CN112989690B - 一种混合动力汽车锂电池多时间尺度荷电状态估计方法 - Google Patents

一种混合动力汽车锂电池多时间尺度荷电状态估计方法 Download PDF

Info

Publication number
CN112989690B
CN112989690B CN202110168090.5A CN202110168090A CN112989690B CN 112989690 B CN112989690 B CN 112989690B CN 202110168090 A CN202110168090 A CN 202110168090A CN 112989690 B CN112989690 B CN 112989690B
Authority
CN
China
Prior art keywords
battery
temperature
model
voltage
state
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
CN202110168090.5A
Other languages
English (en)
Other versions
CN112989690A (zh
Inventor
颜伸翔
王春燕
李琳
赵万忠
张自宇
章波
刘利锋
王展
刘晓强
秦亚娟
陈国平
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.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
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 Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN202110168090.5A priority Critical patent/CN112989690B/zh
Publication of CN112989690A publication Critical patent/CN112989690A/zh
Application granted granted Critical
Publication of CN112989690B publication Critical patent/CN112989690B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • 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]
    • G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/25—Design optimisation, verification or simulation using particle-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/30—Circuit design
    • G06F30/32—Circuit design at the digital level
    • G06F30/33—Design verification, e.g. functional simulation or model checking
    • G06F30/3323—Design verification, e.g. functional simulation or model checking using formal methods, e.g. equivalence checking or property checking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/10—Noise analysis or noise optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Tests Of Electric Status Of Batteries (AREA)
  • Secondary Cells (AREA)

Abstract

本发明针对混合动力汽车的电池管理系统由于温度与电流等工作条件影响导致电池模型状态与电池系统状态不一致而产生的荷电状态估计误差问题，公开了一种基于人工蜂群算法与自适应粒子滤波算法的多时间尺度荷电状态估计的方法，首先，选定某动力锂电池，在不同温度下对该动力电池进行恒温恒流脉冲放电实验，记录实验数据建立锂电池的开路电压温度模型；然后，建立等效电路模型确定系统模型状态方程与辨识参数；最后，基于多时间尺度的人工蜂群算法与自适应粒子滤波算法可以在动力电池工作时进行系统在线辨识与SOC精准估计。本发明所采用的模型基于等效电路模型，结合开路电压温度模型可对不同工作条件下的锂电池进行SOC精准估计。

