CN110907835B - 一种具有噪声免疫特性的电池模型参数辨识与soc估计方法 - Google Patents
一种具有噪声免疫特性的电池模型参数辨识与soc估计方法 Download PDFInfo
- Publication number
- CN110907835B CN110907835B CN201911261885.XA CN201911261885A CN110907835B CN 110907835 B CN110907835 B CN 110907835B CN 201911261885 A CN201911261885 A CN 201911261885A CN 110907835 B CN110907835 B CN 110907835B
- Authority
- CN
- China
- Prior art keywords
- model
- soc
- battery
- moment
- time
- 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
Links
Images
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]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
- G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current measurements
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
本发明公开了一种具有噪声免疫特性的电池模型参数辨识与SOC估计方法,包括以下步骤:S1.确定SOC‑OCV关系表达式;S2.对k时刻的锂离子电池端电压和电流进行实时采集;S3.建立电池的等效电路模型和用于模型辨识的离散域回归方程,利用k时刻的端电压值、电流值输入,实现实时的噪声方差估计和模型参数的无偏辨识;S4.将k时刻通过S3获得的模型参数对电池模型进行更新,并建立相应的状态空间方程,根据状态空间方程构建状态观测器,将k时刻电流、端电压值输入至状态观测器,实时估计k时刻的SOC。本发明能够克服噪声干扰环境下的模型辨识偏差,实现无偏的模型参数辨识,再基于无偏的模型参数,对电池SOC进行估计,有效提高了估计结果的准确度。
Description
技术领域
本发明涉及电池模型参数辨识与SOC估计,特别是涉及一种具有噪声免疫特性的电池模型参数辨识与SOC估计方法。
背景技术
电池管理系统(Battery Management System,BMS)需要准确估计电池的各项状态参数,其中荷电状态(State of Charge,SOC)是BMS中的一项关键状态,SOC对于电池系统的安全与高效应用尤为重要。然而SOC无法直接测量,是BMS设计的难点之一。
基于模型的SOC观测器以其高精度和鲁棒性,应用较广,其中基于等效电路模型的状态观测器应用最为广泛,例如基于等效电路模型的卡尔曼滤波法、滑模状态观测器、粒子滤波法等。目前这类方法多基于静态模型,即使用恒定的模型参数。然而模型参数随电池SOC、温度、充放电倍率、电池老化状态等因素影响,不确定性高,基于静态模型的SOC估计精度有待提高。为解决模型参数的不确定性,目前提出了模型参数与SOC联合估计方法,实现了模型的在线自适应,其中模型参数辨识部分大多基于最小二乘方法(Least squares,LS)。
现有的参数辨识及SOC估计方法依赖精确的电流及电压采集,然而实际应用中受传感器误差和电磁干扰等影响,电流、电压的测量信号中存在大量噪声,会导致模型参数辨识失准,模型精度下降,最终显著影响SOC估计精度。
发明内容
本发明的目的在于克服现有技术的不足,提供一种具有噪声免疫特性的电池模型参数辨识与SOC估计方法,能够克服噪声干扰环境下的模型辨识偏差,实现无偏的模型参数辨识,再基于无偏的模型参数,对电池SOC进行估计,有效提高了估计结果的准确度。
本发明的目的是通过以下技术方案来实现的:一种具有噪声免疫特性的电池模型参数辨识与SOC估计方法,包括以下步骤:
S1.在额定工况下对锂离子电池进行充电至SOC达到100%,进行间歇性放电-静置实验,并拟合确定SOC-OCV关系表达式;
S2.采用电压传感器和电流传感器,对k时刻的锂离子电池端电压和电流进行实时采集;
S3.建立电池的等效电路模型和用于模型辨识的离散域回归方程,利用k时刻的端电压值、电流值输入,实现实时的噪声方差估计和模型参数的无偏辨识;
S4.将k时刻通过S3获得的模型参数对电池模型进行更新,并建立相应的状态空间方程,根据状态空间方程构建状态观测器,将步骤S2中采集的k时刻电流、端电压值输入至状态观测器,实时估计k时刻的SOC。
