CN111044906B - 一种基于极大似然准则的锂离子电池能量状态估算方法 - Google Patents

一种基于极大似然准则的锂离子电池能量状态估算方法 Download PDF

Info

Publication number
CN111044906B
CN111044906B CN201911255498.5A CN201911255498A CN111044906B CN 111044906 B CN111044906 B CN 111044906B CN 201911255498 A CN201911255498 A CN 201911255498A CN 111044906 B CN111044906 B CN 111044906B
Authority
CN
China
Prior art keywords
matrix
time
soe
circuit
lithium ion
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
CN201911255498.5A
Other languages
English (en)
Other versions
CN111044906A (zh
Inventor
旷理政
刘贵军
康键强
谭祖宪
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.)
Shenzhen Pengcheng New Energy Technology Ltd
Original Assignee
Shenzhen Pengcheng New Energy Technology Ltd
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 Shenzhen Pengcheng New Energy Technology Ltd filed Critical Shenzhen Pengcheng New Energy Technology Ltd
Priority to CN201911255498.5A priority Critical patent/CN111044906B/zh
Publication of CN111044906A publication Critical patent/CN111044906A/zh
Application granted granted Critical
Publication of CN111044906B publication Critical patent/CN111044906B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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]
    • G01R31/378—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] specially adapted for the type of battery or accumulator

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Tests Of Electric Status Of Batteries (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Secondary Cells (AREA)

Abstract

本发明实施例公开了一种基于极大似然准则的锂离子电池能量状态估算方法，包括：获得锂离子电池的开路电压Uocv和锂离子电池的电池能量状态SOE的关系；离线辨识DP电路模型的特性参数；建立DP电路模型的数学方程；将DP电路模型的数学方程离散化处理；根据Uocv和SOE的关系以及离散化处理后的DP电路模型的数学方程，选取第一RC电路的极化电压U1、第二RC电路的极化电压U2以及SOE作为状态变量，选取第二RC电路远离第一RC电路一端至第一电阻远离锂离子电池的负极的一端的电池端电压UL作为观察变量，建立状态方程和观测方程；根据状态方程、观测方程及基于极大似然准则的自适应卡尔曼滤波算法，对SOE进行估算。

