CN113625182A - 一种对电池状态进行在线估计的方法 - Google Patents

Abstract

本发明公开了一种对电池状态进行在线估计的方法，在等效电路模型中，动态电池参数由SOC和输入电流的多项式函数描述，以便优化使用；然后，设计了基于优化的MHE估计算法以及基于LSTM神经网络的测量方法；最后，通过UKF将观测值与估计值进行非线性处理，用于参数和SOC状态在线评估；本方法可以有效提高电池状态估计精度。

Description

一种对电池状态进行在线估计的方法

技术领域

本发明属于电动汽车荷电状态(SOC)估计的技术领域，具体涉及一种对电池状态进行在线估计的方法。

背景技术

准确的荷电状态(SOC)估计对于消除里程焦虑和提高电动汽车的驾驶信心至关重要。

通常，广泛使用的基于模型的估计策略大致可分为基于滤波和基于优化的两类。基于滤波器的方法是最经典和最常用的技术，如用于非线性系统的Kalman滤波器(KF)和Unscented Kalman滤波器(UKF)、扩展Kalman滤波器(EKF)及其变体。另一种估计策略是基于优化的方法，它将状态观测问题转化为线性或非线性优化问题。基于KF的方法虽然易于实现，计算量小，但不能很好地处理观测状态的约束条件，不能很好地利用历史测量进行状态观测。因此，基于优化的方法似乎是一个更好的选择，特别是对于慢动态系统，如SOC估计。

滚动时域估计(MHE)是一种基于优化的方法，它通过最小化非线性模型与过去测量的有限或无限时域之间的偏差来寻找动态系统状态估计的最优解。因此，当使用全视界的所有历史测量值时，MHE也被视为一个全信息估计器。在实际应用中，由于计算负担随着测量窗口大小的增加而增加，所以使用固定的时间范围。

在MHE中，一个有约束的优化程序是寻找与过去传感器测量的有限时间内的测量值和当前系统状态相匹配的最佳状态轨迹。基于数学描述模型和动态系统的历史行为对求解进行了优化。然后选择解的第一部分作为当前状态估计的结果，利用系统状态信息的更新和历史测量值的前移来解决移动时域优化问题。

长短期记忆神经网络(LSTM)可以将温度这一对SOC影响较大的参数引入到对SOC估计的过程中，可以对温度变化时复杂的电池行为进行建模，并根据电压、电流、温度等参数进行估算电池SOC。

发明内容

有鉴于此，本发明提供了一种对电池状态进行在线估计的方法，能够提高对电池状态的估计精度。

实现本发明的技术方案如下：

一种对电池状态进行在线估计的方法，包括以下步骤：

步骤一、在各采样时刻，采集电池动态等效模型的电阻电容集成回路的状态信息，所述状态信息包括电压、电池SOC、欧姆电压、模型开路电压、可变内阻的阻值和极化电阻阻值；

步骤二、利用无噪声状态传播的非线性模型及步骤一所述的状态信息建立在线估计电池状态信息的MHE流程图；

步骤三、以测量窗口测得的历史状态信息和控制输入的取值范围为约束条件，求解使得系统控制输入和输出误差最小的状态信息和系统控制输入，从而获得下一时刻的电池状态信息，作为电池SOC的估计值；

步骤四、基于步骤一采集的状态信息，构建用于预测电池状态信息的长短期记忆神经网络(LSTM)模型；

步骤五、利用车辆不同工况的电池状态信息训练所述LSTM模型；

步骤六、利用步骤五训练好的LSTM模型在线预测电池状态信息，作为电池SOC的观测值；

步骤七、将电池SOC的估计值和观测值通过无迹卡尔曼滤波(UKF)进行数据融合，最终得到电池的SOC。

进一步地，步骤三中的优化问题的表达式为：

obj:minJ(x,u)

s.t,:x_i+1＝f(x_i,u_i)

x_d≤x_i≤x_up i＝k-N,···,k

u_d≤u_i≤u_up i＝k-N,···,k-1

x∝X

其中，集合X是系统状态的可行值，J(x,u)为目标函数，表示为：

其中，x_i表示i时刻的系统状态向量，N为滚动时域估计窗口的大小，k是当前系统的迭代采样时刻，z_i为i时刻外部传感器测量值，u_i为i时刻测量系统的控制输入，

为i时刻观测系统的控制输入，Q_i为i时刻过程噪声的协方差，R_i为i时刻高斯白噪声的协方差，h(x_i)为观测系统的控制输出(即为系统测量值)，x_d与x_up为系统状态向量的上、下边界约束值，u_up与u_d为观测系统控制输入的上、下边界约束值，ΔT为离散时间系统的采样周期，τ_i为i时刻RC极化时间常数，U_p,i表示i时刻极化电压降，S_i为i时刻电池SOC，R_P为极化电阻,η为法拉第效率,Q_C为考虑电池老化的电池更新容量。

