CN115561641B - 基于状态观测器的锂电池荷电状态估计方法、设备及介质 - Google Patents

基于状态观测器的锂电池荷电状态估计方法、设备及介质 Download PDF

Info

Publication number
CN115561641B
CN115561641B CN202211419110.2A CN202211419110A CN115561641B CN 115561641 B CN115561641 B CN 115561641B CN 202211419110 A CN202211419110 A CN 202211419110A CN 115561641 B CN115561641 B CN 115561641B
Authority
CN
China
Prior art keywords
state
lithium battery
charge
equation
model
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
Application number
CN202211419110.2A
Other languages
English (en)
Other versions
CN115561641A (zh
Inventor
陆新江
徐博文
柏昀旭
罗威
徐杰
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.)
Central South University
Original Assignee
Central South 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 Central South University filed Critical Central South University
Priority to CN202211419110.2A priority Critical patent/CN115561641B/zh
Publication of CN115561641A publication Critical patent/CN115561641A/zh
Application granted granted Critical
Publication of CN115561641B publication Critical patent/CN115561641B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • 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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
    • 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
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/10—Energy storage using batteries

Abstract

本发明实施例中提供了一种基于状态观测器的锂电池荷电状态估计方法、设备及介质，属于数据处理技术领域，具体包括：步骤1，建立一阶等效电路模型，并辨识一阶等效电路模型中的关键参数；步骤2，利用安时积分法，建立锂电池荷电状态的估计方程；步骤3，构建锂电池荷电状态的状态方程；步骤4，建立近似T‑S模糊模型；步骤5，为鲁棒系数赋值，并计算终端电压的误差；步骤6，对模糊系数对应的估计值进行更新；步骤7，将鲁棒系数、终端电压的误差、估计值代入状态观测器，得到锂电池荷电状态的估计值；步骤8，更新估计值并返回步骤1。通过本发明的方案，提高了适应性和精准度以及提高锂电池在复杂工况下的安全性和工作效率。

