CN116298904A - 一种基于分数阶多新息双无迹卡尔曼滤波联合估计锂电池soc和soh的方法 - Google Patents

一种基于分数阶多新息双无迹卡尔曼滤波联合估计锂电池soc和soh的方法 Download PDF

Info

Publication number
CN116298904A
CN116298904A CN202310039806.0A CN202310039806A CN116298904A CN 116298904 A CN116298904 A CN 116298904A CN 202310039806 A CN202310039806 A CN 202310039806A CN 116298904 A CN116298904 A CN 116298904A
Authority
CN
China
Prior art keywords
state
fractional order
soc
parameter
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
CN202310039806.0A
Other languages
English (en)
Inventor
李伟
朱永龙
李思
闫文豪
张西镚
张延宇
周毅
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.)
Henan University
Original Assignee
Henan 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 Henan University filed Critical Henan University
Priority to CN202310039806.0A priority Critical patent/CN116298904A/zh
Publication of CN116298904A publication Critical patent/CN116298904A/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]
    • G01R31/367—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
    • 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]
    • G01R31/392—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
    • G06F17/13—Differential equations
    • 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
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Operations Research (AREA)
  • Molecular Biology (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Secondary Cells (AREA)

Abstract

本发明公开了一种基于分数阶多新息双无迹卡尔曼滤波联合估计锂电池SOC和SOH的方法，首先建立分数阶二阶RC等效电路模型，提高了端电压估计的准确性，并利用遗传算法辨识得到分数阶模型的参数；基于分数阶模型，提出了多新息双无迹卡尔曼滤波器估计动力电池的剩余电量和健康状态，不仅解决了非线性问题线性化所带来的系统误差的问题，而且使用过去一段时间的观测值来对下一时刻的状态进行补偿，提高了剩余电量估计和健康状态估计的估计精度和鲁棒性。本发明所提出方法能够实时估计动力电池剩余电量和健康状态，收敛性好，估计精度高，计算量小，具有良好的应用场景。

Description

一种基于分数阶多新息双无迹卡尔曼滤波联合估计锂电池 SOC和SOH的方法
技术领域
本发明涉及新能源汽车电池管理技术领域，尤其涉及一种基于分数阶多新息双无迹卡尔曼滤波联合估计锂电池SOC和SOH的方法。
