CN110927582B - 一种基于多种sigma点的锂电池SOC估计方法 - Google Patents
一种基于多种sigma点的锂电池SOC估计方法 Download PDFInfo
- Publication number
- CN110927582B CN110927582B CN201911108368.9A CN201911108368A CN110927582B CN 110927582 B CN110927582 B CN 110927582B CN 201911108368 A CN201911108368 A CN 201911108368A CN 110927582 B CN110927582 B CN 110927582B
- Authority
- CN
- China
- Prior art keywords
- lithium battery
- soc
- estimation
- state
- value
- 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]
- G01R31/385—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
Abstract
本发明公开一种基于多种Sigma点的锂电池SOC估计方法。该方法包括:在多种温度下采用间隔静置法进行锂电池的充放电试验,拟合出SOC‑OCV曲线,并建立二阶RC等效电路模型;然后在多种温度下,进行锂电池DST工况充放电试验,对模型参数进行辨识;建立基于温度效应的锂电池非线性状态空间模型方程。最后采用多种Sigma点的生成方式,联合UT变换比例修正采样和中心差分Stirling插值进行非线性状态空间模型中的SOC估计。本发明通过建立基于温度效应的锂电池非线性状态空间模型,采用多种Sigma点生成方式,并分次循环进行SOC估计,从而克服传统算法估算SOC时存在初始误差纠正能力差,末尾阶段误差大等缺点,提高锂电池SOC估计的准确性,电池管理系统的有效性和可靠性。
Description
技术领域
本发明涉及锂电池荷电状态SOC的估算领域,具体是指一种基于多种sigma点的锂电池SOC估计方法。
背景技术
随着新能源汽车、信息技术等新兴产业的蓬勃发展,锂电池因其具有能量密度大、输出功率高、充放电寿命长等优点,越来越多地被应用于便携电子设备、电动汽车、家庭储能及空间技术等。电池的荷电状态(State of Charge,SOC)是电池状态分析的核心问题。准确估算和预测电池实际剩余电量,进而预测出电动汽车剩余续航里程,是电池管理系统技术最为重要的功能之一。
电池的SOC作为电池的内部状态,无法用一种传感器直接测得。目前主要通过测量电池电流、电压、电阻、温度等,进行SOC估计。目前,电池管理系统SOC估算中主要采用电流积分法(安时积分法)。电流积分法是一个纯积分环节,无法消除SOC初始误差。此外,电流测量中所产生的累计误差,会随着运行时间的增加而不断增加。电动汽车使用外界环境多变,特别是在温度变化或者电流波动剧烈的情况下,利用该方法估算SOC时存在初始误差纠正能力差,累计误差持续增大等缺点,无法保证锂电池SOC估计的准确性与可行性,严重影响电池管理系统的有效性和可靠性。
发明内容
本发明实施例所要解决的技术问题在于,提供一种基于多种sigma点的锂电池SOC估计方法。
本发明通过建立基于温度效应的锂电池非线性状态空间模型,采用多种Sigma点生成方式,并分次循环进行SOC估计,从而克服传统算法估算SOC时存在初始误差纠正能力差,末尾阶段误差大等缺点,保证锂电池SOC估计的准确性与可行性,并进一步提高电池管理系统的有效性和可靠性。
为实现上述目的,本发明一种基于多种sigma点的锂电池SOC估计方法,包括以下步骤:
S1:在不同温度下,采用间隔静置法进行锂电池的充放电试验,并拟合出不同温度下的SOC-OCV曲线;
S2:根据锂电池工作机理,建立二阶RC等效电路的数学模型;
S3:在不同温度下,进行锂电池DST工况充放电试验,根据递推最小二乘法辨识锂电池的模型参数;并建立基于温度效应的锂电池离散化的非线性状态空间模型方程;
S4:运用基于多种sigma点的锂电池SOC估计方法算法估算锂电池荷电状态值。
优选的,所述的步骤S1为:在0℃,25℃,45℃三种温度下,分别采用间隔静置法进行锂电池的充放电试验。包括以下步骤:
S1-1:以0.5C的充电倍率将锂电池样品恒流充电至截止电压4.2V;
S1-2:以4.2V恒压对锂电池样品充电直至电流降至0.01C,静置2小时;
S1-3:以0.5C放电倍率对锂电池样品进行放电,本次放电结束时(放电10%容量),静置2小时;