Description

基于状态观测器的锂电池荷电状态估计方法、设备及介质
技术领域
本发明实施例涉及数据处理技术领域，尤其涉及一种基于状态观测器的锂电池荷电状态估计方法、设备及介质。
背景技术
目前，作为清洁能源的典型代表，锂离子电池（LIBs）由于具有高能量密度、小记忆效应和长循环寿命的优点，已被广泛选择为电动汽车（EV）和混合动力电动汽车（HEV）等工业应用中的电源。然而，锂离子电池的安全性仍然是一个令人关注的问题，它直接影响到电池实际容量和寿命的利用效率。过充电和过放电会对电池性能产生负面影响，并可能导致严重事故。电池的充电和放电由电池管理系统（BMS）控制，该系统可在任何给定时间准确识别电池状态。电池状态通常包括荷电状态（SOC）、健康状态（SOH）、能量状态（SOE）和功率状态（SOP）等，所有这些都受到复杂因素的影响，即电压、电流、温度和使用时间。在这些状态中，SOC是整个使用寿命中要考虑的核心指标，它对BMS中其他指标的准确性有很大影响。
锂离子电池（LIB）在工作过程中，内部存在复杂的电化学机理。因此，在进行SOC估计的过程中，估算精度受到多种因素的干扰，例如充电/放电循环的动力学，热动力学对内部参数的影响，复杂参数间的相互作用，建模误差和未知干扰，这些因素对LIBs的模型精度以及稳定的SOC估计有很大影响。
现有关于锂电池SOC估计的方法，主要着眼于以下两个方面：一方面，许多估计方法大多使用静态电池模型，如电化学、戴维南和等效电路模型（NECM），其中，这些模型中的关键参数在识别后通常被假设为恒定，这影响了模型在实际应用中的适应性。另一方面，在估计SOC时，大多数基于滤波器的方法，主要适用于高斯噪声，当遇到非高斯干扰时，矩阵平方根的计算复杂，影响了其在实际应用中的推广。采用这类方法对锂离子电池进行SOC估计的时候，仍然难以消除模型参数和未知非高斯干扰的相互影响。
可见，亟需一种适应性和精准度高、提高锂电池在复杂工况下的安全性和工作效率的基于状态观测器的锂电池荷电状态估计方法。
发明内容
有鉴于此，本发明实施例提供一种基于状态观测器的锂电池荷电状态估计方法、设备及介质，至少部分解决现有技术中存在适应性和精准度较差的问题。
第一方面，本发明实施例提供了一种基于状态观测器的锂电池荷电状态估计方法，包括：
步骤1，根据锂电池的电化学和阻抗特性，利用预设公式建立一阶等效电路模型，并利用HPPC实验辨识一阶等效电路模型中的关键参数，其中，所述关键参数包括锂电池的欧姆内阻
Figure 729702DEST_PATH_IMAGE001
， 锂电池的极化内阻
Figure 53367DEST_PATH_IMAGE002
和锂电池的计划电容
Figure 364263DEST_PATH_IMAGE003
；
步骤2，利用安时积分法，建立锂电池荷电状态的估计方程；
步骤3，根据一阶等效电路模型和估计方程构建锂电池荷电状态的状态方程；
步骤4，根据状态方程建立锂电池的开路电压关于荷电状态非线性方程的近似T-S模糊模型，并推导后验系数误差；
步骤5，为鲁棒系数
Figure 165997DEST_PATH_IMAGE004
，
Figure 714790DEST_PATH_IMAGE005
和
Figure 68411DEST_PATH_IMAGE006
赋值，并计算终端电压的误差；
步骤6，根据更新公式对模糊系数
Figure 240504DEST_PATH_IMAGE007
和
Figure 970562DEST_PATH_IMAGE008
对应的估计值
Figure 45966DEST_PATH_IMAGE009
和
Figure 570488DEST_PATH_IMAGE010
进行更新；
步骤7，将鲁棒系数
Figure 731342DEST_PATH_IMAGE004
，
Figure 999512DEST_PATH_IMAGE005
、
Figure 929422DEST_PATH_IMAGE006
、终端电压的误差、估计值
Figure 156004DEST_PATH_IMAGE009
和
Figure 302690DEST_PATH_IMAGE010
代入状态观测器，得到锂电池荷电状态的估计值；
步骤8，更新估计值
Figure 108972DEST_PATH_IMAGE009
和
Figure 158967DEST_PATH_IMAGE010
并返回步骤1。
根据本发明实施例的一种具体实现方式，所述一阶等效电路模型的表达式为
Figure 25292DEST_PATH_IMAGE011
其中，
Figure 160738DEST_PATH_IMAGE012
表示开路电压，
Figure 770711DEST_PATH_IMAGE013
表示终端电压，
Figure 3109DEST_PATH_IMAGE014
为电流，
Figure 181281DEST_PATH_IMAGE015
表示锂电池的欧姆内阻，
Figure 663078DEST_PATH_IMAGE016
和
Figure 468221DEST_PATH_IMAGE017
分别为极化电压及其一阶导数，它们是与锂电池的极化内阻
Figure 351864DEST_PATH_IMAGE018
和极化电容
Figure 966516DEST_PATH_IMAGE019
相关的状态变量。
根据本发明实施例的一种具体实现方式，所述估计方程为
Figure 935609DEST_PATH_IMAGE020
，其中，
Figure 762750DEST_PATH_IMAGE021
和
Figure 766478DEST_PATH_IMAGE022
分别SOC的初值，以及SOC在t时刻的值，
Figure 286453DEST_PATH_IMAGE023
表示库仑效率，
Figure 742842DEST_PATH_IMAGE024
表示电池容量。
根据本发明实施例的一种具体实现方式，所述状态方程为
Figure 872210DEST_PATH_IMAGE025
其中，
Figure 464865DEST_PATH_IMAGE026
分别为估计值
Figure 155740DEST_PATH_IMAGE027
的一阶导数，
Figure 99426DEST_PATH_IMAGE028
，
Figure 861845DEST_PATH_IMAGE029
，
Figure 449953DEST_PATH_IMAGE030
，
Figure 170784DEST_PATH_IMAGE031
，
Figure 477131DEST_PATH_IMAGE032
为开路电压关于荷电状态的非线性函数，
Figure 574400DEST_PATH_IMAGE033
为开路电压关于荷电状态的线性系数。
根据本发明实施例的一种具体实现方式，所述近似T-S模糊模型的表达式为
Figure 781129DEST_PATH_IMAGE034
，
Figure 938440DEST_PATH_IMAGE035
，其中，
Figure 732084DEST_PATH_IMAGE009
和
Figure 633044DEST_PATH_IMAGE010
分别是所定义模糊系数
Figure 930164DEST_PATH_IMAGE007
和
Figure 258377DEST_PATH_IMAGE008
的估计值。
根据本发明实施例的一种具体实现方式，所述步骤7之前，所述方法还包括：
根据近似T-S模糊模型和等效控制概念，得到所述状态观测器，其中，所述状态观测器的表达式为
Figure 273738DEST_PATH_IMAGE036
其中，
Figure 181651DEST_PATH_IMAGE037
，
Figure 723491DEST_PATH_IMAGE038
和
Figure 596507DEST_PATH_IMAGE039
为鲁棒项；
Figure 223797DEST_PATH_IMAGE040
，
Figure 341926DEST_PATH_IMAGE041
和
Figure 738272DEST_PATH_IMAGE042
