CN115047357A - 一种锂离子电池状态联合估算方法 - Google Patents
一种锂离子电池状态联合估算方法 Download PDFInfo
- Publication number
- CN115047357A CN115047357A CN202210532915.1A CN202210532915A CN115047357A CN 115047357 A CN115047357 A CN 115047357A CN 202210532915 A CN202210532915 A CN 202210532915A CN 115047357 A CN115047357 A CN 115047357A
- Authority
- CN
- China
- Prior art keywords
- estimation
- battery
- capacity
- state
- soc
- 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
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]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
- G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current measurements
-
- 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]
- G01R31/378—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] specially adapted for the type of battery or accumulator
-
- 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
- G01R31/388—Determining ampere-hour charge capacity or SoC involving voltage measurements
-
- 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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/39—Circuit design at the physical level
- G06F30/398—Design verification or optimisation, e.g. using design rule check [DRC], layout versus schematics [LVS] or finite element methods [FEM]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Computer Hardware Design (AREA)
- Computing Systems (AREA)
- Operations Research (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Tests Of Electric Status Of Batteries (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种锂离子电池状态联合估算方法,主要涉及基于奇异值分解的自适应双拓展卡尔曼滤波算法(SVDDAEKF)的锂离子电池的SOC和SOH联合估算方法,该方法以精确估算锂离子电池SOC和SOH值为目标,针对由于异常扰动、不准确的初始值、单片机字节有限而存在舍入误差而引起滤波发散,基于普通的拓展卡尔曼滤波算法,将状态量协方差矩阵进行奇异值分解,从而克服误差协方差矩阵非正定的问题。在电池等效电路模型的基础上运用SVDDAEKF算法对电池进行SOC和SOH联合估算。本发明能够避免普通卡尔曼滤波算法在协方差矩阵的迭代过程中,由于单片机字节限制而失去其正定性从而引起滤波发散,并且实时调整过程噪声协方差,提高算法估算荷电状态的精度以及收敛速度。
