CN115130293A - 一种双重扰动下基于多胞滤波的动力电池温度估计方法 - Google Patents

一种双重扰动下基于多胞滤波的动力电池温度估计方法 Download PDF

Info

Publication number
CN115130293A
CN115130293A CN202210706888.5A CN202210706888A CN115130293A CN 115130293 A CN115130293 A CN 115130293A CN 202210706888 A CN202210706888 A CN 202210706888A CN 115130293 A CN115130293 A CN 115130293A
Authority
CN
China
Prior art keywords
time
temperature
noise
power battery
estimation
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
CN202210706888.5A
Other languages
English (en)
Inventor
王子赟
占雅聪
王艳
陈宇乾
纪志成
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.)
Jiangnan University
Original Assignee
Jiangnan University
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 Jiangnan University filed Critical Jiangnan University
Priority to CN202210706888.5A priority Critical patent/CN115130293A/zh
Publication of CN115130293A publication Critical patent/CN115130293A/zh
Pending legal-status Critical Current

Links

Images

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
    • 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]
    • G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. 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
    • 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
    • G06F30/32—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)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Computing Systems (AREA)
  • Operations Research (AREA)
  • Secondary Cells (AREA)

Abstract

本发明公开了一种双重扰动下基于多胞滤波的动力电池温度估计方法，属于动力电池状态估计技术领域。所述方法包括建立未知但有界噪声与高斯噪声混合的动力电池电热模型，基于多胞空间模型和已知噪声的概率分布情况，设计多胞更新策略，构造状态估计器，基于均方误差最小和多胞空间最小得到满足一定概率分布的噪声和未知但有界噪声的最优权重，而非取相同权重，从而提高了包含状态真值的估计区间的准确性。相比于现有的结合随机和集员的混合噪声双重滤波的状态估计方法，本申请方法状态估计精度更高，由于结果区间更小，因此可进一步确定估计具体值。