表示鲁棒系数，
Figure 549233DEST_PATH_IMAGE043
是符号函数，并且
Figure 663820DEST_PATH_IMAGE044
，
Figure 320060DEST_PATH_IMAGE045
和
Figure 836492DEST_PATH_IMAGE046
表示终端电压，荷电状态和极化电压的观测值，定义
Figure 880672DEST_PATH_IMAGE047
，
Figure 659053DEST_PATH_IMAGE048
，
Figure 446880DEST_PATH_IMAGE049
。
第二方面，本发明实施例还提供了一种电子设备，该电子设备包括：
至少一个处理器；以及，
与该至少一个处理器通信连接的存储器；其中，
该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述第一方面或第一方面的任一实现方式中的基于状态观测器的锂电池荷电状态估计方法。
第三方面，本发明实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述第一方面或第一方面的任一实现方式中的基于状态观测器的锂电池荷电状态估计方法。
第四方面，本发明实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述第一方面或第一方面的任一实现方式中的基于状态观测器的锂电池荷电状态估计方法。
本发明实施例中的基于状态观测器的锂电池荷电状态估计方案，包括：步骤1，根据锂电池的电化学和阻抗特性，利用预设公式建立一阶等效电路模型，并利用HPPC实验辨识一阶等效电路模型中的关键参数，其中，所述关键参数包括锂电池的欧姆内阻
Figure 693185DEST_PATH_IMAGE050
， 锂电池的极化内阻
Figure 705003DEST_PATH_IMAGE051
和锂电池的计划电容
Figure 403969DEST_PATH_IMAGE052
；步骤2，利用安时积分法，建立锂电池荷电状态的估计方程；步骤3，根据一阶等效电路模型和估计方程构建锂电池荷电状态的状态方程；步骤4，根据状态方程建立锂电池的开路电压关于荷电状态非线性方程的近似T-S模糊模型，并推导后验系数误差；步骤5，为鲁棒系数
Figure 792225DEST_PATH_IMAGE053
，
Figure 893036DEST_PATH_IMAGE054
和
Figure 75756DEST_PATH_IMAGE055
赋值，并计算终端电压的误差；步骤6，根据更新公式对模糊系数
Figure 291711DEST_PATH_IMAGE007
和
Figure 218079DEST_PATH_IMAGE008
对应的估计值
Figure 173397DEST_PATH_IMAGE056
和
Figure 792597DEST_PATH_IMAGE057
进行更新；步骤7，将鲁棒系数
Figure 466155DEST_PATH_IMAGE053
、
Figure 196213DEST_PATH_IMAGE054
、
Figure 6037DEST_PATH_IMAGE055
、终端电压的误差、估计值
Figure 796139DEST_PATH_IMAGE056
和
Figure 455528DEST_PATH_IMAGE057
代入状态观测器，得到锂电池荷电状态的估计值；步骤8，更新估计值
Figure 723698DEST_PATH_IMAGE056
和
Figure 653608DEST_PATH_IMAGE057
并返回步骤1。
本发明实施例的有益效果为：通过本发明的方案，基于锂电池工作状态下的物理机理，结合等效电路模型（ECM）和安时（Ah）积分方法，建立了锂电池SOC的状态方程；在此基础上，设计了一种基于Takagi-Sugeno（T-S）模糊的自适应鲁棒观测器，该观测器采用自适应机制和鲁棒律，来实现SOC估计的自适应鲁棒性能：1）使用Takagi-Sugeno（T-S）模糊来补偿原等效电路模型中的复杂模型非线性，根据终端电压自适应调整模糊参数；2）引入鲁棒律来减轻不确定模型和外部干扰引起的干扰的影响，鲁棒增益由Lyapunov定理严格推导。这使得该观测器能有效抑制由模型不确定性和外部干扰引起的SOC估计偏差，以实现对电池SOC的精确估计。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例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它的附图。
图1为本发明实施例提供的一种基于状态观测器的锂电池荷电状态估计方法的流程示意图；
图2为本发明实施例提供的一种锂电池内部结构与电化学机理示意图；
图3为本发明实施例提供的一种基于自适应鲁棒状态观测器的锂电池荷电状态估计原理示意图；
图4为本发明实施例提供的一种锂电池的一阶等效电路模型示意图；
图5为本发明实施例提供的一种设计状态观测器的基本思路示意图；
图6为本发明实施例提供的电子设备示意图。
具体实施方式
下面结合附图对本发明实施例进行详细描述。
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本发明，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
另外，在以下描述中，提供具体细节是为了便于透彻理解实例。然而，所属领域的技术人员将理解，可在没有这些特定细节的情况下实践所述方面。
本发明实施例提供一种基于状态观测器的锂电池荷电状态估计方法，所述方法可以应用于新能源场景的锂电池荷电状态预估过程中。
参见图1，为本发明实施例提供的一种基于状态观测器的锂电池荷电状态估计方法的流程示意图。如图1所示，所述方法主要包括以下步骤：
步骤1，根据锂电池的电化学和阻抗特性，利用预设公式建立一阶等效电路模型，并利用HPPC实验辨识一阶等效电路模型中的关键参数，其中，所述关键参数包括锂电池的欧姆内阻
Figure 817873DEST_PATH_IMAGE050
， 锂电池的极化内阻
Figure 325078DEST_PATH_IMAGE058
和锂电池的计划电容
Figure 272305DEST_PATH_IMAGE059
；
进一步的，所述一阶等效电路模型的表达式为
Figure 446935DEST_PATH_IMAGE060
其中，
Figure 188626DEST_PATH_IMAGE061
表示开路电压，
Figure 448706DEST_PATH_IMAGE062
表示终端电压，
Figure 432580DEST_PATH_IMAGE063
为电流，
Figure 461716DEST_PATH_IMAGE064
表示锂电池的欧姆内阻，
Figure 639888DEST_PATH_IMAGE065
和
Figure 121685DEST_PATH_IMAGE066
分别为极化电压及其一阶导数，它们是与锂电池的极化内阻
Figure 676294DEST_PATH_IMAGE067
和极化电容
Figure 559936DEST_PATH_IMAGE068
相关的状态变量。
具体实施时，考虑到锂离子电池（LIB）在工作过程中，内部存在复杂的电化学机理，如图2所示。因此，在进行SOC估计的过程中，估算精度受到多种因素的干扰，例如充电/放电循环的动力学，热动力学对内部参数的影响，复杂参数间的相互作用，建模误差和未知干扰，这些因素对LIBs的模型精度以及稳定的SOC估计有很大影响。
现有关于锂电池SOC估计的方法，主要着眼于以下两个方面：一方面，许多估计方法大多使用静态电池模型，如电化学、戴维南和等效电路模型（NECM），其中，这些模型中的关键参数在识别后通常被假设为恒定，这影响了模型在实际应用中的适应性。另一方面，在估计SOC时，大多数基于滤波器的方法，主要适用于高斯噪声，当遇到非高斯干扰时，矩阵平方根的计算复杂，影响了其在实际应用中的推广。采用这类方法对锂离子电池进行SOC估计的时候，仍然难以消除模型参数和未知非高斯干扰的相互影响。因此，需要开发一种考虑了这些因素的锂电池SOC估计方法，提高锂电池在复杂工况下的安全性和工作效率。