S1-4:按照步骤S1-3,继续进行9次,直到锂电池电压为2.5V,此时的SOC为0%,静置2小时;
S1-5:以0.5C充电倍率对锂电池样品进行充电,本次充电电结束时,充电达到10%容量,静置2小时;
S1-6:按照步骤S1-5,继续进行9次,直到锂电池电压为4.2V,静置2小时;
S1-7:以4.2V恒压对锂电池样品充电直至电流降至0.01C,此时的SOC为100%,静置2小时;
S1-8:锂电池样品在充、放电过程中,选取每次静置2小时后的电压值作为此SOC值下的OCV1和OCV2值。将相同SOC值下的OCV1和OCV2取平均值,作为该SOC值下对应的OCV值;
S1-9:通过同一温度下的11组SOC/OCV数据,拟合出该温度下的锂电池SOC-OCV曲线;
S1-10:在多种温度下进行S1-1至S1-9步骤,获得不同温度下的SOC-OCV曲线。
3、根据权利要求1所述的基于多种sigma点的锂电池SOC估计方法,根据锂电池工作机理,建立二阶RC等效电路的数学模型;其特征在于:电路参数包括开路电压UOC,锂电池负载端电压UL,欧姆内阻R0,极化内阻R1、R2,极化电容C1、C2;
由基尔霍夫定理,建立二阶RC等效电路的数学模型:
UL=UOC-U0-U1-U2
其中U0、U1、U2分别表示R0、R1、R2两端的电压。
4、根据权利要求1所述的基于多种sigma点的锂电池SOC估计方法,其特征在于:所述的步骤S3包括以下步骤:
S3-1:基于二阶RC等效电路模型,建立电池状态方程和观测方程;状态方程:
观测方程:
UL(k)=UOC(k)-i(k)×R0(k)-U1(k)-U2(k)+ν(k)
分别令
式中ω(k)为系统状态输入误差,ν(k)为观测误差;
协方差:
Q(k)=E[ω(k)×ω(k)T],R(k)=E[ν(k)×ν(k)T]
其中初始值取为:
状态变量估计:Xk|k-1=Ak-1Xk-1+Bk-1uk-1+Wk-1
状态协方差估计:Pk|k-1=Ak-1Pk-1Ak-1 T+Qk-1
卡尔曼增益矩阵:Kk=Pk|k-1Hk T[HkPk|k-1Hk T+Rk]-1
状态估计更新:Xk=Xk|k-1+Kk[yk-yk|k-1]
状态协方差估计更新:Pk=(I-KkHk)Pk|k-1
其中,yk为k时刻锂电池真实的负载端电压值,
yk|k-1为k时刻锂电池理论的负载端电压UL值,
yk|k-1=UOC(k)-R0i(k)-U1(k)-U2(k)
S3-2:在0℃,25℃,45℃三种温度下,分别进行锂电池DST工况充放电试验,获取充放电电流与电压数据。根据DST工况下的充放电电流与电压数据,结合递推最小二乘法RLS,对状态方程中的未知参数(R0、R1、R2、C1、C2)进行三种温度下的参数辨识。对获取的3种温度下的R0、R1、R2、C1、C2参数与温度T进行拟合。分别建立R0(T),R1(T),R2(T),C1(T),C2(T)与温度T之间的函数关系式子;
S3-3:建立基于温度效应的锂电池离散化的非线性状态空间模型方程:
UL(k)=UOC(k)-i(k)×R0(T)(k)-U1(k)-U2(k)+ν(k)
其中τ1(T)=R1(T)·C1(T),τ2(T)=R2(T)·C2(T)
5、根据权利要求1所述的基于多种sigma点的锂电池SOC估计方法,其特征在于:联合UT变换比例修正采样和中心差分Stirling插值,分次循环进行非线性状态空间模型中的SOC估计。设定某工况下锂电池充放电时间共为N秒,在此工况下进行锂电池的SOC估计。所述的步骤S4包括以下步骤:
S4-1:初始化
1)测量环境温度,准备好不同温度的SOC-OCV曲线,该温度下二阶等效电路模型参数:R0、R1、R2、C1、C2;
2)取第1秒时猜测的SOC初始值:S0。,初始协方差矩阵P0;
3)过程噪声ω(k),量测方程噪声ν(k);
4)设定中心差分变换给定区间长度h=1.6,状态向量维数L=3;
S4-2:确定权值
计算均值权值Wc1,Wm,Wc,公式如下
当jj从2到2L+1,
其中α=0.01,β=2,λ=3×α2-L
S4-3:第一次循环,时间t从2到N秒,进行SOC估计;
1)确定sigma点集合
采用中心差分Stirling插值,确定sigma点集1
采用UT变换,确定sigma点集2
2)时间更新,计算先验均值和协方差对协方差进行Cholesky分解
3)sigma点集更新
sigma点集1更新:
sigma点集2更新:
4)量测方程更新
基于sigma点集1的状态估计和量测方程更新:
卡尔曼增益:
状态估计更新:
协方差更新:
基于sigma点集2的状态估计和量测方程更新:
卡尔曼增益:
状态估计更新:
协方差更新:
