CN111098755A - 一种电动汽车动力电池soc估计方法 - Google Patents
一种电动汽车动力电池soc估计方法 Download PDFInfo
- Publication number
- CN111098755A CN111098755A CN202010115887.4A CN202010115887A CN111098755A CN 111098755 A CN111098755 A CN 111098755A CN 202010115887 A CN202010115887 A CN 202010115887A CN 111098755 A CN111098755 A CN 111098755A
- Authority
- CN
- China
- Prior art keywords
- soc
- power battery
- battery
- equation
- steps
- 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
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]
-
- 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
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Secondary Cells (AREA)
Abstract
本发明提供了一种电动汽车动力电池SOC估计方法,包括以下步骤: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;步骤2):建立动力电池二阶RC等效电路模型,推导其辨识模型;步骤3):构建改进的混沌引力搜索算法的流程,完成辨识;步骤4):针对锂离子电池非线性系统建立电池的状态空间模型,构建高斯‑厄米特滤波算法的流程,并与改进的混沌引力搜索算法组成联合估计算法。本发明的有益效果为: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,以实现对电池的SOC更好的实时估计。
Description
技术领域
本发明涉及电动汽车动力电池管理技术领域,尤其涉及一种基于改进的混沌引力搜索算法和高斯-厄米特滤波算法的电动汽车动力电池SOC估计方法。
背景技术
近年来,电动汽车的发展尤为火热,相对于传统的内燃机汽车,电动汽车具有节能环保、低噪无污染、能源转化率高等优势,使得其未来发展前景被广泛看好。动力电池系统作为电动汽车的三电系统之一,动力电池的性能直接影响着整车的性能。电池的荷电状态(SOC)是反映动力电池剩余容量和做功能力的一项重要指标,精确估计电动汽车的荷电状态(SOC)是动力系统的关键技术之一,但是SOC无法直接用仪器测量,只能通过对电池电压、电流、内阻等参数的测量来间接计算。
目前,安时积分法是利用理论公式直接进行SOC的计算,这个方法方便计算,但不能确定SOC的初始值就无法进行下面的工作,且估计误差会逐渐累积;开路电压法也是一种较常使用的SOC估算方法,但其求取条件是比较苛刻的,需要对电池进行静置直至极化反应完全消失,不能实现在线状态估计;人工神经网络这种方法可以精确地表征复杂的电池的内部化学反应,但是它需要大量的数据来驱动,计算的结果精度比较依赖于数据,在实际应用中需要更深入的研究。
如何解决上述问题是本发明面临的课题。
发明内容
本发明的目的在于提供一种电动汽车动力电池SOC估计方法。
本发明是通过如下措施实现的:一种电动汽车动力电池SOC估计方法,其中,包括以下步骤:
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OCV-SOC的函数关系式:
步骤2):建立动力电池二阶RC等效电路模型,推导其辨识模型;
步骤3):构建改进的混沌引力搜索算法的流程,完成辨识;
步骤4):针对锂离子电池非线性系统建立电池的状态空间模型,构建高斯-厄米特滤波算法的流程,并与改进的混沌引力搜索算法组成联合估计算法。
作为本发明提供的一种电动汽车动力电池SOC估计方法进一步优化方案,所述步骤2)具体包括如下步骤:
步骤2-1)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)
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,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;
步骤2-2)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)
令:
则式(9)可化简为:
Uoc(t)-U(t)=k1[Uoc(t-1)-U(t-1)]+k2[Uoc(t-2)-U(t-2)]+k3I(t)+k4I(t-1)+k5I(t-2) (10)
令:
θ=[k1 k2 k3 k4 k5]T (11)
y(t)=Uoc(t)-U(t) (12)
则可以得到:
式(14)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 (16)
