的更新公式中等式右边的第2项的结果的对角线元素取绝对值，非对角线元素取零；将R的更新公式中等式右边的第2项的结果的对角线元素取绝对值，得到：
Figure BDA0002109981750000111
Figure BDA0002109981750000112
从而提高了算法的稳定性，避免了Sage-Husa法估算过程中SOC值的发散现象，并且加快了SOC估算值向真实值的收敛速度。
本发明提供的方法，通过执行步骤S4.2至步骤S4.6，在这一秒都得出一个值，到了下一秒就利用这一秒的值代入公式推算出估算值，如此迭代下去，就可以得到从头到尾每一秒的值。
本发明通过建立电池的图3所示的DP模型以更准确的反映电池在充放电过程中的动态特性，并以此作为SOC估算的基础；本发明还分析了在不同条件下初始值SOC(0)、UP1(0)、UP2(0)、P(0)、Q(0)和R(0)的设置方法，有利于SOC估算曲线快速收敛逼近真实值；本发明通过改进过程噪声和量测噪声的协方差矩阵Q和R的更新算法，解决了在运用Sage-Husa法的自适应卡尔曼滤波进行SOC估算时，滤波发散、运算不稳定的问题。
请参见图4，为本发明实施例所涉及的三种估算算法(改进的自适应算法、EKF算法、Sage-Husa算法)的估计值和SOC真实值比较图。如图4所示为传统的EKF算法、本发明改进的自适应算法和Sage-Husa提出的自适应算法的SOC估算曲线比较图。为了让各算法估算结果的差异更加明显，选取SOC初始真实值为1，并将算法初始SOC值设置为0.1。可以看出改进的自适应算法得到的估算结果更加稳定，没有出现发散的情况，并且比其他两种算法更快收敛至真实值。
图5为图4的局部放大图，可以看出Sage-Husa算法的估算曲线有发散现象，而改进的算法(图中improve曲线)比较贴近真实值曲线，没有大幅的波动，并且比EFK算法更快得趋近真实值，证明改进算法的确增加了估算的稳定性且加快了向真值收敛的速度。
综上，本实例中使用改进的基于Sage-Husa自适应扩展卡尔曼滤波的锂离子电池SOC估算方法，过程噪声协方差Q和量测噪声协方差R的更新变得更简单，并且避免了失去正定性的风险，有效提高了滤波过程的稳定性。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明实施例进行各种改动和变型而不脱离本发明实施例的精神和范围。这样，倘若本发明实施例的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (5)