Description
技术领域
本发明涉及一种锂离子电池状态联合估算方法,属于对锂离子电池的SOC和SOH联合估算方法研究技术领域。
背景技术
由于环境问题,全球各国纷纷提出碳中和目标,为了解决环境问题,近年来与清洁能源有关的研究已成为热点。与一些传统的电池,如铅酸蓄电池、镍镉电池相比,锂离子电池具有比能量高,自放电率低,快速充放电,无毒无记忆效应,使用寿命长等一系列优点,因此锂离子电池越来越流行,开始广泛用于电动汽车。电池、电机、电控作为电动汽车三大核心部件,直接决定了汽车的整体性能。锂离子电池虽然具有循环寿命长、比能量高、无记忆效应等优点,但仍有一些关键问题需要解决。安全可靠的电池管理系统对于电动汽车来说十分重要,其中荷电状态(state of charge,SOC)是其核心功能之一,SOC的估算准确也是主要难点。SOC估算的准确与否直接决定了电池管理系统的控制策略正确与否。
目前SOC估算的方法主要分为以下几类:1)直接测量法;2)数据驱动法;3)基于模型的估算方法。直接测量法目前大多通过安时积分法和开路电压法的结合,通过静置得到电池的初始SOC,然后通过对电流进行积分来得到SOC值。然而,这种方法要通过长时间的静置来得到SOC的初始值,实际应用不方便,以及对初始值和干扰很敏感,从而导致误差累积无法纠正。数据驱动法通过大量的数据来了解电池的内部动态,常用的数据驱动方法主要有神经网络法、模糊逻辑、支持向量机等。但是数据驱动法需要较高的计算成本,估算的准确性很大程度取决于训练后的数据。基于模型的估算方法是目前应用最多的方法,主要通过一组状态空间方程,目前主要通过卡尔曼滤波算法及其改进算法应用于模型进行SOC估算。基于模型的估算方法是目前的主流方法,是当前研究的一个重点。
SOH的估算方法有以下几类:1)基于频域等效电路模型的老化机理识别方法;2)基于黑箱模型的神经网络类算法;3)基于时域等效电路模型的滤波估计算法。基于频域等效电路模型的老化机理识别方法通过内部老化机理和外部特征参数识别来进行SOH的估算,前者主要是指电池内部的物理化学参数,后者主要指充放电过程的测试曲线、内阻以及电池的可用容量。基于黑箱模型的神经网络类算法主要包括基于解析模型估计和人工神经网络估计。这些方法都需要大量的数据进行训练。基于时域等效电路模型的滤波估计算法具有较高的精度且与在线算法相结合,因此受到众多学者的追捧。
发明内容
针对目前技术中存在的问题,本发明提供一种锂离子电池状态联合估算方法,解决目前锂离子电池精确估算SOC和SOH的技术难题。
为实现上述发明目的,本发明采取的技术方案为:一种锂离子电池状态联合估算方法,包括以下步骤:
步骤一、读取电池SOC初始值和容量初始值。
步骤二、建立锂离子电池的二阶等效电路模型,基于基尔霍夫电压定律,得出模型的状态空间方程。
步骤三、采集开路电压数据与荷电状态数据,得到两者之间的关系,基于所述模型,对模型方程进行离散化处理,并将离散化后的方程改写成最小二乘形式,然后运用带遗忘因子的偏差补偿最小二乘法(BCFFRLS)并结合开路电压与荷电状态之间的关系,通过所输入的电池电流、电压等数据,对模型参数进行辨识。
步骤四、对普通拓展卡尔曼进行改进,对误差协方差矩阵进行奇异值分解以及噪声误差协方差矩阵实时更新。
步骤五:根据所得初始值以及模型参数,采用基于奇异值分解的自适应拓展卡尔曼 (SVDAEKF)以及自适应拓展卡尔曼(AEKF)分别建立电池SOC和SOH联合估算的多尺度计算公式。其中SOH可以用电池此时的最大可用容量来表示,因此可以通过估算电池此刻的最大可用容量来估算电池SOH,可以表达为:先运行容量估算模块,将估算出的容量值以及采集到的电流、电压值传入SOC估算模块,计算获得SOC值,同时将SOC估算过程中获得观测量传入容量估算模块参与计算,进行容量的估算。由于容量的变化缓慢而SOC时刻变化,采用多时间尺度的方式,宏观尺度上对容量进行估算,微观时间尺度上对SOC进行估算,容量每60s更新一次,而SOC值每1s更新一次。