Description

一种基于极大似然准则的锂离子电池能量状态估算方法
技术领域
本发明涉及新能源汽车电池管理系统领域，尤其涉及一种基于极大似然准则的锂离子电池能量状态估算方法。
背景技术
电池管理系统(Battery Management System，BMS)通过获取动力电池的状态来制定相应的控制策略，确保电池高效安全的工作，是新能源汽车动力系统的核心技术。合格的BMS应该包括估算电池内部状态(荷电状态SOC、健康状态SOH、功率状态SOP、能量状态SOE)、监测电池工作状态、电池均衡控制、热管理和信息交互功能。其中，SOC只反映了电流随时间的变化，不能反映电池当前的端电压随时间的变化，因此也未能反映电池当前的功率信息。电池能量状态(State of Energy，SOE)表征的电池能量状态与功率具有较为直接的函数关系，更适合用于对续航里程的估算和能量管理的优化。
目前对于电池SOE的估算方法，考虑到传统的功率积分法由于电流和电压的测量精度误差产生的不可避免的累积误差，借鉴SOE和SOC在估算原理的相似之处，一些学者对SOE的精确估算提供了一些方法，比如，Li基于二阶RC模型建立了SOE和SOC估计的EKF算法，结果表明：该算法在动态负载电流工况测试下，SOE对锂离子电池的能量行为捕获精度高于SOC。Zheng等综合分析了环境温度、电池放电/充电电流、电池最大可用能量与SOE的电池老化水平依赖关系，提出了LiMn2O4电池的SOE与SOC之间的明确定量关系用于SOE估算，并引入了移动窗能量积分技术来估算电池的最大可用能量。实验结果表明，该方法能够准确地估计电池的最大可用能量和SOE值。但是此方法需要采取大量的电池实验数据才能获得SOE与SOC之间的明确定量关系，不适用于实时在线估计。Wang在SOE定义式中加入温度和倍率修正因子，采用一阶等效电路模型和RLS参数辨识进行基于极大似然准则自适应扩展卡尔曼滤波估计，对比EKF达到了较好的估计结果。
但大多SOE估算的方法仍是以卡尔曼滤波为主体的方法，这些方法要么没有考虑到固定的过程噪声和测量噪声协方差，也就没有应对噪声统计变化的自适应能力，要么没有考虑到自适应噪声在实际计算过程往往由于失去非负定性和正定性导致估算结果稳定性不高，也就是滤波结果容易发散。
发明内容
针对上述技术问题，本发明实施例提供了一种基于极大似然准则的锂离子电池能量状态估算方法，所述锂离子电池应用于双极化DP电路模型中，所述DP电路模型还包括与所述锂离子电池的负极连接的第一电阻、与所述锂离子电池的正极连接的第一RC电路以及与所述第一RC电路串联的第二RC电路，所述第一RC电路包括并联连接的第二电阻和第一电容，所述第二RC电路包括并联连接的第三电阻和第二电容；所述方法包括：
获得所述锂离子电池的开路电压Uocv和所述锂离子电池的电池能量状态SOE的关系；
离线辨识所述DP电路模型的特性参数，所述特性参数包括所述第一电阻的阻值R0、所述第二电阻的极化电阻Rp1、所述第一电容的极化电容Cp1、所述第三电阻的极化电阻Rp2和所述第二电容的极化电容Cp2；
建立所述DP电路模型的数学方程；
将所述DP电路模型的数学方程离散化处理；
根据所述锂离子电池的开路电压Uocv和所述锂离子电池的电池能量状态SOE的关系以及离散化处理后的DP电路模型的数学方程，选取所述第一RC电路的极化电压U1、所述第二RC电路的极化电压U2以及所述SOE作为状态变量，选取所述第二RC电路远离所述第一RC电路一端至所述第一电阻远离所述锂离子电池的负极的一端的电池端电压UL作为观察变量，建立状态方程和观测方程；
根据所述状态方程、所述观测方程以及基于极大似然准则的自适应卡尔曼滤波算法，对所述SOE进行估算。
可选地，所述根据所述状态方程、所述观测方程以及基于极大似然准则的自适应卡尔曼滤波EKF算法，对所述SOE进行估算，包括：
S1、将所述状态方程和所述观测方程代入所述EKF算法得到系统矩阵，所述系统矩阵包括状态估计矩阵、状态转移矩阵、控制矩阵和测量矩阵；
S2、设置移动平均窗口M以及所述SOE的初始值SOE(0)、所述U1的初始值U1(0)、所述U2的初始值U2(0)、状态误差协方差矩阵的初始矩阵P(0)、过程噪声协方差矩阵的初始矩阵Q(0)和测量噪声协方差矩阵的初始矩阵R(0)；
S3、进行状态估计矩阵、误差协方差矩阵、测量矩阵和残差的时间更新，其中，所述状态估计矩阵为：
Figure BDA0002310128870000031
所述误差协方差矩阵为：
Figure BDA0002310128870000032
所述测量矩阵为：