1.基于自适应卡尔曼滤波法的动力锂电池SOC估算方法，其特征在于，包括：
步骤S1：根据锂离子电池的动态特性，建立电池的双极化等效电路模型：DP模型，并对DP模型进行离散化，得到DP模型的离散方程；
步骤S2：通过混合脉冲功率性能测试获取数据，对双极化等效电路模型的特性参数进行辨识，其中，特性参数包括开路电压UOCV，采用最小二乘法拟合得到开路电压UOCV与SOC的关系曲线；
步骤S3：基于开路电压UOCV与SOC的关系曲线和DP模型的离散方程，建立状态方程和观测方程，并将状态方程和观测方程代入EFK算法得到系统矩阵，其中，系统矩阵包括状态估计矩阵、误差协方差矩阵及测量矩阵；
步骤S4：基于状态估计矩阵、误差协方差矩阵及测量矩阵、卡尔曼增益、过程噪声协方差以及量测噪声协方差的更新，运用改进的自适应扩展卡尔曼滤波算法对锂离子电池SOC进行估算；
其中，步骤S1中DP模型的数学方程如下：
Figure FDA0002545755340000011
式(1)中，UL为端电压，I为电流，R0为欧姆内阻，UP1、UP2分别为第一个RC电路和第二个RC电路的极化电压，CP1、CP2为极化电容，RP1、RP2为极化电阻；
对以上方程(1)进行离散化得到的DP模型的离散方程为：
Figure FDA0002545755340000012
式(2)中，放电方向为正，Ik为k时刻电流，UL(k)是k时刻电池端电压；UP1(k)、UP2(k)分别是k时刻在两个RC模块两端的极化电压，Δt为采样时间间隔。
2.如权利要求1所述的方法，其特征在于，DP模型的特性参数还包括欧姆内阻R0，极化电容CP1、CP2以及极化电阻RP1、RP2，步骤S2具体包括：
步骤S2.1：将电池充分静置后电池的端电压近似为开路电压UOCV，辨识开路电压UOCV；
步骤S2.2：根据电流接通瞬间出现的电压差值比上电流值得到R0，辨识欧姆内阻R0；
步骤S2.3：根据脉冲放电静置40s阶段辨识出两个RC并联电路的时间常数τ1、τ2，此段端电压的表达式为：UL＝UOCV-Ae-t/τ1-Be-t/τ2，再进行指数拟合出τ1、τ2，根据脉冲放电10s阶段的总极化电压表达式：UP1+UP2＝UOCV-UL-IRO＝IRP1(1-e-t/τ1)+IRP2(1-e-t/τ2)计算出RP1、RP2，最后利用时间常数τ1、τ2和RP1、RP2的比值分别得出极化电容CP1、CP2；
步骤S2.4：采用最小二乘法拟合UOCV与SOC值的关系时，用六阶多项式UOCV(soc)＝a1*soc6+a2*soc5+a3*soc4+a4*soc3+a5*soc2+a6*soc+a7进行拟合，获得开路电压UOCV与SOC值的函数关系。
3.如权利要求1所述的方法，其特征在于，步骤S3具体包括：
步骤S3.1：基于开路电压UOCV与SOC的关系曲线和DP模型的离散方程，采用安时积分法选取极化电压UP1、UP2以及SOC作为状态变量，选取电池端电压UL作为观察变量，建立状态方程和观测方程：
Figure FDA0002545755340000021
其中，SOCk表示k时刻荷电状态，Up1,k-1表示k-1时刻第一个RC电路的极化电压，
Figure FDA0002545755340000022
表示与Up1,k-1对应的系统噪声，η为电池放电效率，CN为电池额定容量，Uocv(SOCk)表示开路电压UOCV的值；
步骤S3.2：EKF算法中的系统方程和观测方程如下：
Figure FDA0002545755340000031
zk＝Hkxk+yk+υk
式中，xk为状态变量，
Figure FDA0002545755340000032