Description

一种混合动力汽车锂电池多时间尺度荷电状态估计方法
技术领域
本发明涉及电池管理技术领域，尤其涉及一种混合动力汽车锂电池多时间尺度荷电状态估计方法。
背景技术
动力锂电池的荷电状态估计(State of Charge,SOC)是混合动力汽车电池管理系统的核心技术之一。精确的电池荷电状态估计可以量化电动汽车的剩余行驶里程，用于整车能量管理优化，对于提高电池使用效率，防止电池过充或过放从而提高电池循环寿命，保障电池使用安全。
锂电池的SOC无法通过传感器测量，需要凭借其他可测量的物理量如电流、电压以及温度，通过所建立的理论模型以及模型参数，结合估计方法来进行获得。考虑到锂电池的温度特性，需要与之相适应的SOC估计方法以减小温度变化产生的影响。同时，锂电池在放电过程中所表现的强非线性，电池系统的不稳定性以及数据采集的噪声不确定性，对SOC估计算法提出了更高的要求。此外，由于环境温度变化以及放电电流扰动对锂电池的放电特性影响，从模型上体现为模型参数的变化，因此模型参数的在线辨识所保障的电池模型精度是SOC在线估计的重要基础。在动力锂电池放电的过程中，某些电池参数(例如SOC等)在电池的使用过程中会即时产生变化，但是，另一些电池参数，如电池模型参数等，随着放电过程缓慢变化。这些参数的变化速率不一致增加了电池荷电状态估计的微观与宏观复杂度。
在传统的SOC估计方法中，电池模型参数的辨识由于温度或者电流等工作条件的变化而产生差异，但是在参数辨识方法的使用过程中需要数次的计算才能实现参数回归。但是在与滤波算法同步进行运算时，锂电池的系统状态与模型状态参数的不一致可能会导致SOC的估计产生不可避免的误差。为解决上述问题，本发明专利提了一种基于多时间尺度理论的人工蜂群算法联合自适应粒子滤波算法的SOC估计方法，为混合动力汽车锂电池提供一种能实时适应环境温度变化提高模型精度从而保障SOC估计准确性的方法。
发明内容
本发明所要解决的技术问题是针对背景技术中所涉及到的缺陷，提供一种基于多时间尺度锂电池SOC估计方法。
本发明为解决上述技术问题采用以下技术方案：
一种混合动力汽车锂电池多时间尺度荷电状态估计方法，包括以下步骤：
步骤S1)，选定待测动力锂电池，在不同温度下对该动力电池进行恒流脉冲放电实验，记录不同温度下的实验结果数据；
步骤S2)，基于实验数据，建立开路电压的温度模型；
步骤S3)，建立双极化等效电路模型，确定其状态方程与在线辨识模型参数；
步骤S4)，采用传感器实时测量动力电池的端电压Ut，、工作电流Ik和温度T，形成历史数据集，并基于双极化等效电路模型和开路电压的温度模型、利用多时间尺度的人工蜂群算法与自适应粒子滤波算法在对动力电池进行荷电状态估计。
作为本发明基于混合动力汽车锂电池多时间尺度荷电状态估计方法进一步的优化方案，所述步骤S1)的具体步骤如下：
步骤S1.1)，对于动力锂电池工作范围温度，以其工作范围温度的最小值为实验温度的初始值，按照预设的温度步长阈值逐次增大实验温度，直至实验温度大于动力电池工作范围的最大值，对于其中的每一个实验温度：
步骤S1.1.1)，将动力锂电池完全放电后，静置1小时，以固定充电倍率电流先采用恒流后充电的方式使动力电池达到上限截止电压，之后恒压充电至电池电流小于1/20C，记录该温度下充电总容量，静置2小时；
步骤S1.1.2)，以固定放电倍率电流采用恒流放电的方式，将动力锂电池放电、并在放电量达到预设的容量阈值后停止，静置一小时后测量并记录该实验温度下动力电池的稳定开路电压数据；
步骤S1.1.3)，重复步骤S1.1.1)至S1.1.2)，直到动力电池完全放电，即动力电池的电压达到其下限截止电压。
作为本发明基于混合动力汽车锂电池多时间尺度荷电状态估计方法进一步的优化方案，所述步骤S2)的具体步骤如下：
基于记录的实验数据，建立考虑温度修正的开路电压UOC与荷电状态SOC的关系模型；对于放电模式下，某温度T0条件下的开路电压UOC与SOC关系表示为：
UOC＝k0(T0)+k1(T0)/SOC+k2(T0)SOC+k3(T0)lnSOC+k4(T0)ln(1-SOC)
k0、k1、k2、k3、k4为基于记录的试验数据拟合得到的开路电压公式中的常数系数；
对于第n次实验的实验温度Tn下的kp(T0)、kp(T1)……kp(Tn)，n为大于等于1的自然数，p为大于等于0小于等于4的整数，将kp拟合为与电池工作环境温度T相关的多项式：kp＝a0p+a1pT+a2pT2+a3pT3+a4pT4，a0p、a1p、a2p、a3p、a4p为常数系数kp的多项式温度系数；
通过上述关系建立基于温度修正的UOC与SOC的函数关系：
UOC(SOC,T)＝k0(T)+k1(T)/SOC+k2(T)SOC+k3(T)lnSOC+k4(T)ln(1-SOC)
其中，T为动力电池工作的环境温度。
作为本发明基于混合动力汽车锂电池多时间尺度荷电状态估计方法进一步的优化方案，所述步骤S3)的具体步骤如下：
建立双极化等效电路模型，所述双极化等效电路模型包含电池欧姆电阻R0、电化学极化内阻Rep、浓差极化内阻Rcp、电化学极化电容Cep、浓差极化电容Ccp，其中，电池的正极分别和Rep的一端、Cep的一端相连，负极和R0的一端相连；Rep的另一端分别和Cep的另一端、Rcp的一端、Ccp的一端相连；Rcp的另一端和Ccp的另一端相连；
令电池的开路电压为UOC，Rep与Cep并联两端的电压为Uep，Rcp与Ccp并联两端的电压为Ucp，R0的另一端、Rcp的另一端之间形成电池端电压Ut；
由基尔霍夫定律得到双极化等效电路模型的方程为：
为了实现电池系统的状态估计进行离散化，双极化等效电路模型的状态方程为：