由于c=R1τ2+R2τ1+(τ1+τ2)R0,d=R0+R1+R2,所以可得:
R2=d-R1-R0 (22)
因为a=τ1τ2,b=τ1+τ2,故可得:
作为本发明提供的一种电动汽车动力电池SOC估计方法进一步优化方案,所述步骤3)具体包括如下步骤:
假设搜索空间是n维,总体由N个个体组成,令第i个个体的位置和速度分别为:
Qi=[q1i,q2i,…,qni]T∈Rn,i=1,2,…,N (28)
步骤3-1)初始化每个个体的速度和位置;
步骤3-3)构建输出矩阵Y(p),信息矩阵Φ(p);
Y(p)=[y(p),y(p-1),…,y(1)]T∈Rp (29)
步骤3-4)更新每个个体的速度和位置,将位置和速度方程更新为:
θi(t+1)=rθi(t)+ai(t) (31)
Q(t+1)=sQ(t)+θi(t+1) (32)
ai(t)=F(t)/M(t) (33)
s=smax-(smax-smin) (34)
其中,t表示当前的迭代次数;T表示最大迭代次数;系数s为动态变化策略;
个体i的质量定义如下:
其中,fi(t)和Mi(t)分别表示在第t次迭代时第i个个体的适应度函数值和质量;fmin(t)和fmax(t)表示在第t次迭代时所有个体中最优适应度函数值和最差适应度函数值,对最小化问题,其定义如下:
在d维上,个体i所受的引力如下:
kb(t)=(N-η)×(T-t)/T+η×zt (39)
zt+1=μ×zt×(1-zt) (40)
其中:G(t)表示在第t次迭代时万有引力常数的取值,G(t)=G0e-αt/T,G0和α为常数;Rij(t)表示个体i和j之间的欧氏距离且i≠j;ε是一常数,防止分母为零;zt为第t次迭代时的混沌数,其值在0到1之间;μ为一正常数;η是指物体向其他物体施加力的百分比;kb方程表明在引力搜索算法中引入了一种混沌优化机制,使其脱离局部最优;;
步骤3-5)计算每个个体的最佳位置
步骤3-6)计算所有个体的最佳位置
步骤3-8)通过公式(21)-(24)计算电路中各个参数值;
作为本发明提供的一种电动汽车动力电池SOC估计方法进一步优化方案,其特征在于,所述步骤4)具体包括如下步骤:
步骤4-1)将步骤2)中建立的二阶RC等效电路模型,结合安时积分法的计算公式整理成如下公式:
对上式进行零阶保持离散化处理,得到离散方程:
建立如下的状态空间表达式:
其中,系数矩阵分别为:
步骤4-2)系统状态x及其方差的预测Pt|t-1为:
步骤4-3)系统的观测量y及其自协方差PZZ为:
步骤4-4)观测量y与系统状态量x的互协方差PXZ为:
步骤4-5)系统的状态量x及其方差Pt|t的更新为:
Pt|t=Pt|t-1-LtPXZ T (52)
其中,滤波增益Lt=PXZ(Rt-PZZ)-1,Rt为观测协方差矩阵;
步骤4-6)重复步骤4-2至步骤4-5,直至滤波结束。
作为本发明提供的一种电动汽车动力电池SOC估计方法进一步优化方案,所述电动汽车动力电池SOC估计方法采用改进的混沌引力搜索算法与高斯-厄米特滤波算法联合估计算法估计动力电池的SOC值,递推过程具体为:
2)收集输入输出数据I(t)、U(t);
5)根据公式(45)-(48)构建状态空间表达式和状态变量x(t),观测量y(t);
8)根据公式(51)计算观测量y与系统状态量x的互协方差PXZ;
10)t=t+1,重复步骤3)至步骤9)
其中,根据上述算法的递推过程和非线性状态空间方程的系数矩阵,运用高斯-厄米特滤波算法可实现对该状态空间模型的状态变量进行递推估计。
本发明的有益效果为: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;通过分析动力电池的工作原理,建立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,再采用改进的混沌引力搜索算法与高斯-厄米特滤波算法联合估计动力电池的SOC值;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为本发明基于改进的混沌引力搜索算法和高斯-厄米特滤波算法的电动汽车动力电池SOC估计方法整体流程图。
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。
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4,本发明提供一种基于改进的混沌引力搜索算法和高斯-厄米特滤波算法的电动汽车动力电池SOC估计方法,包括下列步骤:
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,具体内容如以下步骤:
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,此时电池为充满电状态,SOC=100%,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,此时电池放电完毕,SOC=0,实验结束。
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
步骤2):建立动力电池二阶RC等效电路模型,推导其辨识模型;
步骤3):构建改进的混沌引力搜索算法的流程,完成辨识;