本发明的有益效果是:本发明能够克服噪声干扰环境下的模型辨识偏差,实现无偏的模型参数辨识,再基于无偏的模型参数,对电池SOC进行估计,有效提高了估计结果的准确度。
附图说明
图1为本发明的方法流程图;
图2为实施例中SOC-OCV函数关系的五次拟合曲线图。
图3为实施例中一阶RC等效电路模型电路结构示意图。
图4为实施例中UDDS工况下的电流和端电压曲线。
图5为实施例中UDDS工况下模型参数在线辨识结果。
图6为实施例中UDDS工况下SOC在线估计结果。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案,但本发明的保护范围不局限于以下所述。
如图1所示,一种具有噪声免疫特性的电池模型参数辨识与SOC估计方法,包括以下步骤:
S1.在额定工况(室温)下对锂离子电池进行充电至SOC达到100%,进行间歇性放电-静置实验,并拟合确定SOC-OCV关系表达式;
在本申请的实施例中,采用多项式拟合得到SOC-OCV关系表达式为:
其中Voc为电池开路电压OCV;z为电池SOC;np为拟合多项式阶数,在该实施例中,np为5,ci为拟合系数;拟合所得SOC-OCV曲线与实测值对比如图2所示。
S2.采用电压传感器和电流传感器,对k时刻的锂离子电池端电压和电流进行实时采集;
S3.建立电池的等效电路模型和用于模型辨识的离散域回归方程,利用k时刻的端电压值、电流值输入,实现实时的噪声方差估计和模型参数的无偏辨识;
所述步骤S3包括以下子步骤:
S301.利用k-1时刻得到的后验SOC估计值和k时刻电流值,通过安时积分计算得到k时刻的SOC先验估计值,并依据拟合确定的SOC-OCV关系式,获得k时刻的OCV先验估计值;
S302.建立等效电路模型,在本申请的实施例中,如图3所示,所述等效电路模型为一阶RC模型,依此建立以模型参数在线辨识为目的地离散域回归方程,一阶RC模型动态描述为:
Cp dVp(t)/dt+Vp(t)/Rp=I(t)
Vt(t)=Voc(t)-Vp(t)-I(t)Rs
其中,t为时间,I为负载电流,相应的I(t)为t时刻的负载电流,Vp为极化电压,Vt为路端电压,η为电池的库伦效率,Q为电池的额定容量,Rs、Rp和Cp是待求取的模型参数,具体的说:Rs为欧姆内阻,Rp为极化电阻,Cp为极化电容。定义y=Vt–Voc,对以上公式进行拉普拉斯变换,得到的传递函数为:
式中:s代表拉普拉斯变换的复变量,对上式进行如下的双线性变换:
其中q为移位算子,ts是进行参数辨识的时间间隔(秒),得到如下离散域传递函数:
y(q-1)/I(q-1)=-(b0+b1q-1)/(1+a1q-1)
其中q-1代表反向移位算子,则离散域回归方程构造为:
ξk(w,y)=(1-ρk)ξk-1(w,y)+ρkwkyk
其中:Rs为欧姆内阻,Rp为极化电阻,Cp为极化电容。
式中:
S4.将k时刻通过S3获得的模型参数对电池模型进行更新,并建立相应的状态空间方程,根据状态空间方程构建状态观测器,将步骤S2中采集的k时刻电流、端电压值输入至状态观测器,实时估计k时刻的SOC。
在本申请的实施例中,所述步骤S4中的状态观测器包括但不限于龙伯格观测器、扩展卡尔曼滤波、无际卡尔曼滤波、粒子滤波和滑膜观测器;
所述步骤S4包括:
将k时刻通过S3获得的模型参数对电池模型进行更新,并建立相应的状态空间方程,根据状态空间方程建立闭环状态观测器估计电池的SOC:
定义x=[Vp z]T为系统的状态向量,系统的输入和输出分别为I和Vt,得到系统的状态空间模型为:
式中
首先依据k-1时刻的状态估计结果进行状态转移更新,得到k时刻状态向量的先验估计:
其中I是单位矩阵,并且:
对比系统输出的先验估计结果与实测的端电压,确定系统输出误差,并依据系统输出误差对状态的先验估计结果进行如下反馈矫正:
在本申请的实施例中,所述S301-S305在一个算法周期内迭代式进行计算;所述步骤S3对模型参数进行无偏辨识后,还包括对模型参数的滤波处理步骤。
在本申请的实施例中,在步骤执行时还需要对模型参数和SOC进行初始化,模型参数根据所用动力电池特征和离线参数标定结果进行粗略的初始化;SOC初始化有两种方式:在0%~100%任选一值,或根据算法执行时将测量的端电压作为OCV,反推至SOC作为初始值。
在本申请的实施例中,以2.2Ah标称容量的NMC 18650锂离子电池为例,在室温下UDDS工况下,采取本发明所述方法实时辨识模型参数并估计SOC。UDDS工况电流、端电压曲线如附图4所示,一阶RC模型辨识结果如附图5所示(图5(a)表示欧姆内阻Rs的辨识结果,图5(b)极化内阻Rp的辨识结果,图5(c)极化电容Cp的辨识结果),SOC估计结果如附图6所示(图6(a)为SOC估计结果,图6(b)为SOC估计误差)。可见,相比于现有方法,本发明所述方法能够保持良好的参数辨识及SOC估计效果。