式中，Uep,k为第k个采样时刻的电化学极化电压，Ucp,k为第k个采样时刻的浓差极化电压，Δt为采样周期，R0,k、Rep,k、Rcp,k、Cep,k、Ccp,k分别为第k个采样时刻的电池欧姆电阻、电化学极化内阻、浓差极化内阻、电化学极化电容、浓差极化电容，Ik,k为第k个采样时刻的电池工作电流，UOC,k为第k个采样时刻的开路电压，Ut,k为第k个采样时刻的电池端电压，由此建立模型参数R0,k、Rep,k、Rcp,k、Cep,k、Ccp,k和UOC,k、Ik,k，Ut,k的函数关系，定义模型参数集θk＝(R0,k,Rep,k,Rcp,k,Cep,k,Ccp,k)；
双极化等效电路模型的拉普拉斯方程式为：
式中，s为拉普拉斯变换后时间t所对应的复频率；
令E(s)＝UOC(s)-Ut(s)，得到E(s)与Ik(s)的传递函数：
式中，τep与τcp是RC环节的时间常数，τep＝RepCep，τcp＝RcpCcp；
采用双线性变换进行离散化，令Z-1是单位延迟因子，得到离散化的传递函数：
式中，a1、a2、a3、a4、a5为相应的常数系数，所对应的差分方程为：
Ek＝UOC,k-Ut,k＝a1Ek-1+a2Ek-2+a3Ik,k+a4Ik,k-1+a5Ik,k-2
式中，Ek为第k个采样时刻UOC,k与Ut,k之差；
令m3＝R0，/> 利用双线性变化，将公式/>代入公式传递函数得到：
与离散化的传递函数对比，得到：
由此根据模型参数通过如下公式计算参数辨识得到的端电压结果：
作为本发明基于混合动力汽车锂电池多时间尺度荷电状态估计方法进一步的优化方案，所述步骤S4)的具体步骤如下：
步骤S4.1)，初始化：对于模型参数辨识时间尺度l0，设定模型参数集初值θ0，初始化人工蜂群算法，定义并赋值种群规模Sn，蜜源数量与雇佣蜂数量均为Sn/2，确定并赋值蜜源搜刮上限Lim与最大迭代次数Gen，根据公式随机初始化每个蜜源所对应的向量：
式中，θ0i为第θ0的第i个分量，θmi为第m个解向量的第i个分量，θmin为参数下限系数，θmax为参数上限系数；
对于电池系统状态估计时间尺度k0，根据采集的锂电池温度初值T0与开路电压UOC,0，结合开路电压温度模型曲线计算系统状态初值SOC0，初始化APF算法的相关参数与系统初始状态x0，预设时间尺度之商L＝k/l的值；
步骤S4.2)，对于时间尺度l，启动人工蜂群算法，令传感器历史数据集中包含L个数据、形成的数据矩阵为设定如下目标函数：
式中，Ut,l×L为采样时刻为l×L时的采集端电压，为第m个蜜源所对应的参数集向量，fm为第m个蜜源所对应的目标函数，/>为采样时刻为l×L时的估计端电压值，通过上述目标函数遍历参数解集空间求解更新当前状态模型参数θl；
步骤S4.3)，在已经完成当前状态模型参数θl更新后，对于时间尺度k，根据采集的锂电池温度Tk、电压Ut,k与电流Ik，对于时间尺度k，根据已更新的当前状态模型参数集θl+1，对于自适应粒子滤波方法中的每一个粒子根据公式进行状态更新与观测更新：
式中，为第i个粒子在第k个采样时刻对应的系统状态，f为电池系统状态转移方程，/>为第i个粒子在第k个采样时刻对应的系统观测端电压，h为电池系统观测方程，ωk-1为第k-1个采样时刻的系统状态转移噪声，υk为第k个采样时刻的观测噪声；
根据每个粒子的观测误差更新粒子权重：
式中为第i个粒子在第k个采样时刻对应的观测误差，/>为第i个粒子在第k个采样时刻对应的权重，σe为观测误差的方差的算术平方根，μe为观测误差的均值；
完成所有粒子的权重计算后，对粒子权重进行归一化：
式中，为归一化后的粒子权重，采用轮盘赌的重采样方法复制新粒子集合/>根据重采样得到的新粒子集并计算当前k时刻状态/>
式中，为第k个采样时刻所对应的系统状态估计值，N为粒子总数；
步骤S4.4)，对于时间尺度k与已完成估计的系统状态量对于自适应粒子滤波进行误差分析与噪声自适应过程计算实际状态转移误差：
式中，em,k表示第k个采样时刻系统状态量的第m维分量，表示状态量x的第m维分量，λl为滑窗长度；
在此基础上预测下一时刻的系统噪声协方差：
式中，和/>为根据实际系统提前预设的第m维分量的最大与最小噪声协方差，β为衰减因子；
在转移噪声协方差更新之后，对系统的观测误差进行分析，根据假设检验原理进行噪声协方差的更新，令系统的观测量端电压误差服从/>的高斯分布，ω代表在线采样的历史数据个数；
令传感器所存在的噪声均值与方差均不确定，根据统计学中的假设检验原理，设μe与σe未知，在结果分析时对其进行检验；对于噪声均值，做出如下假设H0:μe,k＝μe,k-1，H1:μe,k≠μe,k-1，选择检验统计量：
式中，为在线采样的样本历史数据平均值，S为在线采样的样本历史数据样本标准差，μe,k为第k个采样时刻的观测误差均值，并且由下式进行计算：
选择显著性水平α＝0.05，根据样本数据计算检验统计量t，若|t|≥tα/2(ω-1)，则认为传感器噪声均值预设值不符合条件，更新μe＝μe,k；
对于噪声方差，做出如下假设H0:H1:/>选择检验统计量：
式中为第k个采样时刻的观测误差方差；
同样选择显著性水平α＝0.05，根据样本数据计算检验统计量χ2，若或/>则认为传感器噪声方差预设值不符合条件，更新/>
步骤S4.5)，更新状态估计时间尺度k＝k+1，判断k能否被L整除，如果能，参数辨识时间尺度l＝l+1，并跳转至步骤4.2)；如果不能，跳转至步骤4.3)。
作为本发明基于混合动力汽车锂电池多时间尺度荷电状态估计方法进一步的优化方案，步骤S1.1)中所述的预设的温度步长阈值为5℃，步骤S1.1.1)中所述的固定充电倍率为0.5C，步骤S1.1.2)中所述预设的容量阈值为额定容量的5％、固定放电倍率为1C。
