CN113777510A - 一种锂电池荷电状态估计方法及装置 - Google Patents

一种锂电池荷电状态估计方法及装置 Download PDF

Info

Publication number
CN113777510A
CN113777510A CN202111041189.5A CN202111041189A CN113777510A CN 113777510 A CN113777510 A CN 113777510A CN 202111041189 A CN202111041189 A CN 202111041189A CN 113777510 A CN113777510 A CN 113777510A
Authority
CN
China
Prior art keywords
lithium battery
sampling
noise
error
matrix
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.)
Pending
Application number
CN202111041189.5A
Other languages
English (en)
Inventor
朱卫平
袁晓冬
缪惠宇
凌超
史明明
曾飞
孙健
杨雄
肖小龙
郭佳豪
陆孝天
陈国旺
孙国强
臧海祥
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.)
State Grid Jiangsu Electric Power Co Ltd
Hohai University HHU
Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
State Grid Jiangsu Electric Power Co Ltd
Hohai University HHU
Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd
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 State Grid Jiangsu Electric Power Co Ltd, Hohai University HHU, Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd filed Critical State Grid Jiangsu Electric Power Co Ltd
Priority to CN202111041189.5A priority Critical patent/CN113777510A/zh
Publication of CN113777510A publication Critical patent/CN113777510A/zh
Pending legal-status Critical Current

Links

Images

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]
    • G01R31/385—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]
    • G01R31/367—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]
    • G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC

Abstract

本发明公开了一种锂电池荷电状态估计方法及装置，该方法首先使用多新息带遗忘因子的递推最小二乘法辨识电池参数，将标量新息拓展为新息向量，将增益向量拓展为增益矩阵，充分利用系统的输入输出所包含的参数信息，通过迭代的计算方式辨识系统参数，数据使用率更高，收敛速度快，参数辨识的准确性高。然后利用加权多新息自适应扩展卡尔曼滤波法估计电池SOC，在传统扩展卡尔曼滤波算法的基础上对噪声参数进行估计，然后通过利用多个时刻的新息向量来替换原本算法中使用当前时刻的新息对估计值的修正，并且新数据占有更高的权重，可以有效提升精度。

