CN112684348A

CN112684348A - 基于强跟踪算法和自适应卡尔曼滤波的soc预测方法及系统

Info

Publication number: CN112684348A
Application number: CN202110083205.0A
Authority: CN
Inventors: 孙赛赛
Original assignee: Shandong University
Current assignee: Shandong University
Priority date: 2021-01-21
Filing date: 2021-01-21
Publication date: 2021-04-20

Abstract

本发明公开了一种基于强跟踪算法和自适应卡尔曼滤波的SOC预测方法及系统，包括：对待测电池在不同工况下进行充放电实验，记录实验数据；对所述实验数据进行参数辨识，构建SOC预估状态方程和测量方程；采用强跟踪算法对改进的自适应卡尔曼滤波算法进行优化；采用优化后的自适应卡尔曼滤波方法对所述状态模型和测量模型的噪声进行修正；利用修正后的状态模型和测量模型对电池SOC进行预测。本发明对自适应卡尔曼滤波算法可以克服环境噪声为非高斯白噪的工况；将强跟踪算法应用于SOC计算，使估算结果在突发工况下可以快速跟随。

Description

基于强跟踪算法和自适应卡尔曼滤波的SOC预测方法及系统

技术领域

本发明涉及电池电量管理技术领域，尤其涉及一种基于强跟踪算法和自适应卡尔曼滤波的锂电池荷电状态(以下简称SOC)预测方法。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

电动汽车作为一种新型的交通工具，其发展和使用必将逐渐成为一种主流的生活方式。动力锂电池作为电动汽车的核心，需要具有相对更好的充电和放电性能，并且需要具有较高的能量比以及高功率承受力。

电动汽车中的电池管理系统(BMS)是电池安全可靠运行的保证，在电池管理系统的实际应用中，电池所处的工作状态并不是一成不变的，其数据采集过程的噪声统计特性往往不是单纯的高斯白噪声，这就要求电池SOC的估算方法在保证实时更新电池荷电状态的同时还应具有以下两个功能：

第一，突发情况下，SOC估算方法要具有快速追踪的能力，能够在极短时间内追踪电池状态，使驾驶人员及时了解电池实际情况；

第二，除环境变更情况以外，在电池稳定工作区间内电池SOC估算应具有较高精度，能够适应非高斯白噪声情况下的环境。

现有技术公开的锂电池SOC预测方法，大都不具备快速跟踪能力，在电池状态突变的情况下无法快速追踪电池状态；并且，在非高斯白噪声的环境下无法高精度的预测SOC。

发明内容

为了解决上述问题，本发明提出了一种基于强跟踪算法和自适应卡尔曼滤波的SOC预测方法及系统，通过将强跟踪算法与自适应卡尔曼滤波算法相结合，有效地提高了估算精度，解决了突发状态的强跟踪问题和非高斯白噪状态下的估算问题。

在一些实施方式中，采用如下技术方案：

一种基于强跟踪算法和自适应卡尔曼滤波的锂电池SOC预测方法，包括：

对待测电池在不同工况下进行充放电实验，记录实验数据；

对所述实验数据进行参数辨识，构建SOC预估状态方程和测量方程；

采用强跟踪算法对改进的自适应卡尔曼滤波算法进行优化；

采用优化后的自适应卡尔曼滤波方法对所述状态模型和测量模型的噪声进行修正；

利用修正后的状态模型和测量模型对电池SOC进行预测。

进一步地，对待测电池在不同工况下进行充放电实验，记录实验数据，电池的SOC-OCV曲线。

进一步地，构建SOC预估状态模型，具体为：

其中，SOC_k+1为预计K+1状态的电池剩余电量SOC；

为预计K+1状态的极化效应所产生的等效电压UC1；

为预计K+1状态的极化效应所产生的等效电压UC2；SOC_k为K状态的电池剩余电量SOC；

为K状态的极化效应所产生的等效电压UC1；

为K状态的极化效应所产生的等效电压UC2；R₁为电阻R1的电阻值；R₂为电阻R2的电阻值；η与Q_r为拓展卡尔曼滤波的固定常数；I_k为K状态的电流；q_k为K状态的系统噪声矩阵。

进一步地，构建SOC预估测量模型，具体为：

其中，U_L，k为K状态的电压的观测值；U_oc为电池模型的理想电压源；R₀为电池模型的等效功耗电阻；r_k为K状态的测量噪声矩阵。

进一步地，计算状态方程中噪声的平均值和协方差，具体为：

平均值：

协方差：

其中，

c为遗传因子；

为状态方程中噪声；

为K+1时刻更新的状态矩阵；

为K时刻对K+1时刻状态矩阵的预测；

为协方差；K_k为K时候的增益系数；e_k为K时刻的估测误差；P_k+1|k+1为K+1时刻系统的协方差矩阵；P

为预测的观测值的协方差矩阵。

进一步地，计算测量方程中噪声的平均值和协方差的过程与计算状态方程中噪声的平均值和协方差的过程相同。

进一步地，根据实际估计的新息

来调整误差的范围和卡尔曼滤波增益系数。

在另一些实施方式中，采用如下技术方案：

一种基于强跟踪算法和自适应卡尔曼滤波的锂电池SOC预测系统，包括：

数据获取模块，用于对待测电池在不同工况下进行充放电实验，记录实验数据；

预估模型构建模块，用于对所述实验数据进行参数辨识，构建SOC预估状态方程和测量方程；

算法优化模块，用于采用强跟踪算法对改进的自适应卡尔曼滤波算法进行优化；

噪声修正模块，用于采用优化后的自适应卡尔曼滤波方法对所述状态模型和测量模型的噪声进行修正；

预测模块，用于利用修正后的状态模型和测量模型对电池SOC进行预测。

在另一些实施方式中，采用如下技术方案：

一种终端设备，其包括处理器和存储器，处理器用于实现各指令；存储器用于存储多条指令，所述指令适于由处理器加载并执行上述的基于强跟踪算法和自适应卡尔曼滤波的锂电池SOC预测方法。

