CN112114255A - 一种基于联合集合卡尔曼滤波的锂电池荷电状态估计方法 - Google Patents

一种基于联合集合卡尔曼滤波的锂电池荷电状态估计方法 Download PDF

Info

Publication number
CN112114255A
CN112114255A CN202010987010.4A CN202010987010A CN112114255A CN 112114255 A CN112114255 A CN 112114255A CN 202010987010 A CN202010987010 A CN 202010987010A CN 112114255 A CN112114255 A CN 112114255A
Authority
CN
China
Prior art keywords
state
lithium battery
variable
time
charge
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
Application number
CN202010987010.4A
Other languages
English (en)
Other versions
CN112114255B (zh
Inventor
郑迪
王颖
汪伟
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.)
China Jiliang University
Original Assignee
China Jiliang University
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 China Jiliang University filed Critical China Jiliang University
Priority to CN202010987010.4A priority Critical patent/CN112114255B/zh
Publication of CN112114255A publication Critical patent/CN112114255A/zh
Application granted granted Critical
Publication of CN112114255B publication Critical patent/CN112114255B/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]
    • G01R31/389—Measuring internal impedance, internal conductance or related variables
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/10—Energy storage using batteries

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Theoretical Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Tests Of Electric Status Of Batteries (AREA)
  • Secondary Cells (AREA)

Abstract

本发明公开了一种基于联合集合卡尔曼滤波的锂电池荷电状态估计方法。其包括以下步骤：(1)根据锂电池状态变量和参数变量初值和协方差抽样构成初始状态变量集合和参数变量集合；(2)计算当前时刻状态变量估计值集合和参数变量估计值集合；(3)计算当前时刻输出变量估计值集合；(4)计算当前时刻状态变量修正值集合和参数变量修正值集合；(5)输出当前时刻修正的锂电池荷电状态平均值。本发明能够避免高维雅克比矩阵和协方差矩阵的计算，计算过程中同时修正锂电池荷电状态和等效电路模型参数，从而提高锂电池荷电状态估计的效率和精度，有利于锂电池管理系统的控制。