进一步地，步骤四中，以环境温度、电池电流和端电压作为输入层的输入矢量。

进一步地，步骤五中，所述车辆不同工况包括上坡工况、下坡工况、平缓路面工况和坡路转换工况。

有益效果：

1、本发明将MHE方法应用于电池SOC估计可以充分利用历史状态信息进行估计，提高初始猜测值和参数不确定的估计精度。

2、与传统的电池SOC估计方法相比，本发明的MHE方法具有更快的收敛速度以及更强的鲁棒性。

3、本发明将LSTM神经网络应用于电池SOC测量可以充分利用神经网络对于大量数据进行学习的能力，提高测量精度。

4、本发明将MHE与LSTM通过UKF结合的电池状态估计方法，在估计值与测量值之间进行数据融合，进一步提高了电池状态信息的估计精度。

附图说明

图1为动力电池的等效电路模型。

图2为滚动时域估计的原理图。

图3为滚动时域估计电池状态的流程图。

图4为LSTM神经网络单元。

图5为本发明提供的基于优化的对电池状态进行在线估计的方法的流程图。

具体实施方式

下面结合附图并举实施例，对本发明进行详细描述。

本发明提供了一种对电池状态进行在线估计的方法，如图5所示，具体包括以下过程：

步骤一、在各采样时刻，采集电池动态等效模型的电阻电容集成回路的状态信息，所述状态信息包括电压、电池SOC、欧姆电压、模型开路电压、可变内阻的阻值和极化电阻阻值，并建立系统的状态方程；

首先建立动力电池的等效电路模型，如图1所示，其中各项参数如下所示：

U_ocv＝iR_o+U_p+U_t

τ＝C_pR_p

其中，U_OCV为开路电压；i为充电或放电电流；R_O为欧姆电阻，U_P为极化电压降，具体为RC串联回路的电压，通过使用集成RC环捕获电池电压降的瞬态；U_t为端电压；C_P为极化电容；R_P为极化电阻，；S∈[0,100],为电池SOC；η为法拉第效率；Q_C为考虑电池老化的电池更新容量；τ为RC极化时间常数。

动态电池模型的非线性差分方程可以根据一阶泰勒展开式写为离散时间系统的方程：

U_t,k+1＝U_o,k(s_k)-i_kR_o,k-U_p,k

其中ΔT为离散时间系统的采样周期，以上所有参数的下标k和k+1分别表示采样时间步长的状态。

由动态电池模型的非线性差分方程，电池动态模型的状态空间可以表示为：

然后进行电池参数采集：

精确的电压行为建模是电池控制策略设计和内部状态估计的必要条件。采用市售NMC三元锂离子电池进行了动态性能测试。首先，使蓄电池完全充电至上限切断电压，直到电流降至标称最小值。然后，使蓄电池以恒流相放电至较低的截止电压。重复试验，直到试验结果的放电容量之差低于额定值，然后校准实际容量。利用混合脉冲功率特性测试(HPPC)可以获得电池的物理参数。在每个SOC间隔期间，在不同的脉冲电流下进行HPPC测试，获取欧姆电阻和极化相关参数。

对于典型的三元锂电池，其OCV随SOC的增加而单调增加。建立了描述OCV与SOC关系的多项式OCV模型，

其中，OCV为开路电压，a_i为OCV模型多项式拟合函数的系数。

内部欧姆电阻、电阻和极化时间常数与通电电流和SOC有关。它们的多项式拟合函数可以描述为：

其中，a_jk为多项式拟合函数的系数；参数采集过程中获得的电池端电压、内阻、极化电阻和时间常数等参数可用于动态电池模型的SOC估计。

步骤二、利用无噪声状态传播的非线性模型及步骤一所述的状态信息建立在线估计电池状态信息的MHE流程图；

取步骤一中获取的估计时域内的动力电池参数，将其放入MHE中进行优化问题求解，得到下一时刻的动力电池参数，如此循环迭代进行求解估计。

步骤二中所述的在线估计电池状态和参数的MHE流程图，具体包括：

电池状态估计动态系统的离散时间非线性差分方程可以表示为：

式中，f(x)是非线性系统的数学描述与步骤一中的状态空间方程相对应即：

y_k是系统测量值；w是协方差为Q均值为零的过程噪声，v是协方差为R均值为零的高斯白噪声。

选择x_k＝[U_p S]^T作为采样时刻t_k的状态向量；其中U_p为偏振电压降，具体为电阻电容集成回路的电压，通过使用集成RC环捕获电池电压降的瞬态；S为电池模型SOC。u_k＝i_k为系统控制输入，选择端电压为系统测量值，即y_k＝U_tk。