上述方案中,步骤二中所述电池状态空间方程包括状态方程和观测方程,可以表示为:
其中,t为采样时间,R0为电池的欧姆内阻,R1、R2以及C1、C2分别是电池的极化电阻和极化电容,τ1、τ2为极化时间常数且有τ1=R1C1、τ2=R2C2,U1、U2为两个RC环节的端电压,Cmax为电池额定容量,Uoc为电池的开路电压,i为电池的工作电流,Ut为电池端电压,ω为过程噪声,ν为测量噪声,SOC为电池的荷电状态。双时间尺度k和l分别描述宏观时间尺度和微观时间尺度,可以看作:xk,l为tk,l=tk,0+l×Δt(1≤l≤Lz)时刻系统的状态, Lz为尺度转换限制,即一个宏观尺度等于Lz个微观时间尺度。
上述方案中,步骤三中所述电池的开路电压OCV与荷电状态SOC关系通过静置法,将电池从满电开始间隔放电,通过静置获取电池的开路电压。
进一步,通过Matlab拟合工具对OCV和SOC进行多项式拟合,得到OCV和SOC之间的关系:
上述方案中,步骤三中所述模型参数包括电池容量、电池极化内阻、极化电容、浓差极化内阻、浓差极化电容。本发明通过电池动态应力测试(Dynamic Stress Test,DST)采集数据,利用带遗忘因子的偏差补偿最小二乘法对参数进行辨识。
带遗忘因子的偏差补偿最小二乘法的参数辨识过程如下:
其中,θBC(0)为偏差补偿最小二乘法辨识的初始值,θLS(0)为带遗忘因子的最小二乘法辨识的初始值,J(0)为代价函数初始值,P(0)为协方差矩阵初始值。
未考虑噪声的参数估计:θLS(k+1)=θLS(k)+K(k+1)e(k+1)
输出带遗忘因子的偏差补偿最小二乘法辨识的参数结果θBC(k+1),然后根据下式:
求出模型参数R0、R1、C1、R2、C2。
上述方案中,步骤四中所述对EKF改进包括对协方差矩阵进行SVD分解,改进后的算法具体流程如下:
xk+1|k=Axk+Buk
Uk+1|k=V′k、Dk+1|k=D′k
Kk+1=Uk+1(Dk+1)2(Uk+1)TCTLk+1Lk+1 T
xk+1=xk+1k+Kk+1ek
上述方案中,步骤五中SOH估算采用电池容量来表征,并且在采用自适应拓展卡尔曼滤波算法对容量进行估算,在电池实际工作中,SOH相对于SOC来说,变化是十分缓慢的,因此采用多尺度的方法,从宏观时间尺度上对SOC进行估算,微观时间尺度上对容量进行估算。
上述方案中,步骤五中所述自适应拓展卡尔曼滤波算法如下:
初始化:x0、P0、R0、Q0
时间更新:xk+1|k=Axk+Buk
误差协方差矩阵预测:Pk+1|k=APkAT+Qk
计算卡尔曼滤波增益:Kk+1=Pk+1|kCT(CPk+1|kCT+Rk+1)-1
观测更新:xk+1=xk+1|k+Kk+1(yk+1-g(xk+1|k,uk))
误差协方差矩阵更新:Pk+1=(I-Kk+1C)Pk+1|k
进一步,参数估计中:系统的状态空间方程为:
上述方案中,步骤五中所述SOC和SOH协同估算框架为:
分别设置容量观测器AEKFθ和状态观测器SVDAEKFχ初始值:
式中,θ0,0,分别为容量观测器AEKFθ的初始容量值、误差协方差矩阵初始值和系统噪声协方差矩阵初始值;χ0,0,分别为状态观测器SVDIEKFχ的状态初始值、误差协方差矩阵初始值和系统噪声协方差矩阵初始值,为初始误差协方差矩阵的分解矩阵;为观测噪声协方差,且满足则当估计开始时, (0)时刻的值转换为(k-1)时刻、(0,0)时刻的值转化为(k-1,l-1)的值。
基于宏观时间尺度的容量观测器AEKFθ的时间更新:
对于微观时间尺度序列,l=1,2,...,Lz,当l达到尺度转换限值Lz,即完成一个宏观时间尺度下的微观时间尺度循环计算,进入下一步宏观时间尺度,也就是k→k+1的转换。
基于微观时间尺度的状态观测器SVDAEKFχ的时间更新:
χk,l+1|l=Ak,lχk,l+Bk,luk,l
状态估计新息矩阵更新:ek,l=yk,l-g(xk,l+1|l,θk+1|k,uk,l)