Figure BDA0002310128870000033
所述残差为：
Figure BDA0002310128870000034
Figure BDA0002310128870000035
为利用k-1时刻的状态估计矩阵估计的k时刻的最优状态估计矩阵、
Figure BDA0002310128870000036
为利用k-1时刻的状态转移矩阵估计的k时刻的状态转移矩阵、
Figure BDA0002310128870000037
为k-1时刻的最优估计值、Uk-1为k-1时刻的控制矩阵、Pk/k-1为利用k-1时刻的协方差矩阵估计的k时刻的最优协方差矩阵、Pk-1为k-1时刻的协方差矩阵、
Figure BDA0002310128870000038
为
Figure BDA0002310128870000039
的转置、Qk-1为k-1时刻的预测过程噪声的协方差矩阵、
Figure BDA00023101288700000310
为利用k-1时刻的测量矩阵估计的k时刻的最优测量矩阵、sk为k时刻的残差、zk为k时刻的测量矩阵、
Figure BDA00023101288700000311
为k时刻的测量矩阵的最优估计值；
S4、计算卡尔曼增益，所述卡尔曼增益为：
Figure BDA00023101288700000312
Kk为k时刻的卡尔曼增益、
Figure BDA0002310128870000041
为Hk的转置矩阵、Hk为k时刻的转换矩阵、Rk为k时刻的测量噪声协方差矩阵；
S5、更新得到当前时刻k的状态变量的最优估计值
Figure BDA0002310128870000042
和协方差矩阵Pk，并将当前时刻k得到的最优估计值
Figure BDA0002310128870000043
和协方差矩阵Pk作为下一时刻的初始值，其中，
Figure BDA0002310128870000044
Pk＝(I-KkHk)Pk/k-1，
Figure BDA0002310128870000045
为利用k-1时刻的测量矩阵估计的k时刻的最优测量矩阵、I为所述DP电路模型的电流；
S6、判断估算的步长是否小于移动平均窗口M，若所述估算的步长小于所述移动平均窗口M，则新息协方差的最优估计值
Figure BDA0002310128870000046
对过去的所有时刻取新息的平均值，若所述估算的步长大于所述移动平均窗口M，则通过下述公式更新
Figure BDA0002310128870000047
Figure BDA0002310128870000048
i为估算的步长的序号，K为正整数、si为残差、si T为si的转置；
S7、更新过程噪声协方差Q和测量噪声协方差R；其中，
Figure BDA0002310128870000049
Figure BDA00023101288700000410
Figure BDA00023101288700000411
为k时刻的过程噪声协方差的最优估计值、
Figure BDA00023101288700000412
为k时刻的新息协方差的最优估计值、Kk T为Kk的转置矩阵、
Figure BDA00023101288700000413
为k时刻的测量噪声协方差的最优估计值、Pk为k时刻的协方差矩阵；
循环步骤S3至S7，估算出所述锂离子电池在预设时段内的SOE。
可选地，所述移动平均窗口M为10；和/或，
SOE(0)＝0.8、U1(0)＝0、U2(0)＝0、P(0)为单位矩阵、Q(0)和R(0)为零矩阵。
可选地，在S3中，
Figure BDA00023101288700000414
是通过以下公式更新出的当前时刻测量值的最优估计值：
Figure BDA0002310128870000051
Figure BDA0002310128870000052
为k时刻的最优估计值。
可选地，所述获得所述锂离子电池的开路电压Uocv和所述锂离子电池的电池能量状态SOE的关系，包括：
对所述DP电路模型进行混合脉冲功率性能测试HPPC，获得所述Uocv和所述SOE的数值大小；
根据所述Uocv、所述SOE的数值大小和预设计算模型，拟合所述Uocv和所述SOE的关系；
其中，所述预设计算模型以所述SOE为自变量，以所述Uocv为因变量。
可选地，所述预设计算模型为多项式函数，所述根据所述Uocv、所述SOE的数值大小和预设计算模型，拟合所述Uocv和所述SOE的关系，包括：
根据所述Uocv、所述SOE的数值大小和多项式函数，确定所述多项式函数的系数；
根据所述多项式函数的系数以及所述多项式函数，确定所述Uocv和所述SOE的关系。