综上,本发明充分考虑实际环境变化和锂离子电池自身状态变化所以引起的电池内部参数不确定性,建立了锂离子电池在线自适应数学模型;通过噪声特性估计及噪声效应补偿,保证了噪声干扰下模型参数辨识的无偏性,提高了在线自适应模型的精度,进而提高了SOC估计精度。相较于传统的基于离线电池模型的SOC估计方法,本发明提高了模型对复杂环境及电池自身状态变化的鲁棒性;相较于传统的基于在线自适应模型的SOC估计方法,本发明具备抗噪声干扰特性,提高了模型参数辨识精度和SOC估计精度。
以上所述是本发明的优选实施方式,应当理解本发明并非局限于本文所披露的形式,不应该看作是对其他实施例的排除,而可用于其他组合、修改和环境,并能够在本文所述构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。
Claims (5)
1.一种具有噪声免疫特性的电池模型参数辨识与SOC估计方法,其特征在于:包括以下步骤:
S1.在额定工况下对锂离子电池进行充电至SOC达到100%,进行间歇性放电-静置实验,并拟合确定SOC-OCV关系表达式;
S2.采用电压传感器和电流传感器,对k时刻的锂离子电池端电压和电流进行实时采集;
S3.建立电池的等效电路模型和用于模型辨识的离散域回归方程,利用k时刻的端电压值、电流值输入,实现实时的噪声方差估计和模型参数的无偏辨识;
所述步骤S3包括以下子步骤:
S301.建立等效电路模型:
CpdVp(t)/dt+Vp(t)/Rp=I(t)
Vt(t)=Voc(t)-Vp(t)-I(t)Rs
其中,t为时间,I为负载电流,相应的I(t)为t时刻的负载电流,Vp为极化电压,Vt为路端电压,η为电池的库伦效率,Q为电池的额定容量,Rs、Rp和Cp是待求取的模型参数,具体的说:Rs为欧姆内阻,Rp为极化电阻,Cp为极化电容;
构造用于模型辨识的离散域回归方程:
S302.利用k-1时刻得到的后验SOC估计值和k时刻电流值,通过安时积分计算得到k时刻的SOC先验估计值,并依据拟合确定的SOC-OCV关系式,获得k时刻的OCV先验估计值;
S303.定义待辨识的参数向量θ,且θk=[ak bk T]T,其中ak和bk定义为:ak=[a1,k],bk=[b0,k b1,k]T,式中下标k表示k时刻;
S304.依据上一时刻噪声方差估计值,参数向量θk的估计为:
式中,下标k代表k时刻,下标k-1代表k-1时刻,是θk的估计,σi和σv.是电流和电压的噪声方差,和分别为σi和σv.的估计值,F+(·)、G+(·)分别对应F(·)、G(·)的摩尔-彭罗斯伪逆函数,并且:
式中,na为步骤S302中向量ak的元素个数,nw为wk的元素个数;
ξk(w,y)=(1-ρk)ξk-1(w,y)+ρkwkyk
其中:Rs为欧姆内阻,Rp为极化电阻,Cp为极化电容;
式中:
S4.将k时刻通过S3获得的模型参数对电池模型进行更新,并建立相应的状态空间方程,根据状态空间方程构建状态观测器,将步骤S2中采集的k时刻电流、端电压值输入至状态观测器,实时估计k时刻的SOC。
3.根据权利要求1所述的一种具有噪声免疫特性的电池模型参数辨识与SOC估计方法,其特征在于:所述步骤S3对模型参数进行无偏辨识后,还包括对模型参数的滤波处理步骤。
4.根据权利要求3所述的一种具有噪声免疫特性的电池模型参数辨识与SOC估计方法,其特征在于:所述步S3中的滤波采用滑动均值滤波。
5.根据权利要求1所述的一种具有噪声免疫特性的电池模型参数辨识与SOC估计方法,其特征在于:所述步骤S4中的状态观测器包括但不限于龙伯格观测器、扩展卡尔曼滤波、无际卡尔曼滤波、粒子滤波和滑膜观测器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911261885.XA CN110907835B (zh) | 2019-12-10 | 2019-12-10 | 一种具有噪声免疫特性的电池模型参数辨识与soc估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911261885.XA CN110907835B (zh) | 2019-12-10 | 2019-12-10 | 一种具有噪声免疫特性的电池模型参数辨识与soc估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110907835A CN110907835A (zh) | 2020-03-24 |
CN110907835B true CN110907835B (zh) | 2020-12-11 |
Family