Description

一种锂电池荷电状态估计方法及装置
技术领域
本发明涉及储能系统运行、控制技术领域，尤其涉及一种锂电池荷电状态估计方法及装置。
背景技术
近年来，随着新能源电动汽车的快速发展，锂离子电池由于其高功率、高能量密度、可回收利用等优点，使其成为了新能源电动汽车的主要动力电池。发挥电动汽车动力电池的性能尤其重要，这就需要电池管理系统(battery management system,BMS)对电池的荷电状态进行精确估计，准确的估计电池荷电状态(state of charge,SOC)可以确保电池的最佳工作状态，从而有助于延长电池寿命，降低使用成本，提高新能源电动汽车的可靠性。
电池荷电状态是不能被直接测量的，仅能通过采集电池相关参数，建立模型后通过估算算法获得。递推最小二乘(recursive least squares,RLS)算法是一种容易实现的算法，但随着数据的增加会出现数据饱和的现象；带遗忘因子递推最小二乘法(forgettingfactor least squares algorithm,FFRLS)在其基础上引入了遗忘因子可以有效克服数据饱和的现象，但其要求系统输入具有遍历性和平稳性，且初值的选取对算法的辨识结果影响较大。
目前，国内外提出的SOC估计方法主要分为两大类，一类是基于电池物理特性的SOC估计方法，如安时积分法、开路电压法等；另一类是智能算法，如神经网络法、卡尔曼滤波法等。安时积分法对电池初始SOC值和测量电流的精度要求过高，而且容易产生累计误差；开路电压法是通过测量电池的开路电压进行SOC估算，但是需要长时间静置，无法实现在线检测；神经网络法需要依靠大量的样本进行数据训练才可以得到较高的精度。卡尔曼滤波法是线性系统中使用广泛的一类方法，扩展卡尔曼滤波法(extended Kalman filter，EKF)将其推广到了非线性系统中，EKF算法虽然考虑到了实际过程中的噪声，但是它假设噪声是不变的，这显然与实际不符，必定会给估计带来误差，而且传统EKF算法只利用当前时刻的信息来对估计值完成修正，这会给估计带来一定的误差。
发明内容
本发明的目的在于提供一种锂电池荷电状态估计方法及装置，采用的技术方案如下：
本发明一方面提供一种锂电池荷电状态估计方法，包括：
建立锂电池二阶RC等效电路的离散差分模型；
基于多新息辨识理论，将所述锂电池二阶RC等效电路的离散差分模型中的误差信息扩展为采样误差多新息矩阵；
对带采样误差多新息矩阵的锂电池二阶RC等效电路的离散差分模型进行参数辨识；
基于辨识后的参数和锂电池二阶RC等效电路的离散差分模型建立锂电池荷电状态模型；
基于多新息辨识理论，将锂电池荷电状态模型中的噪声误差信息扩展为噪声误差多新息矩阵；
对带噪声误差多新息矩阵的锂电池荷电状态模型进行求解，得到锂电池荷电状态估计量。
进一步的，所述建立锂电池二阶RC等效电路的离散差分模型，包括：
根据基尔霍夫定律，锂电池二阶RC等效电路的状态方程为：
Figure BDA0003249247670000021
其中，R0为锂电池的欧姆内阻，Ra和Ca表示锂电池的电化学极化电阻和极化电容，Rb和Cb表示锂电池的浓差极化电阻和浓差极化电容，Uoc(t)表示t时刻电池开路电压，UL(t)表示t时刻电池的端电压，IL(t)表示t时刻流过电池的电流，Ua(t)为Ra两端的电压，Ub(t)为Rb两端的电压；
离散化得到：
Figure BDA0003249247670000022
Figure BDA0003249247670000023
其中，k表示采样时刻，SOC(k)表示k采样时刻的锂电池荷电状态，Qn为锂电池容量，T为采样周期，η为锂电池库伦效率；
进行拉普拉斯变换得到z平面的传递函数为：
Figure BDA0003249247670000024
Figure BDA0003249247670000031
转化为离散的差分方程：
Figure BDA0003249247670000032
其中，I(k)是k采样时刻离散系统输入即锂电池电流，y(k)是k采样时刻离散系统输出，即锂电池端电压。
进一步的，将所述锂电池二阶RC等效电路的离散差分模型中的误差信息扩展为采样误差多新息矩阵包括：
锂电池二阶RC等效电路的离散差分模型中的采样误差表示为：
Figure BDA0003249247670000033
Figure BDA0003249247670000034
其中，e(k)为k采样时刻采样误差，θ为待辨识参数向量；
扩展为采样误差多新息矩阵为：
Figure BDA0003249247670000035
Figure BDA0003249247670000041
其中，E(p,k)为采样误差多新息矩阵，p为采样误差多新息矩阵中的新息个数。
进一步的，对带采样误差多新息矩阵的锂电池二阶RC等效电路的离散差分模型进行参数辨识，包括：
初始化待辨识参数向量，误差协方差矩阵和遗忘因子；
按如下进行迭代计算直至达到终止条件，输出锂电池参数辨识结果：
获取k采样时刻锂电池的量测电压及电流，计算增益矩阵K(k)：
K(k)＝P(k-1)*φ(p,k)/[λ*Ip+φT(p,k)*P(k-1)φ(p,k)]；
其中，λ为遗忘因子，Ip表示p阶单位矩阵；
更新辨识参数θ(k)：
θ(k)＝θ(k-1)+K(k)*E(p,k)；
更新误差协方差矩阵P(k)：
Figure BDA0003249247670000042
其中，λ为遗忘因子。
进一步的，所述遗忘因子λ取值为0.995。
进一步的，基于辨识后的参数和锂电池二阶RC等效电路的离散差分模型建立锂电池荷电状态模型，包括：
Figure BDA0003249247670000043
xk＝[Ua(k),Ub(k),SOC(k)]；
Figure BDA0003249247670000044