Description

一种基于联合集合卡尔曼滤波的锂电池荷电状态估计方法
技术领域
本发明涉及电池管理技术领域，具体涉及一种基于联合集合卡尔曼滤波的锂电池荷电状态估计方法。
背景技术
锂离子电池具有能量比高、循环寿命长、自放电率低等特点，除电动汽车、电子产品等领域外，还被逐渐应用于移动储能领域，相比于传统柴油发电机，基于锂电池的移动储能装置具有清洁、噪音小、便于控制和监测等优势，具有广阔的应用前景。
锂电池荷电状态是指一定放电倍率下当前剩余容量与额定容量的比值，是锂电池的重要参数。荷电状态的准确估计是进行锂电池能量管理、均衡控制等功能的基础。目前在锂电池荷电状态估计方面已积累了大量研究成果，根据原理的不同主要可以分为安时积分法、开路电压法、基于人工神经网络的方法、卡尔曼滤波及其改进方法等。其中安时积分法通过对放电电流的积分来估计当前荷电状态，难以克服累计误差；开路电压法需要使锂电池长时间静止来获得准确的开路电压数据，不适合在线使用。人工神经网络是一种具有自主学习能力的多层反馈系统，其非线性适应性信息处理能力能较好地应用于锂电池的状态估计中，主要包括BP神经网络等单神经网络估算方法、基于深度学习的估算方法以及与其他算法结合的复合神经网络方法等。这些方法需要大量实验数据来训练网络参数，在有限的样本数量下估计精度可能受到限制。
卡尔曼滤波采用最小二乘法结合锂电池的数学模型可实现对荷电状态的最优估计。为克服卡尔曼滤波只能处理线性系统的缺点，通过观测状态的一阶泰勒展开将非线性系统转换为线性系统，从而提出了扩展卡尔曼滤波。在此基础上，提出了模糊神经网络扩展卡尔曼滤波、自适应扩展卡尔曼滤波、有限差分扩展卡尔曼滤波等方法从估计初始值、噪声协方差修正等方面来改善扩展卡尔曼滤波对荷电状态的估计精度。然而，扩展卡尔曼滤波的一阶泰勒展开忽略了高阶项，可能在高度非线性系统的状态估计中引入较大的截断误差。同时，扩展卡尔曼滤波需要计算雅克比矩阵，对计算能力要求较高。为克服扩展卡尔曼滤波泰勒展开引起的截断误差，通过无迹变换处理状态变量，提出基于无迹卡尔曼滤波的荷电状态估计方法，利用Sigma点的期望和协方差矩阵传递状态变量的方法。然而无迹卡尔曼滤波计算高维协方差矩阵同样带来较大的计算负担。
发明内容
针对上述现有技术的不足，本发明公开了一种基于联合集合卡尔曼滤波的锂电池荷电状态估计方法，首先建立锂电池等效电路模型，确定状态方程、测量方程和状态变量、参数变量、输出变量及其初始值；然后根据锂电池状态变量和参数变量初值和协方差抽样构成初始状态变量集合和参数变量集合；再根据前一时刻的状态变量集合和参数变量集合利用状态方程估计当前时刻状态变量集合和参数变量集合；接着，利用测量方程和当前时刻估计的状态变量集合和参数变量集合计算当前时刻输出变量估计值集合；然后根据当前时刻端电压测量值与输出变量估计值集合的偏差计算当前时刻修正的状态变量集合和参数变量集合；最后根据当前时刻修正的状态变量集合输出当前时刻修正的锂电池荷电状态平均值。本发明能够避免高维雅克比矩阵和协方差矩阵的计算，同时充分考虑了锂电池充放电过程中等效电路模型参数的变化，计算过程中同时修正锂电池荷电状态和等效电路模型参数，从而提高锂电池荷电状态估计的效率和精度，有利于锂电池管理系统的控制。
为了解决上述技术问题，本发明采用了如下的技术方案：
一种基于联合集合卡尔曼滤波的锂电池荷电状态估计方法，该方法主要包括以下步骤：
S101、根据锂电池状态变量和参数变量初值和协方差抽样构成初始状态变量集合X0和参数变量集合Θ0；
S102、计算k时刻状态变量估计值集合
Figure BDA0002689599520000021
和参数变量估计值集合
Figure BDA0002689599520000022
S103、计算k时刻输出变量估计值集合
Figure BDA0002689599520000023
S104、计算k时刻状态变量修正值集合Xk和参数变量修正值集合Θk；
S105、输出k时刻修正的锂电池荷电状态平均值。
优选地，步骤S101中初始状态变量集合为X0，其由以下方法得到：
根据初始时刻锂电池状态确定初始荷电状态
Figure BDA0002689599520000024
和等效电路模型中极化电容两端电压
Figure BDA0002689599520000025
构成初始状态变量均值
Figure BDA0002689599520000026
根据先验知识确定状态变量的协方差矩阵P0，从而构成分布
Figure BDA0002689599520000027
从
Figure BDA0002689599520000028
分布抽样M个变量x0.i＝[S0.i U0.i]T(i＝1,2,...,M)构成集合X0＝{x0.i}(i＝1,2,...,M)，其中S0.i、U0.i分别为第i个初始状态变量中的荷电状态值和等效电路模型的极化电容两端电压值；
初始参数变量集合为Θ0，由以下方法得到：
根据厂商给出或实验测定的模型内阻R0、极化电阻R′0和极化电容C0，构成初始参数变量均值