步骤4):针对锂离子电池非线性系统建立电池的状态空间模型,构建高斯-厄米特滤波算法的流程,并与改进的混沌引力搜索算法组成联合估计算法。
作为本发明提供的一种电动汽车动力电池SOC估计方法进一步优化方案,所述步骤2)具体包括如下步骤:
步骤2-1)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)
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,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;
步骤2-2)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)
令:
则式(9)可化简为:
Uoc(t)-U(t)=k1[Uoc(t-1)-U(t-1)]+k2[Uoc(t-2)-U(t-2)]+k3I(t)+k4I(t-1)+k5I(t-2) (10)
令:
θ=[k1 k2 k3 k4 k5]T (11)
y(t)=Uoc(t)-U(t) (12)
则可以得到:
式(14)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 (16)
由于c=R1τ2+R2τ1+(τ1+τ2)R0,d=R0+R1+R2,所以可得:
R2=d-R1-R0(22)
因为a=τ1τ2,b=τ1+τ2,故可得:
具体地,所述步骤3)具体包括如下步骤:
假设搜索空间是n维,总体由N个个体组成,令第i个个体的位置和速度分别为:
Qi=[q1i,q2i,…,qni]T∈Rn,i=1,2,…,N (28)
步骤3-1)初始化每个个体的速度和位置;
步骤3-3)构建输出矩阵Y(p),信息矩阵Φ(p);
Y(p)=[y(p),y(p-1),…,y(1)]T∈Rp (29)
步骤3-4)更新每个个体的速度和位置,将位置和速度方程更新为:
θi(t+1)=rθi(t)+ai(t) (31)
Q(t+1)=sQ(t)+θi(t+1) (32)
ai(t)=F(t)/M(t) (33)
s=smax-(smax-smin) (34)
其中,t表示当前的迭代次数;T表示最大迭代次数;系数s为动态变化策略;
个体i的质量定义如下:
其中,fi(t)和Mi(t)分别表示在第t次迭代时第i个个体的适应度函数值和质量;fmin(t)和fmax(t)表示在第t次迭代时所有个体中最优适应度函数值和最差适应度函数值,对最小化问题,其定义如下:
在d维上,个体i所受的引力如下:
kb(t)=(N-η)×(T-t)/T+η×zt (39)
zt+1=μ×zt×(1-zt) (40)
其中:G(t)表示在第t次迭代时万有引力常数的取值,G(t)=G0e-αt/T,G0和α为常数;Rij(t)表示个体i和j之间的欧氏距离且ε是一常数,防止分母为零;zt为第t次迭代时的混沌数,其值在0到1之间;μ为一正常数;η是指物体向其他物体施加力的百分比;kb方程表明在引力搜索算法中引入了一种混沌优化机制,使其脱离局部最优;
步骤3-5)计算每个个体的最佳位置
步骤3-6)计算所有个体的最佳位置
步骤3-8)通过公式(21)—(24)计算电路中各个参数值;
4、根据权利要求1-3任一项所述的电动汽车动力电池SOC估计方法,其特征在于,所述步骤4)具体包括如下步骤:
步骤4-1)将步骤2)中建立的二阶RC等效电路模型,结合安时积分法的计算公式整理成如下公式:
对上式进行零阶保持离散化处理,得到离散方程:
建立如下的状态空间表达式:
其中,系数矩阵分别为:
步骤4-2)系统状态x及其方差的预测Pt|t-1为:
步骤4-3)系统的观测量y及其自协方差PZZ为:
步骤4-4)观测量y与系统状态量x的互协方差PXZ为:
步骤4-5)系统的状态量x及其方差Pt|t的更新为:
Pt|t=Pt|t-1-LtPXZ T (52)
其中,滤波增益Lt=PXZ(Rt-PZZ)-1,Rt为观测协方差矩阵;
步骤4-6)重复步骤4-2)至步骤4-5),直至滤波结束。
具体地,所述电动汽车动力电池SOC估计方法采用改进的混沌引力搜索算法与高斯-厄米特滤波算法联合估计算法估计动力电池的SOC值,递推过程具体为:
2)收集输入输出数据I(t)、U(t);
5)根据公式(45)-(48)构建状态空间表达式和状态变量x(t),观测量y(t);
8)根据公式(51)计算观测量y与系统状态量x的互协方差PXZ;
10)t=t+1,重复步骤3)至9)。
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;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,本发明采用将改进的混沌引力搜索算法与高斯-厄米特滤波联合的估计算法,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,再采用改进的混沌引力搜索算法与高斯-厄米特滤波联合估计算法估计动力电池的SOC值;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)
2.根据权利要求1所述的电动汽车动力电池SOC估计方法,其特征在于,所述步骤2)具体包括如下步骤:
步骤2-1)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)
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,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;
步骤2-2)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)
令:
则式(9)可化简为:
Uoc(t)-U(t)=k1[Uoc(t-1)-U(t-1)]+k2[Uoc(t-2)-U(t-2)]+k3I(t)+k4I(t-1)+k5I(t-2)
(10)
令:
θ=[k1 k2 k3 k4 k5]T (11)
y(t)=Uoc(t)-U(t) (12)
则可以得到:
式(14)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 (16)
由于c=R1τ2+R2τ1+(τ1+τ2)R0,d=R0+R1+R2,所以可得:
R2=d-R1-R0 (22)
因为a=τ1τ2,b=τ1+τ2,故可得:
3.根据权利要求1或2所述的电动汽车动力电池SOC估计方法,其特征在于,所述步骤3)具体包括如下步骤:
假设搜索空间是n维,总体由N个个体组成,令第i个个体的位置和速度分别为:
Qi=[q1i,q2i,…,qni]T∈Rn,i=1,2,…,N (28)
步骤3-1)初始化每个个体的速度和位置;
步骤3-3)构建输出矩阵Y(p),信息矩阵Φ(p);
Y(p)=[y(p),y(p-1),…,y(1)]T∈Rp (29)
步骤3-4)更新每个个体的速度和位置,将位置和速度方程更新为:
θi(t+1)=rθi(t)+ai(t) (31)
Q(t+1)=sQ(t)+θi(t+1) (32)
ai(t)=F(t)/M(t) (33)
s=smax-(smax-smin) (34)
其中,t表示当前的迭代次数;T表示最大迭代次数;系数s为动态变化策略;
个体i的质量定义如下:
其中,fi(t)和Mi(t)分别表示在第t次迭代时第i个个体的适应度函数值和质量;fmin(t)和fmax(t)表示在第t次迭代时所有个体中最优适应度函数值和最差适应度函数值,对最小化问题,其定义如下:
在d维上,个体i所受的引力如下:
kb(t)=(N-η)×(T-t)/T+η×zt (39)
zt+1=μ×zt×(1-zt) (40)
其中:G(t)表示在第t次迭代时万有引力常数的取值,G(t)=G0e-αt/T,G0和α为常数;Rij(t)表示个体i和j之间的欧氏距离且i≠j;ε是一常数,防止分母为零;zt为第t次迭代时的混沌数,其值在0到1之间;μ为一正常数;η是指物体向其他物体施加力的百分比;kb方程表明在引力搜索算法中引入了一种混沌优化机制,使其脱离局部最优;
步骤3-5)计算每个个体的最佳位置
步骤3-6)计算所有个体的最佳位置
步骤3-8)通过公式(21)-(24)计算电路中各个参数值;
4.根据权利要求1-3任一项所述的电动汽车动力电池SOC估计方法,其特征在于,所述步骤4)具体包括如下步骤:
步骤4-1)将步骤2)中建立的二阶RC等效电路模型,结合安时积分法的计算公式整理成如下公式:
对上式进行零阶保持离散化处理,得到离散方程:
建立如下的状态空间表达式:
其中,系数矩阵分别为:
步骤4-2)系统状态x及其方差的预测Pt|t-1为:
步骤4-3)系统的观测量y及其自协方差PZZ为:
步骤4-4)观测量y与系统状态量x的互协方差PXZ为:
步骤4-5)系统的状态量x及其方差Pt|t的更新为:
Pt|t=Pt|t-1-LtPXZ T (52)
其中,滤波增益Lt=PXZ(Rt-PZZ)-1,Rt为观测协方差矩阵;
步骤4-6)重复步骤4-2)至步骤4-5),直至滤波结束。
所述电动汽车动力电池SOC估计方法采用改进的混沌引力搜索算法与高斯-厄米特滤波算法联合估计算法估计动力电池的SOC值,递推过程具体为:
2)收集输入输出数据I(t)、U(t);
5)根据公式(45)-(48)构建状态空间表达式和状态变量x(t),观测量y(t);
8)根据公式(51)计算观测量y与系统状态量x的互协方差PXZ;
10)t=t+1,重复步骤3)至步骤9)。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2019111477303 | 2019-11-21 | ||
CN201911147730 | 2019-11-21 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111098755A true CN111098755A (zh) | 2020-05-05 |
CN111098755B CN111098755B (zh) | 2023-04-07 |
Family
ID=70428063