5)基于多种sigma点纠正SOC估计值的初始误差;取t时刻Xc(:,t)与Xu(:,t)两个矩阵的第一行:
Xc(1,t),Xu(1,t)
结束该次循环,输出此时的时间t,并取M=t;
S4-4:第二次循环,时间t从M到N秒,进行SOC估计
1)确定sigma点集合:
2)时间更新,计算先验均值和协方差:
3)sigma点集更新:
4)量测方程更新:
卡尔曼增益:
状态估计更新:
协方差更新:
根据先前定义矩阵最终的Xc(:,t)即为基于多种sigma点进行锂电池状态估计的三个参数,SOC,R1两端的电压值,R2两端的电压值。其中Xc(1,t)为基于多种sigma点进行锂电池状态估计的SOC值。
与现有技术相比,本发明的优势之处在于:本发明考虑电池实际应用环境温度,在不同温度下,进行锂电池DST工况充放电试验。根据递推最小二乘法辨识锂电池的模型参数;并建立基于温度效应的锂电池离散化的非线性状态空间模型方程;电池模型精度高,能够充分的体现锂电池的动态特性。采用多种Sigma点的生成方式,联合UT变换比例修正采样和中心差分Stirling插值,分次循环进行SOC估计。该方法能够迅速减小SOC初始误差对SOC估计的影响,大大增强初始误差纠正能力,减小末尾阶段误差,保证锂电池SOC估计的准确性与可行性,并进一步提高电池管理系统的有效性和可靠性。
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,下面描述中的附图仅仅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性的前提下,根据这些附图获得其他的附图仍属于本发明的范畴。
图1本发明的较佳实施例的基于多种Sigma点的锂电池SOC估计流程图;
图2为本发明较佳实施例的测试的三种温度下SOC-OCV对应关系图。
图3为本发明较佳实施例的电池二阶RC等效电路模型;
图4为本发明较佳实施例的DST工况电流激励图;
图5为本发明较佳实施例的FUDS工况电流激励图;
图6为本发明较佳实施例的US06工况电流激励图;
图7为本发明较佳实施例在电池实际SOC初值为0.8、电池SOC猜测初值为0.7,用FUDS工况验证本发明时,本发明方法与其他三种估计算法SOC估计误差对比图;
图8为本发明较佳实施例在电池实际SOC初值为0.8、电池SOC猜测初值为0.7,用US06工况验证本发明时,本发明方法与其他三种估计算法SOC估计误差对比图;
图9为本发明较佳实施例在电池实际SOC初值为0.8、电池SOC猜测初值为0.9,用FUDS工况验证本发明时,本发明方法与其他三种估计算法SOC估计误差对比图;
图10为本发明较佳实施例在电池实际SOC初值为0.8、电池SOC猜测初值为0.9,用US06工况验证本发明时,本发明方法与其他三种估计算法SOC估计误差对比图;
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述。
本发明所提到的方向和位置用语,例如「上」、「下」、「前」、「后」、「左」、「右」、「内」、「外」、「顶部」、「底部」、「侧面」等,仅是参考附图的方向或位置。因此,使用的方向和位置用语是用以说明及理解本发明,而非对本发明保护范围的限制。
如图1至图10所示,为本发明较佳实施例中,在多种温度下采用间隔静置法进行锂电池的充放电试验,并拟合出不同温度下的SOC-OCV曲线;根据锂电池的工作机理,建立二阶RC等效电路模型;然后在多种温度下,对锂电池进行DST工况充放电实验,利用递推最小二乘法(RLS)对模型参数进行辨识;建立基于温度效应的锂电池离散化的非线性状态空间模型方程。采用多种Sigma点的生成方式,联合UT变换比例修正采样和中心差分Stirling插值进行非线性状态空间模型中的SOC估计。从而克服传统算法估算SOC时存在初始误差纠正能力差,末尾阶段误差大等缺点,保证锂电池SOC估计的准确性与可行性,并进一步提高电池管理系统的有效性和可靠性。
为使本发明的内容更加明确、技术方案更加清楚可操作及效果看起来更具有优越性,本发明将结合参照附图进一步详细说明。
如图1所示,本实施例提供了一种基于多种sigma点的锂电池SOC估计方法,其包含以下步骤:
S1:在不同温度下,采用间隔静置法进行锂电池的充放电试验,并拟合出不同温度下的SOC-OCV曲线;
S2:根据锂电池工作机理,建立二阶RC等效电路的数学模型;
S3:在不同温度下,进行锂电池DST工况充放电试验,根据递推最小二乘法辨识锂电池的模型参数;并建立基于温度效应的锂电池离散化的非线性状态空间模型方程;
S4:运用基于多种sigma点的锂电池SOC估计方法算法估算锂电池荷电状态值。