建立在线估计电池状态信息的MHE流程图如图3所示，取测量窗口为N(选取k-N到k时刻的动态电池模型的历史状态信息以及电池端电压的历史测量值)，将测量窗口内的历史状态信息放入MHE中进行优化问题求解，得到下一时刻k+1时刻的电池状态信息，最后进行状态信息更新，如此反复迭代求解，优化问题求解具体过程如步骤三中所示。

步骤三、以测量窗口测得的历史状态信息和控制输入的取值范围为约束条件，求解使得系统控制输入和输出误差最小的状态信息和系统控制输入，从而获得下一时刻的电池状态信息，作为电池SOC的估计值；

在MHE中，受约束的优化问题是找到满足测量窗口[k-N,k]的最佳状态轨迹。MHE方法是一种基于优化的方法，因此在线规划中易于处理非线性系统和观测变量的不等式约束。优化问题可以描述为：

obj:minJ(x,u)

s.t,:x_i+1＝f(x_i,u_i)

x_d≤x_i≤x_up i＝k-N,···,k

u_d≤u_i≤u_up i＝k-N,···,k-1

x∝X

优化问题的目的是寻找一个使系统控制输入和输出误差最小的最优状态轨迹，当前时刻的系统控制输入由最小化目标函数求得，使其接近当前时刻的控制输入的估计值，所以控制系统输入的取值为N个，由电池状态估计动态系统的离散时间非线性差分方程可知，下一时刻系统状态向量的估计需要当前时刻的系统状态向量，故取值包括当前时刻的系统状态向量，为N+1个。

其中集合X是系统状态的可行值，J(x,u)为目标函数，可以表示为，

其中，x_i表示i时刻的系统状态向量，N滚动时域估计窗口的大小，k是当前系统的迭代采样时刻，z_i为i时刻外部传感器测量值，u_i为i时刻测量系统的控制输入，

为i时刻观测系统的控制输入，Q_i为i时刻过程噪声的协方差，R_i为i时刻高斯白噪声的协方差，h(x_i)为观测系统的控制输出(即为系统测量值)，x_d与x_up为系统状态向量的上、下边界约束值，u_up与u_d为观测系统控制输入的上、下边界约束值。最小化目标函数，可以使MHE在等式和不等式约束下，寻找一个使系统控制输入和输出误差最小的最优状态轨迹。优化问题中的状态约束可以保证估计状态的物理意义，加快估计收敛时间。在该方法首先对系统的当前状态进行平移，然后根据当前状态的估计值，对系统的最优解进行更新。

组合目标函数以及电池状态估计动态系统的离散时间非线性差分方程，对于测量可得，

Y_k＝{y_i:i＝k-N}

当N＝0时，优化过程为滤波问题；对于N大于0为MHE问题；对于N小于0为模型预测控制(MPC)问题。在MPC中，与MHE一样，在考虑未来行为的动态系统控制中，求解一个固定窗口大小的约束优化问题。然后利用更新的系统状态信息和前向移动的时域来求解最优控制问题。

图2中展示了MHE在有限长度窗口条件下的目标函数的原理，目标函数是两个误差源的综合，系统输出和控制输入误差在测量值和预测值之间，这里是SOC估计算法中的终端电压误差和控制电流误差。优化通过在有限范围内减小先验估计的偏差来考虑过去测量数据的影响。目标函数是有限窗口条件下状态轨迹拟合的典型最小二乘问题。当新的测量值可用时，估计窗口将丢弃旧的测量值。固定大小的视界移到下一个迭代，以确定接下来的状态估计过程。通过设计的目标函数可以对拟合性能进行评价。在目标函数中，测量轨迹的总数比控制输入轨迹长一个采样步长，这是因为当前系统状态是由控制输入的前一步决定的。

步骤四、基于步骤1采集的状态信息，构建用于预测电池状态信息的长短期记忆神经网络(LSTM)模型；

使用LSTM测量SOC的原理如图3所示，其中对于输入层，环境温度、电池电流和端电压形成输入矢量，LSTM层的输出向量首先经过完全连接的层，然后经过输出层生成估计的SOC值。

步骤五、利用车辆不同工况的电池状态信息训练所述LSTM模型；

如图4所示，首先使用从上坡工况、下坡工况、平缓路面工况、坡路转换工况在室温条件下收集的数据的个数的95％对LSTM网络进行离线训练，得到与四个工况对应的四个参数集，每个参数集中有四组参数，分别为遗忘门的权重矩阵和偏置项、遗忘门的权重矩阵和偏置项、输出门的权重矩阵和偏置项以及计算单元状态的权重矩阵和偏置项，然后每个工况中剩余5％的数据对网络进行性能评估验证。均方根误差(RMSE)和平均绝对误差(MAE)可用于评估训练网络的估计性能：