表示k-1时刻的状态转移矩阵，ωk-1表示k-1时刻的预测过程噪声，Uk-1表示k-1时刻的控制矩阵，zk表示k时刻的测量矩阵，Hk表示k时刻的转换矩阵，υk为测量噪声，ωk和υk都服从高斯分布，两者的协方差分别为Q和R，将状态方程和观测方程代入EFK算法，得到系统矩阵：
Figure FDA0002545755340000033
zk＝[UL,k]
Hk＝[-1 -1 0]，yk＝-IkR0+UOCV(SOCk)
其中，Ik表示k时刻的电流，R0表示电阻，yk表示测量控制变量。
4.如权利要求1所述的方法，其特征在于，步骤S4具体包括：
步骤S4.1：设置遗忘因子b以及初始值SOC(0)、UP1(0)、UP2(0)、P(0)、Q(0)和R(0)；
步骤S4.2：对状态估计矩阵、误差协方差矩阵及测量矩阵进行时间更新，
状态估计时间更新方式为：
Figure FDA0002545755340000034
误差协方差矩阵时间更新方式为：
Figure FDA0002545755340000035
测量矩阵更新方式为：
Figure FDA0002545755340000036
其中，
Figure FDA0002545755340000037
表示k时刻的状态估计值、
Figure FDA0002545755340000038
表示k-1时刻的状态转移矩阵、
Figure FDA0002545755340000039
表示k-1时刻x的最优估计值，Uk-1表示k-1时刻的控制矩阵，Pk/k-1表示k时刻的误差协方差，Pk-1表示k-1时刻的误差协方差，Qk-1表示k-1时刻的过程噪声协方差，
Figure FDA00025457553400000310
表示k时刻的测量矩阵，Hk表示k时刻的转换矩阵；
步骤S4.3：计算卡尔曼增益Kk，
Figure FDA0002545755340000041
其中，Rk表示k时刻的测量噪声协方差，
步骤S4.4：更新得到当前时刻状态变量的最优估计值
Figure FDA0002545755340000042
和协方差矩阵Pk；
状态估计测量更新：
Figure FDA0002545755340000043
误差协方差矩阵测量更新：Pk＝(I-KkHk)Pk/k-1，
并将当前时刻得到的最优估计值
Figure FDA0002545755340000044
和协方差矩阵Pk作为下一时刻的初始值；
步骤S4.5：计算自适应因子dk，
Figure FDA0002545755340000045
步骤S4.6：更新过程噪声协方差Q和量测噪声协方差R；
其中，过程噪声协方差的更新方式为：
Figure FDA0002545755340000046
量测噪声协方差的更新方式为：
Figure FDA0002545755340000047
步骤S4.7：循环步骤S4.2至步骤S4.6：估算出全时段的SOC值。
5.如权利要求4所述的方法，其特征在于，步骤S4.5中遗忘因子b的取值范围为0.95-0.99。
CN201910567240.2A 2019-06-27 2019-06-27 基于自适应卡尔曼滤波法的动力锂电池soc估算方法 Active CN110395141B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910567240.2A CN110395141B (zh) 2019-06-27 2019-06-27 基于自适应卡尔曼滤波法的动力锂电池soc估算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910567240.2A CN110395141B (zh) 2019-06-27 2019-06-27 基于自适应卡尔曼滤波法的动力锂电池soc估算方法