在0℃,25℃,45℃三种温度下,分别采用间隔静置法进行锂电池的充放电试验。包括以下步骤:
S1-1:以0.5C的充电倍率将锂电池样品恒流充电至截止电压4.2V;
S1-2:以4.2V恒压对锂电池样品充电直至电流降至0.01C,静置2小时;
S1-3:以0.5C放电倍率对锂电池样品进行放电,本次放电结束时(放电10%容量),静置2小时。
S1-4:按照步骤S1-3,继续进行9次,直到锂电池电压为2.5V,此时的SOC为0%,静置2小时。
S1-5:以0.5C充电倍率对锂电池样品进行充电,本次充电电结束时,充电达到10%容量,静置2小时。
S1-6:按照步骤S1-5,继续进行9次,直到锂电池电压为4.2V,静置2小时。
S1-7:以4.2V恒压对锂电池样品充电直至电流降至0.01C,此时的SOC为100%,静置2小时;
S1-8:锂电池样品在充、放电过程中,选取每次静置2小时后的电压值作为此SOC值下的OCV1和OCV2值。将相同SOC值下的OCV1和OCV2取平均值,作为该SOC值下对应的OCV值。
S1-9:通过同一温度下的11组SOC/OCV数据,拟合出该温度下的锂电池SOC-OCV曲线。
S1-10:在多种温度下进行S1-1至S1-9步骤,获得不同温度下的SOC-OCV曲线。即如图2所示。
如图3所示,根据锂电池工作机理,建立二阶RC等效电路模型;电路参数包括开路电压UOC,锂电池负载端电压UL,欧姆内阻R0,极化内阻R1、R2,极化电容C1、C2。
由基尔霍夫定理,建立二阶RC等效电路的数学模型:
UL=UOC-U0-U1-U2
其中U0、U1、U2分别表示R0、R1、R2两端的电压。
进一步设置是,所述的步骤S3包括以下步骤:
S3-1:基于二阶RC等效电路模型,建立电池状态方程和观测方程。
状态方程:
观测方程:
UL(k)=UOC(k)-i(k)×R0(k)-U1(k)-U2(k)+ν(k)
分别令
式中ω(k)为系统状态输入误差,ν(k)为观测误差。
协方差Q(k)=E[ω(k)×ω(k)T],R(k)=E[ν(k)×ν(k)T],
其中初始值取为:
状态变量估计:Xk|k-1=Ak-1Xk-1+Bk-1uk-1+Wk-1
状态协方差估计:Pk|k-1=Ak-1Pk-1Ak-1 T+Qk-1
卡尔曼增益矩阵:Kk=Pk|k-1Hk T[HkPk|k-1Hk T+Rk]-1
状态估计更新:Xk=Xk|k-1+Kk[yk-yk|k-1]
状态协方差估计更新:Pk=(I-KkHk)Pk|k-1
其中,yk为k时刻锂电池真实的负载端电压值,
yk|k-1为k时刻锂电池理论的负载端电压UL值,
yk|k-1=UOC(k)-R0i(k)-U1(k)-U2(k)
S3-2:如图4所示为电池在DST工况下进行充放电试验的电流激励。在0℃,25℃,45℃三种温度下,分别进行锂电池DST工况充放电试验,获取充放电电流与电压数据。根据DST工况下的充放电电流与电压数据,结合递推最小二乘法RLS,对状态方程中的未知参数(R0、R1、R2、C1、C2)进行三种温度下的参数辨识。对获取的3种温度下的R0、R1、R2、C1、C2参数与温度T进行拟合。分别建立R0(T),R1(T),R2(T),C1(T),C2(T)与温度T之间的函数关系式子。
S3-3:建立基于温度效应的锂电池离散化的非线性状态空间模型方程。
UL(k)=UOC(k)-i(k)×R0(T)(k)-U1(k)-U2(k)+ν(k)
其中
τ1(T)=R1(T)·C1(T),τ2(T)=R2(T)·C2(T)
如图5所示为电池在FUDS工况下进行试验的电流激励,如图6所示为电池在US06工况下进行试验的电流激励。
步骤S4为联合UT变换比例修正采样和中心差分Stirling插值,分次循环进行非线性状态空间模型中的SOC估计。设定某工况下锂电池充放电时间共为N秒,在此工况下进行锂电池的SOC估计。所述的步骤S4包括以下步骤。
S4-1:初始化
1)测量环境温度,准备好不同温度的SOC-OCV曲线,该温度下二阶等效电路模型参数:R0、R1、R2、C1、C2。
2)取第1秒时猜测的SOC初始值:S0。,初始协方差矩阵P0;
3)过程噪声ω(k),量测方程噪声ν(k)。
4)设定中心差分变换给定区间长度h=1.6,状态向量维数L=3,
S4-2:确定权值
计算均值权值Wc1,Wm,Wc,公式如下
当jj从2到2L+1,
其中α=0.01,β=2,λ=3×α2-L
S4-3:第一次循环,时间t从2到N秒,进行SOC估计
1)确定sigma点集合采用中心差分Stirling插值,确定sigma点集1
采用UT变换,确定sigma点集2
2)时间更新,计算先验均值和协方差对协方差进行Cholesky分解