Description

一种双重扰动下基于多胞滤波的动力电池温度估计方法
技术领域
本发明涉及一种双重扰动下基于多胞滤波的动力电池温度估计方法，属于动力电池状态估计技术领域。
背景技术
动力电池作为一种绿色、清洁的化学能源，在科研和工程实践中有着广阔的研究背景。动力电池的广泛应用对电池的性能提出了较高的要求，安全性和可靠性是电池储能系统最关键的问题。为了保证整个储能系统的安全运行，需要对电池的运行状态进行实时、准确的状态估计。
众所周知，电池运行状态下存在很多噪声，因此对于电池的运行状态的估计需要考虑噪声的问题。传统的状态估计方法通常假设动力电池系统运行过程中存在的噪声满足一定的概率分布，使用随机噪声类方法例如卡尔曼滤波实现状态估计；但动力电池工作环境复杂，系统噪声中有些噪声的概率分布很难完全获得，或者其根本就不符合一定的概率分布，因此导致状态估计的结果不准确。为了解决这一问题，有学者提出了集员估计方法，该方法只要求系统的噪声有界，并不需要知道噪声分布等统计特性。在表示状态估计区域时，可以采用椭球、区间、多胞体等几何体表示，但集员估计得到的是状态变量的可行集而不是具体的估计值，同时因为该方法对于满足一定概率分布的噪声没有针对性考虑，因此其所得到的状态估计结果的可行集存在进一步收缩的空间。
由上可知，现有状态估计方法仅针对某一种不确定噪声进行计算，对于两种噪声同时存在的双重扰动系统，仅单独使用随机噪声类方法或集员估计方法对估计结果都是不利的。为了充分利用两种方法的优势，保证可靠的估计结果，结合两种噪声的双重滤波技术研究在状态估计领域也受到大家的重视。但目前一些关于双重滤波的状态估计研究中，在估计过程中选择相同的权重处理各种随机和未知但有界的混合噪声，但复杂的实际运行环境中的各种随机噪声和未知但有界噪声不可能是相同的，导致此类状态估计方法得到的估计结果也不够精确。
发明内容
为了解决目前随机和未知但有界的混合噪声双重扰动下电池状态估计精度不高的问题，本发明提供了一种双重扰动下基于多胞滤波的动力电池温度估计方法，所述方法包括：
Step1：建立未知但有界噪声与高斯噪声混合的动力电池电热模型；
Step2：根据k时刻温度的最优估计值
Figure BDA0003705741180000021
确定k+1时刻温度的预测值
Figure BDA0003705741180000022
针对未知但有界噪声与高斯噪声分别考虑对应的预测误差；
Step3：根据k+1时刻温度的预测值
Figure BDA0003705741180000023
确定k+1时刻温度的最优估计值
Figure BDA0003705741180000024
针对未知但有界噪声与高斯噪声分别考虑对应的估计误差并且确定k+1时刻的最优权重系数以实现对于两种噪声的权衡；
Step4：考虑未知但有界噪声的影响，根据k+1时刻温度的最优估计值
Figure BDA0003705741180000025
获取k+1时刻的温度估计区间，完成对动力电池运行状态下的温度估计。
可选的，所述Step1建立的未知但有界噪声与高斯噪声混合的动力电池电热模型为：
Figure BDA0003705741180000026
其中，xk＝[x1,k,x2,k]T＝[Tc,k,Ts,k]T为温度变量，Tc,k和Ts,k分别表示k时刻的电池核心温度和表面温度，uk＝[Qgen,k,Te,k]T为k时刻的输入矩阵，Qgen表示电池核心的发热功率；Te,k表示k时刻的环境温度，wk∈<0,W>表示k时刻未知但有界的扰动噪声，
Figure BDA0003705741180000027
表示k时刻服从高斯分布的扰动噪声；vk∈<0,V>表示k时刻未知但有界的测量噪声，
Figure BDA0003705741180000028
表示k时刻服从高斯分布的测量噪声；A表示状态空间矩阵，B表示输入矩阵，C表示输出矩阵；yk为输出变量，即动力电池运行状态下的温度测量值。
可选的，所述Step2包括：
若k＝0，则根据动力电池初始运行时刻的核心温度和表面温度设定初始时刻的最优估计值，继而根据初始时刻温度的最优估计值确定下一时刻温度的预测值；
若k≠0，则根据动力电池k时刻的核心温度和表面温度设定k时刻的最优估计值，继而根据k时刻温度的最优估计值
Figure BDA0003705741180000029
确定k+1时刻温度的预测值
Figure BDA00037057411800000210
Figure BDA00037057411800000211
Figure BDA00037057411800000212
Figure BDA00037057411800000213
其中，
Figure BDA00037057411800000214
表示k+1时刻温度的预测点估计，
Figure BDA00037057411800000215
表示k+1时刻服从高斯分布
Figure BDA00037057411800000216