本发明采用以上技术方案与现有技术相比，具有以下技术效果：
1)基于多时间尺度理论，在SOC估计过程中保证模型参数及时收敛，为SOC估计提供更可靠的模型精度以SOC精准在线估计；
2)自适应粒子滤波方法增加了转移噪声与观测噪声的误差分析，以提高对锂电池系统状态估计的精确性与鲁棒性；
3)模型简单，算法复杂度不高，可用于实车BMS。
附图说明
图1是本发明动力电池的双极化电路模型；
图2是本发明多时间尺度估计原理图；
图3是本发明的整体流程图。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明：
本发明可以以许多不同的形式实现，而不应当认为限于这里所述的实施例。相反，提供这些实施例以便使本公开透彻且完整，并且将向本领域技术人员充分表达本发明的范围。在附图中，为了清楚起见放大了组件。
本发明公开了一种混合动力汽车锂电池多时间尺度荷电状态估计方法，包括以下步骤：
步骤S1)，选定待测动力锂电池，在不同温度下对该动力电池进行恒流脉冲放电实验，记录不同温度下的实验结果数据；
步骤S2)，基于实验数据，建立开路电压的温度模型；
步骤S3)，建立双极化等效电路模型，确定其状态方程与在线辨识模型参数；
步骤S4)，采用传感器实时测量动力电池的端电压Ut，、工作电流Ik和温度T，形成历史数据集，并基于双极化等效电路模型和开路电压的温度模型、利用多时间尺度的人工蜂群算法与自适应粒子滤波算法在对动力电池进行荷电状态估计。
为了削弱温度对开路电压的影响导致SOC的估计误差，建立锂电池的开路电压温度模型，所述步骤S1)的具体步骤如下：
步骤S1.1)，对于动力锂电池工作范围温度，以其工作范围温度的最小值为实验温度的初始值，按照预设的温度步长阈值逐次增大实验温度，直至实验温度大于动力电池工作范围的最大值，对于其中的每一个实验温度：
步骤S1.1.1)，将动力锂电池完全放电后，静置1小时，以固定充电倍率电流先采用恒流后充电的方式使动力电池达到上限截止电压，之后恒压充电至电池电流小于1/20C，记录该温度下充电总容量，静置2小时；
步骤S1.1.2)，以固定放电倍率电流采用恒流放电的方式，将动力锂电池放电、并在放电量达到预设的容量阈值后停止，静置一小时后测量并记录该实验温度下动力电池的稳定开路电压数据；
步骤S1.1.3)，重复步骤S1.1.1)至S1.1.2)，直到动力电池完全放电，即动力电池的电压达到其下限截止电压。
所述步骤S2)的具体步骤如下：
基于记录的实验数据，建立考虑温度修正的开路电压UOC与荷电状态SOC的关系模型；对于放电模式下，某温度T0条件下的开路电压UOC与SOC关系表示为：
UOC＝k0(T0)+k1(T0)/SOC+k2(T0)SOC+k3(T0)lnSOC+k4(T0)ln(1-SOC)
k0、k1、k2、k3、k4为基于记录的试验数据拟合得到的开路电压公式中的常数系数；
对于第n次实验的实验温度Tn下的kp(T0)、kp(T1)……kp(Tn)，n为大于等于1的自然数，p为大于等于0小于等于4的整数，将kp拟合为与电池工作环境温度T相关的多项式：kp＝a0p+a1pT+a2pT2+a3pT3+a4pT4，a0p、a1p、a2p、a3p、a4p为常数系数kp的多项式温度系数；
通过上述关系建立基于温度修正的UOC与SOC的函数关系：
UOC(SOC,T)＝k0(T)+k1(T)/SOC+k2(T)SOC+k3(T)lnSOC+k4(T)ln(1-SOC)
其中，T为动力电池工作的环境温度。
为了建立电池理论模型来实现SOC估计，需要对锂电池模型进行建立并进行参数辨识。所述步骤S3)的具体步骤如下：
建立双极化等效电路模型，电路模型如图1所示，所述双极化等效电路模型包含电池欧姆电阻R0、电化学极化内阻Rep、浓差极化内阻Rcp、电化学极化电容Cep、浓差极化电容Ccp，其中，电池的正极分别和Rep的一端、Cep的一端相连，负极和R0的一端相连；Rep的另一端分别和Cep的另一端、Rcp的一端、Ccp的一端相连；Rcp的另一端和Ccp的另一端相连；
令电池的开路电压为UOC，Rep与Cep并联两端的电压为Uep，Rcp与Ccp并联两端的电压为Ucp，R0的另一端、Rcp的另一端之间形成电池端电压Ut；
由基尔霍夫定律得到双极化等效电路模型的方程为：
为了实现电池系统的状态估计进行离散化，双极化等效电路模型的状态方程为：
式中，Uep,k为第k个采样时刻的电化学极化电压，Ucp,k为第k个采样时刻的浓差极化电压，Δt为采样周期，R0,k、Rep,k、Rcp,k、Cep,k、Ccp,k分别为第k个采样时刻的电池欧姆电阻、电化学极化内阻、浓差极化内阻、电化学极化电容、浓差极化电容，Ik,k为第k个采样时刻的电池工作电流，UOC,k为第k个采样时刻的开路电压，Ut,k为第k个采样时刻的电池端电压，由此建立模型参数R0,k、Rep,k、Rcp,k、Cep,k、Ccp,k和UOC,k、Ik,k，Ut,k的函数关系，定义模型参数集θk＝(R0,k,Rep,k,Rcp,k,Cep,k,Ccp,k)；
双极化等效电路模型的拉普拉斯方程式为：
式中，s为拉普拉斯变换后时间t所对应的复频率；
令E(s)＝UOC(s)-Ut(s)，得到E(s)与Ik(s)的传递函数：
式中，τep与τcp是RC环节的时间常数，τep＝RepCep，τcp＝RcpCcp；
采用双线性变换进行离散化，令Z-1是单位延迟因子，得到离散化的传递函数：
式中，a1、a2、a3、a4、a5为相应的常数系数，所对应的差分方程为：