3)sigma点集更新
sigma点集1更新:
sigma点集2更新:
4)量测方程更新
基于sigma点集1的状态估计和量测方程更新:
卡尔曼增益:
状态估计更新:
协方差更新:
基于sigma点集2的状态估计和量测方程更新:
卡尔曼增益:
状态估计更新:
协方差更新:
5)基于多种sigma点纠正SOC估计值的初始误差;
取t时刻Xc(:,t)与Xu(:,t)两个矩阵的第一行:
Xc(1,t),Xu(1,t)
结束该次循环,输出此时的时间t,并取M=t;
S4-4:第二次循环,时间t从M到N秒,进行SOC估计
1)确定sigma点集合:
2)时间更新,计算先验均值和协方差:
3)sigma点集更新:
4)量测方程更新:
卡尔曼增益:
状态估计更新:
协方差更新:
根据先前定义矩阵最终的Xc(:,t)即为基于多种sigma点进行锂电池状态估计的三个参数,SOC,R1两端的电压值,R2两端的电压值。其中Xc(1,t)为基于多种sigma点进行锂电池状态估计的SOC值。
据此,本实施例分别在电池实际SOC初值为0.8、猜测初值为0.7和电池实际SOC初值为0.8、猜测初值为0.9两种状态下,用FUDS工况和US06工况对本发明方法与其他三种估计算法(UKF无迹卡尔曼滤波算法,CDKF中心差分卡尔曼滤波算法,EKF扩展卡尔曼滤波算法)进行SOC估计效果对比。
图7为本发明较佳实施例在电池实际SOC初值为0.8、电池SOC猜测初值为0.7,用FUDS工况验证本发明时,本发明方法与其他三种估计算法SOC估计误差对比图;图中Proposed为本发明方法,UKF为无迹卡尔曼滤波算法,CDKF为中心差分卡尔曼滤波算法,EKF为扩展卡尔曼滤波算法,图8-图10类同。
本发明方法SOC估计均方根误差为0.46%,UKF算法的SOC估计均方根误差为0.76%,CDKF的SOC估计均方根误差7.93%,EKF的SOC估计均方根误差2.19%。
图8为本发明较佳实施例在电池实际SOC初值为0.8、电池SOC猜测初值为0.7,用US06工况验证本发明时,本发明方法与其他三种估计算法SOC估计误差对比图;
本发明方法SOC估计均方根误差为0.63%,UKF算法的SOC估计均方根误差为0.92%,CDKF的SOC估计均方根误差7.98%,EKF的SOC估计均方根误差2.67%。
图9为本发明较佳实施例在电池实际SOC初值为0.8、电池SOC猜测初值为0.9,用FUDS工况验证本发明时,本发明方法与其他三种估计算法SOC估计误差对比图;
本发明方法SOC估计均方根误差为0.81%,UKF算法的SOC估计均方根误差为1.01%,CDKF的SOC估计均方根误差7.27%,EKF的SOC估计均方根误差2.16%。
图10为本发明较佳实施例在电池实际SOC初值为0.8、电池SOC猜测初值为0.9,用US06工况验证本发明时,本发明方法与其他三种估计算法SOC估计误差对比图;
本发明方法SOC估计均方根误差为0.75%,UKF算法的SOC估计均方根误差为1.13%,CDKF的SOC估计均方根误差7.28%,EKF的SOC估计均方根误差2.68%。
综上,本发明通过建立基于温度效应的锂电池非线性状态空间模型,采用多种Sigma点生成方式,并分次循环进行SOC估计,从而克服传统算法估算SOC时存在初始误差纠正能力差,末尾阶段误差大等缺点,保证锂电池SOC估计的准确性与可行性,并进一步提高电池管理系统的有效性和可靠性。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,所述的程序可以存储于一计算机可读取存储介质中,所述的存储介质,如ROM/RAM、磁盘、光盘等。
以上所揭露的仅为本发明较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (4)
1.一种基于多种sigma点的锂电池SOC估计方法,其特征在于,包括以下步骤:
S1:在不同温度下,采用间隔静置法进行锂电池的充放电试验,并拟合出不同温度下的SOC-OCV曲线;
S2:根据锂电池工作机理,建立二阶RC等效电路的数学模型;
S3:在不同温度下,进行锂电池DST工况充放电试验,根据递推最小二乘法辨识锂电池的模型参数;并建立基于温度效应的锂电池离散化的非线性状态空间模型方程;
S4:运用基于多种sigma点的锂电池SOC估计方法算法估算锂电池荷电状态值;
联合UT变换比例修正采样和中心差分Stirling插值,分次循环进行非线性状态空间模型中的SOC估计,设定某工况下锂电池充放电时间共为N秒,在此工况下进行锂电池的SOC估计,所述的步骤S4包括以下步骤:
S4-1:初始化