可选地，所述多项式函数为六阶多项式函数。
本发明实施例提供的技术方案中，通过搭建双极化DP电路模型以准确反映锂离子电池在充放电过程中的电压、电流和内阻变化的动态特性，以此作为能量状态SOE估算的基础，本发明的能量状态估算方法得到的SOE估算曲线相比EKF算法和传统AEKF算法更加稳定，没有出现估算曲线发散的现象，并且其精度高于另两种算法。
另外，本发明还提供了移动窗口M和模型参数初始值：SOE(0)、U1(0)、U2(0)、P(0)、Q(0)和R(0)的设置方法，有利于SOE估算值快速逼近真实值，即增强了鲁棒性；本发明还通过应用由残差序列代替新息序列推导出的量测噪声协方差R，解决了通常算法中R在迭代递推的过程中失去正定性而引起滤波结果不稳定的问题。
附图说明
图1为本发明一实施例提供的双极化(DP)电路模型示意图；
图2为本发明一实施例提供的基于极大似然准则的锂离子电池能量状态估算方法的方法流程示意图；
图3为本发明一实施例提供的根据状态方程、观测方程以及基于极大似然准则的自适应卡尔曼滤波算法，对SOE进行估算的实现过程示意图；
图4为本发明一实施例提供的一种基于极大似然准则的锂离子电池能量状态估算方法与其他两种常用SOE估算方法(EKF算法、AEKF算法)的估计结果比较图。
具体实施方式
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，所描述的实施例仅仅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。
需要说明的是，在不冲突的情况下，下述实施例可以进行组合。
如图1所示，本发明实施例的锂离子电池应用于双极化DP电路模型中，DP电路模型还包括与锂离子电池的负极连接的第一电阻、与锂离子电池的正极连接的第一RC电路以及与第一RC电路串联的第二RC电路，第一RC电路包括并联连接的第二电阻和第一电容，第二RC电路包括并联连接的第三电阻和第二电容。
请参见图2，本发明实施例的基于极大似然准则的锂离子电池能量状态估算方法可以包括如下步骤：
S201：获得锂离子电池的开路电压Uocv和锂离子电池的电池能量状态SOE的关系；
具体地，对DP电路模型进行混合脉冲功率性能测试HPPC，获得Uocv和SOE的数值大小；根据Uocv、SOE的数值大小和预设计算模型，拟合Uocv和SOE的关系；其中，预设计算模型以SOE为自变量，以Uocv为因变量。
预设计算模型可以为多项式函数，当然，预设计算模型也可以为其他计算模型，如基于神经网络获得的计算模型。
本实施例中，预设计算模型为多项式函数，在根据Uocv、SOE的数值大小和预设计算模型，拟合Uocv和SOE的关系时，具体包括如下两个步骤：
(1)、根据Uocv、SOE的数值大小和多项式函数，确定多项式函数的系数；
(2)、根据多项式函数的系数以及多项式函数，确定Uocv和SOE的关系。
多项式函数可以为六阶多项式函数，也可以其他多阶多项式函数。
具体来说，HPPC测试的步骤设计依据《FreedomCAR Battery Test ManualForPower-Assist Hybrid Electric Vehicles》确定。将HPPC测试中每次电池静置一小时后的端电压近似为开路电压UOCV，然后通过曲线拟合软件，使用用六阶多项式UOCV(soe)＝a1*soe6+a2*soe5+a3*soe4+a4*soe3+a5*soe2+a6*soe+a7拟合UOCV与SOE值的函数关系。
S202：离线辨识DP电路模型的特性参数，特性参数包括第一电阻的阻值R0、第二电阻的极化电阻Rp1、第一电容的极化电容Cp1、第三电阻的极化电阻Rp2和第二电容的极化电容Cp2；
具体地，离线辨识DP电路模型的特性参数的过程可以包括：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；根据脉冲放电静置40s(此处放电静置时间可以根据需要设置)阶段辨识出两个RC电路(即第一RC电路和第二RC电路)的时间常数τ1、τ2，此第二RC电路远离第一RC电路一端至第一电阻远离锂离子电池的负极的一端的电池端电压UL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(此处放电时间可以根据需要设置)阶段的总极化电压表达式：U1+U2＝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。
S203：建立DP电路模型的数学方程；
该步骤中，建立的DP电路模型的数学方程如下：