Ek＝UOC,k-Ut,k＝a1Ek-1+a2Ek-2+a3Ik,k+a4Ik,k-1+a5Ik,k-2
式中，Ek为第k个采样时刻UOC,k与Ut,k之差；
令m3＝R0，/> 利用双线性变化，将公式/>代入公式传递函数得到：
与离散化的传递函数对比，得到：
由此根据模型参数通过如下公式计算参数辨识得到的端电压结果：
作为本发明所提出的基于混合动力汽车锂电池多时间尺度荷电状态估计方法，多时间尺度的人工蜂群算法与自适应粒子滤波算法运行的时间尺度关系如图2所示。从宏观的时间尺度l来看，锂电池的状态变化并不会即时改变理论模型的参数，在参数辨识的一段时间内模型参数依然维持在某一水平上下波动；而从微观的时间尺度k来看，电池放电过程中内部的电子转移，离子扩散都十分迅速，外部表现为电池的端电压以及SOC的变化也十分迅速。要实现在线实时计算，无论是参数辨识算法还是估计算法都需要在采样周期内完成单次计算过程，即在时间尺度l与k之间还存在算法计算的时间尺度p，用以描述算法的计算过程。自适应粒子滤波的计算时间复杂度是线性的，计算效率很高，因此其时间尺度可以忽略不计；人工蜂群算法的时间复杂度更高，并且在单次采样周期内可进行数次迭代计算，遍历求解模型参数值以保障模型精度。
综上所述，本发明方法的整体流程如图3所示，SOC估计所依赖的端电压输入，工作电流以及电池温度均有传感器获得，对应的步骤S4)的具体步骤如下：
步骤S4.1)，初始化：对于模型参数辨识时间尺度l0，设定模型参数集初值θ0，初始化人工蜂群算法，定义并赋值种群规模Sn，蜜源数量与雇佣蜂数量均为Sn/2，确定并赋值蜜源搜刮上限Lim与最大迭代次数Gen，根据公式随机初始化每个蜜源所对应的向量：
式中，θ0i为第θ0的第i个分量，θmi为第m个解向量的第i个分量，θmin为参数下限系数，θmax为参数上限系数；
对于电池系统状态估计时间尺度k0，根据采集的锂电池温度初值T0与开路电压UOC,0，结合开路电压温度模型曲线计算系统状态初值SOC0，初始化APF算法的相关参数与系统初始状态x0，预设时间尺度之商L＝k/l的值；
步骤S4.2)，对于时间尺度l，启动人工蜂群算法，令传感器历史数据集中包含L个数据、形成的数据矩阵为设定如下目标函数：/>
式中，Ut,l×L为采样时刻为l×L时的采集端电压，为第m个蜜源所对应的参数集向量，fm为第m个蜜源所对应的目标函数，/>为采样时刻为l×L时的估计端电压值，通过上述目标函数遍历参数解集空间求解更新当前状态模型参数θl；
步骤S4.3)，在已经完成当前状态模型参数θl更新后，对于时间尺度k，根据采集的锂电池温度Tk、电压Ut,k与电流Ik，对于时间尺度k，根据已更新的当前状态模型参数集θl+1，对于自适应粒子滤波方法中的每一个粒子根据公式进行状态更新与观测更新：
式中，为第i个粒子在第k个采样时刻对应的系统状态，f为电池系统状态转移方程，/>为第i个粒子在第k个采样时刻对应的系统观测端电压，h为电池系统观测方程，ωk-1为第k-1个采样时刻的系统状态转移噪声，υk为第k个采样时刻的观测噪声；
根据每个粒子的观测误差更新粒子权重：
式中为第i个粒子在第k个采样时刻对应的观测误差，/>为第i个粒子在第k个采样时刻对应的权重，σe为观测误差的方差的算术平方根，μe为观测误差的均值；
完成所有粒子的权重计算后，对粒子权重进行归一化：
式中，为归一化后的粒子权重，采用轮盘赌的重采样方法复制新粒子集合/>根据重采样得到的新粒子集并计算当前k时刻状态/>
式中，为第k个采样时刻所对应的系统状态估计值，N为粒子总数；
步骤S4.4)，对于时间尺度k与已完成估计的系统状态量对于自适应粒子滤波进行误差分析与噪声自适应过程计算实际状态转移误差：
式中，em,k表示第k个采样时刻系统状态量的第m维分量，表示状态量x的第m维分量，λl为滑窗长度；/>
在此基础上预测下一时刻的系统噪声协方差：
式中，和/>为根据实际系统提前预设的第m维分量的最大与最小噪声协方差，β为衰减因子；
在转移噪声协方差更新之后，对系统的观测误差进行分析，根据假设检验原理进行噪声协方差的更新，令系统的观测量端电压误差服从/>的高斯分布，ω代表在线采样的历史数据个数；
令传感器所存在的噪声均值与方差均不确定，根据统计学中的假设检验原理，设μe与σe未知，在结果分析时对其进行检验；对于噪声均值，做出如下假设H0:μe,k＝μe,k-1，H1:μe,k≠μe,k-1，选择检验统计量：
式中，为在线采样的样本历史数据平均值，S为在线采样的样本历史数据样本标准差，μe,k为第k个采样时刻的观测误差均值，并且由下式进行计算：
选择显著性水平α＝0.05，根据样本数据计算检验统计量t，若|t|≥tα/2(ω-1)，则认为传感器噪声均值预设值不符合条件，更新μe＝μe,k；
对于噪声方差，做出如下假设H0:H1:/>选择检验统计量：
式中为第k个采样时刻的观测误差方差；
同样选择显著性水平α＝0.05，根据样本数据计算检验统计量χ2，若或/>则认为传感器噪声方差预设值不符合条件，更新/>
步骤S4.5)，更新状态估计时间尺度k＝k+1，判断k能否被L整除，如果能，参数辨识时间尺度l＝l+1，并跳转至步骤4.2)；如果不能，跳转至步骤4.3)。
步骤S1.1)中所述的预设的温度步长阈值为5℃，步骤S1.1.1)中所述的固定充电倍率为0.5C，步骤S1.1.2)中所述预设的容量阈值为额定容量的5％、固定放电倍率为1C。
本技术领域技术人员可以理解的是，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (2)