微观时间尺度循环计算(l=1:Lz)和尺度转换(当l=Lz时):
至此完成一个宏观时间尺度下的微观时间尺度循环计算,下一步回到宏观时间尺度进行容量估计的测量更新。
容量估计新息矩阵更新:
其中,
至此,完成了k时刻的状态和容量的多时间尺度估计,准备进入k+1时刻的估计。
本发明公开了以下技术效果:1、本发明对传统拓展卡尔曼滤波算法的协方差矩阵进行奇异值分解,以协方差矩阵的分解矩阵迭代更新代替了协方差矩阵的迭代更新,避免了在计算过程中由于单片机字节受限而导致协方差矩阵失去其正定性,导致滤波发散。2、本发明运用带遗忘因子的偏差补偿最小二乘法(BCFFRLS)对电池模型进行参数辨识,有效解决了数据倍增时伴随着大量测量噪声,以及常规最小二乘法因出现数据包和、不确定性噪声所造成的辨识模型不再具有无偏性的问题,保证电池模型的高精度特性。3、本发明采用 SVDAEKF-AEKF的多时间尺度双卡尔曼滤波算法,对动力电池SOC和SOH进行联合估算,有效解决了电池工作过程中特性的变化以及实时SOC值对SOH值的影响,提高了动力电池 SOH估算的精度,并且在多时间尺度进行计算,有效的减少了计算量。
附图说明
为了更清楚地说明本发明实施例或现有技术中的方案,下面将对实施例中所需要使用的附图进行简单的介绍。
图1为本发明公开的一种电池状态联合估算方法的流程示意图;
图2为锂离子电池二阶RC等效电路模型;
图3为基于奇异值分解的自适应拓展卡尔曼滤波算法流程示意图;
图4展示了改进后的多时间尺度双拓展卡尔曼滤波算法的流程图;
图5展示了动态应力测试工况下对算法进行初步验证;
图6展示了在此工况下SOC的估算误差;
图7为容量的估算结果。
具体实施方式
下面结合附图以及具体实施例对本发明作进一步的说明,但本发明的保护范围并不限于此。
参见图1,图1为本发明实施例的锂离子电池状态联合估算方法,包括如下步骤:
步骤一、读取电池SOC初始值和容量初始值。
步骤二、锂离子电池二阶等效电路模型如图2所示,建立锂离子电池的二阶等效电路模型,基于基尔霍夫电压定律,得出模型的状态空间方程。
步骤二中锂离子电池的二阶RC等效电路模型由一个受控电压源,二个RC环节和容量串联组成。受控电压源表示电池开路电压,代表电池开路时两个电极电压差。RC环节为极化电容和极化内阻,用于描述电池极化过程。电池容量用于模拟电池欧姆极化过程。
所建立的模型状态空间方程,包括状态方程和观测方程,如下:
其中,t为采样时间,R0为电池的欧姆内阻,R1、R2以及C1、C2分别是电池的极化电阻和极化电容,τ1、τ2为极化时间常数且有τ1=R1C1、τ2=R2C2,U1、U2为两个RC环节的端电压,Cmax为电池额定容量,Uoc为电池的开路电压,i为电池的工作电流,Ut为电池端电压,ω为过程噪声,ν为测量噪声,SOC为电池的荷电状态。双时间尺度k和l分别描述宏观时间尺度和微观时间尺度,可以看作:xk,l为tk,l=tk,0+l×Δt(1≤l≤Lz)时刻系统的状态, Lz为尺度转换限制,即一个宏观尺度等于Lz个微观时间尺度。
步骤三、采集开路电压数据与荷电状态数据,得到两者之间的关系,基于所述模型,对模型方程进行离散化处理,并将离散化后的方程改写成最小二乘形式,然后运用带遗忘因子的偏差补偿最小二乘法(BCFFRLS)并结合开路电压与荷电状态之间的关系,通过所输入的电池电流、电压等数据,对模型参数进行辨识。
步骤三具体按以下步骤实施:
通过静置法对满电电池进行依次间隔放电,然后通过静置获取电池的开路电压(OCV) 和荷电状态(SOC)之间的关系。电池的开路电压可以看作电池经过长时间静置后的端电压。
采用Matlab拟合工具对电池OCV和SOC之间的关系进行多项式拟合,使用九阶多项式:
令y=Uoc-Ut,则系统的传递函数:
y(k)=y(k)=Uoc(k)-Ut(k)=a1y(k-1)+a2y(k-2)+a3I(k)+a4I(k-1)+a5I(k-2),k≥3
待辨识的参数向量θ(k)=[a1(k)a2(k)a3(k)a4(k)a5(k)]T
运用带遗忘因子的偏差补偿最小二乘法进行模型在线参数辨识,算法主要步骤如下:
其中,θBC(0)为偏差补偿最小二乘法辨识的初始值,θLS(0)为带遗忘因子的最小二乘法辨识的初始值,J(0)为代价函数初始值,P(0)为协方差矩阵初始值。
未考虑噪声的参数估计:θLS(k+1)=θLS(k)+K(k+1)e(k+1)
输出带遗忘因子的偏差补偿最小二乘法辨识的参数结果θBC(k+1),然后根据下式:
求出模型参数R0、R1、C1、R2、C2。
步骤四:对拓展卡尔曼进行改进,对误差协方差矩阵进行奇异值分解,以及噪声误差协方差矩阵自适应更新。改进后的算法流程如图3所示。
具体步骤如下:
引入定理:设A为m×n阶矩阵,则存在m×n阶正交矩阵U和n×n阶正交矩阵V,使得:
式中Λ为m×n阶矩阵,S=diag(σ1,...,σr)且有:
σ1>...>σr>0;σr+1=0,...,σn=0
特别的,当A是对称正定矩阵时,则可以对A作对称奇异值分解:
A=USUT=UD2UT
在卡尔曼滤波算法中,协方差矩阵时对称且正定的,因此可以协方差矩阵作上式中的对称奇异值分解。
进一步,所述步骤四中协方差矩阵奇异值分解具体步骤如下:
在卡尔曼递推公式中,将误差协方差矩阵Pk作奇异值分解:
因此,协方差矩阵时间更新可以表达成:
定义如下矩阵并作奇异值分解:
将两边同乘自身的转置矩阵:
由此可得:
由已知公式:
Pk+1=(I-Kk+1C)Pk+1|k=Pk+1|k-Pk+1|kCT(CPk+1|kCT+Rk)-1CPk+1|k
由公式:(A+BCBT)-1=A-1-A-1B(BTA-1B+C-1)-1BTA-1
可以得到:
将等式两侧同时左乘自身的转置:
因此可以求解得到:
进一步,进行状态估计:xk+1=xk+1|k+Kk+1(yk+1-g(xk+1|k,uk))
进一步,改进后的拓展卡尔曼滤波算法避免了对协方差矩阵的迭代求解,转而对协方差矩阵的分解矩阵进行迭代求解,有效避免了协方差矩阵在迭代过程中失去其正定性而导致滤波发散。
进一步,采用改进的Sage-Husa自适应滤波算法对过程噪声和测量噪声协方差进行更新:
步骤五:步骤五:根据所得初始值以及模型参数,采用基于奇异值分解的自适应拓展卡尔曼(SVDAEKF)以及自适应拓展卡尔曼(AEKF)分别建立电池SOC和SOH联合估算的多尺度计算公式。其中SOH可以用电池此时的最大可用容量来表示,因此可以通过估算电池此刻的最大可用容量来估算电池SOH,可以表达为:先运行容量估算模块,将估算出的容量值以及采集到的电流、电压值传入SOC估算模块,计算获得SOC 值,同时将SOC估算过程中获得观测量传入容量估算模块参与计算,进行容量的估算。由于容量的变化缓慢而SOC时刻变化,采用多时间尺度的方式,宏观尺度上对容量进行估算,微观时间尺度上对SOC进行估算,容量每60s更新一次,而SOC值每1s更新一次。
步骤五具体按照以下步骤实施:
分别设置容量观测器AEKFθ和状态观测器SVDAEKFχ初始值:
式中,θ0,0,分别为容量观测器AEKFθ的初始容量值、误差协方差矩阵初始值和系统噪声协方差矩阵初始值;χ0,0,分别为状态观测器SVDIEKFχ的状态初始值、误差协方差矩阵初始值和系统噪声协方差矩阵初始值,为初始误差协方差矩阵的分解矩阵;为观测噪声协方差,且满足则当估计开始时,(0) 时刻的值转换为(k-1)时刻、(0,0)时刻的值转化为(k-1,l-1)的值。
基于宏观时间尺度的容量观测器AEKFθ的时间更新:
对于微观时间尺度序列,l=1,2,...,Lz,当l达到尺度转换限值Lz,即完成一个宏观时间尺度下的微观时间尺度循环计算,进入下一步宏观时间尺度,也就是k→k+1的转换。
基于微观时间尺度的状态观测器SVDAEKFχ的时间更新:
χk,l+1|l=Ak,lχk,l+Bk,luk,l
状态估计新息矩阵更新:ek,l=yk,l-g(xk,l+1|l,θk+1|k,uk,l)
微观时间尺度循环计算(l=1:Lz)和尺度转换(当l=Lz时):
至此完成一个宏观时间尺度下的微观时间尺度循环计算,下一步回到宏观时间尺度进行容量估计的测量更新。
容量估计新息矩阵更新:
其中,