Figure BDA0002689599520000031
根据先验知识确定参数变量的协方差矩阵P′0，从而构成分布
Figure BDA0002689599520000032
从
Figure BDA0002689599520000033
分布中抽样M个变量θ0.i＝[R0.i R′0.i C0.i]T(i＝1,2,...,M)构成集合Θ0＝{θ0.i}(i＝1,2,...,M)，其中R0.i、R′0.i、C0.i分别为第i个初始参数变量中的锂电池等效电路模型内阻、极化电阻和极化电容。
优选地，步骤S102中k时刻状态变量估计值集合和参数变量估计值集合的计算公式分别为
Figure BDA0002689599520000034
Figure BDA0002689599520000035
式中，
Figure BDA0002689599520000036
为k时刻状态变量估计值集合，
Figure BDA0002689599520000037
为k时刻估计的第i个状态变量，
Figure BDA0002689599520000038
和
Figure BDA0002689599520000039
分别为其中的荷电状态值和锂电池等效电路模型极化电容两端电压；Ts为采样周期；η为库伦效率；CN为额定容量；Ik-1为k-1时刻的锂电池电流；
Figure BDA00026895995200000310
和
Figure BDA00026895995200000311
分别为k-1时刻修正的极化电阻平均值和极化电容平均值，其中R′(k-1).i和C(k-1).i分别为k-1时刻第i个修正的参数变量中的极化电阻和计划电容；Xk-1＝{x(k-1).i}(i＝1,2,...,M)为k-1时刻状态变量修正值集合；
Figure BDA00026895995200000312
为1×M的全一矩阵，Wk-1＝{w(k-1).i}(i＝1,2,...,M)为k时刻的过程噪声集合，w(k-1).i服从N(0,Q)分布，Q为其协方差矩阵；
Figure BDA00026895995200000313
为k时刻参数变量估计值集合，
Figure BDA00026895995200000314
为k时刻估计的第i个参数变量，
Figure BDA00026895995200000315
分别为其中的模型内阻、极化电阻和极化电容；Θk-1＝{θ(k-1).i}(i＝1,2,...,M)为k-1时刻参数变量修正值集合；W′k-1＝{w′(k-1).i}(i＝1,2,...,M)为参数噪声集合，w′(k-1).i服从N(0,Q')，Q'为其协方差矩阵。
优选地，步骤S103中k时刻输出变量估计值集合
Figure BDA00026895995200000316
的计算公式为
Figure BDA0002689599520000041
式中，
Figure BDA0002689599520000042
为k时刻输出变量估计值集合，
Figure BDA0002689599520000043
为k时刻第i个估计的锂电池端电压；
Figure BDA0002689599520000044
为k时刻的锂电池开路电压，Tb为电池温度，
Figure BDA0002689599520000045
函数focv可通过厂商给出或通过实验测定；
Figure BDA0002689599520000046
Ik为k时刻的锂电池电流；Vk＝{vk.i}(i＝1,2,...,M)为k时刻的测量噪声集合，vk.i服从N(0,R)分布，R为其协方差矩阵。
优选地，步骤S104中k时刻状态变量修正值集合Xk和参数变量修正值集合Θk的计算公式分别为
Figure BDA0002689599520000047
Figure BDA0002689599520000048
式中，U′k为k时刻测量的锂电池端电压；K和K′分别为状态变量和参数变量的滤波器增益，其计算公式分别为
Figure BDA0002689599520000049
Figure BDA00026895995200000410
其中，
Figure BDA00026895995200000411
优选地，步骤S105中k时刻修正的锂电池荷电状态平均值的计算公式为
Figure BDA00026895995200000412
式中，Sk.i为k时刻第i个修正的状态变量中的荷电状态值。
与现有技术相比，本发明具有如下有益效果：
本发明提出一种基于联合集合卡尔曼滤波的锂电池荷电状态估计方法，能够避免传统扩展卡尔曼滤波或无迹卡尔曼滤波方法中高维雅克比矩阵和协方差矩阵的计算，同时充分考虑了锂电池充放电过程中等效电路模型参数的变化，计算过程中同时修正锂电池荷电状态和等效电路模型参数，可有效提高锂电池荷电状态估计的计算效率和精度，有利于锂电池管理系统的控制。
附图说明
为了使发明的目的、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的详细描述，其中：