Figure BDA0002310128870000081
式(1)中，UL为端电压，I为电流，R0为第一电阻的欧姆内阻，U1、U2分别为第一RC电路和第二RC电路的极化电压，CP1、CP2分别为第一电容、第二电容的极化电容，RP1、RP2分别为第二电阻、第三电阻的极化电阻。
S204：将DP电路模型的数学方程离散化处理；
对步骤S203获得的DP电路模型的数学方程离散化处理得到：
Figure BDA0002310128870000082
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电路两端的极化电压，△t为采样时间间隔。
S205：根据锂离子电池的开路电压Uocv和锂离子电池的电池能量状态SOE的关系以及离散化处理后的DP电路模型的数学方程，选取第一RC电路的极化电压U1、第二RC电路的极化电压U2以及SOE作为状态变量，选取第二RC电路远离第一RC电路一端至第一电阻远离锂离子电池的负极的一端的电池端电压UL作为观察变量，建立状态方程和观测方程；
具体地，状态方程和观测方程如下：
Figure BDA0002310128870000091
式(3)中，U1,k表示k时刻的第一RC电路的极化电压，U2,k表示k时刻第二RC电路的极化电压，SOEk表示k时刻锂离子电池的电池能量状态，U1,k-1表示k-1时刻第一RC电路的极化电压，U2,k-1表示k-1时刻第二RC电路的极化电压，SOEk-1表示k-1时刻锂离子电池的电池能量状态，τ1,k-1表示k-1时刻第一RC电路的时间常数、τ2,k-1表示k-1时刻第二RC电路的时间常数τ1，Rp1,k-1表示k-1时刻第二电阻的极化电阻、Rp2,k-1表示k-1时刻第三电阻的极化电阻，、
Figure BDA0002310128870000092
表示与U1,k-1对应的系统噪声，
Figure BDA0002310128870000093
表示与U2,k-1对应的系统噪声，
Figure BDA0002310128870000094
表示与SOEk对应的系统噪声、η表示电池放电效率，CN表示电池额定容量，Uocv(SOEk)表示与SOEk对应的开路电压UOCV的值，UL,k表示k时刻的电池端电压，R0,k-1表示k-1时刻的第一电阻的阻值，υk表示k时刻的测量噪声。
S206：根据状态方程、观测方程以及基于极大似然准则的自适应卡尔曼滤波算法，对SOE进行估算。
在一实施例中，步骤S206具体包括：
S1、将状态方程和观测方程代入EKF算法得到系统矩阵，系统矩阵包括状态估计矩阵、状态转移矩阵、控制矩阵和测量矩阵；
EKF算法中的系统方程和观测方程如下：
Figure BDA0002310128870000109
zk＝Hk xk+yk+υk (5)；
式(4)、(5)中，xk为k时刻的状态变量，xk-1为k-1时刻的状态变量，
Figure BDA0002310128870000101
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k时刻的测量噪声，ωk和υk都服从高斯分布，两者的协方差分别为Q和R，将式(3)的状态方程和观测方程代入EFK算法，得到如下系统矩阵：
Figure BDA0002310128870000102
zk＝[UL,k]，
Hk＝[-1-10],yk＝-IkR0+UOCV(SOEk)；
其中，Ik表示k时刻的电流，R0表示电阻，yk表示k时刻的测量控制变量。
S2、设置移动平均窗口M以及SOE的初始值SOE(0)、U1的初始值U1(0)、U2的初始值U2(0)、状态误差协方差矩阵的初始矩阵P(0)、过程噪声协方差矩阵的初始矩阵Q(0)和测量噪声协方差矩阵的初始矩阵R(0)；
S3、进行状态估计矩阵、误差协方差矩阵、测量矩阵和残差的时间更新。
其中，状态估计矩阵为：
Figure BDA0002310128870000103
误差协方差矩阵为：
Figure BDA0002310128870000104
测量矩阵为：
Figure BDA0002310128870000105
残差为：
Figure BDA0002310128870000106
Figure BDA0002310128870000107
为利用k-1时刻的状态估计矩阵估计的k时刻的最优状态估计矩阵、
Figure BDA0002310128870000108
为利用k-1时刻的状态转移矩阵估计的k时刻的最优状态转移矩阵、
Figure BDA0002310128870000111