其中，k表示采样时刻，xk为k采样时刻状态变量，uk为k采样时刻离散系统输入即锂电池电流，yk为k采样时刻量测输出即锂电池端电压，wk和vk为k采样时刻高斯白噪声。
进一步的，将锂电池荷电状态模型中的噪声误差信息扩展为噪声误差多新息矩阵，包括：
Figure BDA0003249247670000051
其中，Ep,k为噪声误差多新息矩阵，
Figure BDA0003249247670000052
是根据k-1采样时刻状态变量的估计值
Figure BDA0003249247670000053
预测k采样时刻的估计值，p为噪声误差多新息矩阵中的新息个数。
进一步的，还包括：对不同的信息赋予权重，形成噪声参数的加权多信息矩阵：
Figure BDA0003249247670000054
Figure BDA0003249247670000055
Figure BDA0003249247670000056
Figure BDA0003249247670000057
其中，
Figure BDA0003249247670000058
为噪声参数的加权多信息矩阵，yk-j+1是k-j采样时刻的量测输出，
Figure BDA0003249247670000059
是根据k-j采样时刻状态变量的估计值预测k-j+1时刻输出的估计值，ek-j+1是矩阵Ep,k中第j个信息向量，αk-j+1是ek-j+1的权重，
Figure BDA00032492476700000510
是αk-j+1归一化后的值，σ2是噪声参数的方差。
进一步的，对带噪声误差多新息矩阵的锂电池荷电状态模型进行求解，包括：
初始化锂电池状态变量，噪声协方差矩阵和噪声方差矩阵；
按如下进行迭代计算直至达到终止条件，输出锂电池荷电状态：
计算状态估计值：
Figure BDA00032492476700000511
其中，
Figure BDA00032492476700000512
为k-1采样时刻状态变量的估计值；
预估噪声协方差：
Figure BDA0003249247670000068
其中，Qk-1为噪声wk-1的方差，Pk/k-1是根据k-1采样时刻的噪声协方差预估的k采样时刻的噪声协方差，Pk-1∣k-1为k-1采样时刻的噪声协方差估计值；
计算噪声参数的加权多信息矩阵：
Figure BDA0003249247670000061
计算卡尔曼增益矩阵：
Figure BDA0003249247670000062
其中，Rk为噪声rk的方差；
根据卡尔曼增益矩阵和噪声参数的加权多信息矩阵修正状态变量：
Figure BDA0003249247670000063
修正噪声协方差：
Pk∣k＝(I-KkCk)Pk∣k-1。
进一步的，计算过程中，噪声参数按如下方式更新：
Figure BDA0003249247670000064
其中，dk-1为中间变量，b为遗忘因子，qk为wk的均值，rk为vk的均值，Qk为wk的方差，Rk为vk的方差，
Figure BDA0003249247670000065
为状态变量在k采样时刻的估计值，
Figure BDA0003249247670000066
是根据采样k-1时刻状态变量的估计值
Figure BDA0003249247670000067
预测k采样时刻的估计值，Kk为k采样时刻的卡尔曼增益，ek为噪声误差，Pk为k采样时刻的噪声协方差。
进一步的，所述遗忘因子b取值为0.96。
本发明还提供一种锂电池荷电状态估计装置，包括：
第一构建模块，用于建立锂电池二阶RC等效电路的离散差分模型；
第一扩展模块，用于基于多新息辨识理论，将所述锂电池二阶RC等效电路的离散差分模型中的误差信息扩展为采样误差多新息矩阵；
辨识模块，用于对带采样误差多新息矩阵的锂电池二阶RC等效电路的离散差分模型进行参数辨识；
第二构建模块，用于基于辨识后的参数和锂电池二阶RC等效电路的离散差分模型建立锂电池荷电状态模型；
第二扩展模块，用于基于多新息辨识理论，将锂电池荷电状态模型中的噪声误差信息扩展为噪声误差多新息矩阵；
以及，
估计模块，用于对带噪声误差多新息矩阵的锂电池荷电状态模型进行求解，得到锂电池荷电状态估计量。
本发明达到的有益效果为：
本发明提出了一种锂电池荷电状态估计方法一方面使用多新息带遗忘因子的递推最小二乘法电池参数，充分利用系统的输入输出所包含的参数信息，通过迭代的计算方式辨识系统参数，数据使用率更高，收敛速度快，参数辨识的准确性高。另一方面利用加权多信息自适应扩展卡尔曼滤波法估计电池SOC，为了减小未知噪声对状态估计的影响，在EKF算法的基础上对噪声参数进行估计，然后通过利用多个时刻的信息向量来替换原本算法中使用当前时刻的信息对估计值的修正，并且新数据占有更高的权重，可以有效提升精度，具有工程应用价值。
附图说明
图1是锂电池二阶RC等效电路模型图；
图2是本发明中锂电池待辨识参数辨识流程图；
图3是本发明中锂电池荷电状态估计流程图；
图4是本发明实施例中所用锂电池OCV-SOC曲线图；
图5是本发明实施例中所用锂电池恒功率放电测试电流波形图；
图6是本发明实施例中所用锂电池循环动态压力测试电流波形图；
图7是本发明实施例中所用锂电池恒功率放电实验下的参数辨识端电压误差图；
图8是本发明实施例中所用锂电池循环动态压力放电实验下参数辨识端电压误差图；
图9在本发明实施例中所用锂电池恒功率放电实验下不同SOC算法误差对比图；
图10是本发明实施例中所用锂电池循环动态压力放电实验下不同SOC算法误差对比图。
具体实施方式
下面对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
本发明实施例提供一种锂电池荷电状态估计方法，包括以下步骤：