部分的预测误差，协方差矩阵Pk+1|k为：
Pk+1|k＝APkAT+Q (5)
其中，Pk为k时刻服从高斯分布的估计误差的协方差矩阵；
Figure BDA00037057411800000217
为服从高斯分布的扰动噪声的协方差矩阵；
Figure BDA0003705741180000031
表示k+1时刻未知但有界部分的预测误差，由全对称多胞体<0,Hk+1|k>表示，生成矩阵Hk+1|k为：
Hk+1|k＝[AHk W] (6)
其中，Hk为k时刻未知但有界部分的估计误差的生成矩阵；W为未知但有界扰动噪声的生成矩阵。
可选的，所述Step3包括：
根据下式(7)计算k+1时刻状态的最优估计值
Figure BDA0003705741180000032
Figure BDA0003705741180000033
Figure BDA0003705741180000034
Figure BDA0003705741180000035
其中，I为单位矩阵，yk+1为k+1时刻系统的输出，
Figure BDA0003705741180000036
表示k+1时刻状态的点估计，
Figure BDA0003705741180000037
表示k+1时刻服从高斯分布
Figure BDA0003705741180000038
部分的估计误差，协方差矩阵Pk+1为：
Figure BDA0003705741180000039
C为输出矩阵；R为服从高斯分布的测量噪声的协方差矩阵；
Figure BDA00037057411800000310
表示k+1时刻未知但有界部分的估计误差，由全对称多胞体<0,Hk+1>表示，生成矩阵Hk+1为：
Hk+1＝[(I-Kk+1C)Hk+1|k Kk+1V] (11)
V为未知但有界测量噪声的生成矩阵；
Kk+1是k+1时刻的最优增益，根据(10)和(11)得到最优准则为：
Figure BDA00037057411800000311
其中，tr(Pk+1)表示Pk+1的迹，
Figure BDA00037057411800000312
表示Hk+1的转置，ηk+1表示k+1时刻的最优权重系数：
Figure BDA00037057411800000313
求解上式(12)所示的最优准则得到最优增益Kk+1:
Figure BDA00037057411800000314
其中Mk+1＝[Hk+1|k 0]，
Figure BDA00037057411800000315
将求解得到的最优增益Kk+1带入公式(8)得到最优增益下的k+1时刻状态的点估计；
将求解得到的最优增益Kk+1分别带入公式(10)和(11)得到最优增益下k+1时刻服从高斯分布
Figure BDA0003705741180000041
部分的估计误差，以及最优增益下k+1时刻未知但有界部分的估计误差；
进而根据公式(7)计算得到最优估计值
Figure BDA0003705741180000042
可选的，所述Step4包括：
考虑未知但有界噪声的影响，设定容错区间，根据k+1时刻温度的最优估计值
Figure BDA0003705741180000043
确定k+1时刻的温度估计区间，完成对动力电池运行状态下的温度估计
Figure BDA0003705741180000044
其中，
Figure BDA0003705741180000045
和
Figure BDA0003705741180000046
分别表示高斯状态估计误差置信区间的上界和下界，
Figure BDA0003705741180000047
和
Figure BDA0003705741180000048
分别表示未知但有界状态估计误差区间的上界和下界。
可选的，所述Step1包括：
根据动力电池的电化学机理，建立动力电池等效电路，根据所述动力电池等效电路，得到如下方程：
Figure BDA0003705741180000049
其中，R1和Cp1分别为动力电池的电化学极化内阻和电容，R1和Cp1二者并联后两端的电压是U1；R2和Cp2分别为动力电池的浓差极化电阻和电容，R2和Cp2二者并联后两端的电压是U2；I为放电电流；
根据动力电池的热模型，建立未知但有界噪声与高斯噪声混合的动力电池电热模型；
根据动力电池产热原理，建立动力电池的热模型：
Figure BDA00037057411800000410
其中，Ts与Tc分别表示电池表面温度和电池核心温度，Te表示环境温度；Cs与Cc分别表示电池内部材料的热容系数和电池表面的热容系数；Rc表示电池核心与表面之间的热阻；Ru表示电池表面与冷却空气之间的对流电阻；Qgen＝I(Uoc-U)＝I(RoI+U1+U2)表示电池核心的发热功率，Ro为动力电池内阻，Uoc为电池内部电源，U为电池两端电压；
