CN113138344B - 一种基于分数阶扩展卡尔曼滤波算法的soc估计方法 - Google Patents
一种基于分数阶扩展卡尔曼滤波算法的soc估计方法 Download PDFInfo
- Publication number
- CN113138344B CN113138344B CN202110463375.1A CN202110463375A CN113138344B CN 113138344 B CN113138344 B CN 113138344B CN 202110463375 A CN202110463375 A CN 202110463375A CN 113138344 B CN113138344 B CN 113138344B
- Authority
- CN
- China
- Prior art keywords
- soc
- model
- fractional order
- population
- value
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000001914 filtration Methods 0.000 title claims abstract description 21
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 claims abstract description 53
- 229910052744 lithium Inorganic materials 0.000 claims abstract description 53
- 230000002068 genetic effect Effects 0.000 claims abstract description 17
- 238000004364 calculation method Methods 0.000 claims abstract description 4
- 238000005457 optimization Methods 0.000 claims description 19
- 238000007599 discharging Methods 0.000 claims description 12
- 108090000623 proteins and genes Proteins 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 238000009396 hybridization Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 230000035772 mutation Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000002474 experimental method Methods 0.000 claims description 5
- 230000010287 polarization Effects 0.000 claims description 5
- 239000003990 capacitor Substances 0.000 claims description 4
- 230000006978 adaptation Effects 0.000 claims description 3
- 230000006399 behavior Effects 0.000 claims description 3
- 239000012634 fragment Substances 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 108700026215 vpr Genes Proteins 0.000 description 1
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
Abstract
本发明公开了一种基于分数阶扩展卡尔曼滤波算的SOC估计方法,该方法包括建立锂电池分数阶二阶等效电路模型;确定电路各参数与SOC的函数关系,建立锂电池的状态空间方程;首先对参数初始化,采用自适应遗传算法对分数阶模型参数进行参数辨识;辨识出电池分数阶模型后,采用分数阶扩展卡尔曼滤波算法进行SOC估计;本发明通过自适应遗传算法对分数阶模型进行参数辨识,并结合分数阶扩展卡尔曼滤波算法估计锂电池SOC,解决了整数阶模型不够精准、无法很好描述电池工况特性的问题,结合分数阶扩展卡尔曼滤波算法,利用过去数据的信息,提高了锂电池SOC估计的精度和鲁棒性。
Description
技术领域
本发明涉及锂电池荷电状态估计领域,具体来说是一种基于分数阶扩展卡尔曼滤波算法的SOC估计方法。
背景技术
随着清洁绿色能源理念的提出,电动汽车得到快速发展,而锂电池作为电动汽车能源核心,对锂电池的研究也成为当下热点。