(1)建立锂电池二阶RC等效电路模型，并根据基尔霍夫定律，得到其状态方程式如下：
Figure BDA0003249247670000081
式中，R0为锂电池的欧姆内阻，Ra和Ca表示锂电池的电化学极化电阻和极化电容，Rb和Cb表示锂电池的浓差极化电阻和浓差极化电容，Uoc(t)表示t时刻锂电池开路电压，UL(t)表示t时刻锂电池的端电压，IL(t)表示t时刻流过锂电池的电流，取放电时为正，Ua(t)为Ra两端的电压，Ub(t)为Rb两端的电压。
将上式离散化，可得到离散化的状态空间模型如下：
Figure BDA0003249247670000082
其中，k表示采样时刻，SOC(k)表示采样时刻k的荷电状态，
Figure BDA0003249247670000083
式中，Qn为电池容量，T为采样周期，η为电池库伦效率。
(2)根据步骤(1)中所建立的锂电池电气量关系，对得到的状态方程式进行拉普拉斯变换：
Figure BDA0003249247670000084
s为拉普拉斯算子；
再采用双线性变换将其离散化，可得到z平面的传递函数：
Figure BDA0003249247670000091
式中，a1，a2，a3，a4，a5为相应的常数系数，
Figure BDA0003249247670000092
将上式(5)转化为离散系统的差分方程可得：
Figure BDA0003249247670000093
式中，I(k)是采样时刻k的系统输入，即流过锂电池的电流，y(k)是采样时刻k的系统输出，即锂电池端电压。
(3)建立锂电池参数辨识模型，令：
Figure BDA0003249247670000094
设k时刻的传感器采样误差为e(k)，得到：
Figure BDA0003249247670000095
(4)引入遗忘因子λ，计算增益矩阵。
(5)根据多新息理论，将标量信息扩展为新息矩阵，新息是指观测值和预估值的差值，
Figure BDA0003249247670000101
式中，p为新息矩阵中的新息个数；
Figure BDA0003249247670000102
(6)根据选取的锂电池端电压、工作电流数据，通过多新息带遗忘因子最小二乘算法对建立的二阶RC锂电池等效电路模型进行参数辨识，即对待辨识参数向量θ进行辨识，直到遍历所有数据点辨识结束，得出锂电池待辨识参数θ的辨识结果；
(7)建立锂电池离散状态方程如下：
Figure BDA0003249247670000103
xk＝[Ua(k),Ub(k),SOC(k)]
Figure BDA0003249247670000104
其中，k表示采样时刻，xk为采样时刻k的系统状态变量，uk为采样时刻k的系统输入信号即锂电池电流，yk为采样时刻k的量测输出即锂电池端电压，wk和vk为高斯白噪声，其均值分别为qk和rk，方差分别为Qk和Rk。
(8)对噪声参数进行估计，使其随着时间更新如下：
Figure BDA0003249247670000111
其中，dk-1为中间变量，b为遗忘因子，通常取值在0.95到0.99之间，这里取0.96，
Figure BDA0003249247670000112
为状态量在k时刻的估计值，
Figure BDA0003249247670000113
是根据k-1时刻状态变量的估计值
Figure BDA0003249247670000114
预测k时刻的估计值，Kk为k时刻的增益，ek为观测值和预估值的误差即新息，Pk为k时刻的误差协方差，Pk/k-1是根据模型预测出k-1时刻的误差协方差矩阵。
(9)将单信息ek扩展为多新息矩阵Ep,k：
Figure BDA0003249247670000115
其中，p为新息矩阵中的新息个数。
同时，增益矩阵和状态向量也需要更新如下：
Kp,k＝[Kk,Kk-1,…Kk-p+1] (14)
Figure BDA0003249247670000116
(10)对不同的新息赋予不同的权重，新数据所占的权重比旧数据所占权重更大，其函数关系如下：
Figure BDA0003249247670000117
Figure BDA0003249247670000118
其中，ek-j+1是信息矩阵Ep,k中第j个信息向量，αk-j+1是其权重，yk-j+1是k-j时刻的观测量，
Figure BDA0003249247670000119
是根据k-j时刻状态变量的估计值预测k-j+1时刻输出的估计值，σ2是噪声方差。
对权重进行归一化处理：
Figure BDA0003249247670000121
(11)根据选取的锂电池端电压、工作电流数据，以及多信息带遗忘因子最小二乘算法参数辨识的结果，结合OCV-SOC(电池开路电压-电池荷电状态)曲线，对电池荷电状态进行估计，直到遍历所有数据点估计结束，得出锂电池荷电状态的估计结果。
本发明实施例的步骤(6)中，根据选取的锂电池端电压、工作电流数据，通过多信息带遗忘因子最小二乘算法对建立的二阶RC锂电池等效电路模型进行参数辨识，即待辨识参数向量θ进行辨识，直到遍历所有数据点辨识结束，得出锂电池待辨识参数θ的辨识结果，参见图2，具体如下：
(6.1)初始化程序，为辨识参数向量θ、协方差矩阵P赋初值，并给遗忘因子λ赋初值，设定参数辨识终止条件，启动辨识程序；
(6.2)获取k时刻锂电池电压及电流量测，并对数据向量φ(k)和输出向量Y(k)赋初值；
(6.3)构建多信息矩阵E(p,k)和输出矩阵Y(p,k)；
(6.4)计算k时刻的增益矩阵K(k)：
K(k)＝P(k-1)*φ(p,k)/[λ*Ip+φT(p,k)*P(k-1)φ(p,k)] (19)
其中，Ip表示p阶单位阵；
(6.5)更新辨识参数θ(k)：
θ(k)＝θ(k-1)+K(k)*E(p,k) (20)
