CN112816879A - 一种用于变工况车用动力电池SoE在线估计方法 - Google Patents

Abstract

本发明公开了一种用于变工况车用动力电池SoE在线估计方法，包括以下步骤：步骤S1、建立实际可用能量的补偿系数函数，建立OCV‑SoE曲线；步骤S2、获得状态方程和观测方程；步骤S3、构建适用于带遗忘因子的递推最小二乘法算法的差分方程，实时辨识系统参数，并且得到系统参数；步骤S4、利用步骤S3获得的系统参数再结合H无穷算法估计车用动力电池的SoE状态值；本发明利用带遗忘因子的递推最小二乘法再结合H无穷算法参数辨识并估计SoE，遗忘因子可以有效的减少误差累计的影响，H无穷算法对噪声无固定假设要求，使得估计更加符合实际工况的要求，估计精度较高且算法复杂度不高。

Description

一种用于变工况车用动力电池SoE在线估计方法

技术领域

本发明涉及车用动力电池管理技术领域，特别是涉及一种用于变工况车用动力电池SoE在线估计方法。

背景技术

电池SoE(State of Energy)，定义为电池的当前剩余能量与额定能量的比值，电池的SoE是与SoC(State of charge)类似的一个虚拟出来的状态量，对于辅助预测电动汽车剩余里程方面，SoE比SoC更具有指导意义。SoE相对电池的其他参数能够更加全面准确地反映电池的真实能量状态。SoE与动力电池可提供的的续航里程存在密切的联系，准确的SoE可以对电动汽车的剩余续驶里程进行预测。另一方面，SoE作为能量状态的重要参数，可以作为整车能量优化依据，合理分配电池能量，加强整车的性能优化，从而提升电动汽车的续航能力以及电池能量利用效率，满足车辆的动力性能的同时对提高动力电池的经济性也具有重要意义。

对于动力电池SoE的估计方法研究以借鉴荷电状态SoC的估计方法为主。其中主要有：功率积分法、开路电压法、神经网络法、基于模型的方法，其中功率积分和开路电压的估计精度受到传感器及实验条件的诸多限制，估计精度不高；神经网络对数据依赖程度比较高切计算量较大；目前主流的基于模型诸多是考虑的基于等效电路模型的方法较为成熟，精度较高切实现难度不大。

本发明考虑上述情况采用基于戴维南等效电路模型并结合了功率积分法与开路电压法，通过带遗忘因子的递推最小二乘法和强鲁棒性H无穷算法依据实时工况进行参数辨识和SoE估计，保证了估计的精度，同时避免了增加算法的复杂度。

发明内容

为了解决现有技术中存在的上述问题，本发明的目的在于提供一种用于变工况车用动力电池SoE在线估计方法，用以提升SoE估计的精度。

为了实现本发明的目的，本发明提供一种用于变工况车用动力电池SoE在线估计方法，包括以下步骤：

步骤S1、建立实际可用能量在不同温度和不同放电倍率情况下的补偿系数函数，对车用动力电池进行开路电压实验，获取实验数据，根据所述实验数据建立OCV-SoE曲线；

步骤S2、建立车用动力电池的戴维南等效电路模型，得到等效电路模型函数关系式，对所述等效电路模型函数关系式进行离散化处理，得到状态方程和观测方程；

步骤S3、构建适用于带遗忘因子的递推最小二乘法算法的差分方程，再使用带遗忘因子的递推最小二乘法算法对所述差分方程进行递推迭代运算，实时辨识系统参数，并且得到系统参数；

步骤S4、利用步骤S3获得的系统参数再结合H无穷算法估计车用动力电池的SoE状态值。

进一步的，所述步骤S1具体为：在不同温度和不同放电倍率的工况下，对所述车用动力电池进行多次可用能量测试，获取相应的测试结果，根据获取的测试结果与所述车用动力电池在额定工况下的可用能量作商获得补偿系数，再对所述补偿系数以及相应的温度数据以及放电倍率数据做曲线拟合，在保证不过拟合的情况下得到补偿系数随放电倍率和温度的响应函数，所述响应函数为所述步骤S1中的补偿系数函数。

在不同温度和不同放电倍率的工况下，对所述车用动力电池进行多次充放电的开路电压实验，获取相应的实验数据，对处于同一工况下的充电开路电压和放电开路电压取平均值，根据所述平均值，建立OCV-SoE曲线；