为k-1时刻的最优估计值、Uk-1为k-1时刻的控制矩阵、Pk/k-1为利用k-1时刻的协方差矩阵估计的k时刻的最优协方差矩阵、Pk-1为k-1时刻的协方差矩阵、
Figure BDA0002310128870000112
为
Figure BDA0002310128870000113
的转置、Qk-1为k-1时刻的预测过程噪声的协方差矩阵、
Figure BDA0002310128870000114
为利用k-1时刻的测量矩阵估计的k时刻的最优测量矩阵、sk为k时刻的残差、zk为k时刻的测量矩阵、
Figure BDA0002310128870000115
为k时刻的测量矩阵的最优估计值；
S4、计算卡尔曼增益。
卡尔曼增益为：
Figure BDA0002310128870000116
Kk为k时刻的卡尔曼增益、
Figure BDA0002310128870000117
为Hk的转置矩阵、Hk为k时刻的转换矩阵、Rk为k时刻的测量噪声协方差矩阵；
S5、更新得到当前时刻k的状态变量的最优估计值
Figure BDA0002310128870000118
和协方差矩阵Pk，并将当前时刻k得到的最优估计值
Figure BDA0002310128870000119
和协方差矩阵Pk作为下一时刻的初始值。
其中，
Figure BDA00023101288700001110
Pk＝(I-KkHk)Pk/k-1，
Figure BDA00023101288700001111
为利用k-1时刻的测量矩阵估计的k时刻的最优测量矩阵、I为所述DP电路模型的电流；
S6、判断估算的步长是否小于移动平均窗口M，若估算的步长小于移动平均窗口M，则新息协方差的最优估计值
Figure BDA00023101288700001112
对过去的所有时刻取新息的平均值，若估算的步长大于移动平均窗口M，则通过下述公式更新
Figure BDA00023101288700001113
Figure BDA00023101288700001114
i为估算的步长的序号，K为正整数、si为残差、si T为si的转置；
S7、更新过程噪声协方差Q和测量噪声协方差R。
其中，
Figure BDA0002310128870000121
为k时刻的过程噪声协方差的最优估计值、
Figure BDA0002310128870000122
为k时刻的新息协方差的最优估计值、Kk T为Kk的转置矩阵、
Figure BDA0002310128870000123
为k时刻的测量噪声协方差的最优估计值、Pk为k时刻的协方差矩阵；
循环步骤S3至S7，估算出锂离子电池在预设时段内的SOE。
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。
在一些实施例中，移动平均窗口M为10，当然M也可以设置为其他数值。
在一些实施例中，初始值的设置规则如下：SOE(0)＝0.8、U1(0)＝0、U2(0)＝0、P(0)为单位矩阵、Q(0)和R(0)为零矩阵，但不限于此。而极化内阻Rp1、Rp2以及时间常数τ1、τ2的初始值，则按照步骤S202中辨识的对应参数值的平均值设置。
在一些实施例中，在S3中，
Figure BDA0002310128870000124
是通过以下公式更新出的当前时刻测量值的最优估计值：
Figure BDA0002310128870000125
为k时刻的最优估计值。因此步骤S中测量噪声协方差更新公式：
Figure BDA0002310128870000126
其中不含有减号，故可以避免R在迭代递推的过程中失去正定性，从而加强了估算过程的鲁棒性。
综上，本实例中使用基于极大似然准则的锂离子电池能量状态估算方法，过程噪声协方差Q和量测噪声协方差R的更新变得更可靠有效，避免了失去正定性的风险，提高了估算过程的稳定性。
如图4所示为在FUDS工况下，传统的EKF算法(图中简称EKF)、本发明基于极大似然准则的算法(图中简称本方法)和Sage-Husa提出的自适应算法(图中简称AEKF)的SOE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SOE初始真实值为1(图中简称真实值)，并将算法初始SOE值设置为0.2。可以看出本发明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精度更高。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (5)