以发热功率Qgen和环境温度Te为输入，电池核心温度Tc和表面温度Ts为温度变量，对公式(16)所示的动力电池电模型的和(17)所示的动力电池热模型进行耦合并经离散化处理后，得到公式(1)所示的未知但有界噪声与高斯噪声混合的动力电池电热模型。
可选的，所述方法还包括：
根据动力电池热模型得到参数矩阵A、B，表达式分别为：
Figure BDA0003705741180000051
其中，Δt为采样时间。
可选的，输出矩阵C为
Figure BDA0003705741180000052
本申请还提供上述方法在动力电池生产中的应用。
本发明有益效果是：
通过获取动力电池的等效电路模型和热模型以建立未知但有界噪声与高斯噪声混合的动力电池电热模型，基于卡尔曼滤波思想，设计了多胞空间更新策略，构造了状态估计器，同时考虑均方误差最小和多胞空间最小两个评价指标，得到双重滤波器的最优权重，也即针对满足一定概率分布的噪声和未知但有界噪声这两种噪声确定其最优权重，而非取相同权重，从而使得所估计出的状态区间更接近于动力电池运行状态下的真实温度，有效地提高了包含状态真值的估计区间的准确性。相比于现有的结合随机和未知但有界的混合噪声双重滤波的状态估计方法，本申请方法状态估计精度更高。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一个实施例中公开的一种双重扰动下基于多胞滤波的动力电池温度估计方法的流程图。
图2是一种动力电池等效电路模型图。
图3是本发明一个实施例中公开的动力电池正常工作运行状态下，本发明估计动力电池核心温度上下界、现有方法估计上下界和核心温度真值的对比图。
图4是本发明一个实施例中公开的动力电池正常工作运行状态下，本发明估计动力电池表面温度上下界、现有方法估计上下界和表面真值的对比图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
实施例一：
本实施例提供一种双重扰动下基于多胞滤波的动力电池温度估计方法，参见图1，所述方法包括：
Step1：建立未知但有界噪声与高斯噪声混合的动力电池电热模型为：
Figure BDA0003705741180000061
其中，xk＝[x1,k,x2,k]T＝[Tc,k,Ts,k]T为状态变量，Tc,k和Ts,k分别表示k时刻的电池核心温度和表面温度，uk＝[Qgen,k,Te,k]T为k时刻的输入矩阵，Qgen表示电池核心的发热功率；Te,k表示k时刻的环境温度，wk∈<0,W>表示k时刻未知但有界的扰动噪声，W表示未知但有界扰动噪声的生成矩阵；
Figure BDA0003705741180000062
表示k时刻服从高斯分布的扰动噪声，
Figure BDA00037057411800000612
表示服从高斯分布的扰动噪声的协方差矩阵；vk∈<0,V>表示k时刻未知但有界的测量噪声，V表示未知但有界测量噪声的生成矩阵；
Figure BDA0003705741180000063
表示k时刻服从高斯分布的测量噪声，R表示服从高斯分布的测量噪声的协方差矩阵；A表示状态空间矩阵，B表示输入矩阵，C表示输出矩阵；yk为输出变量，即动力电池运行状态下的温度测量值；
Step2：根据k时刻状态的最优估计值
Figure BDA0003705741180000064
确定k+1时刻状态的预测值
Figure BDA0003705741180000065
Figure BDA0003705741180000066
Figure BDA0003705741180000067
Figure BDA0003705741180000068
其中，
Figure BDA0003705741180000069
表示k+1时刻状态的预测点估计，
Figure BDA00037057411800000610
表示k+1时刻服从高斯分布
Figure BDA00037057411800000611
部分的预测误差，协方差矩阵Pk+1|k为
Pk+1|k＝APkAT+Q (5)
Figure BDA0003705741180000071
表示k+1时刻未知但有界部分的预测误差，由全对称多胞体<0,Hk+1|k>表示，生成矩阵Hk+1|k为：
Hk+1|k＝[AHk W] (6)
Step3：根据k+1时刻状态的预测值
Figure BDA0003705741180000072
确定k+1时刻状态的最优估计值
Figure BDA0003705741180000073
Figure BDA0003705741180000074
Figure BDA0003705741180000075
Figure BDA0003705741180000076
其中，I为单位矩阵，yk+1为k+1时刻系统的输出，
Figure BDA0003705741180000077
表示k+1时刻状态的点估计，
Figure BDA0003705741180000078
表示k+1时刻服从高斯分布
Figure BDA0003705741180000079