Publications (2)

Publication Number Publication Date
CN110395141A CN110395141A (zh) 2019-11-01
CN110395141B true CN110395141B (zh) 2020-10-30

Family

ID=68324310

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910567240.2A Active CN110395141B (zh) 2019-06-27 2019-06-27 基于自适应卡尔曼滤波法的动力锂电池soc估算方法

Country Status (1)

Country Link
CN (1) CN110395141B (zh)

Families Citing this family (36)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111239608A (zh) * 2019-11-21 2020-06-05 国联汽车动力电池研究院有限责任公司 基于扩展卡尔曼滤波的电池soc估算方法及装置
CN111007400A (zh) * 2019-11-22 2020-04-14 西安工程大学 基于自适应双扩展卡尔曼滤波法的锂电池soc估算方法
CN111707953A (zh) * 2019-11-24 2020-09-25 华南理工大学 一种基于后向平滑滤波框架的锂电池soc在线估计方法
CN110837622A (zh) * 2019-11-26 2020-02-25 国网湖南省电力有限公司 基于大倍率放电的锂电池荷电状态估算方法
CN111060820B (zh) * 2019-11-28 2022-06-17 上海理工大学 一种基于二阶rc模型的锂电池soc和sop估计方法
CN110888063A (zh) * 2019-12-02 2020-03-17 上海国际港务（集团）股份有限公司 一种基于港机轮胎吊磷酸铁锂电池并联系统设计的soc估算法
CN111044906B (zh) * 2019-12-10 2022-11-15 深圳市鹏诚新能源科技有限公司 一种基于极大似然准则的锂离子电池能量状态估算方法
CN111856178B (zh) * 2020-03-31 2021-10-08 同济大学 一种基于锂离子电容器电化学特征的soc分区估计方法
CN111428433B (zh) * 2020-04-10 2021-04-09 湖南经研电力设计有限公司 基于混合滤波的锂离子电池状态计算方法
CN111679197B (zh) * 2020-05-08 2022-11-15 深圳市鹏诚新能源科技有限公司 基于改进aekf的锂离子电池soc估算方法
CN111505506A (zh) * 2020-05-15 2020-08-07 吉林大学 一种多尺度卡尔曼滤波与无迹卡尔曼滤波融合的电池soc估算方法
CN111537894B (zh) * 2020-05-29 2022-11-25 合肥工业大学 一种用于估计锂电池soc和sop的方法
CN111931325A (zh) * 2020-06-05 2020-11-13 西安理工大学 一种融合环境温度的车用动力电池soc估算方法
CN111781503B (zh) * 2020-06-15 2023-09-22 国网江苏省电力有限公司无锡供电分公司 一种锂离子储能电池soc在线估算方法
CN111999654B (zh) * 2020-08-04 2023-05-12 力高(山东)新能源技术股份有限公司 一种自适应扩展卡尔曼估计soc算法
CN112034349B (zh) * 2020-08-13 2023-03-24 南京邮电大学 锂电池健康状态在线预估方法
CN112098847B (zh) * 2020-08-25 2021-08-10 华南理工大学 一种考虑机械应变的锂离子电池soc估计方法
CN112327183B (zh) * 2020-09-18 2023-11-28 国联汽车动力电池研究院有限责任公司 一种锂离子电池soc估算方法和装置
CN112098849B (zh) * 2020-09-19 2023-10-13 西安科技大学 基于求积分卡尔曼滤波的锂电池剩余电量估计方法
CN112213644B (zh) * 2020-09-30 2023-05-16 蜂巢能源科技有限公司 电池荷电状态估算方法及电池管理系统
CN112009252B (zh) * 2020-10-09 2023-12-01 哈尔滨工业大学（威海） 一种动力电池系统故障诊断及容错控制方法
CN112540302A (zh) * 2020-11-02 2021-03-23 珠海格力电器股份有限公司 一种电池soc估算方法及系统
CN112485675A (zh) * 2020-11-23 2021-03-12 郑州轨道交通信息技术研究院 一种锂电池soc估计方法和系统
CN112485680B (zh) * 2020-11-27 2024-04-23 浙江零跑科技股份有限公司 一种电池soc估算方法
CN112611972A (zh) * 2020-11-30 2021-04-06 上海理工大学 一种低频采样数据条件下估计锂电池soc的方法
CN112580284B (zh) * 2020-12-04 2024-03-19 华中科技大学 一种混合电容器等效电路模型及在线参数辨识方法
CN112580289B (zh) * 2020-12-04 2024-03-19 华中科技大学 一种混合电容器功率状态在线估计方法及系统
CN112733411B (zh) * 2020-12-18 2022-09-30 武汉大学 基于二阶差分粒子滤波的锂电池soc估计方法及系统
CN112816876B (zh) * 2020-12-28 2021-12-07 湖南航天捷诚电子装备有限责任公司 一种用于可充电电池的低温电池剩余电量估算方法及装置
CN112858920B (zh) * 2021-02-01 2022-09-27 山西国润储能科技有限公司 一种基于自适应无迹卡尔曼滤波的全钒液流电池融合模型的soc估算方法
CN113238150B (zh) * 2021-05-24 2022-10-04 哈尔滨工业大学 基于状态估计算法的电池实时发热功率获取方法
CN114167298A (zh) * 2021-10-28 2022-03-11 上海空间电源研究所 基于改进ekf的锂离子电池soc估算方法及系统
CN114722528A (zh) * 2022-03-31 2022-07-08 中国矿业大学 一种基于自适应扩展卡尔曼滤波的感应电机无传感器矢量控制方法
CN115902667B (zh) * 2023-02-15 2023-05-23 广东电网有限责任公司东莞供电局 基于权重和容积点自适应的锂电池soc估计方法
CN117110894A (zh) * 2023-09-06 2023-11-24 合肥工业大学 一种电动汽车动力电池soc估算方法及系统
CN117074966A (zh) * 2023-10-19 2023-11-17 东方电子股份有限公司 基于衰减记忆卡尔曼滤波器的电池soc估计方法及系统