1.一种混合动力汽车锂电池多时间尺度荷电状态估计方法，其特征在于，包括以下步骤：
步骤S1)，选定待测动力锂电池，在不同温度下对该动力电池进行恒流脉冲放电实验，记录不同温度下的实验结果数据；
步骤S1.1)，对于动力锂电池工作范围温度，以其工作范围温度的最小值为实验温度的初始值，按照预设的温度步长阈值逐次增大实验温度，直至实验温度大于动力电池工作范围的最大值，对于其中的每一个实验温度：
步骤S1.1.1)，将动力锂电池完全放电后，静置1小时，以固定充电倍率电流先采用恒流后充电的方式使动力电池达到上限截止电压，之后恒压充电至电池电流小于1/20C，记录该温度下充电总容量，静置2小时；
步骤S1.1.2)，以固定放电倍率电流采用恒流放电的方式，将动力锂电池放电、并在放电量达到预设的容量阈值后停止，静置一小时后测量并记录该实验温度下动力电池的稳定开路电压数据；
步骤S1.1.3)，重复步骤S1.1.1)至S1.1.2)，直到动力电池完全放电，即动力电池的电压达到其下限截止电压
步骤S2)，基于实验数据，建立开路电压的温度模型；
基于记录的实验数据，建立考虑温度修正的开路电压UOC与荷电状态SOC的关系模型；对于放电模式下，某温度T0条件下的开路电压UOC与SOC关系表示为：
UOC＝k0(T0)+k1(T0)/SOC+k2(T0)SOC+k3(T0)ln SOC+k4(T0)ln(1-SOC)
k0、k1、k2、k3、k4为基于记录的试验数据拟合得到的开路电压公式中的常数系数；
对于第n次实验的实验温度Tn下的kp(T0)、kp(T1)……kp(Tn)，n为大于等于1的自然数，p为大于等于0小于等于4的整数，将kp拟合为与电池工作环境温度T相关的多项式：kp＝a0p+a1pT+a2pT2+a3pT3+a4pT4，a0p、a1p、a2p、a3p、a4p均为常数系数kp的多项式温度系数；
通过上述关系建立基于温度修正的UOC与SOC的函数关系：
UOC(SOC,T)＝k0(T)+k1(T)/SOC+k2(T)SOC+k3(T)ln SOC+k4(T)ln(1-SOC)
其中，T为动力电池工作的环境温度；
步骤S3)，建立双极化等效电路模型，确定其状态方程与在线辨识模型参数；
建立双极化等效电路模型，所述双极化等效电路模型包含电池欧姆电阻R0、电化学极化内阻Rep、浓差极化内阻Rcp、电化学极化电容Cep、浓差极化电容Ccp，其中，电池的正极分别和Rep的一端、Cep的一端相连，负极和R0的一端相连；Rep的另一端分别和Cep的另一端、Rcp的一端、Ccp的一端相连；Rcp的另一端和Ccp的另一端相连；
令电池的开路电压为UOC，Rep与Cep并联两端的电压为Uep，Rcp与Ccp并联两端的电压为Ucp，R0的另一端、Rcp的另一端之间形成电池端电压Ut；
由基尔霍夫定律得到双极化等效电路模型的方程为：
为了实现电池系统的状态估计进行离散化，双极化等效电路模型的状态方程为：
式中，Uep,k为第k个采样时刻的电化学极化电压，Ucp,k为第k个采样时刻的浓差极化电压，Δt为采样周期，R0,k、Rep,k、Rcp,k、Cep,k、Ccp,k分别为第k个采样时刻的电池欧姆电阻、电化学极化内阻、浓差极化内阻、电化学极化电容、浓差极化电容，Ik,k为第k个采样时刻的电池工作电流，UOC,k为第k个采样时刻的开路电压，Ut,k为第k个采样时刻的电池端电压，由此建立模型参数R0,k、Rep,k、Rcp,k、Cep,k、Ccp,k和UOC,k、Ik,k，Ut,k的函数关系，定义模型参数集θk＝(R0,k,Rep,k,Rcp,k,Cep,k,Ccp,k)；
双极化等效电路模型的拉普拉斯方程式为：
式中，s为拉普拉斯变换后时间t所对应的复频率；
令E(s)＝UOC(s)-Ut(s)，得到E(s)与Ik(s)的传递函数：
式中，τep与τcp是RC环节的时间常数，τep＝RepCep，τcp＝RcpCcp；
采用双线性变换进行离散化，令Z-1是单位延迟因子，得到离散化的传递函数：
式中，a1、a2、a3、a4、a5为相应的常数系数，所对应的差分方程为：
Ek＝UOC,k-Ut,k＝a1Ek-1+a2Ek-2+a3Ik,k+a4Ik,k-1+a5Ik,k-2
式中，Ek为第k个采样时刻UOC,k与Ut,k之差；
令m3＝R0，/> 利用双线性变化，将公式/>代入公式传递函数得到：
与离散化的传递函数对比，得到：
由此根据模型参数通过如下公式计算参数辨识得到的端电压结果：
步骤S4)，采用传感器实时测量动力电池的端电压Ut、工作电流Ik和温度T，形成历史数据集，并基于双极化等效电路模型和开路电压的温度模型、利用多时间尺度的人工蜂群算法与自适应粒子滤波算法在对动力电池进行荷电状态估计；