例如，如图3所示原理，首先，根据电池的电化学和阻抗特性，可以建立基于电化学动力学和传输方程的机理模型，以描述电池的内部特性和反应。作为一种有效的近似模型，等效电路模型（ECM）通过电阻、电容和电压等电气元件来模拟LIB的主要动态特性。虽然模型中的电池参数受老化状态和工作条件的影响很大，但通过在线校正仍能获得良好的建模效果。关于RC数的选择，通常需要平衡精度和计算复杂度。相关学者对不同ECM下锂离子电池的SOC进行了全面研究，发现1-RC和2-RC模型更适合选择。因此，考虑到在线SOC估计的效率，选择如下的一阶RC模型，如图4所示。
Figure 909009DEST_PATH_IMAGE069
(1)
Figure 878102DEST_PATH_IMAGE070
(2)
其中，
Figure 712766DEST_PATH_IMAGE071
表示开路电压，
Figure 857440DEST_PATH_IMAGE072
表示终端电压，
Figure 970889DEST_PATH_IMAGE073
为电流，
Figure 568224DEST_PATH_IMAGE074
表示锂电池的欧姆内阻，
Figure 323690DEST_PATH_IMAGE075
为极化电压，对应着锂电池的极化内阻
Figure 57291DEST_PATH_IMAGE076
和计划电容
Figure 872800DEST_PATH_IMAGE077
。
步骤2，利用安时积分法，建立锂电池荷电状态的估计方程；
在上述实施例的基础上，所述估计方程为
Figure 190387DEST_PATH_IMAGE078
，其中，
Figure 483965DEST_PATH_IMAGE079
和
Figure 72072DEST_PATH_IMAGE080
分别SOC的初值，以及SOC在t时刻的值，
Figure 58483DEST_PATH_IMAGE081
表示库仑效率，
Figure 692727DEST_PATH_IMAGE082
表示电池容量。
具体实施时，采用安时积分法则可以得到锂电池的SOC的估计方程为：
Figure 868624DEST_PATH_IMAGE083
(3)
步骤3，根据一阶等效电路模型和估计方程构建锂电池荷电状态的状态方程；
进一步的，所述状态方程为
Figure 435872DEST_PATH_IMAGE084
其中，
Figure 967085DEST_PATH_IMAGE085
分别为估计值
Figure 885362DEST_PATH_IMAGE086
的一阶导数，
Figure 396109DEST_PATH_IMAGE087
,
Figure 817863DEST_PATH_IMAGE088
,
Figure 21443DEST_PATH_IMAGE089
,
Figure 427016DEST_PATH_IMAGE090
，
Figure 7033DEST_PATH_IMAGE091
为开路电压关于荷电状态的非线性函数，
Figure 548873DEST_PATH_IMAGE092
为开路电压关于荷电状态的线性系数。
具体实施时，由公式（1）-（3），可得SOC的状态方程如下：
Figure 427748DEST_PATH_IMAGE093
(4)
在上式中，有四个关键参数，即，
Figure 55039DEST_PATH_IMAGE071
、
Figure 907588DEST_PATH_IMAGE074
、
Figure 772776DEST_PATH_IMAGE076
和
Figure 442792DEST_PATH_IMAGE077
。通常，
Figure 432745DEST_PATH_IMAGE074
、
Figure 213619DEST_PATH_IMAGE076
和
Figure 605417DEST_PATH_IMAGE077
可以通过混合脉冲功率特性（HPPC）实验辨识的到。而
Figure 446334DEST_PATH_IMAGE071
与SOC密切相关，可用非线性多项式来近似获取。进一步地，定义
Figure 687697DEST_PATH_IMAGE094
,
Figure 272262DEST_PATH_IMAGE095
,
Figure 518567DEST_PATH_IMAGE096
,
Figure 264806DEST_PATH_IMAGE097
。则公式（4）可化简为：
Figure 963772DEST_PATH_IMAGE098
(5)
其中，
Figure 758553DEST_PATH_IMAGE099
为开路电压关于荷电状态的非线性函数，
Figure 983998DEST_PATH_IMAGE100
为开路电压关于荷电状态的线性系数。
步骤4，根据状态方程建立锂电池的开路电压关于荷电状态非线性方程的近似T-S模糊模型，并推导后验系数误差；
在上述实施例的基础上，所述近似T-S模糊模型的表达式为
Figure 540619DEST_PATH_IMAGE101
其中，
Figure 117093DEST_PATH_IMAGE102
和
Figure 918827DEST_PATH_IMAGE103
分别是所定义模糊系数
Figure 998779DEST_PATH_IMAGE104
和
Figure 493345DEST_PATH_IMAGE105
的估计值。
具体实施时，在实际测量系统或建模过程中，存在一些影响SOC估计精度的因素，即传感器漂移、不确定建模误差和外部干扰等，这些因素具有很强的随机性和非线性，可能不服从高斯分布。为了在这些条件下实现SOC的精确估计，提出了一种自适应模糊滑模观测器（AFSMO），如图5所示。在该观测器中，设计了两个主要部分来实现SOC估计的自适应鲁棒性能：1）使用Takagi-Sugeno（T-S）模糊来补偿原等效电路模型中的复杂模型非线性，根据终端电压自适应调整模糊参数；2） 引入鲁棒律来减轻不确定模型和外部干扰引起的干扰的影响，鲁棒增益由Lyapunov定理严格推导。
考虑到模型不确定性和干扰对模型精度的实际影响，等式（5）可由下式表示：
Figure 291537DEST_PATH_IMAGE106
(6)
其中，
Figure 631382DEST_PATH_IMAGE107
,
Figure 267638DEST_PATH_IMAGE108
,
Figure 198685DEST_PATH_IMAGE109
是由模型不确定性和外部干扰引起的未知扰动，上界为
Figure 953014DEST_PATH_IMAGE110
，
Figure 627709DEST_PATH_IMAGE111
,
Figure 682253DEST_PATH_IMAGE112
表示ECM模型的以下非线性项：
Figure 253043DEST_PATH_IMAGE113
(7)
根据全局逼近定理，非线性项
Figure 25827DEST_PATH_IMAGE111
和
Figure 300950DEST_PATH_IMAGE114
可由以下T-S模糊模型逼近：
规则i:
如果
Figure 413980DEST_PATH_IMAGE115
属于
Figure 545884DEST_PATH_IMAGE116
且…且
Figure 415751DEST_PATH_IMAGE117
属于
Figure 337308DEST_PATH_IMAGE118
,
则有
Figure 366444DEST_PATH_IMAGE119
同理，对于
Figure 544616DEST_PATH_IMAGE120
，有
规则j:
如果
Figure 105041DEST_PATH_IMAGE121
属于
Figure 784284DEST_PATH_IMAGE122
且…且
Figure 776249DEST_PATH_IMAGE123
属于