背景技术
电池管理系统作为新能源汽车的核心控制部件，是车辆在全工况、全寿命周期下安全可靠行驶的保障。其中，剩余电量(State Of Charge,SOC)估计和健康状态(State OfHealth,SOH)估计的准确估计是电池管理系统的重中之重，也是被学者所关注的热点。如果不能准确估计动力电池组的SOC和SOH，将无法保证行车安全，甚至将导致重大事故的发生。
动力电池的SOC和SOH的准确估计是一个需要迫切解决的问题。然而，动力电池是一种强非线性系统，动力电池的SOC和SOH无法用任何仪器直接测量得到，只能通过测量的电流和电压间接计算并估计。开路电压结合安时积分法常被用来估计SOC，该算法操作简单方便，然而开路电压校正需要满足电池组经过长时间静置的条件，该条件不容易被满足。另外，由于电流采样存在误差，长时间使用安时积分将会使该算法的误差增大。SOC的不准确计算或估计势必也会给SOH的估计带来误差。因此，需要设计一种闭环算法来估计动力电池的SOC和SOH。
在之前的研究中，基于等效电路模型的双扩展卡尔曼滤波(Dual ExtendedKalman Filter,DEKF)用来去实现动力电池的状态估计。过去基于等效电路模型大多是基于整数解模型，然而动力电池具有分数阶特性，分数阶模型能更好的模拟动力电池的动静态特性，从而可以得到更高精度的状态估计。另外扩展卡尔曼滤波(Extended KalmanFilter,EKF)在估计动力电池状态过程中，将非线性问题线性化，给动力电池建模带来误差，影响了动力电池状态估计精度。
发明内容
针对上述问题，本发明提出一种基于分数阶多新息双无迹卡尔曼滤波联合估计锂电池SOC和SOH的方法，可以对动力电池剩余电量和健康状态进行估计，能够提高建模精度，并且解决非线性问题误差影响。
为了实现上述目的，本发明采用以下技术方案：
一种基于分数阶多新息双无迹卡尔曼滤波联合估计锂电池SOC和SOH的方法，包括：
步骤1：建立分数阶二阶RC等效电路模型，根据建立的分数阶二阶RC等效电路模型，建立考虑系统的状态干扰和输出干扰项的状态方程和输出方程；
步骤2：获取待检测锂离子电池型号和运行参数，利用容量实验，脉冲实验和工况实验，对锂电池的开路电压、电流进行采样；初始化电池开路电压与剩余电量SOC，获取常温下的电池开路电压与剩余电量SOC的关系；
步骤3：通过放电电压降得到欧姆内阻，通过遗传算法辨识分数阶模型的参数；
步骤4：基于步骤3得出的分数阶模型构造考虑系统的状态干扰和输出干扰项参数估计方程，进而构造状态估计和参数估计的联合状态方程；
步骤5：基于步骤4得到的联合状态方程设计基于分数阶模型的多新息双无迹卡尔曼滤波(FOMIUKF+UKF)算法；
步骤6：采集电流电压值，采用设计的基于分数阶模型的多新息双无迹卡尔曼滤波算法对剩余电量SOC和健康状态SOH进行联合估计。
进一步地，所述步骤1包括：
步骤1.1：建立动力电池的分数阶二阶RC模型：将电阻R0、R1、R2依次串联在电池包UOC的输出端，并将电容C1与电阻R1并联，电容C2与电阻R2并联；
步骤1.2：将上述分数阶二阶RC模型表示为如下的分数阶微分方程组；
状态方程：
Figure SMS_1
输出方程：
UT＝UOC(SOC)-R0IT-U1-U2 (2)
其中，Uoc表示理想电压源，与SOC存在非线性关系；R0表示欧姆内阻，U1和U2为极化电压，R1和R2为极化内阻，C1和C2为分数阶电容，m和n分别表示分数阶电容C1和C2的阶数，Qn表示电池的最大可用容量，IT表示电路中电流大小；
步骤1.3：根据Grunwald-Letnikov定义，阶数为α的变量展开写成：
Figure SMS_2
其中，Dα是微积分算子，并且α＞0时，
Figure SMS_3
α＝0时，Dα＝1；α＜0时，
Figure SMS_4
因子/>
Figure SMS_5
表示二项式系数，h表示步长，/>
Figure SMS_6
表示/>
Figure SMS_7
的整数部分，t表示当前时刻，j表示步数；
将式(1)、(2)和(3)转化为状态更新方程：
Figure SMS_8
其中，x＝[U1,U2,SOC]T，y＝UT，u＝IT，h(x)＝UOC(SOC)，xk表示在k时刻的状态，xk+1表示在k+1时刻的状态，uk表示在k时刻的输入电流，以及