在另一些实施方式中，采用如下技术方案：

一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行上述的基于强跟踪算法和自适应卡尔曼滤波的锂电池SOC预测方法。

与现有技术相比，本发明的有益效果是：

(1)本发明对自适应卡尔曼滤波算法可以克服环境噪声为非高斯白噪的工况；将强跟踪算法应用于SOC计算，使估算结果在突发工况下可以快速跟随。算法加入渐消因子γ_{0 k}，使噪声估计器可以针对最新的噪声变化量适时调整，加强算法对时变噪声的跟随效果，同时遗忘历史数据，有效滤除不规律扰动变量的影响，增强算法的抗干扰能力。

本发明的其他特征和附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本方面的实践了解到。

附图说明

图1为本发明实施例中基于强跟踪算法和自适应卡尔曼滤波的锂电池SOC预测方法流程图。

具体实施方式

应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本发明使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

实施例一

在一个或多个实施方式中，公开了一种基于强跟踪算法和自适应卡尔曼滤波的锂电池SOC预测方法，参照图1，包括以下过程：

(1)对待测电池在不同工况下进行充放电实验，记录实验数据，获得电池的SOC-OCV曲线。

其中，记录的实验数据包括：获得电池充电和放电时不同荷电状态SOC条件下的开路电压OCV曲线，然后将两条曲线求和并取其均值，将该条曲线定义为电池的SOC-OCV曲线。

(2)对所述实验数据进行参数辨识，构建SOC预估状态方程和测量方程；

具体地，对处理的实验数据进行参数辨识，并将SOC预测影响因素结合安时积分法构建状态方程：

其中，SOC_k+1为预计K+1状态的电池剩余电量SOC；

为预计K+1状态的极化效应所产生的等效电压UC1；

为K状态的极化效应所产生的等效电压UC1；

根据传统Rint模型、Thevenin模型，建立复合电池理论量测模型的测量方程：

(3)采用强跟踪算法对改进的自适应卡尔曼滤波算法进行优化；采用优化后的自适应卡尔曼滤波方法对所述状态模型和测量模型的噪声进行修正；

具体地，计算状态方程中噪声q_k+1的平均值：

d_k可表示为：

遗传因子c的取值范围为0.95～0.99。

计算状态方程中噪声的协方差：

e_k可表示为：

其中，

c为遗传因子；

为状态方程中噪声；

为K+1时刻更新的状态矩阵；

为K时刻对K+1时刻状态矩阵的预测；

为协方差；K_k为K时候的增益系数；e_k为K时刻的估测误差；P_k+1|k+1为K+1时刻系统的协方差矩阵；

为预测的观测值的协方差矩阵。

计算测量方程中噪声r_k+1的平均值和协方差，计算过程与上面相同。

协方差矩阵的计算是噪声修正的过程，协方差矩阵的计算需要使用状态值和测量值进行偏导计算，通过新息

来调整误差的范围和卡尔曼滤波增益系数；

协方差矩阵P_k可根据实际估计的新息

来调整误差的范围和卡尔曼滤波增益系数，使不同时刻的信息矩阵保持相互正交。

新息

强跟踪系数的选择：

强跟踪系数γ＞1时，引入时变的渐消因子γ_{0 k}，并根据γ_{0 k}修正协方差矩阵；

γ_{0 k}的取值为：

其中，

为

矩阵的迹，而P_{t k}为卡尔曼滤波新息协方差：

为统计的宽度由m的真实新息获得，m值可以根据实际情况提前设定，m值越大估算度越高，相应的估算响应速度越慢：

其中，带上标(i)的都是无迹卡尔曼滤波sigma点的相关计算，为无迹卡尔曼滤波算法的基本原理。

为系统状态矩阵噪声(高斯白噪声)，m值可以根据实际情况提前设定(是一种人为设定的参数，类似与经验值)。

(5)利用修正后的状态模型和测量模型对电池SOC进行预测。

在预测SOC之前，进行参数初始化才能进行后续参数的迭代。初始参数的不同会对预测结果产生影响。为了保证预测结果的准确性，本实施例选用的初始化参数如下：

状态向量：

协方差矩阵：

系统噪声矩阵：

测量噪声矩阵：r₀＝[0.002]，R₀＝[0.002²]。

实施例二

在一个或多个实施方式中，公开了一种基于强跟踪算法和自适应卡尔曼滤波的锂电池SOC预测系统，包括：

上述模块的具体实现方式已经在实施例一中进行说明，不再赘述。

实施例三

在一个或多个实施方式中，公开了一种终端设备，包括服务器，所述服务器包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现实施例一中的基于强跟踪算法和自适应卡尔曼滤波的锂电池SOC预测方法。为了简洁，在此不再赘述。

应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。

在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。

实施例一中的基于强跟踪算法和自适应卡尔曼滤波的锂电池SOC预测方法可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。

本领域普通技术人员可以意识到，结合本实施例描述的各示例的单元即算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

实施例四

在一个或多个实施方式中，公开了一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并实施例一中所述的基于强跟踪算法和自适应卡尔曼滤波的锂电池SOC预测方法。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。