所述不同温度包括：-10℃,-5℃,0℃,5℃,10℃,20℃,35℃,55℃；所述不同放电倍率包括：0.3C，0.5，1C，1.5C，2C。

进一步的，在所述步骤S2中，所述状态方程的表达式为：

在所述步骤S2中，所述观测方程表达式为：

U_L,k＝U_ocv,k-I_L,kR₀-U_p,k+v_k (2)

公式(1)和公式(2)中，SoE_k+1为k+1时刻的车用动力电池的能量状态值；U_p,k+1为k+1时刻的极化电压估计值，T为数据采样间隔时间，τ为时间常数即C_p和R_p乘积，η为充放电效率，γ实际可用能量补偿系数，U_L,k，I_L,k分别为实时测量的电压以及电流，C_p，R_p分别为极化电容和极化电阻，R₀为欧姆内阻，w_k，v_k分别为系统的状态噪声和测量噪声，E_N为额定能量，k为取样时刻，T为取样时间间隔；U_ocv,k表示为k时刻的开路电压。

进一步的，在所述步骤S3中，所述系统参数的表达式为：

公式(3)中，a₁、a₂、a₃表示为系统模型特征参数的函数，T为数据取样时间间隔，R_p为极化电阻，C_p为极化电容，R₀为欧姆内阻。

进一步的，所述步骤S4具体包括：

步骤S401、构建H无穷算法的状态方程，并且对所述状态空间方程进行初始化；

步骤S402、进行先验估计，具体为：对当前采样点下状态向量进行预估，得到当前采样点下的状态向量预估值，利用上一时刻的协方差矩阵和过程噪声方差矩阵更新下一时刻的状态向量的协方差矩阵；

步骤S403、进行后验估计，具体为：利用测得的端电压值与模型得出的端电压值计算得到误差矩阵，接着利用状态转移矩阵和观测矩阵结合更新的状态向量协方差矩阵、量测噪声协方差矩阵和设定的性能边界更新增益矩，接着对系统状态值修正，最后更新状态协方差矩阵。

进一步的，在进行带遗忘因子的递推最小二乘法算法迭代时，遗忘因子λ取值为0.98；在所述状态方程中，充放电效率η取值为0.96。

本发明的有益效果是：

1、本发明虑到车用动力电池工况多变，建立可用能量补偿系数以修正当前的实际可用能量状态值。

2、本发明考虑到开路电压曲线的滞回现象，利用充放电开路电压实验后获得的数据取平均值，加强开路电压曲线的可靠性。

3、本发明利用带遗忘因子的递推最小二乘法再结合H无穷算法参数辨识并估计SoE，遗忘因子可以有效的减少误差累计的影响，H无穷算法对噪声无固定假设要求，使得估计更加符合实际工况的要求，估计精度较高且算法复杂度不高。

附图说明

图1、为本实施例1中用于变工况车用动力电池SoE在线估计方法的流程示意图。

图2、为本实施例1中步骤S1中实验操作流程示意图。

图3、为本实施例1中戴维南等效电路模型示意图。

图4、为本实施例1中带遗忘因子的递推最小二乘法算法与H无穷算法的流程示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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，本领域普通技术人员在没有做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。

实施例1

参见图1-图4，本实施例1提供一种用于变工况车用动力电池SoE在线估计方法，包括以下步骤：

步骤S1、建立实际可用能量在不同温度和不同放电倍率情况下的补偿系数函数，对车用动力电池进行开路电压实验，获取实验数据，根据实验数据建立OCV-SoE曲线；

具体的说，在步骤S1中，考虑到不同温度和放电倍率区间对可用能量损失的影响程度，因此，进行了不同温度和不同放电倍率条件下的实验，不同温度包括：-10℃,-5℃,0℃,5℃,10℃,20℃,35℃,55℃；不同放电倍率包括：0.3C，0.5，1C，1.5C，2C。在不同工况下进行可用能量测试，得到此结果后与额定工况下可用能量作商获得补偿系数以此建立补偿系数函数，更具体的说，在不同温度C_f和不同放电倍率C_f的工况下，对车用动力电池进行多次可用能量测试，获取相应的测试结果，根据获取的测试结果与车用动力电池在额定工况下的可用能量作商获得补偿系数γ，再通过MATLAB进行曲线拟合，在保证不过拟合的情况下得到补偿系数γ随放电倍率C_f和温度C_f的响应函数γ＝f(C_f,T_w)；该响应函数γ＝f(C_f,T_w)为补偿系数函数。

考虑到开路电压的滞回现象，对处于不同温度以及不同放电倍率条件下的实验电池进行充放电的开路电压实验，同工况下的充电开路电压和放电开路电压取平均值，根据平均值，建立OCV-SoE曲线。具体的实验操作流程示意图请见图2。