1.一种基于极大似然准则的锂离子电池能量状态估算方法，其特征在于，所述锂离子电池应用于双极化DP电路模型中，所述DP电路模型还包括与所述锂离子电池的负极连接的第一电阻、与所述锂离子电池的正极连接的第一RC电路以及与所述第一RC电路串联的第二RC电路，所述第一RC电路包括并联连接的第二电阻和第一电容，所述第二RC电路包括并联连接的第三电阻和第二电容；所述方法包括：
获得所述锂离子电池的开路电压Uocv和所述锂离子电池的电池能量状态SOE的关系；
离线辨识所述DP电路模型的特性参数，所述特性参数包括所述第一电阻的阻值R0、所述第二电阻的极化电阻Rp1、所述第一电容的极化电容Cp1、所述第三电阻的极化电阻Rp2和所述第二电容的极化电容Cp2；
建立所述DP电路模型的数学方程；
将所述DP电路模型的数学方程离散化处理；
根据所述锂离子电池的开路电压Uocv和所述锂离子电池的电池能量状态SOE的关系以及离散化处理后的DP电路模型的数学方程，选取所述第一RC电路的极化电压U1、所述第二RC电路的极化电压U2以及所述SOE作为状态变量，选取所述第二RC电路远离所述第一RC电路一端至所述第一电阻远离所述锂离子电池的负极的一端的电池端电压UL作为观察变量，建立状态方程和观测方程；
根据所述状态方程、所述观测方程以及基于极大似然准则的自适应卡尔曼滤波算法，对所述SOE进行估算；
所述根据所述状态方程、所述观测方程以及基于极大似然准则的自适应卡尔曼滤波EKF算法，对所述SOE进行估算，包括：
S1、将所述状态方程和所述观测方程代入所述EKF算法得到系统矩阵，所述系统矩阵包括状态估计矩阵、状态转移矩阵、控制矩阵和测量矩阵；
S2、设置移动平均窗口M以及所述SOE的初始值SOE(0)、所述U1的初始值U1(0)、所述U2的初始值U2(0)、状态误差协方差矩阵的初始矩阵P(0)、过程噪声协方差矩阵的初始矩阵Q(0)和测量噪声协方差矩阵的初始矩阵R(0)；
S3、进行状态估计矩阵、误差协方差矩阵、测量矩阵和残差的时间更新，其中，所述状态估计矩阵为：
Figure FDA0003728358640000021
所述误差协方差矩阵为：
Figure FDA0003728358640000022
所述测量矩阵为：
Figure FDA0003728358640000023
所述残差为：
Figure FDA0003728358640000024
为利用k-1时刻的状态估计矩阵估计的k时刻的最优状态估计矩阵、
Figure FDA0003728358640000025
为利用k-1时刻的状态转移矩阵估计的k时刻的状态转移矩阵、
Figure FDA00037283586400000216
为k-1时刻的最优估计值、Uk-1为k-1时刻的控制矩阵、Pk/k-1为利用k-1时刻的协方差矩阵估计的k时刻的最优协方差矩阵、Pk-1为k-1时刻的协方差矩阵、
Figure FDA0003728358640000026
为
Figure FDA0003728358640000027
的转置、Qk-1为k-1时刻的预测过程噪声的协方差矩阵、
Figure FDA0003728358640000028
为利用k-1时刻的测量矩阵估计的k时刻的最优测量矩阵、sk为k时刻的残差、zk为k时刻的测量矩阵、
Figure FDA0003728358640000029
为k时刻的测量矩阵的最优估计值；
S4、计算卡尔曼增益，所述卡尔曼增益为：
Figure FDA00037283586400000210
Kk为k时刻的卡尔曼增益、
Figure FDA00037283586400000211
为Hk的转置矩阵、Hk为k时刻的转换矩阵、Rk为k时刻的测量噪声协方差矩阵；
S5、更新得到当前时刻k的状态变量的最优估计值
Figure FDA00037283586400000212
和协方差矩阵Pk，并将当前时刻k得到的最优估计值
Figure FDA00037283586400000213
和协方差矩阵Pk作为下一时刻的初始值，其中，
Figure FDA00037283586400000214
Pk＝(I-KkHk)Pk/k-1，
Figure FDA00037283586400000217
为利用k-1时刻的测量矩阵估计的k时刻的最优测量矩阵、I为所述DP电路模型的电流；
S6、判断估算的步长是否小于移动平均窗口M，若所述估算的步长小于所述移动平均窗口M，则新息协方差的最优估计值
Figure FDA00037283586400000215
对过去的所有时刻取新息的平均值，若所述估算的步长大于所述移动平均窗口M，则通过下述公式更新
Figure FDA0003728358640000031
i为估算的步长的序号，K为正整数、si为残差、si T为si的转置；
S7、更新过程噪声协方差Q和测量噪声协方差R；其中，
Figure FDA0003728358640000032
Figure FDA0003728358640000033
为k时刻的过程噪声协方差的最优估计值，
Figure FDA0003728358640000034
为k时刻的新息协方差的最优估计值，Kk T为Kk的转置矩阵，
Figure FDA0003728358640000035
为k时刻的测量噪声协方差的最优估计值，Pk为k时刻的协方差矩阵；
循环步骤S3至S7，估算出所述锂离子电池在预设时段内的SOE；
所述移动平均窗口M为10；和/或，
SOE(0)＝0.8，U1(0)＝0，U2(0)＝0，P(0)为单位矩阵以及Q(0)和R(0)为零矩阵。
2.根据权利要求1所述的基于极大似然准则的锂离子电池能量状态估算方法，其特征在于，在S3中，
Figure FDA0003728358640000036
是通过以下公式更新出的当前时刻测量值的最优估计值：
Figure FDA0003728358640000037
为k时刻的最优估计值。
3.根据权利要求1所述的基于极大似然准则的锂离子电池能量状态估算方法，其特征在于，所述获得所述锂离子电池的开路电压Uocv和所述锂离子电池的电池能量状态SOE的关系，包括：
对所述DP电路模型进行混合脉冲功率性能测试HPPC，获得所述Uocv和所述SOE的数值大小；
根据所述Uocv、所述SOE的数值大小和预设计算模型，拟合所述Uocv和所述SOE的关系；
其中，所述预设计算模型以所述SOE为自变量，以所述Uocv为因变量。
4.根据权利要求3所述的基于极大似然准则的锂离子电池能量状态估算方法，其特征在于，所述预设计算模型为多项式函数，所述根据所述Uocv、所述SOE的数值大小和预设计算模型，拟合所述Uocv和所述SOE的关系，包括：
根据所述Uocv、所述SOE的数值大小和多项式函数，确定所述多项式函数的系数；
根据所述多项式函数的系数以及所述多项式函数，确定所述Uocv和所述SOE的关系。
5.根据权利要求4所述的基于极大似然准则的锂离子电池能量状态估算方法，其特征在于，所述多项式函数为六阶多项式函数。
CN201911255498.5A 2019-12-10 2019-12-10 一种基于极大似然准则的锂离子电池能量状态估算方法 Active CN111044906B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911255498.5A CN111044906B (zh) 2019-12-10 2019-12-10 一种基于极大似然准则的锂离子电池能量状态估算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911255498.5A CN111044906B (zh) 2019-12-10 2019-12-10 一种基于极大似然准则的锂离子电池能量状态估算方法