Figure 249955DEST_PATH_IMAGE124
,
则有
Figure 94415DEST_PATH_IMAGE125
其中，
Figure 311769DEST_PATH_IMAGE126
和
Figure 925284DEST_PATH_IMAGE127
是两个与SOC相关的向量；
Figure 412635DEST_PATH_IMAGE128
和
Figure 541128DEST_PATH_IMAGE129
是两个非线性函数，将原始对象从低维映射到高维，以实现线性化。m和n 为模糊集的数量，通常有聚类算法得到。
Figure 437540DEST_PATH_IMAGE130
和
Figure 295775DEST_PATH_IMAGE131
表示规则数量；
Figure 986650DEST_PATH_IMAGE132
,
Figure 664756DEST_PATH_IMAGE133
与
Figure 869253DEST_PATH_IMAGE134
，
Figure 457361DEST_PATH_IMAGE135
分别表示
Figure 443771DEST_PATH_IMAGE111
和
Figure 546856DEST_PATH_IMAGE114
的后验系数。假设
Figure 519492DEST_PATH_IMAGE136
和
Figure 86739DEST_PATH_IMAGE137
表示
Figure 617952DEST_PATH_IMAGE111
和
Figure 270651DEST_PATH_IMAGE114
中第i和第j个模糊规则的权重。由此，可分别得到对应于
Figure 374873DEST_PATH_IMAGE111
和
Figure 734310DEST_PATH_IMAGE114
得的模糊模型：
Figure 203469DEST_PATH_IMAGE138
(8)
Figure 484408DEST_PATH_IMAGE139
(9)
利用拉格朗日乘数法，求解上述模型，可得到以下基于核函数的T-S模糊模型。
Figure 828540DEST_PATH_IMAGE140
(10)
Figure 776904DEST_PATH_IMAGE141
(11)
其中，
Figure 276019DEST_PATH_IMAGE142
和
Figure 106571DEST_PATH_IMAGE143
表示拉格朗日系数，T表示样本数量。
Figure 224700DEST_PATH_IMAGE144
和
Figure 886626DEST_PATH_IMAGE145
后验系数，
Figure 963166DEST_PATH_IMAGE146
为核函数，经常被定义为高斯核函数。同理，有
Figure 186075DEST_PATH_IMAGE147
。
进一步，定义以下变量：
Figure 232528DEST_PATH_IMAGE148
(12)
Figure 421064DEST_PATH_IMAGE149
(13)
其中，
Figure 871768DEST_PATH_IMAGE150
,
Figure 473651DEST_PATH_IMAGE151
表示为：
Figure 933582DEST_PATH_IMAGE152
(14)
Figure 304521DEST_PATH_IMAGE153
(15)
然后，公式（14）和（15）可转化为：
Figure 294168DEST_PATH_IMAGE154
(16)
其中，
Figure 383347DEST_PATH_IMAGE155
和
Figure 381390DEST_PATH_IMAGE156
分别是所定义模糊系数
Figure 872414DEST_PATH_IMAGE157
和
Figure 632297DEST_PATH_IMAGE158
的估计值。
因此，基于等效控制概念，提出的状态观测器设计如下：
Figure 943193DEST_PATH_IMAGE159
(17)
其中，
Figure 744927DEST_PATH_IMAGE160
，
Figure 824878DEST_PATH_IMAGE161
和
Figure 53865DEST_PATH_IMAGE162
为鲁棒项；
Figure 852057DEST_PATH_IMAGE163
，
Figure 956017DEST_PATH_IMAGE164
和
Figure 156054DEST_PATH_IMAGE165
表示鲁棒系数，
Figure 555943DEST_PATH_IMAGE166
是符号函数，并且
Figure 247955DEST_PATH_IMAGE167
,
Figure 453809DEST_PATH_IMAGE168
和
Figure 508352DEST_PATH_IMAGE169
表示终端电压，SOC和极化电压的观测值。定义
Figure 577677DEST_PATH_IMAGE170
，
Figure 350461DEST_PATH_IMAGE171
，
Figure 297688DEST_PATH_IMAGE172
，可以从公式（6）和公式（17）中推导得到如下的误差方程：
Figure 206739DEST_PATH_IMAGE173
(18)
其中，
Figure 479588DEST_PATH_IMAGE174
，
Figure 146193DEST_PATH_IMAGE175
；
Figure 401506DEST_PATH_IMAGE176
和
Figure 899483DEST_PATH_IMAGE177
满足：
Figure 280917DEST_PATH_IMAGE178
(19)
Figure 762714DEST_PATH_IMAGE179
(20)
步骤5，为鲁棒系数
Figure 51744DEST_PATH_IMAGE180
，
Figure 935386DEST_PATH_IMAGE181
和
Figure 782994DEST_PATH_IMAGE182
赋值，并计算终端电压的误差；
具体实施时，可以分别定义以下Lyapunov方程:
Figure 752087DEST_PATH_IMAGE183
(21)
Figure 172704DEST_PATH_IMAGE184
(22)
通过对上述Lyapunov方程求导，可得到该状态观测器各变量误差之间的关系如下：
Figure 989482DEST_PATH_IMAGE185
(23)
Figure 634090DEST_PATH_IMAGE186
(24)
并满足以下的稳定性条件：
Figure 231424DEST_PATH_IMAGE187
Figure 360792DEST_PATH_IMAGE188
Figure 219027DEST_PATH_IMAGE189
其中，
Figure 644323DEST_PATH_IMAGE190
以及
Figure 588008DEST_PATH_IMAGE191
分别表示建模误差和扰动的上界。由此可为鲁棒系数
Figure 22532DEST_PATH_IMAGE192
和
Figure 141797DEST_PATH_IMAGE193
赋值，并计算终端电压的误差。
步骤6，根据更新公式对模糊系数
Figure 393787DEST_PATH_IMAGE194
和
Figure 933091DEST_PATH_IMAGE195
对应的估计值
Figure 30360DEST_PATH_IMAGE196
和
Figure 738553DEST_PATH_IMAGE197
进行更新；
具体实施时，根据上述步骤得到的稳定性条件，可以将公式
Figure 895865DEST_PATH_IMAGE198
和
Figure 423929DEST_PATH_IMAGE199
作为所述更新公式并据此对模糊系数
Figure 324889DEST_PATH_IMAGE194
和
Figure 887588DEST_PATH_IMAGE195
对应的估计值