部分的估计误差，协方差矩阵Pk+1为：
Figure BDA00037057411800000710
Figure BDA00037057411800000711
表示k+1时刻未知但有界部分的估计误差，由全对称多胞体<0,Hk+1>表示，生成矩阵Hk+1为：
Hk+1＝[(I-Kk+1C)Hk+1|k Kk+1V] (11)
Kk+1是k+1时刻的最优增益，根据(10)和(11)得到最优准则为：
Figure BDA00037057411800000712
其中，tr(Pk+1)表示Pk+1的迹，
Figure BDA00037057411800000713
表示Hk+1的转置，ηk+1表示k+1时刻的最优权重系数：
Figure BDA00037057411800000714
求解(12)得到最优增益Kk+1:
Figure BDA00037057411800000715
其中Mk+1＝[Hk+1|k 0]，
Figure BDA00037057411800000716
Step4：根据k+1时刻状态的最优估计值
Figure BDA00037057411800000717
确定k+1时刻的状态估计区间，完成对动力电池运行状态的估计：
Figure BDA00037057411800000718
其中，
Figure BDA00037057411800000719
和
Figure BDA00037057411800000720
分别表示高斯状态估计误差置信区间的上界和下界，
Figure BDA00037057411800000721
和
Figure BDA00037057411800000722
分别表示未知但有界状态估计误差区间的上界和下界。
实施例二
本实施例提供一种双重扰动下基于多胞滤波的动力电池温度估计方法，参见图1，所述方法包括：
步骤一：根据动力电池的电化学机理，建立动力电池等效电路模型；
根据动力电池的电化学机理，建立图2所示的动力电池等效电路，根据该动力电池等效电路，得到如下方程：
Figure BDA0003705741180000081
其中，R1和Cp1分别为动力电池的电化学极化内阻和电容，R1和Cp1二者并联后两端的电压是U1；R2和Cp2分别为动力电池的浓差极化电阻和电容，R2和Cp2二者并联后两端的电压是U2；I为放电电流。
步骤二，根据动力电池的热模型，建立未知但有界噪声与高斯噪声混合的动力电池电热模型；
根据动力电池产热原理，建立动力电池的热模型：
Figure BDA0003705741180000082
其中，Ts与Tc分别表示电池表面温度和电池核心温度，Te表示环境温度；Cs与Cc分别表示电池内部材料的热容系数和电池表面的热容系数；Rc表示电池核心与表面之间的热阻；Ru表示电池表面与冷却空气之间的对流电阻；Qgen＝I(Uoc-U)＝I(RoI+U1+U2)表示电池核心的发热功率，Ro为动力电池内阻，Uoc为电池内部电源，U为电池两端电压。
以发热功率Qgen和环境温度Te为输入，电池核心温度Tc和表面温度Ts为状态，对公式(16)所示的动力电池电模型的和(17)所示的动力电池热模型进行耦合并经离散化处理后，建立未知但有界噪声与高斯噪声混合的动力电池电热模型为：
Figure BDA0003705741180000083
其中，xk＝[x1,k,x2,k]T＝[Tc,k,Ts,k]T为状态变量，Tc,k和Ts,k分别表示k时刻的电池核心温度和表面温度，uk＝[Qgen,k,Te,k]T为k时刻的输入矩阵，Qgen表示电池核心的发热功率；Te,k表示k时刻的环境温度，wk∈<0,W>表示k时刻未知但有界的扰动噪声,
Figure BDA0003705741180000091
表示k时刻服从高斯分布的扰动噪声；vk∈<0,V>表示k时刻未知但有界的测量噪声，
Figure BDA0003705741180000092
表示k时刻服从高斯分布的测量噪声；A表示状态空间矩阵，B表示输入矩阵，C表示输出矩阵，
Figure BDA0003705741180000093
yk为输出变量,
Figure BDA0003705741180000094
Figure BDA0003705741180000095
为系统的参数矩阵，k为离散时间。
步骤三，根据k时刻状态的最优估计值
Figure BDA0003705741180000096
确定k+1时刻状态的预测值
Figure BDA0003705741180000097
Figure BDA0003705741180000098
Figure BDA0003705741180000099
Figure BDA00037057411800000910
其中，
Figure BDA00037057411800000911
表示k+1时刻状态的预测点估计，
Figure BDA00037057411800000912