Figure SMS_9
其中τ1＝R1C1，τ2＝R2C2为两个RC环的时间常数，k表示某一随机时刻；
步骤1.4：加入干扰项，得到：
Figure SMS_10
其中，wk和vk分别为系统的状态干扰项和输出干扰项。
进一步地，所述步骤2包括：
步骤2.1：进行电池的静态容量测试，对电池进行先恒流再恒压充电，充满以后再进行标准的放电试验，得到电池的静态容量；
步骤2.2：进行复合脉冲测试，在一定工况下恒流进行充放电，用matlab处理实验数据得到离线参数辨识初始数据；
步骤2.3：进行OCV-SOC测试，得到常温下的电池开路电压OCV和SOC之间的关系，拟合出开路电压和SOC的关系曲线。
进一步地，所述步骤3包括：
步骤3.1：由放电电压降得到R0的内阻：
Figure SMS_11
其中，ΔU为放电电压降；
步骤3.2：对初始数据进行编码，转换成一组48位二进制码，二进制码表示个体的基因；
步骤3.3：当对前的种群进行“杂交”，交换部分的二进制码，产生的新个体即为子代，随机在子代中基因中产生“变异”；
步骤3.4：将经过杂交和变异的子代进行解码，得到R0,R1,C1,R2,C2及分数阶次的数值；
步骤3.5：设置的参数优化目标函数为：
Figure SMS_12
其中，M为被测数据组的长度，优化的目标是使测量得到的输出Yr(j)与分数阶模型预测的输出Ye(j)之间差值的平方和最小；
步骤3.6：将R0,R1,C1,R2,C2的数值代入到设置的计算函数中，若端电压的计算值和预测值小于设置的电压阈值时，作为模型辨识的参数；
步骤3.7：若步骤3.6不满足，将步骤3中产生的子代进行精英选择，重新循环操作，直至存在个体符合适应性条件。
进一步地，所述步骤4包括：
步骤4.1：构造参数估计的状态空间方程：
Figure SMS_13
加入干扰项，得到：
Figure SMS_14
其中，z＝[R0QN]T，g(zk,IT)表示以参数值为自变量、以电流为输入的端电压观测值，wwk和vvk分别为参数系统的状态干扰项和输出干扰项；
步骤4.2：构造状态估计和参数估计的联合状态空间方程：
Figure SMS_15
其中，
Figure SMS_16
表示参数值的系统噪声，/>
Figure SMS_17
表示参数值的测量噪声，wm,I表示状态值的系统噪声,vm,I表示状态值的测量噪声，y和yy都表示端电压，m表示长时间尺度；l∈[0,L]，表示短时间尺度；xm,L＝xm+1,0。
进一步地，所述步骤5包括：
步骤5.1：在短时间尺度上，构造一组采样点；
Figure SMS_18
其中，L为状态向量的长度，权重值计算如下所示：
Figure SMS_19
其中，α为比例因子，决定了采样点的分布范围；ki表示采样点的自由度；β表示用于融入状态变量的先验信息；
步骤5.2：先验状态值更新：使用过去窗口大小为M的状态和输入电流计算下一时刻先验状态值：
Figure SMS_20
Figure SMS_21
步骤5.3：计算状态估计的系统方差预测值：
Figure SMS_22
其中，Q是系统噪声协方差矩阵；
步骤5.4：更新观测值和观测方差预测值：
Figure SMS_23
Figure SMS_24
Figure SMS_25
其中，
Figure SMS_26
表示在m,l时刻的开路电压；
步骤5.5：更新状态值的协方差和卡尔曼增益：
Figure SMS_27
Figure SMS_28
步骤5.6：更新后验状态值和后验状态误差协方差：
Figure SMS_29
其中，
Figure SMS_30
Pm,l＝Pxx-Kam,lPxy T (22)
步骤5.7：重复步骤5.1～步骤5.6，直到在短时间尺度内l＝LL；
Figure SMS_31
步骤5.8：在参数估计中，构造一组采样点：
Figure SMS_32
其中，L为参数向量的长度，权重值计算如下所示：
Figure SMS_33
其中，α为比例因子，决定了采样点的分布范围；ki表示采样点的自由度；β表示用于融入参数变量的先验信息；
步骤5.9：更新先验参数值
Figure SMS_34
Figure SMS_35
步骤5.10：计算参数估计的系统方差预测值
Figure SMS_36