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010115887.4A Active CN111098755B (zh) | 2019-11-21 | 2020-02-25 | 一种电动汽车动力电池soc估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111098755B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112098849A (zh) * | 2020-09-19 | 2020-12-18 | 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 |
CN112415391A (zh) * | 2020-10-27 | 2021-02-26 | 中船动力有限公司 | 基于改进粒子群优化的船用锂离子电池参数辨识方法 |
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 |
CN113702843A (zh) * | 2021-07-26 | 2021-11-26 | 南通大学 | 一种基于郊狼优化算法的锂电池参数辨识与soc估计方法 |
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 |
CN114744310A (zh) * | 2022-02-11 | 2022-07-12 | 长安大学 | 基于soc自适应分阶的动力锂电池两步充电方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105093122A (zh) * | 2015-07-09 | 2015-11-25 | 宁波飞拓电器有限公司 | 基于强跟踪自适应sqkf的应急灯电池soc估计方法 |
CN105093121A (zh) * | 2015-07-10 | 2015-11-25 | 桂林电子科技大学 | 似然度函数粒子滤波的动力电池电荷状态估计方法和系统 |
US20170350944A1 (en) * | 2016-06-06 | 2017-12-07 | Mitsubishi Electric Research Laboratories, Inc. | Methods and Systems for Data-Driven Battery State of Charge (SoC) Estimation |
CN107451562A (zh) * | 2017-07-31 | 2017-12-08 | 湖北工业大学 | 一种基于混沌二进制引力搜索算法的波段选择方法 |
WO2018186088A1 (ja) * | 2017-04-07 | 2018-10-11 | 日立オートモティブシステムズ株式会社 | 電池制御装置 |
CN109917299A (zh) * | 2019-04-08 | 2019-06-21 | 青岛大学 | 一种锂电池荷电状态的三层滤波估算方法 |
CN110286332A (zh) * | 2019-06-17 | 2019-09-27 | 南通大学 | 一种基于多新息理论的电动汽车动力电池soc估计方法 |
-
2020
- 2020-02-25 CN CN202010115887.4A patent/CN111098755B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105093122A (zh) * | 2015-07-09 | 2015-11-25 | 宁波飞拓电器有限公司 | 基于强跟踪自适应sqkf的应急灯电池soc估计方法 |
CN105093121A (zh) * | 2015-07-10 | 2015-11-25 | 桂林电子科技大学 | 似然度函数粒子滤波的动力电池电荷状态估计方法和系统 |
US20170350944A1 (en) * | 2016-06-06 | 2017-12-07 | Mitsubishi Electric Research Laboratories, Inc. | Methods and Systems for Data-Driven Battery State of Charge (SoC) Estimation |
WO2018186088A1 (ja) * | 2017-04-07 | 2018-10-11 | 日立オートモティブシステムズ株式会社 | 電池制御装置 |
CN107451562A (zh) * | 2017-07-31 | 2017-12-08 | 湖北工业大学 | 一种基于混沌二进制引力搜索算法的波段选择方法 |
CN109917299A (zh) * | 2019-04-08 | 2019-06-21 | 青岛大学 | 一种锂电池荷电状态的三层滤波估算方法 |
CN110286332A (zh) * | 2019-06-17 | 2019-09-27 | 南通大学 | 一种基于多新息理论的电动汽车动力电池soc估计方法 |
Non-Patent Citations (3)
Title |
---|
党选举等: "电源电池电量优化估计仿真研究", 《计算机仿真》 * |
凡旭国等: "基于PNGV模型和高斯-厄米特滤波的SOC估算研究", 《自动化仪表》 * |