其中工况识别过程为：

采集车辆行驶的速度、横摆角速度、俯仰角速度、侧倾角速度，通过四个参数可以识别汽车行驶的工况：上坡、下坡、平缓路面、坡路转换工况，从而可以对应向LSTM系统进行对应的实时参数更新。

其中MAE衡量估计与相应结果的接近程度，表征误差变化的RMSE比MAE对大误差更敏感。

步骤六、利用步骤五训练好的LSTM模型在线预测电池状态信息，作为电池SOC的观测值；

对训练好的网络模型，可以识别工况后调取离线训练好的参数进行在线测得电池SOC，输入环境温度、电池电流以及端电压，得到电池SOC的观测值：

y_k＝LSTM_k＝g(SOC_k)+v_k

其中y_k神经网络系统在线对电池状态信息的测量值。

步骤七、将电池SOC的估计值和观测值通过无迹卡尔曼滤波(UKF)进行数据融合，最终得到电池的SOC。

MHE估计对于电池SOC的估计值为：

x_k＝{soc_i:i＝k-N}＝f(soc_k)+w_k

MHE方法得到的系统状态向量与LSTM得到的系统状态向量均符合正态分布。

对于电池SOC的估计值以及观测值：

其中χ_k+1和Y_k+1均为对估计值以及观测值进行UKF处理得到的sigma点，均为2N+1个，

为sigma点的权重。

协方差计算公式：

其中加权矩阵计算公式：

假设估计过程噪声和测量过程噪声均为具有协方差Q和R均值为σ的高斯白噪声；可以通过调整α和β来获得更高的逼近阶。

最后通过卡尔曼滤波校正得到最终的电池SOC：

x_k+1∣k+1＝x_k+1∣k+K_k+1(z_k+1-y_k+1)

SOC_K+1＝x_k+1∣k+1

其中K_k+1为k+1时刻的卡尔曼增益，

为k+1时刻的滤波协方差，x_k+1∣k+1为最终滤波值，即最终的k+1时刻的电池状态向量，其中包含电池SOC。

综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种对电池状态进行在线估计的方法，其特征在于，包括以下步骤：

步骤一、在各采样时刻，采集电池动态等效模型的电阻电容集成回路的状态信息，所述状态信息包括电压、电池SOC、欧姆电压、模型开路电压、可变内阻的阻值和极化电阻阻值；

步骤二、利用无噪声状态传播的非线性模型及步骤一所述的状态信息建立在线估计电池状态信息的MHE流程图；

步骤三、以测量窗口测得的历史状态信息和控制输入的取值范围为约束条件，求解使得系统控制输入和输出误差最小的状态信息和系统控制输入，从而获得下一时刻的电池状态信息，作为电池SOC的估计值；

步骤四、基于步骤一采集的状态信息，构建用于预测电池状态信息的LSTM模型；

步骤五、利用车辆不同工况的电池状态信息训练所述LSTM模型；

步骤六、利用步骤五训练好的LSTM模型在线预测电池状态信息，作为电池SOC的观测值；

步骤七、将电池SOC的估计值和观测值通过无迹卡尔曼滤波进行数据融合，最终得到电池的SOC。

2.如权利要求1所述的一种对电池状态进行在线估计的方法，其特征在于，步骤三中的优化问题的表达式为：

obj:min J(x,u)

s.t,:x_i+1＝f(x_i,u_i)

x_d≤x_i≤x_up i＝k-N,···,k

u_d≤u_i≤u_up i＝k-N,···,k-1

x∝X

其中，集合X是系统状态的可行值，J(x,u)为目标函数，表示为：

其中，x_i表示i时刻的系统状态向量，N为滚动时域估计窗口的大小，k为当前系统的迭代采样时刻，z_i为i时刻外部传感器测量值，u_i为i时刻测量系统的控制输入，

为i时刻观测系统的控制输入，Q_i为i时刻过程噪声的协方差，R_i为i时刻高斯白噪声的协方差，h(x_i)为观测系统的控制输出，x_d与x_up为系统状态向量的上、下边界约束值，u_up与u_d为观测系统控制输入的上、下边界约束值，ΔT为离散时间系统的采样周期，τ_i为i时刻RC极化时间常数，U_p,i表示i时刻极化电压降，S_i为i时刻电池SOC，R_P为极化电阻,η为法拉第效率,Q_C为考虑电池老化的电池更新容量。

3.如权利要求1所述的一种对电池状态进行在线估计的方法，其特征在于，步骤四中，以环境温度、电池电流和端电压作为输入层的输入矢量。

4.如权利要求1所述的一种对电池状态进行在线估计的方法，其特征在于，步骤五中，所述车辆不同工况包括上坡工况、下坡工况、平缓路面工况和坡路转换工况。

Images