步骤S2、建立车用动力电池的戴维南等效电路模型，得到等效电路模型函数关系式，对等效电路模型函数关系式进行离散化处理，得到状态方程和观测方程；

在步骤S2中，如图3所示，等效电路模型依据基尔霍夫电压电流定律可以得到：

为对应的导数，进行离散化处理后可以得到：

具体的说，在步骤S2中，状态方程的表达式为：

观测方程表达式为：

U_L,k＝U_ocv,k-I_L,kR₀-U_p,k+v_k

公式中，SoE_k+1为k+1时刻的车用动力电池的能量状态值；U_p,k+1为k+1时刻的极化电压估计值，T为数据采样间隔时间，τ为时间常数即C_p和R_p乘积，η为充放电效率，在本实施例中，充放电效率η取值为0.96，γ为实际可用能量补偿系数，U_L,k，I_L,k分别为实时测量的电压以及电流，C_p，R_p分别为极化电容和极化电阻，R₀为欧姆内阻，w_k，v_k分别为系统的状态噪声和测量噪声，E_N为额定能量，k为取样时刻，T为取样时间间隔；U_ocv,k表示为k时刻的开路电压。

步骤S3、构建适用于带遗忘因子的递推最小二乘法算法的差分方程，再使用带遗忘因子的递推最小二乘法算法对差分方程进行递推迭代运算，实时辨识系统参数，并且得到系统参数；

具体的说，在本实施例中，选用带遗忘因子的递推最小二乘法算法，是因为递推L最小二乘法具有无限记性的特征，通过RLS方法中的遗忘因素，逐渐丢弃了较旧的数据，以便使用最新的信息而引入遗忘因子λ，取λ＝0.98。

在本实施例中，步骤S3具体为：

步骤S301、差分方程的表达式为：

y_a(k)＝φ(k)^Ta(k)

公式中，y_a(k)、a(k)和φ(k)的表达式为：

步骤S302、采用带遗忘因子的递推最小二乘法算法对差分方程进行递推迭代运算；

更具体的说，步骤S302包括以下子步骤：

步骤S3021、初始化a(0)和协方差矩阵P_a(0)

步骤S3022、计算偏差，表达式为：

步骤S3023、计算增益矩阵，表达式为：

步骤S3024、更新下一时刻

表达式为：

步骤S3025、更新协方差矩阵，表达式为：

在上述公式中，

是上一时刻系统的估计值；

是基于上一时刻估计值的基础上得到的当前观测值；y_a(k+1)是实际的观测值；利用差值e_a(k+1)作为预测误差，初始化a(0)可依据经验选取，P_a(0)可取αI，其中α可取10⁶即相对较大即可，I为单位矩阵，γ为实际可用能量补偿系数。

步骤S3026、基于数据的不断更新推动循环步骤S3022至步骤S3025，即可得到实时的系数矩阵a(k)，再依据递推关系反推回去可得到需要辨识的实时参数，参数的表达式如下式所示：

其中,a₁为e^-Ts/τ，a₂为e^-Ts/τR₀-R_p(1-e^-Ts/τ)；a₃为R₀，T为取样时间间隔，R_p为极化电阻，C_p为极化电容，R₀为欧姆内阻。

步骤S4、利用步骤S3获得的系统参数再结合H无穷算法估计车用动力电池的SoE状态值。

具体的说，通过骤S3获得的系统参数，即可通过H无穷算法对SoE的进行在线估计；

步骤S401、构建H无穷算法的模型并初始化

动力电池SoE的按时积分计算如下：

H无穷算法的线性化处理如式：

其中：

其中的雅可比矩阵可通过f(x_k,u_k)，h(x_k,u_k)对x_k的偏导得到如下：

D_k＝R₀

上述公式中：

f(x_k,u_k)表示模型的状态函数；

h(x_k,u_k)表示模型的观测函数；

w_k～(0,Q_k)，υ_k～(0,R_k)分别为系统噪声与观测噪声，其中Q_k是系统噪声的协方差矩阵，R_k是观测噪声的协方差矩阵；

u_k为输入向量即控制电流I_L；

z_k为表示状态向量x_k中关注的参数；

L为z_k与x_k的转换矩阵。

H无穷算法的具体步骤如下所示：

初始化：

λ，Q₀，R₀，S₀；

公式中，λ为性能边界，若设定为0，那么算法即退化为卡尔曼滤波算法；

为初始状态误差协方差矩阵；R₀为R_k的初始值；S₀为基于状态向量中各分量的关心程度而设定的对称正定阵，

是状态向量的后验估计值的初始化对应值即x_k的初始值；

步骤S402、先验估计：

步骤S403、后验估计：

其中z_k即为估计的SoE；

在本实施例中，获取的端电压、电流、温度是通过环境箱和chroma实验设备实时获取的。

本发明未详述之处，均为本领域技术人员的公知技术。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (6)