(6.6)更新协方差矩阵P(k)：
Figure BDA0003249247670000122
其中，I表示单位矩阵。
(6.7)判断是否达到程序终止条件，若满足，停止仿真，输出锂电池参数辨识结果；否则，k＝k+1，返回继续运行步骤(6.4)。
上述计算过程中，遗忘因子λ取固定值0.995。
由于锂电池二阶RC等效电路模型参数真实值无法直接测得，因而无法直接对辨识算法参数辨识结果准确性进行评估。通过将参数辨识算法所获得参数代入状态空间模型中，可获得与实验每一时刻对应的锂电池二阶RC等效电路输出值，将此模型输出值与锂电池端电压量测进行比较来评估参数辨识算法的准确性。求取模型输出值与锂电池端电压量测的差值的误差值，误差值越小，则参数辨识算法精度越高。
本发明实施例的步骤(11)中根据选取的锂电池端电压、工作电流数据，以及多信息带遗忘因子最小二乘算法参数辨识的结果，结合OCV-SOC曲线，对电池荷电状态进行估计，直到遍历所有数据点估计结束，得出锂电池荷电状态的估计结果，参见图3，具体如下：
(11.1)初始化，设定系统初值x0，P0，Q0，R0。
(11.2)预估系统状态：
Figure BDA0003249247670000131
(11.3)预估误差协方差：
Figure BDA0003249247670000135
(11.4)计算加权多信息矩阵：
Figure BDA0003249247670000132
(11.5)计算卡尔曼增益矩阵：
Figure BDA0003249247670000133
(11.6)修正系统状态：
Figure BDA0003249247670000134
(11.7)修正误差协方差：
Pk∣k＝(I-KkCk)Pk∣k-1 (27)
(11.8)判断是否达到程序终止条件，若满足，停止仿真，输出锂电池荷电状态结果；否则，k＝k+1，返回继续运行步骤(11.2)。
其中OCV-SOC曲线获取过程如下：
将充满电的锂电池静置1h，然后对锂电池进行幅值恒定的脉冲放电，脉冲放电间隔保持SOC差值为10％，放电至磷酸铁锂电池达到截止电压；静置1h后进行幅值恒定的脉冲充电，脉冲充电间隔保持SOC差值为10％，直至磷酸铁锂电池充满电。通过实验平台获取充放电全过程的磷酸铁锂电池开路电压值序列，求取每个充放电均值，得到SOC＝10％*i时对应的OCV值，i＝0,1,2,…10，最后通过八次多项式对OCV-SOC曲线进行拟合。
实施例
本发明实施例选用锂电池二阶RC等效电路模型，拓扑结构如图1所示。本实施例实验对象选用的是磷酸铁锂电池，其额定电压为3.5V，额定容量为20Ah，为了保证充放电实验的安全进行，实验边界条件如下：充电过压保护为3.75V，放电截止电压为2.5V，过充过放容量保护为20Ah，充电电流不大于10A。对充满电的锂电池进行恒功率放电测试和循环动态压力测试(dynamic stress test，DST)直至放电截止电压2.5V停止实验，恒功率实验电流波形如图5所示。循环动态压力测试电流波形如图6所示。通过两种工况实验所获取的电压电流数据来验证多信息带遗忘因子最小二乘法(MI-FFRLS)的参数辨识效果与可行性和验证加权多信息自适应扩展卡尔曼滤波算法(WMI-AEKF)估计SOC的精确性。
本实施例所用锂电池OCV-SOC曲线如图4所示。由于锂电池各电气参数的实际值无法直接获得，因此，本实施例通过每一时刻所辨识出的参数模型输出值和对应时刻的实验测得值比较来评估参数辨识结果的准确性。如图7和图8所示，在恒功率放电实验工况下，端电压平均误差能控制在0.015V以内，在循环动态压力放电实验工况下，端电压平均误差能控制在0.02V以内，这说明MI-FFRLS算法具有较高精度的在线参数辨识结果，可以应用于后续的SOC估计中。
采用MI-FFRLS算法进行参数辨识，通过安时积分法得到理想SOC值，分别在脉冲放电实验和循环动态压力测试实验进行SOC估计。分别使用EKF算法、AEKF算法以及WMI-AEKF算法得到电池的SOC，与真实值进行误差对比，验证算法的准确性，初始SOC值设为0.8。如图9和图10所示，基于WMI-AEKF算法的SOC值更接近真实值，且其误差也更小。在恒功率放电实验工况下，WMI-AEKF算法SOC估计误差平均值为0.78％，而EKF算法和AEKF算法SOC平均值分别为1.45％和1.02％；在循环动态压力放电实验工况下，WMI-AEKF算法SOC估计误差平均值为0.69％，而EKF算法和AEKF算法SOC平均值分别为2.47％和2.02％。
综合上述实施例结果可知，本发明的基于多信息理论的锂电池荷电状态估计方法能够适应锂电池非线性系统的工况，参数辨识精度高，荷电状态估计误差小。
本发明另一方面还提供一种锂电池荷电状态估计装置，包括：
第一构建模块，用于建立锂电池二阶RC等效电路的离散差分模型；
第一扩展模块，用于基于多新息辨识理论，将所述锂电池二阶RC等效电路的离散差分模型中的误差信息扩展为采样误差多新息矩阵；
辨识模块，用于对带采样误差多新息矩阵的锂电池二阶RC等效电路的离散差分模型进行参数辨识；
第二构建模块，用于基于辨识后的参数和锂电池二阶RC等效电路的离散差分模型建立锂电池荷电状态模型；
第二扩展模块，用于基于多新息辨识理论，将锂电池荷电状态模型中的噪声误差信息扩展为噪声误差多新息矩阵；
以及，
估计模块，用于对带噪声误差多新息矩阵的锂电池荷电状态模型进行求解，得到锂电池荷电状态估计量。
值得指出的是，该装置实施例是与上述方法实施例对应的，上述方法实施例的实现方式均适用于该装置实施例中，并能达到相同或相似的技术效果，故不在此赘述。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (12)