其中，Qz是参数的系统噪声协方差矩阵；
步骤5.11：更新观测方差预测值
Figure SMS_37
步骤5.12：更新参数协方差和参数估计的卡尔曼增益
Figure SMS_38
Figure SMS_39
步骤5.13：更新后验参数值和后验状态误差协方差
Figure SMS_40
Figure SMS_41
与现有技术相比，本发明具有的有益效果：
本发明采用了分数阶多新息双无迹卡尔曼滤波估计动力电池的剩余电量和健康状态，比较现有的其他算法能提高动力电池状态估计精度。分数阶模型的建立提高了建模精度，可以更好的模拟动力电池的动静态特性，为动力电池精确的状态估计打下基础。双无迹卡尔曼滤波可以解决传统双扩展卡尔曼滤波在非线性问题线性化过程中的误差，可以有效提高系统建模精度，提高动力电池的状态估计精度。另外，多新息算法的引入考虑了过去一段时间的观测值对下一时刻状态的影响，对最终的结果可以起到平稳滤波作用，提高了算法的鲁棒性。该估计方法估计精度高，收敛性好，适用于电动汽车剩余电量和健康状态的估计，具有良好的应用场景。
附图说明
图1为本发明实施例的一种基于分数阶多新息双无迹卡尔曼滤波联合估计锂电池SOC和SOH的方法系统框图；
图2为本发明实施例分数阶二阶RC等效电路模型简图；
图3为本发明实施例遗传算法参数辨识流程图；
图4为本发明实施例FOMIUKF+UKF算法流程图；
图5为SOH估算的精度图；
图6为不同算法下SOC估算精度图。
具体实施方式
下面结合附图和具体的实施例对本发明做进一步的解释说明：
本发明的一种基于分数阶多新息双无迹卡尔曼滤波联合估计锂电池SOC和SOH的方法，通过识别电池型号及基本参数，使用新威高性能电池检测系统进行电池容量实验、脉冲实验和OCV-SOC实验，利用simulink工具搭建分数阶二阶RC等效模型，遗传算法模型和卡尔曼滤波，无迹卡尔曼滤波，多新息分数阶无迹卡尔曼滤波估计联合无迹卡尔曼滤波估计SOC和SOH的模型。利用实验数据在simulink中进行在环仿真，对比不同方法的估算精度。
该方法具体步骤如图1框图所示，包括：
S1：建立分数阶二阶RC等效电路模型，根据建立的分数阶二阶RC等效电路模型，建立考虑系统的状态干扰和输出干扰项的状态方程和输出方程；
S2：获取待检测锂离子电池型号和运行参数，利用容量实验，脉冲实验和工况实验，对锂电池的开路电压、电流进行采样；初始化电池开路电压与剩余电量SOC，获取常温下的电池开路电压与剩余电量SOC的关系；
S3：通过放电电压降得到欧姆内阻，通过遗传算法辨识分数阶模型的参数；
S4：基于S3得出的分数阶模型构造考虑系统的状态干扰和输出干扰项参数估计方程，进而构造状态估计和参数估计的联合状态方程；
S5：基于S4得到的联合状态方程设计基于分数阶模型的多新息双无迹卡尔曼滤波(FOMIUKF+UKF)算法；
S6：采集电流电压值，采用设计的基于分数阶模型的多新息双无迹卡尔曼滤波算法对剩余电量SOC和健康状态SOH进行联合估计。
进一步地，S1包括：
S11：建立动力电池的分数阶二阶RC模型：将电阻R0、R1、R2依次串联在电池包UOC的输出端，并将电容C1与电阻R1并联，电容C2与电阻R2并联；
S12：将上述分数阶二阶RC模型表示为如下的分数阶微分方程组；
状态方程：
Figure SMS_42
输出方程：
UT＝UOC(SOC)-R0IT-U1-U2 (2)
其中，Uoc表示理想电压源，与SOC存在非线性关系；R0表示欧姆内阻，U1和U2为极化电压，R1和R2为极化内阻，C1和C2为分数阶电容，m和n分别表示分数阶电容C1和C2的阶数，Qn表示电池的最大可用容量，IT表示电路中电流大小；
根据Grunwald-Letnikov定义，阶数为α的变量展开写成：
Figure SMS_43
其中，Dα是微积分算子，并且α＞0时，
Figure SMS_44
α＝0时，Dα＝1；α＜0时，
Figure SMS_45
因子/>
Figure SMS_46
表示二项式系数，h表示步长，/>
Figure SMS_47
表示/>
Figure SMS_48
的整数部分，t表示当前时刻，j表示步数；
S13：将式(1)、(2)和(3)转化为状态更新方程：
Figure SMS_49