1.一种用于变工况车用动力电池SoE在线估计方法，其特征在于，包括以下步骤：

步骤S1、建立实际可用能量在不同温度和不同放电倍率情况下的补偿系数函数，对车用动力电池进行开路电压实验，获取实验数据，根据所述实验数据建立OCV-SoE曲线；

步骤S2、建立车用动力电池的戴维南等效电路模型，得到等效电路模型函数关系式，对所述等效电路模型函数关系式进行离散化处理，得到状态方程和观测方程；

步骤S3、构建适用于带遗忘因子的递推最小二乘法算法的差分方程，再使用带遗忘因子的递推最小二乘法算法对所述差分方程进行递推迭代运算，实时辨识系统参数，并且得到系统参数；

步骤S4、利用步骤S3获得的系统参数再结合H无穷算法估计车用动力电池的SoE状态值。

2.根据权利要求1所述的一种用于变工况车用动力电池SoE在线估计方法，其特征在于，所述步骤S1具体为：在不同温度和不同放电倍率的工况下，对所述车用动力电池进行多次可用能量测试，获取相应的测试结果，根据获取的测试结果与所述车用动力电池在额定工况下的可用能量作商获得补偿系数，再对所述补偿系数以及相应的温度数据以及放电倍率数据做曲线拟合，在保证不过拟合的情况下得到补偿系数随放电倍率和温度的响应函数；

在不同温度和不同放电倍率的工况下，对所述车用动力电池进行多次充放电的开路电压实验，获取相应的实验数据，对处于同一工况下的充电开路电压和放电开路电压取平均值，根据所述平均值，建立OCV-SoE曲线；

所述不同温度包括：-10℃,-5℃,0℃,5℃,10℃,20℃,35℃,55℃；所述不同放电倍率包括：0.3C，0.5，1C，1.5C，2C。

3.根据权利要求2所述的一种用于变工况车用动力电池SoE在线估计方法，其特征在于，在所述步骤S2中，所述状态方程的表达式为：

在所述步骤S2中，所述观测方程表达式为：

U_L,k＝U_ocv,k-I_L,kR₀-U_p,k+v_k (2)

公式(1)和公式(2)中，SoE_k+1为k+1时刻的车用动力电池的能量状态值；U_p,k+1为k+1时刻的极化电压估计值，T为数据采样间隔时间，τ为时间常数即C_p和R_p乘积，η为充放电效率，γ实际可用能量补偿系数，U_L,k，I_L,k分别为实时测量的电压以及电流，C_p，R_p分别为极化电容和极化电阻，R₀为欧姆内阻，w_k，v_k分别为系统的状态噪声和测量噪声，E_N为额定能量，k为取样时刻，T为取样时间间隔；U_ocv,k表示为k时刻的开路电压。

4.根据权利要求3所述的一种用于变工况车用动力电池SoE在线估计方法，其特征在于，在所述步骤S3中，所述系统参数的表达式为：

公式(3)中，a₁、a₂、a₃表示为系统模型特征参数的函数，T为数据取样时间间隔，R_p为极化电阻，C_p为极化电容，R₀为欧姆内阻。

5.根据权利要求4所述的一种用于变工况车用动力电池SoE在线估计方法，其特征在于，所述步骤S4具体包括：

步骤S401、构建H无穷算法的状态方程，并且对所述状态空间方程进行初始化；

步骤S402、进行先验估计，具体为：对当前采样点下状态向量进行预估，得到当前采样点下的状态向量预估值，利用上一时刻的协方差矩阵和过程噪声方差矩阵更新下一时刻的状态向量的协方差矩阵；

步骤S403、进行后验估计，具体为：利用测得的端电压值与模型得出的端电压值计算得到误差矩阵，接着利用状态转移矩阵和观测矩阵结合更新的状态向量协方差矩阵、量测噪声协方差矩阵和设定的性能边界更新增益矩，接着对系统状态值修正，最后更新状态协方差矩阵。

6.根据权利要求5所述的一种用于变工况车用动力电池SoE在线估计方法，其特征在于，在进行带遗忘因子的递推最小二乘法算法迭代时，遗忘因子λ取值为0.98；在所述状态方程中，充放电效率η取值为0.96。

Images