Figure 215802DEST_PATH_IMAGE196
和
Figure 747275DEST_PATH_IMAGE197
进行更新。
步骤7，将鲁棒系数
Figure 327292DEST_PATH_IMAGE180
、
Figure 869132DEST_PATH_IMAGE181
、
Figure 774771DEST_PATH_IMAGE182
、终端电压的误差、估计值
Figure 277428DEST_PATH_IMAGE196
和
Figure 520190DEST_PATH_IMAGE197
代入状态观测器，得到锂电池荷电状态的估计值；
进一步的，所述步骤7之前，所述方法还包括：
根据近似T-S模糊模型和等效控制概念，得到所述状态观测器，其中，所述状态观测器的表达式为
Figure 290438DEST_PATH_IMAGE200
其中，
Figure 366979DEST_PATH_IMAGE201
和
Figure 481565DEST_PATH_IMAGE202
为鲁棒项；
Figure 934543DEST_PATH_IMAGE203
和
Figure 60762DEST_PATH_IMAGE204
表示鲁棒系数，
Figure 72318DEST_PATH_IMAGE205
是符号函数，并且
Figure 80725DEST_PATH_IMAGE206
和
Figure 665291DEST_PATH_IMAGE207
表示终端电压，SOC和极化电压的观测值，定义
Figure 442754DEST_PATH_IMAGE208
。
具体实施时，考虑到基于等效控制概念设计的状态观测器为
Figure 329938DEST_PATH_IMAGE209
其中，
Figure 419117DEST_PATH_IMAGE201
和
Figure 915695DEST_PATH_IMAGE202
为鲁棒项；
Figure 141140DEST_PATH_IMAGE203
和
Figure 402488DEST_PATH_IMAGE204
表示鲁棒系数，
Figure 854329DEST_PATH_IMAGE205
是符号函数，并且
Figure 780697DEST_PATH_IMAGE206
和
Figure 505989DEST_PATH_IMAGE210
表示终端电压，荷电状态和极化电压的观测值，定义
Figure 859609DEST_PATH_IMAGE211
，
Figure 533167DEST_PATH_IMAGE212
，
Figure 263226DEST_PATH_IMAGE213
。然后将鲁棒系数
Figure 541892DEST_PATH_IMAGE180
，
Figure 66414DEST_PATH_IMAGE181
、
Figure 725803DEST_PATH_IMAGE182
、终端电压的误差、估计值
Figure 197236DEST_PATH_IMAGE214
和
Figure 251779DEST_PATH_IMAGE215
代入状态观测器，得到
Figure 88148DEST_PATH_IMAGE216
(25)
其中，
Figure 860932DEST_PATH_IMAGE217
，
Figure 542581DEST_PATH_IMAGE218
，然后根据公式（25）可以计算锂电池荷电状态的估计值。
步骤8，更新估计值
Figure 717210DEST_PATH_IMAGE214
和
Figure 458901DEST_PATH_IMAGE215
并返回步骤1。
具体实施时，在得到锂电池荷电状态的估计值后，可以将其记录至后台并更新最新数据，然后返回步骤1，以使得状态观测器处于实时监测和更新的状态。
本实施例提供的基于状态观测器的锂电池荷电状态估计方法，通过基于一阶等效电路模型（1RECM）和安时（Ah）积分方法，建立了锂电池SOC的状态方程；根据上述状态方程，设计了一种基于T-S模糊的自适应鲁棒观测器，该观测器采用自适应机制和鲁棒律，实现对锂电池SOC的自适应鲁棒估计；使用T-S模糊来补偿原等效电路模型中的复杂模型非线性，根据终端电压自适应调整模糊参数；引入鲁棒律来减轻不确定模型和外部干扰引起的干扰的影响，鲁棒增益系数由Lyapunov定理严格推导，保证所设计状态观测器的鲁棒性，提高了适应性和精准度，也提高了锂电池在复杂工况下的安全性和工作效率。
参见图6，本发明实施例还提供了一种电子设备60，该电子设备包括：至少一个处理器以及与该至少一个处理器通信连接的存储器。其中，该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述方法实施例中的基于状态观测器的锂电池荷电状态估计方法。
本发明实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述方法实施例中的基于状态观测器的锂电池荷电状态估计方法。
本发明实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在非暂态计算机可读存储介质上的计算程序，该计算机程序包括程序指令，当该程序指令被计算机执行时，使该计算机执行前述方法实施例中的基于状态观测器的锂电池荷电状态估计方法。
下面参考图6，其示出了适于用来实现本发明实施例的电子设备60的结构示意图。本发明实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA（个人数字助理）、PAD（平板电脑）、PMP（便携式多媒体播放器）、车载终端（例如车载导航终端）等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的电子设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示，电子设备60可以包括处理装置（例如中央处理器、图形处理器等）601，其可以根据存储在只读存储器（ROM）602中的程序或者从存储装置608加载到随机访问存储器（RAM）603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备60操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出（I/O）接口605也连接至总线604。
通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器（LCD）、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备60与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种装置的电子设备60，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本发明的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本发明实施例的方法中限定的上述功能。
需要说明的是，本发明上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF（射频）等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备可以执行上述方法实施例的相关步骤。
或者，上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备可以执行上述方法实施例的相关步骤。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。
以上所述，仅为本发明的具体实施方式，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。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (7)