ID=69824151
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911261885.XA Active CN110907835B (zh) | 2019-12-10 | 2019-12-10 | 一种具有噪声免疫特性的电池模型参数辨识与soc估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110907835B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111537892B (zh) * | 2020-05-19 | 2022-05-27 | 上海海洋大学 | 一种基于扩张状态观测器的改进型安时积分法 |
CN111624496B (zh) * | 2020-06-08 | 2021-08-10 | 山东大学 | 具有抗噪性锂离子电池模型参数和soc联合估计方法及系统 |
CN112098851B (zh) * | 2020-11-06 | 2021-03-12 | 北京理工大学 | 智能电池与其荷电状态在线估计方法及应用 |
CN112816877B (zh) * | 2021-01-04 | 2022-08-30 | 东风柳州汽车有限公司 | 电池的电流校准方法、设备和存储介质 |
CN112882387B (zh) * | 2021-01-12 | 2022-06-03 | 河北工业大学 | 一种袋式除尘器的控制策略设计方法 |
CN117420447A (zh) * | 2023-12-18 | 2024-01-19 | 四川华泰电气股份有限公司 | 考虑噪声偏差补偿的锂电池soc估算方法、系统和电子装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011057846A1 (de) * | 2009-11-10 | 2011-05-19 | Sb Limotive Company Ltd. | Batteriemanagementeinheit zur schätzung der batterieimpendanz |
CN105607009A (zh) * | 2016-02-01 | 2016-05-25 | 深圳大学 | 一种基于动态参数模型的动力电池soc估计方法和系统 |
CN105717460A (zh) * | 2016-02-19 | 2016-06-29 | 深圳大学 | 一种基于非线性观测器的动力电池soc估计方法和系统 |
CN106324523A (zh) * | 2016-09-26 | 2017-01-11 | 合肥工业大学 | 基于离散变结构观测器的锂电池soc估计方法 |
CN106646253A (zh) * | 2016-12-07 | 2017-05-10 | 华南农业大学 | 一种在线辨识电池内部参数的方法 |
CN107390127A (zh) * | 2017-07-11 | 2017-11-24 | 欣旺达电动汽车电池有限公司 | 一种soc估算方法 |
CN108072847A (zh) * | 2018-01-29 | 2018-05-25 | 西南交通大学 | 一种动力锂电池模型参数辨识和剩余电量的估计方法 |
CN109119999A (zh) * | 2018-07-24 | 2019-01-01 | 国家电网公司西北分部 | 一种电力系统模型参数辨识方法及装置 |
-
2019
- 2019-12-10 CN CN201911261885.XA patent/CN110907835B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011057846A1 (de) * | 2009-11-10 | 2011-05-19 | Sb Limotive Company Ltd. | Batteriemanagementeinheit zur schätzung der batterieimpendanz |
CN105607009A (zh) * | 2016-02-01 | 2016-05-25 | 深圳大学 | 一种基于动态参数模型的动力电池soc估计方法和系统 |
CN105717460A (zh) * | 2016-02-19 | 2016-06-29 | 深圳大学 | 一种基于非线性观测器的动力电池soc估计方法和系统 |
CN106324523A (zh) * | 2016-09-26 | 2017-01-11 | 合肥工业大学 | 基于离散变结构观测器的锂电池soc估计方法 |