表示k+1时刻服从高斯分布
Figure BDA00037057411800000913
部分的预测误差，协方差矩阵Pk+1|k为
Pk+1|k＝APkAT+Q (5)
Figure BDA00037057411800000914
表示k+1时刻未知但有界部分的预测误差，由全对称多胞体<0,Hk+1|k>表示，生成矩阵Hk+1|k为：
Hk+1|k＝[AHk W] (6)
步骤四，根据k+1时刻状态的预测值
Figure BDA00037057411800000915
确定k+1时刻状态的最优估计值
Figure BDA00037057411800000916
Figure BDA00037057411800000917
Figure BDA00037057411800000918
Figure BDA00037057411800000919
其中，I为单位矩阵，yk+1为k+1时刻系统的输出，
Figure BDA00037057411800000920
表示k+1时刻状态的点估计，
Figure BDA00037057411800000921
表示k+1时刻服从高斯分布
Figure BDA00037057411800000922
部分的估计误差，协方差矩阵Pk+1为：
Figure BDA0003705741180000101
Figure BDA0003705741180000102
表示k+1时刻未知但有界部分的估计误差，由全对称多胞体<0,Hk+1>表示，生成矩阵Hk+1为：
Hk+1＝[(I-Kk+1C)Hk+1|k Kk+1V] (11)
Kk+1是k+1时刻的最优增益，根据(10)和(11)得到最优准则为：
Figure BDA0003705741180000103
其中，tr(Pk+1)表示Pk+1的迹，
Figure BDA0003705741180000104
表示Hk+1的转置，ηk+1表示k+1时刻的最优权重系数：
Figure BDA0003705741180000105
求解(12)得到最优增益Kk+1:
Figure BDA0003705741180000106
其中Mk+1＝[Hk+1|k 0]，
Figure BDA0003705741180000107
将求解得到的最优增益Kk+1带入公式(8)得到最优增益下的k+1时刻状态的点估计；
将求解得到的最优增益Kk+1分别带入公式(10)和(11)得到最优增益下k+1时刻服从高斯分布
Figure BDA0003705741180000108
部分的估计误差，以及最优增益下k+1时刻未知但有界部分的估计误差；
进而根据公式(7)计算得到最优估计值
Figure BDA0003705741180000109
步骤五，考虑未知但有界噪声的影响，设定容错区间，根据k+1时刻状态的最优估计值
Figure BDA00037057411800001010
确定k+1时刻的状态估计区间，完成对动力电池运行状态的估计：
Figure BDA00037057411800001011
其中，
Figure BDA00037057411800001012
和
Figure BDA00037057411800001013
分别表示高斯状态估计误差置信区间的上界和下界，
Figure BDA00037057411800001014
和
Figure BDA00037057411800001015
分别表示未知但有界状态估计误差区间的上界和下界。
在本实例中，在预定时间范围内，执行步骤一至步骤五后，得到状态估计区间，实现动力电池运行状态的估计。
图3和图4分别为采用本申请提供的方法和现有方法(现有方法可参考Anextended zonotopic and Gaussian Kalman filter(EZGKF)merging set-membershipand stochastic paradigms:Toward non-linear filtering and fault detection)对动力电池核心温度状态变量估计区间变化图和表面温度状态变量的估计区间变化图。其中，图3为对动力电池核心温度的估计结果的对比；图4为对动力电池表面温度的估计结果的对比。
从图3和图4可以看出，现有的估计方法和本申请所提出的估计方法都能实现对动力电池核心温度和表面温度的状态估计，状态真值位于估计区间范围内，但是，本申请所提出的方法由于针对满足一定概率分布的噪声和未知但有界噪声这两种噪声确定其最优权重，而非取相同权重，因此估计的温度值区间更小，更加准确。
本发明实施例中的部分步骤，可以利用软件实现，相应的软件程序可以存储在可读取的存储介质中，如光盘或硬盘等。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，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 (9)