1.一种锂电池荷电状态估计方法，其特征在于，包括：
建立锂电池二阶RC等效电路的离散差分模型；
基于多新息辨识理论，将所述锂电池二阶RC等效电路的离散差分模型中的误差新息扩展为采样误差多新息矩阵；
对带采样误差多新息矩阵的锂电池二阶RC等效电路的离散差分模型进行参数辨识；
基于辨识后的参数和锂电池二阶RC等效电路的离散差分模型建立锂电池荷电状态模型；
基于多新息辨识理论，将锂电池荷电状态模型中的噪声误差新息扩展为噪声误差多新息矩阵；
对带噪声误差多新息矩阵的锂电池荷电状态模型进行求解，得到锂电池荷电状态估计量。
2.根据权利要求1所述的一种锂电池荷电状态估计方法，其特征在于，所述建立锂电池二阶RC等效电路的离散差分模型，包括：
根据基尔霍夫定律，锂电池二阶RC等效电路的状态方程为：
Figure FDA0003249247660000011
其中，R0为锂电池的欧姆内阻，Ra和Ca表示锂电池的电化学极化电阻和极化电容，Rb和Cb表示锂电池的浓差极化电阻和浓差极化电容，Uoc(t)表示t时刻电池开路电压，UL(t)表示t时刻电池的端电压，IL(t)表示t时刻流过电池的电流，Ua(t)为Ra两端的电压，Ub(t)为Rb两端的电压；
离散化得到：
Figure FDA0003249247660000012
Figure FDA0003249247660000013
其中，k表示采样时刻，SOC(k)表示k采样时刻的锂电池荷电状态，Qn为锂电池容量，T为采样周期，η为锂电池库伦效率；
进行拉普拉斯变换得到z平面的传递函数为：
Figure FDA0003249247660000021
Figure FDA0003249247660000022
转化为离散的差分方程：
Figure FDA0003249247660000023
其中，I(k)是k采样时刻离散系统输入即锂电池电流，y(k)是k采样时刻离散系统输出，即锂电池端电压。
3.根据权利要求2所述的一种锂电池荷电状态估计方法，其特征在于，将所述锂电池二阶RC等效电路的离散差分模型中的误差信息扩展为采样误差多新息矩阵包括：
锂电池二阶RC等效电路的离散差分模型中的采样误差表示为：
Figure FDA0003249247660000024
Figure FDA0003249247660000025
其中，e(k)为k采样时刻采样误差，θ为待辨识参数向量；
扩展为采样误差多新息矩阵为：
Figure FDA0003249247660000031
Figure FDA0003249247660000032
其中，E(p,k)为采样误差多新息矩阵，p为采样误差多新息矩阵中的新息个数。
4.根据权利要求3所述的一种锂电池荷电状态估计方法，其特征在于，对带采样误差多新息矩阵的锂电池二阶RC等效电路的离散差分模型进行参数辨识，包括：
初始化待辨识参数向量，误差协方差矩阵和遗忘因子；
按如下进行迭代计算直至达到终止条件，输出锂电池参数辨识结果：
获取k采样时刻锂电池的量测电压及电流，计算增益矩阵K(k)：
K(k)＝P(k-1)*φ(p,k)/[λ*Ip+φT(p,k)*P(k-1)φ(p,k)]；
其中，λ为遗忘因子，Ip表示p阶单位矩阵；
更新辨识参数θ(k)：
θ(k)＝θ(k-1)+K(k)*E(p,k)；
更新误差协方差矩阵P(k)：
Figure FDA0003249247660000033
其中，λ为遗忘因子。
5.根据权利要求4所述的一种锂电池荷电状态估计方法，其特征在于，所述遗忘因子λ取值为0.995。
6.根据权利要求2所述的一种锂电池荷电状态估计方法，其特征在于，基于辨识后的参数和锂电池二阶RC等效电路的离散差分模型建立锂电池荷电状态模型，包括：
Figure FDA0003249247660000034
xk＝[Ua(k),Ub(k),SOC(k)]；
Figure FDA0003249247660000041
其中，k表示采样时刻，xk为k采样时刻状态变量，uk为k采样时刻离散系统输入即锂电池电流，yk为k采样时刻量测输出即锂电池端电压，wk和vk为k采样时刻高斯白噪声。
7.根据权利要求6所述的一种锂电池荷电状态估计方法，其特征在于，将锂电池荷电状态模型中的噪声误差信息扩展为噪声误差多新息矩阵，包括：
Figure FDA0003249247660000042
其中，Ep,k为噪声误差多新息矩阵，
Figure FDA0003249247660000043
是根据k-1采样时刻状态变量的估计值
Figure FDA0003249247660000044
预测k采样时刻的估计值，p为噪声误差多新息矩阵中的新息个数。