许国根等, 北京航空航天大学出版社 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112098849A (zh) * | 2020-09-19 | 2020-12-18 | 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 |
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 |
CN112415391A (zh) * | 2020-10-27 | 2021-02-26 | 中船动力有限公司 | 基于改进粒子群优化的船用锂离子电池参数辨识方法 |
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 |
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 |
CN113702843A (zh) * | 2021-07-26 | 2021-11-26 | 南通大学 | 一种基于郊狼优化算法的锂电池参数辨识与soc估计方法 |
CN114744310A (zh) * | 2022-02-11 | 2022-07-12 | 长安大学 | 基于soc自适应分阶的动力锂电池两步充电方法 |
CN114744310B (zh) * | 2022-02-11 | 2023-02-03 | 长安大学 | 基于soc自适应分阶的动力锂电池两步充电方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111098755B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111098755B (zh) | 一种电动汽车动力电池soc估计方法 | |
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 | |
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 | |
CN107368619B (zh) | 一种扩展卡尔曼滤波soc估算方法 | |
CN112067998A (zh) | 一种基于深度神经网络的锂离子电池荷电状态估计方法 | |
CN106354964B (zh) | 电动汽车用锂离子电容器荷电状态估计方法 | |
CN111426957B (zh) | 一种模拟车辆工况动力电池荷电状态soc估算优化方法 | |
CN112345939B (zh) | 基于连续脉冲响应的锂离子电池模型参数辨识方法 | |
CN113253116A (zh) | 锂离子电池荷电状态估计方法、存储介质 | |
CN105572596A (zh) | 锂电池soc估算方法及系统 | |
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 | |
Shabarish et al. | SOC estimation of battery in hybrid vehicle using adaptive neuro-fuzzy technique | |
CN111537903A (zh) | 一种基于hckf的电池soc估计方法 | |
CN113761726A (zh) | 一种锂电池参数辨识方法及系统 | |
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 | |
CN114861545A (zh) | 基于rnn神经网络与多参数约束的锂电池sop在线估算方法 | |
CN112946480A (zh) | 一种提高soc估计实时性的锂电池电路模型简化方法 | |
CN115902667B (zh) | 基于权重和容积点自适应的锂电池soc估计方法 | |
CN116718920A (zh) | 基于rnn优化扩展卡尔曼滤波的锂电池soc估算方法 | |
Gruosso et al. | State of charge estimation of lifepo4 battery used in electric vehicles using support vector regression, pca and dp battery model | |
Li et al. | On-line battery state of charge estimation using Gauss-Hermite quadrature filter | |
CN117192377B (zh) | 一种基于先验知识增强和半监督学习的锂电池soh估计方法 | |
Restaino et al. | Rao-blackwellised particle filter for battery state-of-charge and parameters estimation | |
CN117113807B (zh) | 一种基于elm与rls的锂电池soh在线预测模型的建模方法 | |
CN113447818B (zh) | 电池等效电路模型的辨识方法及系统 |
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 |