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102981125B (zh) * 2012-11-30 2015-11-18 山东省科学院自动化研究所 一种基于rc等效模型的动力电池soc估计方法
CN103472403B (zh) * 2013-09-17 2016-04-13 浙江省计量科学研究院 一种基于pngv等效电路模型的动力电池soc复合估计方法
CN103744026A (zh) * 2013-12-19 2014-04-23 广西科技大学 基于自适应无迹卡尔曼滤波的蓄电池荷电状态估算方法
CN107290688B (zh) * 2017-08-24 2019-08-09 合肥工业大学 一种基于自适应模糊卡尔曼滤波的锂电池soc估计方法
CN107741569A (zh) * 2017-11-16 2018-02-27 温州大学 一种基于分段扩展卡尔曼滤波的锂电池荷电状态的估算方法
CN109061496A (zh) * 2018-08-10 2018-12-21 安徽力高新能源技术有限公司 一种利用扩展卡尔曼滤波算法估算锂电池soc的方法
CN109188293B (zh) * 2018-11-08 2020-01-07 武汉理工大学 基于新息协方差带渐消因子的ekf锂离子电池soc估算方法
CN109669134A (zh) * 2019-02-27 2019-04-23 浙江科技学院 一种基于卡尔曼滤波法的soc的估算方法
CN109917299B (zh) * 2019-04-08 2021-02-26 青岛大学 一种锂电池荷电状态的三层滤波估算方法

Also Published As

Publication number Publication date
CN110395141A (zh) 2019-11-01

Similar Documents

Publication Publication Date Title
CN110395141B (zh) 基于自适应卡尔曼滤波法的动力锂电池soc估算方法
CN109188293B (zh) 基于新息协方差带渐消因子的ekf锂离子电池soc估算方法
Chen et al. Battery state of charge estimation based on a combined model of Extended Kalman Filter and neural networks
CN108693472B (zh) 电池等效模型参数在线辨识方法
CN111044906B (zh) 一种基于极大似然准则的锂离子电池能量状态估算方法
CN108490365B (zh) 一种估计电动汽车的动力电池的剩余寿命的方法
CN110261778B (zh) 一种锂离子电池soc估测算法
CN110348062B (zh) 一种锂离子电池等效电路模型的构建方法
CN111965547B (zh) 一种基于参数辨识法的电池系统传感器故障诊断方法
CN109884550B (zh) 一种动力电池系统在线参数辨识与回溯方法
CN106597291A (zh) 在线估算电池参数的方法
WO2020196648A1 (ja) 充電制御装置、充電制御方法および充電制御プログラム
CN111856282B (zh) 基于改进遗传无迹卡尔曼滤波的车载锂电池状态估计方法
CN112462282B (zh) 基于机理模型的用于确定电池组实时荷电状态的方法
CN112433154A (zh) 基于ffrls和ekf的锂离子电池soc估测算法
CN112858916A (zh) 一种基于模型与数据驱动融合的电池包荷电状态估计方法
Rosca et al. On-line parameter, state-of-charge and aging estimation of Li-ion batteries
CN116298993A (zh) 一种电芯内阻异常识别方法、装置及终端设备
CN111679197B (zh) 基于改进aekf的锂离子电池soc估算方法
CN117129874A (zh) 电池等效电路模型的参数辨识方法及装置
CN109298340B (zh) 一种基于可变时间尺度的电池容量在线估计方法
Sakile et al. Estimation of lithium‐ion battery state of charge for electric vehicles using a nonlinear state observer
CN106815406B (zh) 一种基于特征模型的动力电池soc估算方法
CN112946480B (zh) 一种提高soc估计实时性的锂电池电路模型简化方法
Ciortea et al. Graphical Interpretation of the Extended Kalman Filter: Estimating the State-of-Charge of a Lithium Iron Phosphate Cell.

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