8.根据权利要求7所述的一种锂电池荷电状态估计方法，其特征在于，还包括：对不同的信息赋予权重，形成噪声参数的加权多信息矩阵：
Figure FDA0003249247660000045
Figure FDA0003249247660000046
Figure FDA0003249247660000047
Figure FDA0003249247660000048
其中，
Figure FDA0003249247660000049
为噪声参数的加权多信息矩阵，yk-j+1是k-j采样时刻的量测输出，ek-j+1是矩阵Ep,k中第j个信息向量，αk-j+1是ek-j+1的权重，
Figure FDA00032492476600000410
是αk-j+1归一化后的值，yk-j+1是k-j采样时刻的观测量，
Figure FDA0003249247660000051
是根据k-j采样时刻状态变量的估计值预测k-j+1时刻输出的估计值，σ2是噪声参数的方差。
9.根据权利要求8所述的一种锂电池荷电状态估计方法，其特征在于，对带噪声误差多新息矩阵的锂电池荷电状态模型进行求解，包括：
初始化锂电池状态变量，噪声协方差矩阵和噪声方差矩阵；
按如下进行迭代计算直至达到终止条件，输出锂电池荷电状态：
计算状态估计值：
Figure FDA0003249247660000052
其中，
Figure FDA0003249247660000053
为k-1采样时刻状态变量的估计值；
预估噪声协方差：
Figure FDA0003249247660000054
其中，Qk-1为噪声wk-1的方差，Pk/k-1是根据k-1采样时刻的噪声协方差预估的k采样时刻的噪声协方差，Pk-1∣k-1为k-1采样时刻的噪声协方差估计值；
计算噪声参数的加权多信息矩阵：
Figure FDA0003249247660000055
计算卡尔曼增益矩阵：
Figure FDA0003249247660000056
其中，Rk为噪声rk的方差；
根据卡尔曼增益矩阵和噪声参数的加权多信息矩阵修正状态变量：
Figure FDA0003249247660000057
修正噪声协方差：
Pk∣k＝(I-KkCk)Pk∣k-1。
10.根据权利要求9所述的一种锂电池荷电状态估计方法，其特征在于，计算过程中，噪声参数按如下方式更新：
Figure FDA0003249247660000061
其中，dk-1为中间变量，b为遗忘因子，qk为wk的均值，rk为vk的均值，Qk为wk的方差，Rk为vk的方差，
Figure FDA0003249247660000062
为状态变量在k采样时刻的估计值，
Figure FDA0003249247660000063
是根据采样k-1时刻状态变量的估计值
Figure FDA0003249247660000064
预测k采样时刻的估计值，Kk为k采样时刻的卡尔曼增益，ek为噪声误差，Pk为k采样时刻的噪声协方差。
11.根据权利要求10所述的一种锂电池荷电状态估计方法，其特征在于，所述遗忘因子b取值为0.96。
12.一种锂电池荷电状态估计装置，其特征在于，包括：
第一构建模块，用于建立锂电池二阶RC等效电路的离散差分模型；
第一扩展模块，用于基于多新息辨识理论，将所述锂电池二阶RC等效电路的离散差分模型中的误差信息扩展为采样误差多新息矩阵；
辨识模块，用于对带采样误差多新息矩阵的锂电池二阶RC等效电路的离散差分模型进行参数辨识；
第二构建模块，用于基于辨识后的参数和锂电池二阶RC等效电路的离散差分模型建立锂电池荷电状态模型；
第二扩展模块，用于基于多新息辨识理论，将锂电池荷电状态模型中的噪声误差信息扩展为噪声误差多新息矩阵；
以及，
估计模块，用于对带噪声误差多新息矩阵的锂电池荷电状态模型进行求解，得到锂电池荷电状态估计量。
CN202111041189.5A 2021-09-07 2021-09-07 一种锂电池荷电状态估计方法及装置 Pending CN113777510A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111041189.5A CN113777510A (zh) 2021-09-07 2021-09-07 一种锂电池荷电状态估计方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111041189.5A CN113777510A (zh) 2021-09-07 2021-09-07 一种锂电池荷电状态估计方法及装置