图1为本发明公开的一种基于联合集合卡尔曼滤波的锂电池荷电状态估计方法的一种具体实施方式的流程图。
图2-本发明锂电池等效电路模型实例图。
图3-本方法与传统扩展卡尔曼滤波、无迹卡尔曼滤波方法在动态应力测试工况下荷电状态估计误差的对比图。
具体实施方式
下面结合附图对本发明作进一步的详细说明。
如图1所示，本发明公开了一种基于联合集合卡尔曼滤波的锂电池荷电状态估计方法，该方法主要包括以下步骤：
S101、根据锂电池状态变量和参数变量初值和协方差抽样构成初始状态变量集合X0和参数变量集合Θ0；
S102、计算k时刻状态变量估计值集合
Figure BDA0002689599520000051
和参数变量估计值集合
Figure BDA0002689599520000052
S103、计算k时刻输出变量估计值集合
Figure BDA0002689599520000053
S104、计算k时刻状态变量修正值集合Xk和参数变量修正值集合Θk；
S105、输出k时刻修正的锂电池荷电状态平均值。
针对现有基于卡尔曼滤波的锂电池荷电状态估计方法需要计算高维雅克比矩阵或协方差矩阵、导致计算效率和估计准确性不足的问题，本发明提出一种基于联合集合卡尔曼滤波的锂电池荷电状态估计方法，通过变量集合的统计特征来表征变量本身，从而避免了高维雅克比矩阵或协方差矩阵的计算，同时充分考虑了锂电池充放电过程中等效电路模型参数的变化，计算过程中同时修正锂电池荷电状态和等效电路模型参数，从而提高锂电池荷电状态估计的效率和精度，有利于锂电池管理系统的控制。
具体实施时，步骤S101中初始状态变量集合为X0，其由以下方法得到：
根据初始时刻锂电池状态确定初始荷电状态
Figure BDA0002689599520000061
和等效电路模型中极化电容两端电压
Figure BDA0002689599520000062
构成初始状态变量均值
Figure BDA0002689599520000063
根据先验知识确定状态变量的协方差矩阵P0，从而构成分布
Figure BDA0002689599520000064
从
Figure BDA0002689599520000065
分布抽样M个变量x0.i＝[S0.i U0.i]T(i＝1,2,...,M)构成集合X0＝{x0.i}(i＝1,2,...,M)，其中S0.i、U0.i分别为第i个初始状态变量中的荷电状态值和等效电路模型的极化电容两端电压值；
初始参数变量集合为Θ0，由以下方法得到：
根据厂商给出或实验测定的模型内阻R0、极化电阻R′0和极化电容C0，构成初始参数变量均值
Figure BDA0002689599520000066
根据先验知识确定参数变量的协方差矩阵P′0，从而构成分布
Figure BDA0002689599520000067
从
Figure BDA0002689599520000068
分布中抽样M个变量θ0.i＝[R0.i R′0.i C0.i]T(i＝1,2,...,M)构成集合Θ0＝{θ0.i}(i＝1,2,...,M)，其中R0.i、R′0.i、C0.i分别为第i个初始参数变量中的锂电池等效电路模型内阻、极化电阻和极化电容。
具体实施时，步骤S102中k时刻状态变量估计值集合和参数变量估计值集合的计算公式分别为
Figure BDA0002689599520000069
Figure BDA00026895995200000610
式中，
Figure BDA00026895995200000611
为k时刻状态变量估计值集合，
Figure BDA00026895995200000612
为k时刻估计的第i个状态变量，
Figure BDA00026895995200000613
和
Figure BDA00026895995200000614
分别为其中的荷电状态值和锂电池等效电路模型极化电容两端电压；Ts为采样周期；η为库伦效率；CN为额定容量；Ik-1为k-1时刻的锂电池电流；
Figure BDA00026895995200000615
和
Figure BDA00026895995200000616
分别为k-1时刻修正的极化电阻平均值和极化电容平均值，其中R′(k-1).i和C(k-1).i分别为k-1时刻第i个修正的参数变量中的极化电阻和计划电容；Xk-1＝{x(k-1).i}(i＝1,2,...,M)为k-1时刻状态变量修正值集合；
Figure BDA00026895995200000617
为1×M的全一矩阵，Wk-1＝{w(k-1).i}(i＝1,2,...,M)为k时刻的过程噪声集合，w(k-1).i服从N(0,Q)分布，Q为其协方差矩阵；
Figure BDA0002689599520000071
为k时刻参数变量估计值集合，
Figure BDA0002689599520000072
为k时刻估计的第i个参数变量，