目前,锂电池SOC估计主要有传统基于电池特性方法如安时积分法,基于数据驱动的方法,如神经网络等,基于电池模型和观测器技术的方法,基于模型和观测器技术方法研究的最为广泛,主要采用的锂电池的等效电路模型结合卡尔曼滤波技术估计电池SOC,对于锂电池等效电路模型,研究的最多的是整数阶等效电路模型;但是整数阶等效电路模型并不契合锂电池的实际特性,而且不同模型的选择误差较大;伴随着分数阶微积分理论的应用发展,分数阶系统更适用于锂电池这样一个具有迟滞效应的非线性系统。
因此,采用分数阶理论构建的锂电池等效电路模型和SOC估计系统,更契合实际锂电池的工作状况,相比传统整数阶等效电路模型更加精准。
发明内容
针对现有技术的不足,本发明提出了一种基于分数阶扩展卡尔曼滤波算法的SOC估计方法。
本发明所采用的技术方案是:
1、一种基于分数阶扩展卡尔曼滤波算法的SOC估计方法,主要包括以下步骤:
S1:建立锂电池分数阶二阶等效电路模型;
S2:确定等效电路各参数与SOC的函数关系,建锂电池的状态空间方程;
S3:初始化参数,采用自适应遗传算法对分数阶模型进行参数辨识;
S4:初始化状态变量,用分数阶扩展卡尔曼滤波算法估计锂电池SOC。
较佳地,锂电池等效电路模型采用分数阶二阶等效电路模型,电路参数包括:欧姆内阻R0,极化电阻R1、R2,极化电容C1、C2,分数阶电容的阶数α、β。
进一步地,S2,确定等效电路各参数与SOC的函数关系,建立基于锂电池的状态空间方程:
S2.1:以30A的定电流对充满电的电池进行脉冲放电,每次放电6min即0.1SOC值,放电结束后将电池静置2h,记录电池开路电压,重复上述操作10次;
S2.2:根据实验测得10组Uoc与SOC关系的数据点,将SOC作为变量,通过公式(4)对Uoc与SOC的数据点做八阶拟合,从而得到Uoc与SOC的函数:
Uoc(SOC)=p1SOC8+p2SOC7+p3SOC6+p4SOC5+p5SOC4+p6SOC3+p7SOC2+p8SOC+p9
S2.3:根据锂电池等效电路模型与回路电压关系,表示出各参数与SOC的关系:
观测方程:
U0=Uoc(SOC)-R0I-U1-U2
U0为端电压,Ts为采样时间,Qn为电池容量,Dα、Dβ为分数阶微积分算子;
S2.4:引入求解分数阶系统最常用的G-L定义:
l是记忆长度,即[t/Ts]的整数部分,表示当前的状态与过去l个采样点有关,为了防止计算量随时间增大,只考虑[t-l,t]范围内的数据点,/>为牛顿二项式系数:
S2.5:结合S2.4的分数阶微积分算子求解定义,将S2.3中方程差分离散化:
S2.5:进一步简化得到:
式中xk、yk分别为k时刻的状态变量、观测量,Ak为状态转移矩阵,Bk是输入矩阵,uk为输入量,Ck为输出矩阵;wk、vk为系统的过程噪声和观测噪声。
进一步地,S3,初始化参数,采用自适应遗传算法对分数阶模型进行参数辨识:
S3.1:首先初始化种群,设置种群数目,这里设置数目为200,随后使用随机序列产生初始种群,即所求参数的初始值;
S3.2:对前一步产生的初值进行编码,采用二进制码,用二进制码表示个体的基因;这一步是将所辨识的参数编码为基因的表达形式;
S3.3:对种群进行“杂交”,即交换部分基因片段也就是部分二进制码,“杂交”后产生的新个体就即为子代;
S3.4:模拟生物遗传进化过程的变异行为,随机在子代基因中产生变异,变异可以防止参数辨识过程中,参数落入局部最优解的范围;
S3.5:对经过杂交、变异过后的子代进行解码,就得到子代种群每个个体对应参数值,将参数值带入分数阶模型中,输入电流得到模型预测输出电压U0;
S3.6:以建立分数阶模型为基础,确定优化问题和优化目标;如式,参数辨识的优化目标,为测量输出电压值Uolt与模型预测输出电压值U0之差的平方和的最小值;
其中,M为所测数据的长度,VJ(i)为端电压误差平方和,作为后代选择的基准,适应性条件是对比测量和模型输出端电压误差值,对种群中VJ(i)最小的个体求其端电压误差最大值er,基于此本遗传算法设置优化目标er≤0.008;
为了选出更优子代,这里拉大样本之间的差距,更明显区别子代个体差异,构建适应度函数如式:
其中,N表示当前的种群,VJmax为种群N中测量得到的输出与模型预测的输出之间的差值平方和的最大值,VJ(i)为当前个体端电压误差平方和,J(i)为各个样本的适应度;
S3.7:将模型预测输出电压U0与测量输出电压值Uolt带入步骤一中的适应度函数中,判定个体是否符合优化目标条件;
若符合优化目标条件,则从子代中选取最符合条件的个体作为模型辨识得到的参数;若不符合优化目标条件,将对上一步中得到的子代进行择优选择,越接近所设定条件的子代被选区的概率越大,选取的个体形成新的种群,开始从S3.3到S3.7循环,重新进行下一轮的生物演化,直至符合适应性条件的个体出现或者达到所设定的繁衍代数;
S3.8:遗传算法的参数自适应,S3.3的杂交概率表示为:
CrossOverRat1(i)=K1(Jmax-J(i))/(Jmax-Jave),J(i)≥Jave