至此,完成了k时刻的状态和容量的多时间尺度估计,准备进入k+1时刻的估计。
图4展示了改进后的多时间尺度双拓展卡尔曼滤波算法的流程图。
图5展示了动态应力测试工况下对算法进行初步验证。图6展示了在此工况下SOC的估算误差。图7为容量的估算结果。可以看出,改进后的双卡尔曼滤波算法估算的结果较为准确,最大绝对误差控制在2%以内。并且在容量估算方面,即使给一个错误的容量初始值,该算法也能快速的将容量收敛到真实值附近。
以上所述的实施例仅是对本发明的优选方式进行描述,并非对发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案做出的各种变形和改进,均应落入本发明权力要求书确定的保护范围内。
Claims (8)
1.一种锂离子电池状态联合估算方法,其特征在于,包括以下步骤:
步骤一、读取电池SOC初始值和容量初始值;
步骤二、建立锂离子电池的二阶等效电路模型,基于基尔霍夫电压定律,得出模型的状态空间方程;
步骤三、采集开路电压数据与荷电状态数据,得到两者之间的关系,基于二阶等效电路模型,对模型的状态空间方程进行离散化处理,并将离散化后的方程改写成最小二乘形式,然后运用带遗忘因子的偏差补偿最小二乘法(BCFFRLS)并结合开路电压与荷电状态之间的关系,通过所输入的电池电流、电压数据,对模型参数进行辨识;
步骤四、对普通拓展卡尔曼进行改进,对误差协方差矩阵进行奇异值分解以及噪声误差协方差矩阵实时更新;
步骤五:根据所得初始值以及模型参数,采用基于奇异值分解的自适应拓展卡尔曼(SVDAEKF)以及自适应拓展卡尔曼(AEKF)分别建立电池SOC和SOH联合估算的多尺度计算公式;其中SOH可以用电池此刻的最大可用容量来表示,因此可以通过估算电池此刻的最大可用容量来估算电池SOH,可以表达为:先运行容量估算模块,将估算出的容量值以及采集到的电流、电压值传入SOC估算模块,计算获得SOC值,同时将SOC估算过程中获得观测量传入容量估算模块参与计算,进行容量的估算;由于容量的变化缓慢而SOC时刻变化,采用多时间尺度的方式,宏观尺度上对容量进行估算,微观时间尺度上对SOC进行估算,容量每60s更新一次,而SOC值每1s更新一次。
2.根据权利要求1所述的一种锂离子电池状态联合估算方法,其特征在于,
步骤二中所述状态空间方程包括状态方程和观测方程,表示为:
其中,t为采样时间,R0为电池的欧姆内阻,R1、R2以及C1、C2分别是电池的极化电阻和极化电容,τ1、τ2为极化时间常数且有τ1=R1C1、τ2=R2C2,U1、U2为两个RC环节的端电压,Cmax为电池额定容量,Uoc为电池的开路电压,i为电池的工作电流,Ut为电池端电压,ω为过程噪声,ν为测量噪声,SOC为电池的荷电状态;双时间尺度k和l分别描述宏观时间尺度和微观时间尺度,可以看作:xk,l为tk,l=tk,0+l×Δt(1≤l≤Lz)时刻系统的状态,Lz为尺度转换限制,即一个宏观尺度等于Lz个微观时间尺度。
4.根据权利要求1所述的一种锂离子电池状态联合估算方法,其特征在于,
步骤三中所述模型参数包括电池容量、电池极化内阻、极化电容、浓差极化内阻、浓差极化电容,通过电池动态应力测试(Dynamic Stress Test,DST)采集数据,利用带遗忘因子的偏差补偿最小二乘法对参数进行辨识;
带遗忘因子的偏差补偿最小二乘法的参数辨识过程如下:
其中,θBC(0)为偏差补偿最小二乘法辨识的初始值,θLS(0)为带遗忘因子的最小二乘法辨识的初始值,J(0)为代价函数初始值,P(0)为协方差矩阵初始值;
未考虑噪声的参数估计:θLS(k+1)=θLS(k)+K(k+1)e(k+1)
输出带遗忘因子的偏差补偿最小二乘法辨识的参数结果θBC(k+1),然后根据下式:
求出模型参数R0、R1、C1、R2、C2。
6.根据权利要求1所述的一种锂离子电池状态联合估算方法,其特征在于,
步骤五中SOH估算采用电池容量来表征,并且在采用自适应拓展卡尔曼滤波算法对容量进行估算,在电池实际工作中,SOH相对于SOC来说,变化是十分缓慢的,因此采用多尺度的方法,从宏观时间尺度上对SOC进行估算,微观时间尺度上对容量进行估算。