Figure BDA0002689599520000073
分别为其中的模型内阻、极化电阻和极化电容；Θk-1＝{θ(k-1).i}(i＝1,2,...,M)为k-1时刻参数变量修正值集合；W′k-1＝{w′(k-1).i}(i＝1,2,...,M)为参数噪声集合，w′(k-1).i服从N(0,Q')，Q'为其协方差矩阵。
具体实施时，步骤S103中k时刻输出变量估计值集合
Figure BDA0002689599520000074
的计算公式为
Figure BDA0002689599520000075
式中，
Figure BDA0002689599520000076
为k时刻输出变量估计值集合，
Figure BDA0002689599520000077
为k时刻第i个估计的锂电池端电压；
Figure BDA0002689599520000078
为k时刻的锂电池开路电压，Tb为电池温度，
Figure BDA0002689599520000079
函数focv可通过厂商给出或通过实验测定；
Figure BDA00026895995200000710
Ik为k时刻的锂电池电流；Vk＝{vk.i}(i＝1,2,...,M)为k时刻的测量噪声集合，vk.i服从N(0,R)分布，R为其协方差矩阵。
具体实施时，步骤S104中k时刻状态变量修正值集合Xk和参数变量修正值集合Θk的计算公式分别为
Figure BDA00026895995200000711
Figure BDA00026895995200000712
式中，U′k为k时刻测量的锂电池端电压；K和K′分别为状态变量和参数变量的滤波器增益，其计算公式分别为
Figure BDA00026895995200000713
Figure BDA00026895995200000714
其中，
Figure BDA00026895995200000715
具体实施时，步骤S105中k时刻修正的锂电池荷电状态的平均值计算公式为
Figure BDA0002689599520000081
式中，Sk.i为k时刻第i个修正的状态变量中的荷电状态值。
下面以一个单体磷酸铁锂电池为例来介绍本发明的实施，其具体步骤为：
1、输入锂电池固定参数和时变参数初始值：
需输入的参数包括：
固定参数：额定容量；库伦效率；变量集合样本数；采样周期；电池温度；状态变量协方差矩阵；参数变量协方差矩阵；过程噪声协方差矩阵；测量噪声协方差矩阵；参数噪声协方差矩阵；开路电压关于荷电状态和温度的函数表达式；
时变参数初始值：荷电状态初始值；锂电池等效电路模型的极化电容两端电压初始值；锂电池等效电路模型内阻初始值；锂电池等效电路模型极化电阻初始值；锂电池等效电路模型极化电容初始值。
2、构建初始状态变量集合和参数变量集合：
初始状态变量集合为X0，其由以下方法得到：
根据初始时刻锂电池状态确定初始荷电状态
Figure BDA0002689599520000082
和等效电路模型中极化电容两端电压
Figure BDA0002689599520000083
构成初始状态变量均值
Figure BDA0002689599520000084
根据先验知识确定状态变量的协方差矩阵P0，从而构成分布
Figure BDA0002689599520000085
从
Figure BDA0002689599520000086
分布抽样M个变量x0.i＝[S0.i U0.i]T(i＝1,2,...,M)构成集合X0＝{x0.i}(i＝1,2,...,M)，其中S0.i、U0.i分别为第i个初始状态变量中的荷电状态值和等效电路模型的极化电容两端电压值；
初始参数变量集合为Θ0，由以下方法得到：
根据厂商给出或实验测定的模型内阻R0、极化电阻R′0和极化电容C0，构成初始参数变量均值
Figure BDA0002689599520000087
根据先验知识确定参数变量的协方差矩阵P′0，从而构成分布
Figure BDA0002689599520000088
从
Figure BDA0002689599520000089
分布中抽样M个变量θ0.i＝[R0.i R′0.i C0.i]T(i＝1,2,...,M)构成集合Θ0＝{θ0.i}(i＝1,2,...,M)，其中R0.i、R′0.i、C0.i分别为第i个初始参数变量中的锂电池等效电路模型内阻、极化电阻和极化电容。
3、从测量电路或电池管理系统中读取k-1时刻锂电池电流Ik-1，读取k时刻锂电池电流Ik及端电压U′k。
4、计算k时刻状态变量估计值集合和参数变量估计值集合：
k时刻状态变量估计值集合的计算公式为
Figure BDA0002689599520000091
式中，
Figure BDA0002689599520000092
为k时刻状态变量估计值集合，
Figure BDA0002689599520000093
为k时刻估计的第i个状态变量，
Figure BDA0002689599520000094
和