S3.4的变异概率表示为:
MutationRat1(i)=K3(Jmax-J(i))/(Jmax-Jave),J(i)≥Jave
其中,Jmax是种群中适应度最高的个体,Jave是种群适应度的平均值,上述公式适用于适应度大于平均值的个体;适应度小于平均值的个体对其杂交、变异概率直接赋值:
CrossOverRat2(i)=K2
MutationRat2(i)=K4
进一步地,S4,初始化状态变量,用分数阶扩展卡尔曼滤波算法估计锂电池SOC:
S4.1:初始化:
S4.2:分别求取k时刻状态变量以及观测量的预测值
S4.3:状态变量预测误差
误差协方差的预测值为:
S4.4:确定自适应扩展卡尔曼滤波的增益;
S4.5:观测量预测值的误差:
S4.6:利用观测量预测值的误差来修正状态变量预测值、观测量预测值及状态变量误差协方差的预测值,得出对应k时刻的估计值:
与现有锂电池SOC估计方法相比,本发明的优益效果是:
1、本发明通过引入分数阶微积分理论,建立分数阶等效电路模型,使得模型的精度相比传统整数阶等效电路得到大幅度提高,更契合锂电池的迟滞效应,提高锂电池SOC估计精度,解决传统整数阶模型匹配度和精度低的问题。
2、本发明提出的一种基于分数阶扩展卡尔曼滤波算法的SOC估计方法,采用自适应遗传算法对锂电池模型在线参数辨识,采用优化算法使得参数辨识的精度更高,进一步提高模型和SOC估计精度。
附图说明
图1是本发明较佳实施例的锂电池SOC估计流程图。
图2是本发明较佳实施例的锂电池分数阶二阶等效电路模型图。
图3是本发明较佳实施例的电流激励和电压响应波形图。
图4是本发明较佳实施例的脉冲放电工况下模型端电压误差图。
图5是本发明较佳实施例与传统方法锂电池SOC估计结果对比图。
图6是本发明较佳实施例与传统方法锂电池SOC估计结果误差对比图。
具体实施方式
下面结合附图对本发明做详细的说明:
如图1所示,一种基于分数阶扩展卡尔曼滤波算法的SOC估计方法,主要包括以下步骤:
S1:建立锂电池分数阶二阶等效电路模型;
S2:确定等效电路各参数与SOC的函数关系,建锂电池的状态空间方程;
S3:初始化参数,采用自适应遗传算法对分数阶模型进行参数辨识;
S4:初始化状态变量,用分数阶扩展卡尔曼滤波算法估计锂电池SOC。
所述S1,建立锂电池分数阶二阶等效电路模型,如图2所示。锂电池分数阶二阶等效电路模型参数包括欧姆内阻R0,极化电阻R1、R2,极化电容C1、C2,分数阶电容的阶数α、β。
根据电路模型与参数进入S2,确定等效电路各参数与SOC的函数关系,建立锂电池分数阶的状态空间方程。本发明的实例中,首先通过脉冲放电实验确定锂电池开路电压Uoc与SOC的关系,用八阶多项式拟合出Uoc与SOC的函数,具体步骤如下:
S2.1:以30A的定电流对充满电的电池进行脉冲放电,每次放电6min即0.1SOC值,放电结束后将电池静置2h,记录电池开路电压,重复上述操作10次;
S2.2:根据实验测得10组Uoc与SOC关系的数据点,将SOC作为变量,通过公式(4)对Uoc与SOC的数据点做八阶拟合,从而得到Uoc与SOC的函数:
Uoc(SOC)=p1SOC8+p2SOC7+p3SOC6+p4SOC5+p5SOC4+p6SOC3+p7SOC2+p8SOC+p9
S2.3:根据锂电池等效电路模型与回路电压关系,表示出各参数与SOC的关系:
观测方程:
U0=Uoc(SOC)-R0I-U1-U2
U0为端电压,Ts为采样时间,Qn为电池容量,Dα、Dβ为分数阶微积分算子;
S2.4:引入求解分数阶系统最常用的G-L定义:
l是记忆长度,即[t/Ts]的整数部分,表示当前的状态与过去l个采样点有关,为了防止计算量随时间增大,只考虑[t-l,t]范围内的数据点,/>为牛顿二项式系数:
S2.5:结合S2.4的分数阶微积分算子求解定义,将S2.3中方程差分离散化:
S2.5:进一步简化得到:
式中xk、yk分别为k时刻的状态变量、观测量,Ak为状态转移矩阵,Bk是输入矩阵,uk为输入量,Ck为输出矩阵;wk、vk为系统的过程噪声和观测噪声。
锂电池分数阶二阶等效电路模型的状态空间方程建立完成后,较佳实施例脉冲放电工况来进行锂电池参数辨识,采用美国城市道路循环工况(UDDS)作为锂电池实际工作的SOC估计工况,该工况的激励电流与响应电压如图3所示。
S3,初始化参数,采用自适应遗传算法对分数阶模型进行参数辨识:
S3.1:首先初始化种群,设置种群数目,这里设置数目为200,随后使用随机序列产生初始种群,即所求参数的初始值;
S3.2:对前一步产生的初值进行编码,采用二进制码,用二进制码表示个体的基因;这一步是将所辨识的参数编码为基因的表达形式,R1、R2、C1、C2、α、β基因长度分别为6、6、12、12、6、6;
S3.3:对种群进行“杂交”,即交换部分基因片段也就是部分二进制码,“杂交”后产生的新个体就即为子代;
S3.4:模拟生物遗传进化过程的变异行为,随机在子代基因中产生变异,变异可以防止参数辨识过程中,参数落入局部最优解的范围;