1)测量环境温度,准备好不同温度的SOC-OCV曲线,该温度下二阶等效电路模型参数:R0、R1、R2、C1、C2;
2)取第1秒时猜测的SOC初始值:S0,初始协方差矩阵P0;
3)过程噪声ω(k),量测方程噪声ν(k);
4)设定中心差分变换给定区间长度h=1.6,状态向量维数L=3;
S4-2:确定权值
计算均值权值Wc1,Wm,Wc,公式如下
当jj从2到2L+1,
其中α=0.01,β=2,λ=3×α2-L
S4-3:第一次循环,时间t从2到N秒,进行SOC估计;
1)确定sigma点集合
采用中心差分Stirling插值,确定sigma点集1
采用UT变换,确定sigma点集2
2)时间更新,计算先验均值和协方差
对协方差进行Cholesky分解
3)sigma点集更新
sigma点集1更新:
sigma点集2更新:
4)量测方程更新
基于sigma点集1的状态估计和量测方程更新:
卡尔曼增益:
状态估计更新:
协方差更新:
基于sigma点集2的状态估计和量测方程更新:
卡尔曼增益:
状态估计更新:
协方差更新:
5)基于多种sigma点纠正SOC估计值的初始误差;
取t时刻Xc(:,t)与Xu(:,t)两个矩阵的第一行:
Xc(1,t),Xu(1,t)
其中,δ为阈值,如取0.0000015;
结束该次循环,输出此时的时间t,并取M=t;
S4-4:第二次循环,时间t从M到N秒,进行SOC估计
1)确定sigma点集合:
2)时间更新,计算先验均值和协方差:
3)sigma点集更新:
4)量测方程更新:
卡尔曼增益:
状态估计更新:
协方差更新:
2.根据权利要求1所述的基于多种sigma点的锂电池SOC估计方法,其特征在于:所述的步骤S1为:在0℃,25℃,45℃三种温度下,分别采用间隔静置法进行锂电池的充放电试验,包括以下步骤:
S1-1:以0.5C的充电倍率将锂电池样品恒流充电至截止电压4.2V;
S1-2:以4.2V恒压对锂电池样品充电直至电流降至0.01C,静置2小时;
S1-3:以0.5C放电倍率对锂电池样品进行放电,本次放电结束时(放电10%容量),静置2小时;
S1-4:按照步骤S1-3,继续进行9次,直到锂电池电压为2.5V,此时的SOC为0%,静置2小时;
S1-5:以0.5C充电倍率对锂电池样品进行充电,本次充电电结束时,充电达到10%容量,静置2小时;
S1-6:按照步骤S1-5,继续进行9次,直到锂电池电压为4.2V,静置2小时;
S1-7:以4.2V恒压对锂电池样品充电直至电流降至0.01C,此时的SOC为100%,静置2小时;
S1-8:锂电池样品在充、放电过程中,选取每次静置2小时后的电压值作为此SOC值下的OCV1和OCV2值,将相同SOC值下的OCV1和OCV2取平均值,作为该SOC值下对应的OCV值;
S1-9:通过同一温度下的11组SOC/OCV数据,拟合出该温度下的锂电池SOC-OCV曲线;
S1-10:在多种温度下进行S1-1至S1-9步骤,获得不同温度下的SOC-OCV曲线。
4.根据权利要求1所述的基于多种sigma点的锂电池SOC估计方法,其特征在于:所述的步骤S3包括以下步骤:
S3-1:基于二阶RC等效电路模型,建立电池状态方程和观测方程;
状态方程:
观测方程:
UL(k)=UOC(k)-i(k)×R0(k)-U1(k)-U2(k)+ν(k)
分别令
式中ω(k)为系统状态输入误差,ν(k)为观测误差;
协方差:
Q(k)=E[ω(k)×ω(k)T],R(k)=E[ν(k)×ν(k)T]
其中初始值取为:
状态变量估计:Xk|k-1=Ak-1Xk-1+Bk-1uk-1+Wk-1
状态协方差估计:Pk|k-1=Ak-1Pk-1Ak-1 T+Qk-1
卡尔曼增益矩阵:Kk=Pk|k-1Hk T[HkPk|k-1Hk T+Rk]-1
状态估计更新:Xk=Xk|k-1+Kk[yk-yk|k-1]
状态协方差估计更新:Pk=(I-KkHk)Pk|k-1
其中,yk为k时刻锂电池真实的负载端电压值,
yk|k-1为k时刻锂电池理论的负载端电压UL值,
yk|k-1=UOC(k)-R0i(k)-U1(k)-U2(k)
S3-2:在0℃,25℃,45℃三种温度下,分别进行锂电池DST工况充放电试验,获取充放电电流与电压数据,根据DST工况下的充放电电流与电压数据,结合递推最小二乘法RLS,对状态方程中的未知参数(R0、R1、R2、C1、C2)进行三种温度下的参数辨识,对获取的3种温度下的R0、R1、R2、C1、C2参数与温度T进行拟合,分别建立R0(T),R1(T),R2(T),C1(T),C2(T)与温度T之间的函数关系式子;
S3-3:建立基于温度效应的锂电池离散化的非线性状态空间模型方程:
UL(k)=UOC(k)-i(k)×R0(T)(k)-U1(k)-U2(k)+ν(k)
其中τ1(T)=R1(T)·C1(T),τ2(T)=R2(T)·C2(T) 。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911108368.9A CN110927582B (zh) | 2019-11-13 | 2019-11-13 | 一种基于多种sigma点的锂电池SOC估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911108368.9A CN110927582B (zh) | 2019-11-13 | 2019-11-13 | 一种基于多种sigma点的锂电池SOC估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110927582A CN110927582A (zh) | 2020-03-27 |
CN110927582B true CN110927582B (zh) | 2022-03-08 |
Family
ID=69852919
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911108368.9A Active CN110927582B (zh) | 2019-11-13 | 2019-11-13 | 一种基于多种sigma点的锂电池SOC估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110927582B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021217599A1 (zh) * | 2020-04-30 | 2021-11-04 | 中国科学院深圳先进技术研究院 | 一种电池荷电状态估计方法及估计器 |
CN116520171A (zh) * | 2023-06-29 | 2023-08-01 | 广汽埃安新能源汽车股份有限公司 | 电池热失控的预警策略确定方法及装置 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008121109A1 (en) * | 2007-03-30 | 2008-10-09 | Ams Research Corporation | Methods and apparatus for monitoring battery charge depletion |
JP5593036B2 (ja) * | 2009-03-10 | 2014-09-17 | ルネサスエレクトロニクス株式会社 | 電池に内蔵される充放電制御装置およびそれに使用される半導体集積回路 |
CN102062841B (zh) * | 2009-11-11 | 2012-12-12 | 北汽福田汽车股份有限公司 | 动力电池荷电状态的估测方法及系统 |
CN103675706B (zh) * | 2013-12-13 | 2016-04-13 | 桂林电子科技大学 | 一种动力电池电荷量估算方法 |
CN104502852A (zh) * | 2014-12-12 | 2015-04-08 | 广西科技大学 | 一种锂电池soc估算方法 |
CN107153163A (zh) * | 2017-06-20 | 2017-09-12 | 福建工程学院 | 一种基于自适应ukf的锂电池soc估算方法 |
EP3435101A1 (de) * | 2017-07-26 | 2019-01-30 | INVENOX GmbH | Verfahren und vorrichtung zur überwachung eines stabilen konvergenzverhaltens eines kalman-filters |
CN107696828A (zh) * | 2017-11-09 | 2018-02-16 | 上海电机学院 | 一种基于太阳能的汽车车内制冷散热系统 |
CN110441691A (zh) * | 2018-05-02 | 2019-11-12 | 西南科技大学 | 一种基于精简粒子无迹变换的soc估算方法 |
-
2019
- 2019-11-13 CN CN201911108368.9A patent/CN110927582B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110927582A (zh) | 2020-03-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110261779B (zh) | 一种三元锂电池荷电状态与健康状态在线协同估计方法 | |