1.一种基于状态观测器的锂电池荷电状态估计方法，其特征在于，包括：
步骤1，根据锂电池的电化学和阻抗特性，利用预设公式建立一阶等效电路模型，并利用HPPC实验辨识一阶等效电路模型中的关键参数，其中，所述关键参数包括锂电池的欧姆内阻, 锂电池的极化内阻和锂电池的极化电容；
步骤2，利用安时积分法，建立锂电池荷电状态的估计方程；
步骤3，根据一阶等效电路模型和估计方程构建锂电池荷电状态的状态方程；
步骤4，根据状态方程建立锂电池的开路电压关于荷电状态非线性方程的近似T-S模糊模型，并推导后验系数误差；
考虑到模型不确定性和干扰对模型精度的实际影响，状态方程由下式表示：
Figure QLYQS_1
其中，
Figure QLYQS_5
,
Figure QLYQS_7
,
Figure QLYQS_11
是由模型不确定性和外部干扰引起的未知扰动，
Figure QLYQS_4
,
Figure QLYQS_9
,
Figure QLYQS_13
,
Figure QLYQS_15
，
Figure QLYQS_2
为开路电压关于荷电状态的非线性函数，
Figure QLYQS_6
为
Figure QLYQS_10
的一阶导数，
Figure QLYQS_14
为开路电压关于荷电状态的线性系数,
Figure QLYQS_3
表示电池容量，
Figure QLYQS_8
,
Figure QLYQS_12
表示等效电路模型的以下非线性项：
Figure QLYQS_16
；
非线性项
Figure QLYQS_21
和
Figure QLYQS_20
由以下T-S模糊模型逼近，
Figure QLYQS_34
，
Figure QLYQS_23
，
Figure QLYQS_35
和
Figure QLYQS_26
是两个非线性函数，将原始对象从低维映射到高维，
Figure QLYQS_31
和
Figure QLYQS_24
表示规则数量；
Figure QLYQS_32
,
Figure QLYQS_17
与
Figure QLYQS_28
，
Figure QLYQS_19
分别表示
Figure QLYQS_29
和
Figure QLYQS_22
的后验系数，假设
Figure QLYQS_33
和
Figure QLYQS_25
表示
Figure QLYQS_30
和
Figure QLYQS_27
中第i和第j个模糊规则的权重，由此分别得到对应于
Figure QLYQS_36
和
Figure QLYQS_18
得的模糊模型：
Figure QLYQS_37
，
Figure QLYQS_38
利用拉格朗日乘数法，求解上述模型，得到以下基于核函数的T-S模糊模型：
Figure QLYQS_41
，
Figure QLYQS_43
其中，
Figure QLYQS_45
和
Figure QLYQS_40
表示拉格朗日系数，T表示样本数量，
Figure QLYQS_42
和
Figure QLYQS_44
表示后验系数，
Figure QLYQS_46
为核函数，同理，有
Figure QLYQS_39
；
定义以下变量：
Figure QLYQS_47
,
Figure QLYQS_48
；
Figure QLYQS_49
,
Figure QLYQS_50
其中，
Figure QLYQS_51
,
Figure QLYQS_52
表示为：
Figure QLYQS_53
，
Figure QLYQS_54
然后转化为：
Figure QLYQS_55
,
Figure QLYQS_56
其中，
Figure QLYQS_57
和
Figure QLYQS_58
分别是所定义模糊系数
Figure QLYQS_59
和
Figure QLYQS_60
的估计值；
基于等效控制概念，得到状态观测器设计如下：
Figure QLYQS_61
(17)
其中，
Figure QLYQS_64
，
Figure QLYQS_68
和
Figure QLYQS_72
为鲁棒项；
Figure QLYQS_65
Figure QLYQS_69
，和
Figure QLYQS_71
表示鲁棒系数，
Figure QLYQS_74
是符号函数，并且
Figure QLYQS_62
,
Figure QLYQS_66
和
Figure QLYQS_70
表示终端电压，SOC和极化电压的观测值，定义
Figure QLYQS_73
，
Figure QLYQS_63
，
Figure QLYQS_67
，推导得到如下的误差方程：
Figure QLYQS_75
其中，
Figure QLYQS_76
，
Figure QLYQS_77
；
Figure QLYQS_78
和
Figure QLYQS_79
满足：
Figure QLYQS_80
Figure QLYQS_81
；
步骤5，为鲁棒系数
Figure QLYQS_82
，
Figure QLYQS_83
和
Figure QLYQS_84
赋值，并计算终端电压的误差；
所述步骤5具体包括：
定义以下Lyapunov方程:
Figure QLYQS_85
；
Figure QLYQS_86
通过对Lyapunov方程求导，得到该状态观测器各变量误差之间的关系如下：
Figure QLYQS_87
；
Figure QLYQS_88
并满足以下的稳定性条件：
Figure QLYQS_90
,
Figure QLYQS_95
；
Figure QLYQS_99
，
Figure QLYQS_91
；
Figure QLYQS_94
其中，
Figure QLYQS_98
，
Figure QLYQS_101
，以及
Figure QLYQS_89
，
Figure QLYQS_93
，
Figure QLYQS_97
分别表示建模误差和扰动的上界并据此为鲁棒系数
Figure QLYQS_100
，
Figure QLYQS_92
和
Figure QLYQS_96
赋值，并计算终端电压的误差；
步骤6，根据更新公式对模糊系数
Figure QLYQS_102
和
Figure QLYQS_103
对应的估计值
Figure QLYQS_104
和
Figure QLYQS_105
进行更新；
所述步骤6具体包括：
将公式
Figure QLYQS_106
和
Figure QLYQS_107
作为所述更新公式并据此对模糊系数
Figure QLYQS_108
和
Figure QLYQS_109
对应的估计值
Figure QLYQS_110
和
Figure QLYQS_111
进行更新；
步骤7，将鲁棒系数
Figure QLYQS_113
，
Figure QLYQS_117
、
Figure QLYQS_119
、终端电压的误差、估计值
Figure QLYQS_114
和
Figure QLYQS_116
代入状态观测器，得到锂电池荷电状态的估计值；步骤8，更新估计值
Figure QLYQS_118
和
Figure QLYQS_120
并返回步骤1；所述步骤8具体包括：得到锂电池荷电状态的估计值后，将其记录至后台并更新最新数据，然后返回步骤1，并根据更新公式更新估计值
Figure QLYQS_112
和
Figure QLYQS_115
。
2.根据权利要求1所述的方法，其特征在于,所述一阶等效电路模型的表达式为
Figure QLYQS_122
；
Figure QLYQS_125
其中，
Figure QLYQS_127
表示开路电压，
Figure QLYQS_123
表示终端电压，
Figure QLYQS_126
为电流，
Figure QLYQS_129
表示锂电池的欧姆内阻，
Figure QLYQS_130
和
Figure QLYQS_121
分别为极化电压及其一阶导数，它们是与锂电池的极化内阻
Figure QLYQS_124
和
Figure QLYQS_128
极化电容相关的状态变量。
3.根据权利要求2所述的方法，其特征在于,所述估计方程为
Figure QLYQS_131
，其中，
Figure QLYQS_132
和
Figure QLYQS_133
分别SOC的初值，以及SOC在t时刻的值，
Figure QLYQS_134
表示库仑效率，
Figure QLYQS_135
表示电池容量。
4.根据权利要求3所述的方法，其特征在于,所述状态方程为
Figure QLYQS_136
其中，
Figure QLYQS_137
，
Figure QLYQS_138
，
Figure QLYQS_139
，分别为估计值
Figure QLYQS_140
，
Figure QLYQS_141
，
Figure QLYQS_142
的一阶导数。
5.根据权利要求1所述的方法，其特征在于,所述步骤7之前，所述方法还包括：
根据近似T-S模糊模型和等效控制概念，得到所述状态观测器，其中，所述状态观测器的表达式为
Figure QLYQS_145
其中
Figure QLYQS_150
，
Figure QLYQS_154
，
Figure QLYQS_146
和为鲁棒项；
Figure QLYQS_149
，
Figure QLYQS_153
和
Figure QLYQS_156
表示鲁棒系数，
Figure QLYQS_143
是符号函数，并且
Figure QLYQS_147
,
Figure QLYQS_151
和
Figure QLYQS_155
表示终端电压，荷电状态和极化电压的观测值，定义
Figure QLYQS_144
，
Figure QLYQS_148
，
Figure QLYQS_152
。
6.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述权利要求1-5中任一项所述的基于状态观测器的锂电池荷电状态估计方法。
7.一种非暂态计算机可读存储介质，其特征在于，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述权利要求1-5中任一项所述的基于状态观测器的锂电池荷电状态估计方法。
CN202211419110.2A 2022-11-14 2022-11-14 基于状态观测器的锂电池荷电状态估计方法、设备及介质 Active CN115561641B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211419110.2A CN115561641B (zh) 2022-11-14 2022-11-14 基于状态观测器的锂电池荷电状态估计方法、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211419110.2A CN115561641B (zh) 2022-11-14 2022-11-14 基于状态观测器的锂电池荷电状态估计方法、设备及介质