S3.5:对经过杂交、变异过后的子代进行解码,就得到子代种群每个个体对应参数值,将参数值带入分数阶模型中,输入电流得到模型预测输出电压U0;
S3.6:以建立分数阶模型为基础,确定优化问题和优化目标;如式,参数辨识的优化目标,为测量输出电压值Uolt与模型预测输出电压值U0之差的平方和的最小值;
其中,M为所测数据的长度,VJ(i)为端电压误差平方和,作为后代选择的基准,适应性条件是对比测量和模型输出端电压误差值,对种群中VJ(i)最小的个体求其端电压误差最大值er,基于此本遗传算法设置优化目标er≤0.008;
为了选出更优子代,这里拉大样本之间的差距,更明显区别子代个体差异,构建适应度函数如式:
其中,N表示当前的种群,VJmax为种群N中测量得到的输出与模型预测的输出之间的差值平方和的最大值,VJ(i)为当前个体端电压误差平方和,J(i)为各个样本的适应度;
S3.7:将模型预测输出电压U0与测量输出电压值Uolt带入步骤一中的适应度函数中,判定个体是否符合优化目标条件;
若符合优化目标条件,则从子代中选取最符合条件的个体作为模型辨识得到的参数;若不符合优化目标条件,将对上一步中得到的子代进行择优选择,越接近所设定条件的子代被选区的概率越大,选取的个体形成新的种群,开始从S3.3到S3.7循环,重新进行下一轮的生物演化,直至符合适应性条件的个体出现或者达到所设定的繁衍代数,因为第一步中对优化目标设置的要求极高,为防止出现长时间迭代演化,我们设定繁衍代数为10代;
S3.8:遗传算法的参数自适应,S3.3的杂交概率表示为:
CrossOverRat1(i)=K1(Jmax-J(i))/(Jmax-Jave),J(i)≥Jave
S3.4的变异概率表示为:
MutationRat1(i)=K3(Jmax-J(i))/(Jmax-Jave),J(i)≥Jave
其中,Jmax是种群中适应度最高的个体,Jave是种群适应度的平均值,上述公式适用于适应度大于平均值的个体;适应度小于平均值的个体对其杂交、变异概率直接赋值:
CrossOverRat2(i)=K2
MutationRat2(i)=K4
K1、K2、K3、K4均小于1,对其初始值分别设定为0.5、0.05、0.5、0.05。
参数辨识结束后,得到分数阶等效电路模型的参数,代入状态空间方程中,进入S4,采用分数阶扩展卡尔曼滤波算法进行SOC估计,具体步骤如下。
S4.1:初始化:
S4.2:分别求取k时刻状态变量以及观测量的预测值
S4.3:状态变量预测误差
误差协方差的预测值为:
S4.4:确定自适应扩展卡尔曼滤波的增益;
S4.5:观测量预测值的误差:
S4.6:利用观测量预测值的误差来修正状态变量预测值、观测量预测值及状态变量误差协方差的预测值,得出对应k时刻的估计值:
至此,一次SOC估计算法流程结束,接下来再次返回S4.2,进行下一轮的SOC估计。
本发明较佳实施例的脉冲放电工况下分数阶二阶等效模型端电压误差如图4所示;SOC估计结果如图5所示,并与传统递推最小二乘法离线参数辨识下的整数阶扩展卡尔曼滤波算法(IOM-EKF)估计SOC结果进行对比,误差如图6所示。从结果可以看出,本发明提供了一种精度高、跟随快、稳定性强的锂电池SOC估算算法;通过实时采集锂电池电压、电流数据,可以实时在线更新锂电池电路模型,并估算锂电池SOC,利用分数阶理论以及锂电池的迟滞效应,不仅提高了锂电池等效电路模型精度,而且SOC估计过程中利用过往数据信息,充分贴合锂电池的迟滞效应,在面对电流急剧变化的复杂工况,该算法依然能够稳定快速的跟踪,大幅度提高了锂电池SOC估计的精度,具有更好的鲁棒性,适用于复杂工况下的锂电池SOC估计,是一种应用新型算法的新实践。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (2)
1.一种基于分数阶扩展卡尔曼滤波算法的SOC估计方法,主要包括以下步骤:
S1:建立锂电池分数阶二阶等效电路模型,其电路参数包括欧姆内阻R0,极化电阻R1、R2,极化电容C1、C2,分数阶电容的阶数α、β;
S2:确定等效电路各参数与SOC的函数关系,建锂电池的状态空间方程,通过脉冲放电实验确定锂电池开路电压Uoc与SOC的关系,具体步骤如下:
S2.1:以30A的定电流对充满电的电池进行脉冲放电,每次放电6min即0.1SOC值,放电结束后将电池静置2h,记录电池开路电压,重复上述操作10次;
S2.2:根据实验测得10组Uoc与SOC关系的数据点,将SOC作为变量,通过公式(4)对Uoc与SOC的数据点做八阶拟合,从而得到Uoc与SOC的函数:
Uoc(SOC)=p1SOC8+p2SOC7+p3SOC6+p4SOC5+p5SOC4+p6SOC3+p7SOC2+p8SOC+p9
S2.3:根据锂电池等效电路模型与回路电压关系,表示出各参数与SOC的关系:
观测方程:
U0=Uoc(SOC)-R0I-U1-U2
U0为端电压,Ts为采样时间,Qn为电池容量,Dα、Dβ为分数阶微积分算子;
S2.4:引入求解分数阶系统最常用的G-L定义:
l是记忆长度,即[t/Ts]的整数部分,表示当前的状态与过去l个采样点有关,为了防止计算量随时间增大,只考虑[t-l,t]范围内的数据点,/>为牛顿二项式系数:
S2.5:结合S2.4的分数阶微积分算子求解定义,将S2.3中方程差分离散化:
S2.5:进一步简化得到:
式中xk、yk分别为k时刻的状态变量、观测量,Ak为状态转移矩阵,Bk是输入矩阵,uk为输入量,Ck为输出矩阵;wk、vk为系统的过程噪声和观测噪声;
S3:初始化参数,采用自适应遗传算法对分数阶模型进行参数辨识,具体步骤如下:
S3.1:首先初始化种群,设置种群数目,这里设置数目为200,随后使用随机序列产生初始种群,即所求参数的初始值;
S3.2:对前一步产生的初值进行编码,采用二进制码,用二进制码表示个体的基因;这一步是将所辨识的参数编码为基因的表达形式;
S3.3:对种群进行“杂交”,即交换部分基因片段也就是部分二进制码,“杂交”后产生的新个体就即为子代;
S3.4:模拟生物遗传进化过程的变异行为,随机在子代基因中产生变异,变异可以防止参数辨识过程中,参数落入局部最优解的范围;
S3.5:对经过杂交、变异过后的子代进行解码,就得到子代种群每个个体对应参数值,将参数值带入分数阶模型中,输入电流得到模型预测输出电压U0;
S3.6:以建立分数阶模型为基础,确定优化问题和优化目标;如式,参数辨识的优化目标,为测量输出电压值Uolt与模型预测输出电压值U0之差的平方和的最小值;
其中,M为所测数据的长度,VJ(i)为端电压误差平方和,作为后代选择的基准,适应性条件是对比测量和模型输出端电压误差值,对种群中VJ(i)最小的个体求其端电压误差最大值er,基于此本遗传算法设置优化目标er≤0.008;
为了选出更优子代,这里拉大样本之间的差距,更明显区别子代个体差异,构建适应度函数如式:
其中,N表示当前的种群,VJmax为种群N中测量得到的输出与模型预测的输出之间的差值平方和的最大值,VJ(i)为当前个体端电压误差平方和,J(i)为各个样本的适应度;
S3.7:将模型预测输出电压U0与测量输出电压值Uolt带入步骤一中的适应度函数中,判定个体是否符合优化目标条件;
若符合优化目标条件,则从子代中选取最符合条件的个体作为模型辨识得到的参数;若不符合优化目标条件,将对上一步中得到的子代进行择优选择,越接近所设定条件的子代被选区的概率越大,选取的个体形成新的种群,开始从S3.3到S3.7循环,重新进行下一轮的生物演化,直至符合适应性条件的个体出现或者达到所设定的繁衍代数;
S3.8:遗传算法的参数自适应,S3.3的杂交概率表示为:
CrossOverRat1(i)=K1(Jmax-J(i))/(Jmax-Jave),J(i)≥Jave
S3.4的变异概率表示为:
MutationRat1(i)=K3(Jmax-J(i))/(Jmax-Jave),J(i)≥Jave
其中,Jmax是种群中适应度最高的个体,Jave是种群适应度的平均值,上述公式适用于适应度大于平均值的个体;适应度小于平均值的个体对其杂交、变异概率直接赋值:
CrossOverRat2(i)=K2
MutationRat2(i)=K4
S4:初始化状态变量,用分数阶扩展卡尔曼滤波算法估计锂电池SOC,具体步骤如下:
S4.1:初始化:
S4.2:分别求取k时刻状态变量以及观测量的预测值
S4.3:状态变量预测误差
误差协方差的预测值为:
S4.4:确定自适应扩展卡尔曼滤波的增益;
S4.5:观测量预测值的误差:
S4.6:利用观测量预测值的误差来修正状态变量预测值、观测量预测值及状态变量误差协方差的预测值,得出对应k时刻的估计值:
2.根据权利要求1所述的一种基于分数阶扩展卡尔曼滤波算法的SOC估计方法,其特征在于:S4完成后,循环执行S4.2~S4.6。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110463375.1A CN113138344B (zh) | 2021-04-23 | 2021-04-23 | 一种基于分数阶扩展卡尔曼滤波算法的soc估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110463375.1A CN113138344B (zh) | 2021-04-23 | 2021-04-23 | 一种基于分数阶扩展卡尔曼滤波算法的soc估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113138344A CN113138344A (zh) | 2021-07-20 |
CN113138344B true CN113138344B (zh) | 2024-03-05 |
Family
ID=76816276