8.根据权利要求6所述的一种锂离子电池状态联合估算方法,其特征在于,
步骤五中所述SOC和SOH协同估算框架为:
分别设置容量观测器AEKFθ和状态观测器SVDAEKFχ初始值:
式中,θ0,0,分别为容量观测器AEKFθ的初始容量值、误差协方差矩阵初始值和系统噪声协方差矩阵初始值;χ0,0,分别为状态观测器SVDIEKFχ的状态初始值、误差协方差矩阵初始值和系统噪声协方差矩阵初始值,为初始误差协方差矩阵的分解矩阵;为观测噪声协方差,且满足则当估计开始时,(0)时刻的值转换为(k-1)时刻、(0,0)时刻的值转化为(k-1,l-1)的值;
基于宏观时间尺度的容量观测器AEKFθ的时间更新:
对于微观时间尺度序列,l=1,2,...,Lz,当l达到尺度转换限值Lz,即完成一个宏观时间尺度下的微观时间尺度循环计算,进入下一步宏观时间尺度,也就是k→k+1的转换;
基于微观时间尺度的状态观测器SVDAEKFχ的时间更新:
χk,l+1|l=Ak,lχk,l+Bk,luk,l
状态估计新息矩阵更新:ek,l=yk,l-g(xk,l+1|l,θk+1|k,uk,l)
微观时间尺度循环计算(l=1:Lz)和尺度转换(当l=Lz时):
至此完成一个宏观时间尺度下的微观时间尺度循环计算,下一步回到宏观时间尺度进行容量估计的测量更新;
容量估计新息矩阵更新:
其中,
至此,完成了k时刻的状态和容量的多时间尺度估计,准备进入k+1时刻的估计。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210532915.1A CN115047357A (zh) | 2022-05-16 | 2022-05-16 | 一种锂离子电池状态联合估算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210532915.1A CN115047357A (zh) | 2022-05-16 | 2022-05-16 | 一种锂离子电池状态联合估算方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115047357A true CN115047357A (zh) | 2022-09-13 |
Family
ID=83157392
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210532915.1A Pending CN115047357A (zh) | 2022-05-16 | 2022-05-16 | 一种锂离子电池状态联合估算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115047357A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116449222A (zh) * | 2023-06-19 | 2023-07-18 | 中国第一汽车股份有限公司 | 电池参数的确定方法、装置、处理器和车辆 |
CN117422496A (zh) * | 2023-12-19 | 2024-01-19 | 成都纳宝科技有限公司 | 一种基于二维码的导购激励方法、系统和设备 |
-
2022
- 2022-05-16 CN CN202210532915.1A patent/CN115047357A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116449222A (zh) * | 2023-06-19 | 2023-07-18 | 中国第一汽车股份有限公司 | 电池参数的确定方法、装置、处理器和车辆 |
CN116449222B (zh) * | 2023-06-19 | 2023-09-22 | 中国第一汽车股份有限公司 | 电池参数的确定方法、装置、处理器和车辆 |