1.一种双重扰动下基于多胞滤波的动力电池温度估计方法，其特征在于，所述方法包括：
Step1：建立未知但有界噪声与高斯噪声混合的动力电池电热模型；
Step2：根据k时刻温度的最优估计值
Figure FDA0003705741170000011
确定k+1时刻温度的预测值
Figure FDA0003705741170000012
针对未知但有界噪声与高斯噪声分别考虑对应的预测误差；
Step3：根据k+1时刻温度的预测值
Figure FDA0003705741170000013
确定k+1时刻温度的最优估计值
Figure FDA0003705741170000014
针对未知但有界噪声与高斯噪声分别考虑对应的估计误差并且确定k+1时刻的最优权重系数以实现对于两种噪声的权衡；
Step4：考虑未知但有界噪声的影响，根据k+1时刻温度的最优估计值
Figure FDA00037057411700000112
获取k+1时刻的温度估计区间，完成对动力电池运行状态下的温度估计。
2.根据权利要求1所述的方法，其特征在于，所述Step1建立的未知但有界噪声与高斯噪声混合的动力电池电热模型为：
Figure FDA0003705741170000015
其中，xk＝[x1，k，x2，k]T＝[Tc，k，Ts，k]T为温度变量，Tc，k和Ts，k分别表示k时刻的电池核心温度和表面温度，uk＝[Qgen，k，Te，k]T为k时刻的输入矩阵，Qgen表示电池核心的发热功率；Te，k表示k时刻的环境温度，wk∈<0，W>表示k时刻未知但有界的扰动噪声，
Figure FDA0003705741170000016
表示k时刻服从高斯分布的扰动噪声；vk∈<0，V>表示k时刻未知但有界的测量噪声，
Figure FDA0003705741170000017
表示k时刻服从高斯分布的测量噪声；A表示状态空间矩阵，B表示输入矩阵，C表示输出矩阵；yk为输出变量，即动力电池运行状态下的温度测量值。
3.根据权利要求2所述的方法，其特征在于，所述Step2包括：
若k＝0，则根据动力电池初始运行时刻的核心温度和表面温度设定初始时刻的最优估计值，继而根据初始时刻温度的最优估计值确定下一时刻温度的预测值；
若k≠0，则根据动力电池k时刻的核心温度和表面温度设定k时刻的最优估计值，继而根据k时刻温度的最优估计值
Figure FDA0003705741170000018
确定k+1时刻温度的预测值
Figure FDA0003705741170000019
Figure FDA00037057411700000110
Figure FDA00037057411700000111
Figure FDA0003705741170000021
其中，
Figure FDA0003705741170000022
表示k+1时刻温度的预测点估计，
Figure FDA0003705741170000023
表示k+1时刻服从高斯分布
Figure FDA0003705741170000024
部分的预测误差，协方差矩阵Pk+1|k为：
Pk+1|k＝APkAT+Q (5)
其中，Pk为k时刻服从高斯分布的估计误差的协方差矩阵；
Figure FDA0003705741170000025
为服从高斯分布的扰动噪声的协方差矩阵；
Figure FDA0003705741170000026
表示k+1时刻未知但有界部分的预测误差，由全对称多胞体<0，Hk+1|k>表示，生成矩阵Hk+1|k为：
Hk+1|k＝[AHk W] (6)
其中，Hk为k时刻未知但有界部分的估计误差的生成矩阵；W为未知但有界扰动噪声的生成矩阵。
4.根据权利要求3所述的方法，其特征在于，所述Step3包括：
根据下式(7)计算k+1时刻状态的最优估计值
Figure FDA0003705741170000027
Figure FDA0003705741170000028
Figure FDA0003705741170000029
Figure FDA00037057411700000210
其中，I为单位矩阵，yk+1为k+1时刻系统的输出，
Figure FDA00037057411700000211
表示k+1时刻状态的点估计，
Figure FDA00037057411700000212
表示k+1时刻服从高斯分布
Figure FDA00037057411700000213
部分的估计误差，协方差矩阵Pk+1为：
Figure FDA00037057411700000214
C为输出矩阵；R为服从高斯分布的测量噪声的协方差矩阵；
Figure FDA00037057411700000215
表示k+1时刻未知但有界部分的估计误差，由全对称多胞体<0，Hk+1>表示，生成矩阵Hk+1为：
Hk+1＝[(I-Kk+1C)Hk+1|k Kk+1V] (11)
V为未知但有界测量噪声的生成矩阵；
Kk+1是k+1时刻的最优增益，根据(10)和(11)得到最优准则为：
Figure FDA00037057411700000216
其中，tr(Pk+1)表示Pk+1的迹，
Figure FDA0003705741170000031
表示Hk+1的转置，ηk+1表示k+1时刻的最优权重系数：
Figure FDA0003705741170000032
求解上式(12)所示的最优准则得到最优增益Kk+1：
Figure FDA0003705741170000033
其中Mk+1＝[Hk+1|k 0]，
Figure FDA0003705741170000034
将求解得到的最优增益Kk+1带入公式(8)得到最优增益下的k+1时刻状态的点估计；
将求解得到的最优增益Kk+1分别带入公式(10)和(11)得到最优增益下k+1时刻服从高斯分布
Figure FDA0003705741170000035
部分的估计误差，以及最优增益下k+1时刻未知但有界部分的估计误差；
进而根据公式(7)计算得到最优估计值
Figure FDA0003705741170000036
5.根据权利要求4所述的方法，其特征在于，所述Step4包括：
考虑未知但有界噪声的影响，设定容错区间，根据k+1时刻温度的最优估计值
Figure FDA00037057411700000313
确定k+1时刻的温度估计区间，完成对动力电池运行状态下的温度估计
Figure FDA0003705741170000037
其中，
Figure FDA0003705741170000038
和
Figure FDA0003705741170000039
分别表示高斯状态估计误差置信区间的上界和下界，
Figure FDA00037057411700000310
和
Figure FDA00037057411700000311
分别表示未知但有界状态估计误差区间的上界和下界。
6.根据权利要求5所述的方法，其特征在于，所述Step1包括：
根据动力电池的电化学机理，建立动力电池等效电路，根据所述动力电池等效电路，得到如下方程：
Figure FDA00037057411700000312
其中，R1和Cp1分别为动力电池的电化学极化内阻和电容，R1和Cp1二者并联后两端的电压是U1；R2和Cp2分别为动力电池的浓差极化电阻和电容，R2和Cp2二者并联后两端的电压是U2；I为放电电流；
根据动力电池的热模型，建立未知但有界噪声与高斯噪声混合的动力电池电热模型；
根据动力电池产热原理，建立动力电池的热模型：
Figure FDA0003705741170000041
其中，Ts与Tc分别表示电池表面温度和电池核心温度，Te表示环境温度；Cs与Cc分别表示电池内部材料的热容系数和电池表面的热容系数；Rc表示电池核心与表面之间的热阻；Ru表示电池表面与冷却空气之间的对流电阻；Qgen＝I(Uoc-U)＝I(RoI+U1+U2)表示电池核心的发热功率，Ro为动力电池内阻，Uoc为电池内部电源，U为电池两端电压；
以发热功率Qgen和环境温度Te为输入，电池核心温度Tc和表面温度Ts为温度变量，对公式(16)所示的动力电池电模型的和(17)所示的动力电池热模型进行耦合并经离散化处理后，得到公式(1)所示的未知但有界噪声与高斯噪声混合的动力电池电热模型。
7.根据权利要求6所述的方法，其特征在于，所述方法还包括：
根据动力电池热模型得到参数矩阵A、B，表达式分别为：
Figure FDA0003705741170000042
其中，Δt为采样时间。
8.根据权利要求7所述的方法，其特征在于，输出矩阵C为
Figure FDA0003705741170000043
9.权利要求1-8任一所述的方法在动力电池生产中的应用。
CN202210706888.5A 2022-06-21 2022-06-21 一种双重扰动下基于多胞滤波的动力电池温度估计方法 Pending CN115130293A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210706888.5A CN115130293A (zh) 2022-06-21 2022-06-21 一种双重扰动下基于多胞滤波的动力电池温度估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210706888.5A CN115130293A (zh) 2022-06-21 2022-06-21 一种双重扰动下基于多胞滤波的动力电池温度估计方法