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110463375.1A Active CN113138344B (zh) | 2021-04-23 | 2021-04-23 | 一种基于分数阶扩展卡尔曼滤波算法的soc估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113138344B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114200328B (zh) * | 2022-01-20 | 2022-09-30 | 中国科学技术大学 | 一种非高斯Lévy噪声下的锂离子电池SOC估计方法 |
CN115015782B (zh) * | 2022-06-21 | 2024-03-08 | 盐城工学院 | 一种锂电池状态估计方法及系统 |
Citations (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102298329A (zh) * | 2011-08-19 | 2011-12-28 | 北京航空航天大学 | 一种基于自适应遗传算法的小型无人旋翼机动力学模型辨识方法 |
CN104392080A (zh) * | 2014-12-19 | 2015-03-04 | 山东大学 | 一种锂电池分数阶变阶等效电路模型及其辨识方法 |
CN107367699A (zh) * | 2017-09-14 | 2017-11-21 | 南京林业大学 | 一种基于分数阶模型的锂电池soc估算新方法 |
CN107544028A (zh) * | 2017-08-18 | 2018-01-05 | 南京航空航天大学 | 分数阶神经网络锂电池组soc在线估计方法 |
CN107957555A (zh) * | 2017-10-19 | 2018-04-24 | 重庆三峡学院 | 一种估算动力锂电池SoC的新方法 |
CN108872873A (zh) * | 2018-06-29 | 2018-11-23 | 长沙理工大学 | 一种基于ga-aukf的磷酸铁锂动力电池荷电状态联合估算方法 |
CN109713696A (zh) * | 2018-11-09 | 2019-05-03 | 杭州电子科技大学 | 考虑用户行为的电动汽车光伏充电站优化调度方法 |
CN110068772A (zh) * | 2019-05-06 | 2019-07-30 | 重庆大学 | 基于改进分数阶模型的锂离子电池荷电状态估计方法 |
CN110298060A (zh) * | 2019-04-30 | 2019-10-01 | 哈尔滨工程大学 | 一种基于改进自适应遗传算法的间冷燃气轮机状态空间模型辨识方法 |
JP2019185899A (ja) * | 2018-04-04 | 2019-10-24 | 三菱電機株式会社 | 蓄電池のヒステリシス電圧推定装置、およびこれを用いた蓄電池の残量推定装置、蓄電池の管理システム |
CN110502778A (zh) * | 2019-07-02 | 2019-11-26 | 江苏大学 | 一种基于卡尔曼滤波框架估算电池soc的自适应优化方法 |
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 |
CN111426956A (zh) * | 2020-05-12 | 2020-07-17 | 南京林业大学 | 考虑温度及迟滞效应的分数阶动力电池soc估算方法 |
CN111458646A (zh) * | 2020-05-25 | 2020-07-28 | 安徽理工大学 | 一种基于pso-rbf神经网络的锂电池soc估算方法 |
CN111626013A (zh) * | 2020-04-27 | 2020-09-04 | 南京航空航天大学 | 一种混合动力系统电池无迹卡尔曼soc估算方法 |
CN111624495A (zh) * | 2020-04-28 | 2020-09-04 | 合肥工业大学 | 基于深度置信网络优化ekf的锂电池soc区间估计方法和系统 |
CN111856282A (zh) * | 2019-04-19 | 2020-10-30 | 武汉理工大学 | 基于改进遗传无迹卡尔曼滤波的车载锂电池状态估计方法 |
CN111914485A (zh) * | 2020-08-07 | 2020-11-10 | 山东大学 | 一种基于分数阶技术的自适应动力电池soc估计方法及系统 |
CN111948560A (zh) * | 2020-07-30 | 2020-11-17 | 西安工程大学 | 基于多因子评估模型的锂电池健康状态估算方法 |
CN112069739A (zh) * | 2020-09-16 | 2020-12-11 | 中国海洋大学 | 电池分数阶模型参数辨识方法 |
CN112305440A (zh) * | 2020-09-27 | 2021-02-02 | 精进电动科技股份有限公司 | 一种电池剩余电量和健康状态联合估计方法 |
CN112327166A (zh) * | 2020-10-21 | 2021-02-05 | 合肥工业大学 | 基于分数阶平方根无迹卡尔曼滤波的锂电池soc估计方法 |