步骤S4.1)，初始化：对于模型参数辨识时间尺度l0，设定模型参数集初值θ0，初始化人工蜂群算法，定义并赋值种群规模Sn，蜜源数量与雇佣蜂数量均为Sn/2，确定并赋值蜜源搜刮上限Lim与最大迭代次数Gen，根据公式随机初始化每个蜜源所对应的向量：
式中，θ0i为第θ0的第i个分量，θmi为第m个解向量的第i个分量，θmin为参数下限系数，θmax为参数上限系数；
对于电池系统状态估计时间尺度k0，根据采集的锂电池温度初值T0与开路电压UOC,0，结合开路电压温度模型曲线计算系统状态初值SOC0，初始化APF算法的相关参数与系统初始状态x0，预设时间尺度之商L＝k/l的值；
步骤S4.2)，对于时间尺度l，启动人工蜂群算法，令传感器历史数据集中包含L个数据、形成的数据矩阵为设定如下目标函数：
式中，Ut,l×L为采样时刻为l×L时的采集端电压，为第m个蜜源所对应的参数集向量，fm为第m个蜜源所对应的目标函数，/>为采样时刻为l×L时的估计端电压值，通过上述目标函数遍历参数解集空间求解更新当前状态模型参数θl；
步骤S4.3)，在已经完成当前状态模型参数θl更新后，对于时间尺度k，根据采集的锂电池温度Tk、电压Ut,k与电流Ik，对于时间尺度k，根据已更新的当前状态模型参数集θl+1，对于自适应粒子滤波方法中的每一个粒子根据公式进行状态更新与观测更新：
式中，为第i个粒子在第k个采样时刻对应的系统状态，f为电池系统状态转移方程，为第i个粒子在第k个采样时刻对应的系统观测端电压，h为电池系统观测方程，ωk-1为第k-1个采样时刻的系统状态转移噪声，υk为第k个采样时刻的观测噪声；
根据每个粒子的观测误差更新粒子权重：
式中为第i个粒子在第k个采样时刻对应的观测误差，/>为第i个粒子在第k个采样时刻对应的权重，σe为观测误差的方差的算术平方根，μe为观测误差的均值；
完成所有粒子的权重计算后，对粒子权重进行归一化：
式中，为归一化后的粒子权重，采用轮盘赌的重采样方法复制新粒子集合/>根据重采样得到的新粒子集并计算当前k时刻状态/>
式中，为第k个采样时刻所对应的系统状态估计值，N为粒子总数；
步骤S4.4)，对于时间尺度k与已完成估计的系统状态量对于自适应粒子滤波进行误差分析与噪声自适应过程计算实际状态转移误差：
式中，em,k表示第k个采样时刻系统状态量的第m维分量，表示状态量x的第m维分量，λl为滑窗长度；
在此基础上预测下一时刻的系统噪声协方差：
式中，和/>为根据实际系统提前预设的第m维分量的最大与最小噪声协方差，β为衰减因子；
在转移噪声协方差更新之后，对系统的观测误差进行分析，根据假设检验原理进行噪声协方差的更新，令系统的观测量端电压误差服从/>的高斯分布，ω代表在线采样的历史数据个数；
令传感器所存在的噪声均值与方差均不确定，根据统计学中的假设检验原理，设μe与σe未知，在结果分析时对其进行检验；对于噪声均值，做出如下假设H0:μe,k＝μe,k-1，H1:μe,k≠μe,k-1，选择检验统计量：
式中，为在线采样的样本历史数据平均值，S为在线采样的样本历史数据样本标准差，μe,k为第k个采样时刻的观测误差均值，并且由下式进行计算：
选择显著性水平α＝0.05，根据样本数据计算检验统计量t，若|t|≥tα/2(ω-1)，则认为传感器噪声均值预设值不符合条件，更新μe＝μe,k；
对于噪声方差，做出如下假设H0:H1:/>选择检验统计量：
式中为第k个采样时刻的观测误差方差；
同样选择显著性水平α＝0.05，根据样本数据计算检验统计量χ2，若或则认为传感器噪声方差预设值不符合条件，更新/>
步骤S4.5)，更新状态估计时间尺度k＝k+1，判断k能否被L整除，如果能，参数辨识时间尺度l＝l+1，并跳转至步骤4.2)；如果不能，跳转至步骤4.3)。
2.根据权利要求1所述的混合动力汽车锂电池多时间尺度荷电状态估计方法，其特征在于，步骤S1.1)中所述的预设的温度步长阈值为5℃，步骤S1.1.1)中所述的固定充电倍率为0.5C，步骤S1.1.2)中所述预设的容量阈值为额定容量的5％、固定放电倍率为1C。
CN202110168090.5A 2021-02-07 2021-02-07 一种混合动力汽车锂电池多时间尺度荷电状态估计方法 Active CN112989690B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110168090.5A CN112989690B (zh) 2021-02-07 2021-02-07 一种混合动力汽车锂电池多时间尺度荷电状态估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110168090.5A CN112989690B (zh) 2021-02-07 2021-02-07 一种混合动力汽车锂电池多时间尺度荷电状态估计方法