Publications (1)

Publication Number Publication Date
CN115130293A true CN115130293A (zh) 2022-09-30

Family

ID=83380931

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210706888.5A Pending CN115130293A (zh) 2022-06-21 2022-06-21 一种双重扰动下基于多胞滤波的动力电池温度估计方法

Country Status (1)

Country Link
CN (1) CN115130293A (zh)

Similar Documents

Publication Publication Date Title
Dai et al. A novel estimation method for the state of health of lithium-ion battery using prior knowledge-based neural network and Markov chain
Zou et al. Electrochemical estimation and control for lithium-ion battery health-aware fast charging
Zhang et al. A reliable data-driven state-of-health estimation model for lithium-ion batteries in electric vehicles
WO2022105104A1 (zh) 一种基于多新息递推贝叶斯算法的电池模型参数辨识方法
Takyi‐Aninakwa et al. A strong tracking adaptive fading‐extended Kalman filter for the state of charge estimation of lithium‐ion batteries
CN111929581B (zh) 一种动力锂电池内外部温度预测方法
CN111199122A (zh) 基于多物理场的质子交换膜燃料电池水淹故障诊断方法
CN105572596B (zh) 锂电池soc估算方法及系统
CN112580284B (zh) 一种混合电容器等效电路模型及在线参数辨识方法
Takyi-Aninakwa et al. An optimized long short-term memory-weighted fading extended Kalman filtering model with wide temperature adaptation for the state of charge estimation of lithium-ion batteries
CN103529400A (zh) 一种具有温度自适应补偿的电池容量预测方法
CN113093016B (zh) 基于不确定噪声滤波的动力电池管理系统故障诊断方法
Xu et al. A vehicle-cloud collaborative method for multi-type fault diagnosis of lithium-ion batteries
Ren et al. Novel co‐estimation strategy based on forgetting factor dual particle filter algorithm for the state of charge and state of health of the lithium‐ion battery
Liu et al. A novel fuzzy‐extended Kalman filter‐ampere‐hour (F‐EKF‐Ah) algorithm based on improved second‐order PNGV model to estimate state of charge of lithium‐ion batteries
CN114899523B (zh) 一种锂离子电池单体热失控核心温度估计方法
CN114497818B (zh) 一种低温环境下锂离子电池的内部快速加热方法
Li et al. SOC Estimation of Lithium‐Ion Battery for Electric Vehicle Based on Deep Multilayer Perceptron
CN114545275A (zh) 一种锂离子电池剩余使用寿命间接预测方法
Wang et al. State of health estimation of lithium-ion battery in wide temperature range via temperature-aging coupling mechanism analysis
Liu et al. State of energy estimation for lithium-ion batteries using adaptive fuzzy control and forgetting factor recursive least squares combined with AEKF considering temperature
CN115130293A (zh) 一种双重扰动下基于多胞滤波的动力电池温度估计方法
Xu et al. A hybrid method for lithium-ion batteries state-of-charge estimation based on gated recurrent unit neural network and an adaptive unscented Kalman filter
CN111413620A (zh) 一种基于集员滤波的锂电池电荷状态估计方法
CN115542167A (zh) 一种基于粒子滤波算法的锂电池soc估算方法与系统

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