Publications (2)

Publication Number Publication Date
CN115561641A CN115561641A (zh) 2023-01-03
CN115561641B true CN115561641B (zh) 2023-03-14

Family

ID=84770486

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211419110.2A Active CN115561641B (zh) 2022-11-14 2022-11-14 基于状态观测器的锂电池荷电状态估计方法、设备及介质

Country Status (1)

Country Link
CN (1) CN115561641B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6924622B1 (en) * 1999-06-03 2005-08-02 Invensys Energy Systems (Nz) Limited Battery capacity measurement
CN103901351A (zh) * 2014-03-18 2014-07-02 浙江大学城市学院 一种基于滑动窗滤波的单体锂离子电池soc估计方法
CN107192959A (zh) * 2017-06-16 2017-09-22 浙江大学 一种基于Takagi‑Sugeno模糊模型的锂电池荷电状态估计方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6924622B1 (en) * 1999-06-03 2005-08-02 Invensys Energy Systems (Nz) Limited Battery capacity measurement
CN103901351A (zh) * 2014-03-18 2014-07-02 浙江大学城市学院 一种基于滑动窗滤波的单体锂离子电池soc估计方法
CN107192959A (zh) * 2017-06-16 2017-09-22 浙江大学 一种基于Takagi‑Sugeno模糊模型的锂电池荷电状态估计方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
State of charge and state of health estimation based on dual nonlinear adaptive observer and hysteresis model of lithium-ion battery;Yan Ma等;《Journal of Renewable and Sustainable Energy》;20210805;全文 *
State of Charge Estimation of Lithium-Ion Battery Using Robust Kernel Fuzzy Model and Multi-Innovation UKF Algorithm Under Noise;Xiangbo Cui等;《IEEE Transactions on Industrial Electronics》;20211027;第69卷(第11期);全文 *
State-Space Modeling and Observer Design of Li-Ion Batteries Using Takagi–Sugeno Fuzzy System;Mohammad Foad Samadi等;《IEEE Transactions on Control Systems Technology》;20160517;第25卷(第1期);全文 *
基于分级Takagi-Sugeno模糊控制的电池SOC预测研究;陈德海等;《电源技术》;20181031;全文 *
基于变参数模型的锂电池荷电状态观测方法;许元武等;《控制理论与应用》;20190331;全文 *
质子交换膜燃料电池的建模与鲁棒控制;邵庆龙;《万方学位论文数据库》;20050819;全文 *

Also Published As

Publication number Publication date
CN115561641A (zh) 2023-01-03

Similar Documents

Publication Publication Date Title
Peng et al. An improved state of charge estimation method based on cubature Kalman filter for lithium-ion batteries
Tang et al. Aging trajectory prediction for lithium-ion batteries via model migration and Bayesian Monte Carlo method
Wang et al. Modeling and state-of-charge prediction of lithium-ion battery and ultracapacitor hybrids with a co-estimator
Ungurean et al. Battery state of health estimation: a structured review of models, methods and commercial devices
Chen et al. State-of-charge estimation of lithium-ion batteries based on improved H infinity filter algorithm and its novel equalization method
Li et al. A multi-model probability SOC fusion estimation approach using an improved adaptive unscented Kalman filter technique
Wei et al. Comparative study of methods for integrated model identification and state of charge estimation of lithium-ion battery
He et al. Online model-based estimation of state-of-charge and open-circuit voltage of lithium-ion batteries in electric vehicles
Song et al. The sequential algorithm for combined state of charge and state of health estimation of lithium-ion battery based on active current injection
US20150219726A1 (en) Systems and methods for battery state estimation
Zhang et al. State‐of‐charge estimation of the lithium‐ion battery system with time‐varying parameter for hybrid electric vehicles
Hu et al. Two time-scaled battery model identification with application to battery state estimation
Li et al. A wavelet transform‐adaptive unscented Kalman filter approach for state of charge estimation of LiFePo4 battery
Sun et al. A sequential capacity estimation for the lithium-ion batteries combining incremental capacity curve and discrete Arrhenius fading model
CN107024659B (zh) 使用非线性电阻元件的电池状态估计系统和方法
Shrivastava et al. Model‐based state of X estimation of lithium‐ion battery for electric vehicle applications
Gholizadeh et al. State of charge estimation of a lithium‐ion battery using robust non‐linear observer approach
Mussi et al. A voltage dynamic-based state of charge estimation method for batteries storage systems
Havangi Adaptive robust unscented Kalman filter with recursive least square for state of charge estimation of batteries
Selvabharathi et al. Experimental analysis on battery based health monitoring system for electric vehicle
Li et al. A novel Co-estimation framework of state-of-charge, state-of-power and capacity for lithium-ion batteries using multi-parameters fusion method
Priya et al. State of charge estimation of lithium‐ion battery based on extended Kalman filter and unscented Kalman filter techniques
Liu et al. Online state of charge estimation for lithium-ion battery by combining incremental autoregressive and moving average modeling with adaptive H-infinity filter
CN106970328B (zh) 一种soc估算方法及装置
CN115561641B (zh) 基于状态观测器的锂电池荷电状态估计方法、设备及介质

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