CN106646253A (zh) * | 2016-12-07 | 2017-05-10 | 华南农业大学 | 一种在线辨识电池内部参数的方法 |
CN107390127A (zh) * | 2017-07-11 | 2017-11-24 | 欣旺达电动汽车电池有限公司 | 一种soc估算方法 |
CN108072847A (zh) * | 2018-01-29 | 2018-05-25 | 西南交通大学 | 一种动力锂电池模型参数辨识和剩余电量的估计方法 |
CN109119999A (zh) * | 2018-07-24 | 2019-01-01 | 国家电网公司西北分部 | 一种电力系统模型参数辨识方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110907835A (zh) | 2020-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110907835B (zh) | 一种具有噪声免疫特性的电池模型参数辨识与soc估计方法 | |
CN111366855B (zh) | 一种电池等效电路模型抗扰动参数化方法 | |
Xu et al. | State of charge estimation for lithium-ion batteries based on adaptive dual Kalman filter | |
CN110596593B (zh) | 基于智能自适应扩展卡尔曼滤波的锂离子电池soc估计方法 | |
CN110398691B (zh) | 基于改进自适应双无迹卡尔曼滤波器的锂离子动力电池SoC估计方法 | |
CN110441694B (zh) | 基于多重渐消因子卡尔曼滤波锂电池荷电状态估计方法 | |
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 | |
CN111581904B (zh) | 考虑循环次数影响的锂电池soc及soh协同估算方法 | |
CN109164391B (zh) | 一种动力电池荷电状态在线估算方法及系统 | |
Ren et al. | A comparative study of the influence of different open circuit voltage tests on model‐based state of charge estimation for lithium‐ion batteries | |
Liu et al. | State of charge and online model parameters co-estimation for liquid metal batteries | |
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 | |
CN111624496B (zh) | 具有抗噪性锂离子电池模型参数和soc联合估计方法及系统 | |
CN111060820A (zh) | 一种基于二阶rc模型的锂电池soc、sop估计方法 | |
CN111781503B (zh) | 一种锂离子储能电池soc在线估算方法 | |
CN112327182B (zh) | 基于量测值残差序列的自适应h无穷滤波soc估计方法 | |
Sandoval-Chileño et al. | Robust State of Charge estimation for Li-ion batteries based on Extended State Observers | |
CN112147514B (zh) | 基于rls的锂电池全工况自适应等效电路模型 | |
CN113625182A (zh) | 一种对电池状态进行在线估计的方法 | |
CN113671377A (zh) | 一种基于改进ekf算法的锂电池soc估算方法 | |
CN113805062B (zh) | 锂电池等效电路模型参数在线鲁棒自适应辨识方法 | |
CN112415412A (zh) | 估算电池soc值的方法和装置及车辆、存储介质 | |
CN112946480B (zh) | 一种提高soc估计实时性的锂电池电路模型简化方法 | |
CN113702838A (zh) | 基于扰动观测器的锂离子电池荷电状态估算方法 | |
Guo et al. | Study on soc estimation of li-ion battery based on the comparison of ukf algorithm and aukf algorithm |
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 |