Publications (2)

Publication Number Publication Date
CN111044906A CN111044906A (zh) 2020-04-21
CN111044906B true CN111044906B (zh) 2022-11-15

Family

ID=70235358

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911255498.5A Active CN111044906B (zh) 2019-12-10 2019-12-10 一种基于极大似然准则的锂离子电池能量状态估算方法

Country Status (1)

Country Link
CN (1) CN111044906B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN111537893A (zh) * 2020-05-27 2020-08-14 中国科学院上海高等研究院 一种锂离子电池模组运行安全的评测方法、系统及电子设备
CN113075715A (zh) * 2020-11-16 2021-07-06 中移(上海)信息通信科技有限公司 定位方法、装置、设备及存储介质
CN112068003B (zh) * 2020-11-16 2021-02-19 中南大学 基于线性维纳过程的镉镍蓄电池寿命预测方法和装置
CN112964997B (zh) * 2021-01-21 2022-03-29 西南科技大学 一种无人机锂离子电池峰值功率自适应估算方法
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

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106896324A (zh) * 2017-01-20 2017-06-27 东莞市德尔能新能源股份有限公司 一种soc估计方法
CN107179693B (zh) * 2017-06-27 2019-12-27 哈尔滨工程大学 基于Huber估计的鲁棒自适应滤波和状态估计方法
CN108460210B (zh) * 2018-03-01 2021-09-14 青岛科技大学 一种基于噪残差和协方差匹配的动力定位系统噪声特性实时估计方法
CN108520107A (zh) * 2018-03-19 2018-09-11 山西大学 基于最大似然准则鲁棒卡尔曼滤波的系统状态估计方法
CN109239604A (zh) * 2018-10-24 2019-01-18 江苏理工学院 一种基于状态检测机制的无迹卡尔曼滤波车载电池soc估计方法
CN110032812A (zh) * 2019-04-18 2019-07-19 河海大学 一种基于自适应容积卡尔曼滤波的动态状态估计方法
CN110395141B (zh) * 2019-06-27 2020-10-30 武汉理工大学 基于自适应卡尔曼滤波法的动力锂电池soc估算方法
CN112327182B (zh) * 2020-08-02 2021-11-16 西北工业大学 基于量测值残差序列的自适应h无穷滤波soc估计方法

Also Published As

Publication number Publication date
CN111044906A (zh) 2020-04-21

Similar Documents

Publication Publication Date Title
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
CN110395141B (zh) 基于自适应卡尔曼滤波法的动力锂电池soc估算方法
CN110058160B (zh) 基于平方根扩展卡尔曼滤波的锂电池健康状态预测方法
Chen et al. Battery state of charge estimation based on a combined model of Extended Kalman Filter and neural networks
CN108490365B (zh) 一种估计电动汽车的动力电池的剩余寿命的方法
CN109633479B (zh) 基于嵌入式容积卡尔曼滤波的锂电池soc在线估算方法
CN112989690B (zh) 一种混合动力汽车锂电池多时间尺度荷电状态估计方法
EP3736585A1 (en) Method and device for predicting peak power of battery
CN111308379A (zh) 一种基于局部恒压充电数据的电池健康状态估计方法
CN109917299B (zh) 一种锂电池荷电状态的三层滤波估算方法
CN114114038A (zh) 一种全寿命全温度下锂电池soc及可用容量联合估计方法
CN111537903B (zh) 一种基于hckf的电池soc估计方法
CN109901072B (zh) 基于历史数据与实验室测试数据的退役电池参数检测方法
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
CN112305426B (zh) 一种多约束条件下的锂离子电池功率状态估计系统
CN113777510A (zh) 一种锂电池荷电状态估计方法及装置
CN112433154A (zh) 基于ffrls和ekf的锂离子电池soc估测算法
CN111679197B (zh) 基于改进aekf的锂离子电池soc估算方法
CN114720881A (zh) 一种基于改进初值带遗忘因子递推最小二乘法的锂电池参数辨识方法
CN114814591A (zh) 一种锂电池soe估算方法、装置及系统
CN114397578A (zh) 一种锂离子电池剩余电量估计方法
CN112946480B (zh) 一种提高soc估计实时性的锂电池电路模型简化方法
CN116718920A (zh) 基于rnn优化扩展卡尔曼滤波的锂电池soc估算方法
CN115856681A (zh) 基于ekf自适应温度调节的电池soc估算方法
CN115480166A (zh) 基于自适应无迹卡尔曼滤波的锂电池荷电状态估计方法

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