CN112649747A (zh) * | 2019-10-10 | 2021-04-13 | 西南科技大学 | 一种分数阶扩展卡尔曼的锂电池soc估算方法 |
CN114839550A (zh) * | 2022-04-14 | 2022-08-02 | 安徽理工大学 | 一种基于ukf-aukf的锂电池soc联合估计方法 |
CN116500475A (zh) * | 2023-04-28 | 2023-07-28 | 江苏果下科技有限公司 | 一种具有实时soc校正补偿的储能采集方法及系统 |
-
2021
- 2021-04-23 CN CN202110463375.1A patent/CN113138344B/zh active Active
Patent Citations (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102298329A (zh) * | 2011-08-19 | 2011-12-28 | 北京航空航天大学 | 一种基于自适应遗传算法的小型无人旋翼机动力学模型辨识方法 |
CN104392080A (zh) * | 2014-12-19 | 2015-03-04 | 山东大学 | 一种锂电池分数阶变阶等效电路模型及其辨识方法 |
CN107544028A (zh) * | 2017-08-18 | 2018-01-05 | 南京航空航天大学 | 分数阶神经网络锂电池组soc在线估计方法 |
CN107367699A (zh) * | 2017-09-14 | 2017-11-21 | 南京林业大学 | 一种基于分数阶模型的锂电池soc估算新方法 |
CN107957555A (zh) * | 2017-10-19 | 2018-04-24 | 重庆三峡学院 | 一种估算动力锂电池SoC的新方法 |
JP2019185899A (ja) * | 2018-04-04 | 2019-10-24 | 三菱電機株式会社 | 蓄電池のヒステリシス電圧推定装置、およびこれを用いた蓄電池の残量推定装置、蓄電池の管理システム |
CN108872873A (zh) * | 2018-06-29 | 2018-11-23 | 长沙理工大学 | 一种基于ga-aukf的磷酸铁锂动力电池荷电状态联合估算方法 |
CN109713696A (zh) * | 2018-11-09 | 2019-05-03 | 杭州电子科技大学 | 考虑用户行为的电动汽车光伏充电站优化调度方法 |
CN111856282A (zh) * | 2019-04-19 | 2020-10-30 | 武汉理工大学 | 基于改进遗传无迹卡尔曼滤波的车载锂电池状态估计方法 |
CN110298060A (zh) * | 2019-04-30 | 2019-10-01 | 哈尔滨工程大学 | 一种基于改进自适应遗传算法的间冷燃气轮机状态空间模型辨识方法 |
CN110068772A (zh) * | 2019-05-06 | 2019-07-30 | 重庆大学 | 基于改进分数阶模型的锂离子电池荷电状态估计方法 |
CN110502778A (zh) * | 2019-07-02 | 2019-11-26 | 江苏大学 | 一种基于卡尔曼滤波框架估算电池soc的自适应优化方法 |
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 |
CN112649747A (zh) * | 2019-10-10 | 2021-04-13 | 西南科技大学 | 一种分数阶扩展卡尔曼的锂电池soc估算方法 |
CN111626013A (zh) * | 2020-04-27 | 2020-09-04 | 南京航空航天大学 | 一种混合动力系统电池无迹卡尔曼soc估算方法 |
CN111624495A (zh) * | 2020-04-28 | 2020-09-04 | 合肥工业大学 | 基于深度置信网络优化ekf的锂电池soc区间估计方法和系统 |
CN111426956A (zh) * | 2020-05-12 | 2020-07-17 | 南京林业大学 | 考虑温度及迟滞效应的分数阶动力电池soc估算方法 |
CN111458646A (zh) * | 2020-05-25 | 2020-07-28 | 安徽理工大学 | 一种基于pso-rbf神经网络的锂电池soc估算方法 |
CN111948560A (zh) * | 2020-07-30 | 2020-11-17 | 西安工程大学 | 基于多因子评估模型的锂电池健康状态估算方法 |
CN111914485A (zh) * | 2020-08-07 | 2020-11-10 | 山东大学 | 一种基于分数阶技术的自适应动力电池soc估计方法及系统 |
CN112069739A (zh) * | 2020-09-16 | 2020-12-11 | 中国海洋大学 | 电池分数阶模型参数辨识方法 |