Lim et al. | Fading Kalman filter-based real-time state of charge estimation in LiFePO4 battery-powered electric vehicles | |
CN111722118B (zh) | 一种基于soc-ocv优化曲线的锂离子电池soc估计方法 | |
CN110196393B (zh) | 一种锂电池荷电状态、能量状态和功率状态的联合在线估计方法 | |
Xiong et al. | A set membership theory based parameter and state of charge co-estimation method for all-climate batteries | |
CN107741569A (zh) | 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 | |
Seo et al. | Innovative lumped-battery model for state of charge estimation of lithium-ion batteries under various ambient temperatures | |
Li et al. | A novel parameter and state-of-charge determining method of lithium-ion battery for electric vehicles | |
CN106291393B (zh) | 一种用于在线识别电池模型参数的方法 | |
Wehbe et al. | Battery equivalent circuits and brief summary of components value determination of lithium ion: A review | |
CN110688808A (zh) | 一种动力电池模型的粒子群及lm优化混合迭代辨识方法 | |
CN109839596B (zh) | 基于ud分解的自适应扩展卡尔曼滤波的soc估算方法 | |
CN110673037B (zh) | 基于改进模拟退火算法的电池soc估算方法及系统 | |
CN111142025A (zh) | 一种电池soc估算方法、装置、存储介质及电动汽车 | |
CN110927582B (zh) | 一种基于多种sigma点的锂电池SOC估计方法 | |
CN113093017A (zh) | 一种锂离子电池等效电路模型在线构建方法 | |
CN110007238A (zh) | 一种铝空气电池等效电路模型的建立方法 | |
CN114295982A (zh) | 锂离子电池参数及开路电压辨识方法、系统及介质 | |
CN114755582A (zh) | 一种环境温度不同时锂离子电池健康状态预估方法 | |
CN113608126B (zh) | 一种不同温度下的锂电池soc在线预估方法 | |
Hu et al. | A parameter identification and state of charge estimation method of lithium-ion battery considering temperature bias | |
Wei et al. | Unscented particle filter based state of energy estimation for LiFePO4 batteries using an online updated model | |
Chen et al. | Estimation of state of charge for lithium-ion battery considering effect of aging and temperature | |
WO2021035500A1 (zh) | 用于48v轻混汽车锂离子电池的荷电状态在线估算系统 | |
Rezoug et al. | State-of-charge Estimation of Lithium-ion Batteries Using Extended Kalman Filter |
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 |