Figure BDA0002689599520000095
分别为其中的荷电状态值和锂电池等效电路模型极化电容两端电压；Ts为采样周期；η为库伦效率；CN为额定容量；Ik-1为k-1时刻的锂电池电流；
Figure BDA0002689599520000096
和
Figure BDA0002689599520000097
分别为k-1时刻修正的极化电阻平均值和极化电容平均值，其中R′(k-1).i和C(k-1).i分别为k-1时刻第i个修正的参数变量中的极化电阻和计划电容；Xk-1＝{x(k-1).i}(i＝1,2,...,M)为k-1时刻状态变量修正值集合；
Figure BDA0002689599520000098
为1×M的全一矩阵，Wk-1＝{w(k-1).i}(i＝1,2,...,M)为k时刻的过程噪声集合，w(k-1).i服从N(0,Q)分布，Q为其协方差矩阵；
Figure BDA0002689599520000099
为k时刻参数变量估计值集合，
Figure BDA00026895995200000910
为k时刻估计的第i个参数变量，
Figure BDA00026895995200000911
分别为其中的模型内阻、极化电阻和极化电容；Θk-1＝{θ(k-1).i}(i＝1,2,...,M)为k-1时刻参数变量修正值集合；W′k-1＝{w′(k-1).i}(i＝1,2,...,M)为参数噪声集合，w′(k-1).i服从N(0,Q')，Q'为其协方差矩阵。
k时刻参数变量估计值集合的计算公式为
Figure BDA00026895995200000912
式中，
Figure BDA00026895995200000913
为k时刻参数变量估计值集合，
Figure BDA00026895995200000914
为k时刻估计的第i个参数变量，
Figure BDA00026895995200000915
分别为k时刻参数变量估计值集合中第i个模型内阻、极化电阻和极化电容；Θk-1＝{θ(k-1).i}(i＝1,2,...,M)为k-1时刻参数变量修正值集合；W′k-1＝{w′(k-1).i}(i＝1,2,...,M)为参数噪声集合，w′(k-1).i服从N(0,Q')，Q'为其协方差矩阵。
5、计算k时刻输出变量估计值集合：
k时刻输出变量估计值集合
Figure BDA0002689599520000101
的计算公式为
Figure BDA0002689599520000102
式中，
Figure BDA0002689599520000103
为k时刻输出变量估计值集合，
Figure BDA0002689599520000104
为k时刻第i个估计的锂电池端电压；
Figure BDA0002689599520000105
为k时刻的锂电池开路电压，Tb为电池温度，
Figure BDA0002689599520000106
函数focv可通过厂商给出或通过实验测定；
Figure BDA0002689599520000107
Ik为k时刻的锂电池电流；Vk＝{vk.i}(i＝1,2,...,M)为k时刻的测量噪声集合，vk.i服从N(0,R)分布，R为其协方差矩阵。
6、计算k时刻状态变量修正值集合和参数变量修正值集合：
k时刻状态变量修正值集合Xk的计算公式为
Figure BDA0002689599520000108
式中，U′k为k时刻测量的锂电池端电压；K为状态变量的滤波器增益，其计算公式为
Figure BDA0002689599520000109
其中，
Figure BDA00026895995200001010
k时刻参数变量修正值集合Θk的计算公式为
Figure BDA00026895995200001011
式中，K′为参数变量的滤波器增益，其计算公式为
Figure BDA00026895995200001012
其中，
Figure BDA00026895995200001013
7、输出k时刻修正的锂电池荷电状态平均值：
k时刻修正的锂电池荷电状态平均值的计算公式为
Figure BDA0002689599520000111
式中，Sk.i为k时刻第i个修正的状态变量中的荷电状态值。
图3为25℃下动态应力工况本方法与传统扩展卡尔曼滤波估计方法、无迹卡尔曼滤波估计方法对锂电池荷电状态估计误差的对比，本方法下荷电状态估计的均方根误差为0.58％，而扩展卡尔曼滤波估计方法、无迹卡尔曼滤波估计方法的均方根误差分别为1.42％和1.11％，本方法下均方根误差相对于其他两种方法分别减小0.84％和0.53％。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管通过参照本发明的优选实施例已经对本发明进行了描述，但本领域的普通技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离所附权利要求书所限定的本发明的精神和范围。