CN112305440A (zh) * | 2020-09-27 | 2021-02-02 | 精进电动科技股份有限公司 | 一种电池剩余电量和健康状态联合估计方法 |
CN112327166A (zh) * | 2020-10-21 | 2021-02-05 | 合肥工业大学 | 基于分数阶平方根无迹卡尔曼滤波的锂电池soc估计方法 |
CN114839550A (zh) * | 2022-04-14 | 2022-08-02 | 安徽理工大学 | 一种基于ukf-aukf的锂电池soc联合估计方法 |
CN116500475A (zh) * | 2023-04-28 | 2023-07-28 | 江苏果下科技有限公司 | 一种具有实时soc校正补偿的储能采集方法及系统 |
Non-Patent Citations (4)
Title |
---|
State of charge estimation for lithium-ion battery based on artificial neural network;Ying Wei 等;《2021 IAEAC》;2454-2458 * |
基于交互式多模型无迹卡尔曼滤波的锂电池荷电状态估计;谭霁宬;颜学龙;;科学技术与工程(12);175-180 * |
基于分数阶微积分的锂离子电池建模及多状态联合估计研究;张梦龙;《中国优秀硕士学位论文全文数据库工程科技II辑》(第2期);C042-3366 * |
电动汽车充电负荷空间分配优化算法;田文奇;和敬涵;姜久春;牛利勇;王小君;;电工技术学报(03);275-282 * |
Also Published As
Publication number | Publication date |
---|---|
CN113138344A (zh) | 2021-07-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109991542B (zh) | 基于wde优化lstm网络的锂离子电池剩余寿命预测方法 | |
CN113030752B (zh) | 一种基于变遗忘因子在线参数辨识和soc联合估计方法 | |
CN113138344B (zh) | 一种基于分数阶扩展卡尔曼滤波算法的soc估计方法 | |
CN110888058B (zh) | 一种基于动力电池soc和soh联合估计的算法 | |
CN109752656B (zh) | 一种在多时间尺度下用电动汽车电池soh评估方法 | |
CN111443293A (zh) | 一种基于数据驱动的锂电池健康状态soh估算方法 | |
CN110888059B (zh) | 基于改进随机森林联合容积卡尔曼的荷电状态估计算法 | |
CN110058160B (zh) | 基于平方根扩展卡尔曼滤波的锂电池健康状态预测方法 | |
CN113917334B (zh) | 基于进化lstm自编码器的电池健康状态估计方法 | |
CN114970332B (zh) | 基于混沌量子麻雀搜索算法的锂电池模型参数辨识方法 | |
CN113109717B (zh) | 一种基于特征曲线优化的锂电池荷电状态估算方法 | |
CN112684346A (zh) | 基于遗传卷积神经网络的锂电池健康状态估计方法 | |
CN114397577A (zh) | 一种基于astukf-gra-lstm模型的新能源汽车锂电池健康状态评估方法 | |
CN116298904A (zh) | 一种基于分数阶多新息双无迹卡尔曼滤波联合估计锂电池soc和soh的方法 | |
CN115754741A (zh) | 储能系统的soc估算方法及装置、设备及存储介质 | |
CN115902642A (zh) | 电池荷电状态估算方法、装置、电子设备及存储介质 | |
CN113495214B (zh) | 一种基于温度变化模型的超级电容荷电状态估计方法 | |
CN113850320A (zh) | 基于改进支持向量机回归算法的变压器故障检测方法 | |
CN110232432B (zh) | 一种基于人工生命模型的锂电池组soc预测方法 | |
CN113608126A (zh) | 一种不同温度下的锂电池soc在线预估方法 | |
CN116736133A (zh) | 锂离子电池全寿命周期容量退化轨迹的早期预测方法 | |
CN112014757A (zh) | 一种容量增量分析与遗传小波神经网络融合的电池soh估计方法 | |
CN116699414A (zh) | 一种基于ukf-lstm算法的锂电池soc估计方法与系统 | |
CN116774088A (zh) | 基于多目标优化的锂离子电池健康状态估计方法 | |
CN111337833A (zh) | 一种基于动态时变权重的锂电池容量集成预测方法 |
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 |