Publications (2)

Publication Number Publication Date
CN112989690A CN112989690A (zh) 2021-06-18
CN112989690B true CN112989690B (zh) 2024-05-24

Family

ID=76348883

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110168090.5A Active CN112989690B (zh) 2021-02-07 2021-02-07 一种混合动力汽车锂电池多时间尺度荷电状态估计方法

Country Status (1)

Country Link
CN (1) CN112989690B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113759263B (zh) * 2021-08-25 2023-10-17 电子科技大学长三角研究院(湖州) 一种关于人工智能预测锂离子电池荷电状态的方法
CN113792259B (zh) * 2021-10-08 2023-08-15 中山大学 一种基于改进人工蜂群算法的非线性滞回参数识别方法
CN114236401B (zh) * 2021-12-20 2023-11-28 上海正泰电源系统有限公司 一种基于自适应粒子群算法的电池状态估计方法
CN117233618B (zh) * 2023-11-16 2024-01-19 北京航空航天大学 一种基于电压集成模型的飞行汽车电池系统状态估计方法
CN117686919B (zh) * 2024-02-01 2024-04-19 昆明理工大学 基于优化电化学模型的锂电池soc和soh估计方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110208703A (zh) * 2019-04-24 2019-09-06 南京航空航天大学 基于温度修正的复合等效电路模型对荷电状态估计的方法
CN110412472A (zh) * 2019-09-02 2019-11-05 西北工业大学 一种基于正态伽马滤波的电池荷电状态估计方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5520657B2 (ja) * 2010-03-30 2014-06-11 古河電気工業株式会社 充電率推定方法、充電率推定装置及び二次電池電源システム

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110208703A (zh) * 2019-04-24 2019-09-06 南京航空航天大学 基于温度修正的复合等效电路模型对荷电状态估计的方法
CN110412472A (zh) * 2019-09-02 2019-11-05 西北工业大学 一种基于正态伽马滤波的电池荷电状态估计方法

Also Published As

Publication number Publication date
CN112989690A (zh) 2021-06-18

Similar Documents

Publication Publication Date Title
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
Wang et al. A framework for state-of-charge and remaining discharge time prediction using unscented particle filter
Lin et al. State of charge estimation with the adaptive unscented Kalman filter based on an accurate equivalent circuit model
Chen et al. Battery state of charge estimation based on a combined model of Extended Kalman Filter and neural networks
CN112034349B (zh) 锂电池健康状态在线预估方法
CN112444749B (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
CN111505506A (zh) 一种多尺度卡尔曼滤波与无迹卡尔曼滤波融合的电池soc估算方法
CN113156321B (zh) 一种锂离子电池荷电状态soc的估算方法
CN106405434B (zh) 电池荷电状态的估计方法
Wang et al. Adaptive state-of-charge estimation method for an aeronautical lithium-ion battery pack based on a reduced particle-unscented kalman filter
CN112098849B (zh) 基于求积分卡尔曼滤波的锂电池剩余电量估计方法
CN112986831A (zh) 一种基于相关系数粒子滤波的锂离子电池寿命预测方法
CN112269133B (zh) 一种基于预充电路模型参数识别的soc估计方法
CN113608126B (zh) 一种不同温度下的锂电池soc在线预估方法
CN109752660B (zh) 一种无电流传感器的电池荷电状态估计方法
CN115863805A (zh) 一种基于模型预测控制的电动汽车快速充电方法及装置
CN112557906A (zh) 一种动力电池全生命周期内soc和容量在线联合估计方法
CN112305426B (zh) 一种多约束条件下的锂离子电池功率状态估计系统
CN115656848A (zh) 一种基于容量修正的锂电池soc估算方法
CN115407205A (zh) 考虑温度影响的多时间尺度soc和soh协同估计方法
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
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
CN114740385A (zh) 一种自适应的锂离子电池荷电状态估计方法
CN113466728B (zh) 一种两阶段电池模型参数在线辨识的方法与系统
CN111965548B (zh) 一种基于状态估计法的电池系统传感器故障诊断方法

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