Claims (6)

1.一种基于联合集合卡尔曼滤波的锂电池荷电状态估计方法，其特征在于，该方法主要包括以下步骤：
S101、根据锂电池状态变量和参数变量初值和协方差抽样构成初始状态变量集合X0和参数变量集合Θ0；
S102、计算k时刻状态变量估计值集合
Figure RE-FDA0002723774960000011
和参数变量估计值集合
Figure RE-FDA0002723774960000012
S103、计算k时刻输出变量估计值集合
Figure RE-FDA0002723774960000013
S104、计算k时刻状态变量修正值集合Xk和参数变量修正值集合Θk；
S105、输出k时刻修正的锂电池荷电状态平均值。
2.如权利要求1所述的一种基于联合集合卡尔曼滤波的锂电池荷电状态估计方法，其特征在于，步骤S101中初始状态变量集合为X0，其由以下方法得到：
根据初始时刻锂电池状态确定初始荷电状态
Figure RE-FDA0002723774960000014
和等效电路模型中极化电容两端电压
Figure RE-FDA0002723774960000015
构成初始状态变量均值
Figure RE-FDA0002723774960000016
根据先验知识确定状态变量的协方差矩阵P0，从而构成分布
Figure RE-FDA0002723774960000017
从
Figure RE-FDA0002723774960000018
分布抽样M个变量x0.i＝[S0.i U0.i]T(i＝1,2,...,M)构成集合X0＝{x0.i}(i＝1,2,...,M)，其中S0.i、U0.i分别为第i个初始状态变量中的荷电状态值和等效电路模型的极化电容两端电压值；
初始参数变量集合为Θ0，由以下方法得到：
根据厂商给出或实验测定的模型内阻R0、极化电阻R′0和极化电容C0，构成初始参数变量均值
Figure RE-FDA0002723774960000019
根据先验知识确定参数变量的协方差矩阵P′0，从而构成分布
Figure RE-FDA00027237749600000110
从
Figure RE-FDA00027237749600000111
分布中抽样M个变量θ0.i＝[R0.i R′0.i C0.i]T(i＝1,2,...,M)构成集合Θ0＝{θ0.i}(i＝1,2,...,M)，其中R0.i、R′0.i、C0.i分别为第i个初始参数变量中的锂电池等效电路模型内阻、极化电阻和极化电容。
3.如权利要求1所述的一种基于联合集合卡尔曼滤波的锂电池荷电状态估计方法，其特征在于，步骤S102中k时刻状态变量估计值集合和参数变量估计值集合的计算公式分别为
Figure RE-FDA0002723774960000021
Figure RE-FDA0002723774960000022
式中，
Figure RE-FDA0002723774960000023
为k时刻状态变量估计值集合，
Figure RE-FDA0002723774960000024
为k时刻估计的第i个状态变量，
Figure RE-FDA0002723774960000025
和
Figure RE-FDA0002723774960000026
分别为其中的荷电状态值和锂电池等效电路模型极化电容两端电压；Ts为采样周期；η为库伦效率；CN为额定容量；Ik-1为k-1时刻的锂电池电流；
Figure RE-FDA0002723774960000027
和
Figure RE-FDA0002723774960000028
分别为k-1时刻修正的极化电阻平均值和极化电容平均值，其中R′(k-1).i和C(k-1).i分别为k-1时刻第i个修正的参数变量中的极化电阻和计划电容；Xk-1＝{x(k-1).i}(i＝1,2,...,M)为k-1时刻状态变量修正值集合；
Figure RE-FDA0002723774960000029
为1×M的全一矩阵，Wk-1＝{w(k-1).i}(i＝1,2,...,M)为k时刻的过程噪声集合，w(k-1).i服从N(0,Q)分布，Q为其协方差矩阵；
Figure RE-FDA00027237749600000210
为k时刻参数变量估计值集合，
Figure RE-FDA00027237749600000211
为k时刻估计的第i个参数变量，
Figure RE-FDA00027237749600000212
分别为其中的模型内阻、极化电阻和极化电容；Θk-1＝{θ(k-1).i}(i＝1,2,...,M)为k-1时刻参数变量修正值集合；W′k-1＝{w′(k-1).i}(i＝1,2,...,M)为参数噪声集合，w′(k-1).i服从N(0,Q')，Q'为其协方差矩阵。
4.如权利要求1所述的一种基于联合集合卡尔曼滤波的锂电池荷电状态估计方法，其特征在于，步骤S103中k时刻输出变量估计值集合
Figure RE-FDA00027237749600000213
的计算公式为
Figure RE-FDA00027237749600000214
式中，
Figure RE-FDA00027237749600000215
为k时刻输出变量估计值集合，
Figure RE-FDA00027237749600000216
为k时刻第i个估计的锂电池端电压；
Figure RE-FDA00027237749600000217
为k时刻的锂电池开路电压，Tb为电池温度，
Figure RE-FDA00027237749600000218
函数focv可通过厂商给出或通过实验测定；
Figure RE-FDA00027237749600000219
为k时刻估计的模型内阻平均值；Ik为k时刻的锂电池电流；Vk＝{vk.i}(i＝1,2,...,M)为k时刻的测量噪声集合，vk.i服从N(0,R)分布，R为其协方差矩阵。
5.如权利要求1所述的一种基于联合集合卡尔曼滤波的锂电池荷电状态估计方法，其特征在于，步骤S104中k时刻状态变量修正值集合Xk和参数变量修正值集合Θk的计算公式分别为
Figure RE-FDA0002723774960000031
Figure RE-FDA0002723774960000032
式中，U′k为k时刻测量的锂电池端电压；K和K′分别为状态变量和参数变量的滤波器增益，其计算公式分别为
Figure RE-FDA0002723774960000033
Figure RE-FDA0002723774960000034
其中，
Figure RE-FDA0002723774960000035
6.如权利要求1所述的一种基于联合集合卡尔曼滤波的锂电池荷电状态估计方法，其特征在于，步骤S105中k时刻修正的锂电池荷电状态平均值的计算公式为
Figure RE-FDA0002723774960000036
式中，Sk.i为k时刻第i个修正的状态变量中的荷电状态值。
CN202010987010.4A 2020-09-18 2020-09-18 一种基于联合集合卡尔曼滤波的锂电池荷电状态估计方法 Active CN112114255B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010987010.4A CN112114255B (zh) 2020-09-18 2020-09-18 一种基于联合集合卡尔曼滤波的锂电池荷电状态估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010987010.4A CN112114255B (zh) 2020-09-18 2020-09-18 一种基于联合集合卡尔曼滤波的锂电池荷电状态估计方法