CN117422496A (zh) * | 2023-12-19 | 2024-01-19 | 成都纳宝科技有限公司 | 一种基于二维码的导购激励方法、系统和设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111581904B (zh) | 考虑循环次数影响的锂电池soc及soh协同估算方法 | |
CN108872866B (zh) | 一种锂离子电池荷电状态动态评估与长效预测融合方法 | |
US11156668B2 (en) | Method for iteratively identifying parameters of equivalent circuit model of battery | |
CN110398691B (zh) | 基于改进自适应双无迹卡尔曼滤波器的锂离子动力电池SoC估计方法 | |
CN109633472B (zh) | 一种锂电池单体的荷电状态估计算法 | |
CN111337832B (zh) | 一种动力电池多维度融合soc和soh在线联合估算的方法 | |
CN112345939B (zh) | 基于连续脉冲响应的锂离子电池模型参数辨识方法 | |
Liu et al. | A novel model-based state of charge estimation for lithium-ion battery using adaptive robust iterative cubature Kalman filter | |
He et al. | State-of-charge estimation of lithium ion batteries based on adaptive iterative extended Kalman filter | |
CN115047357A (zh) | 一种锂离子电池状态联合估算方法 | |
CN113156321B (zh) | 一种锂离子电池荷电状态soc的估算方法 | |
CN110824363B (zh) | 一种基于改进ckf的锂电池soc和soe联合估算方法 | |
CN110703114B (zh) | 一种基于电-热-神经网络耦合模型的动力电池soc和sot联合状态估计方法 | |
CN111060824B (zh) | 一种基于模型与算法分步融合的荷电状态估计方法 | |
Li et al. | Review of lithium-ion battery state of charge estimation | |
CN109839596B (zh) | 基于ud分解的自适应扩展卡尔曼滤波的soc估算方法 | |
CN112462282B (zh) | 基于机理模型的用于确定电池组实时荷电状态的方法 | |
US20230417834A1 (en) | Method, system and storage medium for solid-phase concentration correction of lithium batteries | |
CN111142025A (zh) | 一种电池soc估算方法、装置、存储介质及电动汽车 | |
Jin et al. | SOC estimation of lithium-ion battery considering the influence of discharge rate | |
CN115902633A (zh) | 一种基于改进拓展卡尔曼滤波算法的锂离子电池soc估算方法 | |
CN114660464A (zh) | 一种锂离子电池荷电状态估算方法 | |
CN115407205A (zh) | 考虑温度影响的多时间尺度soc和soh协同估计方法 | |
CN112946481A (zh) | 基于联合h∞滤波的滑模观测器锂离子电池soc估计方法及电池管理系统 | |
CN113504481B (zh) | 一种电动汽车动力电池多状态联合估计系统及方法 |
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 |