Publications (1)

Publication Number Publication Date
CN113777510A true CN113777510A (zh) 2021-12-10

Family

ID=78841440

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111041189.5A Pending CN113777510A (zh) 2021-09-07 2021-09-07 一种锂电池荷电状态估计方法及装置

Country Status (1)

Country Link
CN (1) CN113777510A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114818561A (zh) * 2022-04-11 2022-07-29 合肥工业大学 一种锂离子电池荷电状态多环模型估计方法
CN114896829A (zh) * 2022-07-14 2022-08-12 山西虚拟现实产业技术研究院有限公司 一种超差电表定位方法
CN115015767A (zh) * 2022-08-04 2022-09-06 华南理工大学 基于多新息无迹卡尔曼滤波算法融合的锂电池soc估算方法
CN116224099A (zh) * 2023-05-06 2023-06-06 力高(山东)新能源技术股份有限公司 一种动态自适应估算电池soc的方法
CN117388715A (zh) * 2023-12-11 2024-01-12 西南交通大学 一种串联锂电池组的soc和sop联合估计方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015188610A1 (zh) * 2014-06-11 2015-12-17 北京交通大学 电池荷电状态估算方法和装置
CN107064811A (zh) * 2017-03-01 2017-08-18 华南理工大学 一种锂电池soc在线估计方法
CN108594135A (zh) * 2018-06-28 2018-09-28 南京理工大学 一种用于锂电池均衡充放电控制的soc估算方法
CN110082684A (zh) * 2019-05-13 2019-08-02 南京邮电大学 一种基于加权多新息扩展卡尔曼滤波的锂电池soc估计方法
CN110286332A (zh) * 2019-06-17 2019-09-27 南通大学 一种基于多新息理论的电动汽车动力电池soc估计方法
CN110378571A (zh) * 2019-06-25 2019-10-25 河海大学 一种基于多新息最小二乘算法的锂电池参数辨识方法
CN111812530A (zh) * 2020-06-22 2020-10-23 南京邮电大学 一种锂电池荷电状态估测方法
CN112528472A (zh) * 2020-11-27 2021-03-19 南京邮电大学 一种多新息混合Kalman滤波和H无穷滤波算法
CN113030752A (zh) * 2021-04-12 2021-06-25 安徽理工大学 一种基于变遗忘因子在线参数辨识和soc联合估计方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015188610A1 (zh) * 2014-06-11 2015-12-17 北京交通大学 电池荷电状态估算方法和装置
CN107064811A (zh) * 2017-03-01 2017-08-18 华南理工大学 一种锂电池soc在线估计方法
CN108594135A (zh) * 2018-06-28 2018-09-28 南京理工大学 一种用于锂电池均衡充放电控制的soc估算方法
CN110082684A (zh) * 2019-05-13 2019-08-02 南京邮电大学 一种基于加权多新息扩展卡尔曼滤波的锂电池soc估计方法
CN110286332A (zh) * 2019-06-17 2019-09-27 南通大学 一种基于多新息理论的电动汽车动力电池soc估计方法
CN110378571A (zh) * 2019-06-25 2019-10-25 河海大学 一种基于多新息最小二乘算法的锂电池参数辨识方法
CN111812530A (zh) * 2020-06-22 2020-10-23 南京邮电大学 一种锂电池荷电状态估测方法
CN112528472A (zh) * 2020-11-27 2021-03-19 南京邮电大学 一种多新息混合Kalman滤波和H无穷滤波算法
CN113030752A (zh) * 2021-04-12 2021-06-25 安徽理工大学 一种基于变遗忘因子在线参数辨识和soc联合估计方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
卫志农 等: "基于多新息最小二乘算法的锂电池参数辨识", 电力系统自动化, vol. 43, no. 15, 10 August 2019 (2019-08-10), pages 139 - 145 *
孙豪豪;潘庭龙;吴定会;: "基于自适应电池模型的SOC加权在线估计", 系统仿真学报, vol. 29, no. 08, 31 August 2017 (2017-08-31), pages 1677 - 1684 *
李嘉波;魏孟;李忠玉;焦生杰;叶敏;徐信芯;: "基于自适应扩展卡尔曼滤波的锂离子电池荷电状态估计", 储能科学与技术, vol. 9, no. 04, 31 July 2020 (2020-07-31), pages 1147 - 1152 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114818561A (zh) * 2022-04-11 2022-07-29 合肥工业大学 一种锂离子电池荷电状态多环模型估计方法
CN114818561B (zh) * 2022-04-11 2024-02-09 合肥工业大学 一种锂离子电池荷电状态多环模型估计方法
CN114896829A (zh) * 2022-07-14 2022-08-12 山西虚拟现实产业技术研究院有限公司 一种超差电表定位方法
CN114896829B (zh) * 2022-07-14 2022-09-30 山西虚拟现实产业技术研究院有限公司 一种超差电表定位方法
CN115015767A (zh) * 2022-08-04 2022-09-06 华南理工大学 基于多新息无迹卡尔曼滤波算法融合的锂电池soc估算方法
CN116224099A (zh) * 2023-05-06 2023-06-06 力高(山东)新能源技术股份有限公司 一种动态自适应估算电池soc的方法
CN117388715A (zh) * 2023-12-11 2024-01-12 西南交通大学 一种串联锂电池组的soc和sop联合估计方法
CN117388715B (zh) * 2023-12-11 2024-02-27 西南交通大学 一种串联锂电池组的soc和sop联合估计方法

Similar Documents

Publication Publication Date Title
CN107957562B (zh) 一种锂离子电池剩余寿命在线预测方法
CN113777510A (zh) 一种锂电池荷电状态估计方法及装置
Ouyang et al. Improved parameters identification and state of charge estimation for lithium-ion battery with real-time optimal forgetting factor
CN111581904B (zh) 考虑循环次数影响的锂电池soc及soh协同估算方法
CN110632528B (zh) 一种基于内阻检测的锂电池soh估算方法
CN109061506A (zh) 基于神经网络优化ekf的锂离子动力电池soc估计方法
CN108732508B (zh) 一种锂离子电池容量的实时估计方法
CN111060834A (zh) 一种动力电池健康状态估算方法
CN108490365B (zh) 一种估计电动汽车的动力电池的剩余寿命的方法
CN111426968B (zh) 一种电动汽车动力电池sop的估算方法及系统
CN111781503B (zh) 一种锂离子储能电池soc在线估算方法
CN111220920B (zh) 基于h∞无迹卡尔曼滤波算法的退役锂离子电池荷电状态计算方法
CN112345939B (zh) 基于连续脉冲响应的锂离子电池模型参数辨识方法
CN111913109B (zh) 一种电池峰值功率的预测方法及装置
CN111679199A (zh) 一种锂离子电池soc估计方法及装置
CN109901072B (zh) 基于历史数据与实验室测试数据的退役电池参数检测方法
CN110058161B (zh) 一种锂离子电池模型参数的分布式辨识方法及装置
CN111142025A (zh) 一种电池soc估算方法、装置、存储介质及电动汽车
CN113761726A (zh) 一种锂电池参数辨识方法及系统
CN108872865B (zh) 一种防滤波发散的锂电池soc估算方法
CN114114038A (zh) 一种全寿命全温度下锂电池soc及可用容量联合估计方法
CN111044924B (zh) 一种全工况电池剩余容量确定方法及系统
CN112083333A (zh) 一种基于机器学习模型的动力电池组荷电状态估计方法
CN115389936A (zh) 一种数模混合驱动的锂电池持续峰值功率能力的在线预测方法
CN113884915A (zh) 用于锂离子电池荷电状态和健康状态预测的方法及系统

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