Publications (2)

Publication Number Publication Date
CN112114255A true CN112114255A (zh) 2020-12-22
CN112114255B CN112114255B (zh) 2023-02-28

Family

ID=73800321

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010987010.4A Active CN112114255B (zh) 2020-09-18 2020-09-18 一种基于联合集合卡尔曼滤波的锂电池荷电状态估计方法

Country Status (1)

Country Link
CN (1) CN112114255B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113156321A (zh) * 2021-04-26 2021-07-23 中国矿业大学 一种锂离子电池荷电状态soc的估算方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016143728A1 (ja) * 2015-03-06 2016-09-15 株式会社デンソー 電池状態推定装置
JP2018084549A (ja) * 2016-11-25 2018-05-31 本田技研工業株式会社 二次電池の状態推定装置及び二次電池の状態推定方法
CN108459278A (zh) * 2018-07-05 2018-08-28 宁波均胜科技有限公司 一种锂离子电池内阻与荷电状态同步估算方法
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
CN109902568A (zh) * 2019-01-22 2019-06-18 长江大学 一种自适应卡尔曼滤波算法
CN110704790A (zh) * 2019-09-06 2020-01-17 湖北文理学院 基于ifa-ekf的锂电池soc估算方法
CN111220920A (zh) * 2019-11-22 2020-06-02 国网浙江省电力有限公司台州供电公司 基于h∞无迹卡尔曼滤波算法的退役锂离子电池荷电状态计算方法
CN111650517A (zh) * 2020-04-20 2020-09-11 北京理工大学 一种电池荷电状态估算方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016143728A1 (ja) * 2015-03-06 2016-09-15 株式会社デンソー 電池状態推定装置
JP2018084549A (ja) * 2016-11-25 2018-05-31 本田技研工業株式会社 二次電池の状態推定装置及び二次電池の状態推定方法
CN108459278A (zh) * 2018-07-05 2018-08-28 宁波均胜科技有限公司 一种锂离子电池内阻与荷电状态同步估算方法
CN109902568A (zh) * 2019-01-22 2019-06-18 长江大学 一种自适应卡尔曼滤波算法
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
CN110704790A (zh) * 2019-09-06 2020-01-17 湖北文理学院 基于ifa-ekf的锂电池soc估算方法
CN111220920A (zh) * 2019-11-22 2020-06-02 国网浙江省电力有限公司台州供电公司 基于h∞无迹卡尔曼滤波算法的退役锂离子电池荷电状态计算方法
CN111650517A (zh) * 2020-04-20 2020-09-11 北京理工大学 一种电池荷电状态估算方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
PING SHEN: "State of Charge, State of Health and State of Function", 《IEEE》 *
费亚龙: "基于平方根无迹卡尔曼滤波的锂电池状态估计", 《中国电机工程学报》 *
陈刚: "基于联合集合卡尔曼滤波的锂电池SOC 估计", 《浙江电力》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113156321A (zh) * 2021-04-26 2021-07-23 中国矿业大学 一种锂离子电池荷电状态soc的估算方法

Also Published As

Publication number Publication date
CN112114255B (zh) 2023-02-28

Similar Documents

Publication Publication Date Title
CN107957562B (zh) 一种锂离子电池剩余寿命在线预测方法
CN110488194B (zh) 一种基于电化学阻抗模型的锂电池soc估算方法及其系统
Couto et al. State of health estimation for lithium ion batteries based on an equivalent-hydraulic model: An iron phosphate application
CN111060834A (zh) 一种动力电池健康状态估算方法
CN112034349A (zh) 锂电池健康状态在线预估方法
CN112444749A (zh) 一种基于温度修正模型的锂电池荷电状态联合估计方法
CN112379270B (zh) 一种电动汽车动力电池荷电状态滚动时域估计方法
CN111198326B (zh) 一种具有抗扰动特性的电池单体短路电阻在线检测方法
CN112269133B (zh) 一种基于预充电路模型参数识别的soc估计方法
CN111060823A (zh) 一种基于dp模型的低温环境下电池sop在线估计方法
Sandoval-Chileño et al. Robust State of Charge estimation for Li-ion batteries based on Extended State Observers
CN111428433A (zh) 基于混合滤波的锂离子电池状态计算方法
CN112649747A (zh) 一种分数阶扩展卡尔曼的锂电池soc估算方法
CN111965544B (zh) 基于电压及电流双约束的车用并联动力电池的最小包络线soc估计方法
CN115327415A (zh) 基于限定记忆递推最小二乘算法的锂电池soc估算方法
CN115656848A (zh) 一种基于容量修正的锂电池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
CN112114255B (zh) 一种基于联合集合卡尔曼滤波的锂电池荷电状态估计方法
CN113125969B (zh) 基于aukf的电池数据处理方法、设备和介质
CN112462281A (zh) 一种基于气液动力学模型带参数修正的soc估计方法及系统
CN114295987B (zh) 一种基于非线性卡尔曼滤波的电池soc状态估计方法
CN113109725B (zh) 基于状态噪声矩阵自调节并联电池荷电状态估计方法
CN115248381A (zh) 基于安时校正的扩展卡尔曼滤波锂电池soc估算方法
CN115047346A (zh) 一种锂电池soc估计的高阶卡尔曼滤波算法
CN116577686B (zh) 一种基于局部阶段充电数据的多工况soh估计方法和系统

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