其中，x＝[U1,U2,SOC]T，y＝UT，u＝IT，h(x)＝UOC(SOC)，xk表示在k时刻的状态，xk+1表示在k+1时刻的状态，uk表示在k时刻的输入电流，以及
Figure SMS_50
其中τ1＝R1C1，τ2＝R2C2为两个RC环的时间常数，k表示某一随机时刻；
S14：加入干扰项，得到：
Figure SMS_51
其中，wk和vk分别为系统的状态干扰项和输出干扰项；
具体地，S2中，识别电池说明书基本参数，如标称容量，标称电压，内阻，标准充放电电流，最大持续充放电电流，最大脉冲放电电流(10s)，放电截至电压，充放电温度。
进一步地，S2包括：
S21：使用新威高性能电池测量系统进行电池的静态容量测试，对电池进行先恒流再恒压充电，充满以后再进行标准的放电试验，得到电池的静态容量；
S22：使用新威高性能电池测量系统进行复合脉冲测试，在一定工况下恒流进行充放电，用matlab处理实验数据得到离线参数辨识初始数据；
S23：使用新威高性能电池测量系统进行OCV-SOC测试，电池单体的开路电压是指电池在没有电流通过时的电压，得到常温下的电池开路电压OCV和SOC之间的关系，拟合出开路电压和SOC的关系曲线。
进一步地，如图3所示，S3包括：
S31：由放电电压降得到R0的内阻：
Figure SMS_52
其中，ΔU为放电电压降；
S32：对初始数据进行编码，转换成一组48位二进制码，二进制码表示个体的基因；
S33：当对前的种群进行“杂交”，交换部分的二进制码，产生的新个体即为子代，为了防止辨识的参数落入局部最优解范围，随机在子代中基因中产生“变异”；
S34：将经过杂交和变异的子代进行解码，得到R0,R1,C1,R2,C2及分数阶次的数值；
S35：设置的参数优化目标函数为：
Figure SMS_53
其中，M为被测数据组的长度，优化的目标是使测量得到的输出Yr(j)与分数阶模型预测的输出Ye(j)之间差值的平方和最小；
S36：将R0,R1,C1,R2,C2的数值代入到计算函数中，若端电压的计算值和预测值小于8mv时，作为模型辨识的参数；
S37：若S36不满足，将S3中产生的子代进行精英选择，重新循环操作，直至存在个体符合适应性条件。
进一步地，S4包括：
S41：构造参数估计的状态空间方程：
Figure SMS_54
加入干扰项，得到：
Figure SMS_55
其中，z＝[R0QN]T，g(zk,IT)表示以参数值为自变量、以电流为输入的端电压观测值，wwk和vvk分别为参数系统的状态干扰项和输出干扰项；
S42：构造状态估计和参数估计的联合状态空间方程：
Figure SMS_56
其中，
Figure SMS_57
表示参数值的系统噪声，/>
Figure SMS_58
表示参数值的测量噪声，wm,l表示状态值的系统噪声,vm,l表示状态值的测量噪声，y和yy都表示端电压，m表示长时间尺度，l∈[0,L]，表示短时间尺度。另外，xm,L＝xm+1,0；
进一步地，如图4所示，S5包括：
S51：在短时间尺度上，构造一组采样点；
Figure SMS_59
其中，L为状态向量的长度，本实施例中状态向量长度为3，权重值计算如下所示：
Figure SMS_60
其中，取α＝0.1，ki＝0，β＝2。α为比例因子，决定了采样点的分布范围；ki表示采样点的自由度；β表示用于融入状态变量的先验信息；
S52：先验状态值更新：使用过去窗口大小为M的状态和输入电流计算下一时刻先验状态值：
Figure SMS_61
Figure SMS_62
S53：计算状态估计的系统方差预测值：
Figure SMS_63
其中，Q是系统噪声协方差矩阵；
S54：更新观测值和观测方差预测值：
Figure SMS_64
Figure SMS_65
Figure SMS_66
其中，
Figure SMS_67
表示在m,l时刻的开路电压；
S55：更新状态值的协方差和卡尔曼增益：
Figure SMS_68
Figure SMS_69
S56：更新后验状态值和后验状态误差协方差
Figure SMS_70
其中，
Figure SMS_71
Pm,l＝Pxx-Kam,lPxy T (22)
S57：重复步骤S51～S56，直到在短时间尺度内l＝LL：
Figure SMS_72
S58：在参数估计中，构造一组采样点；
Figure SMS_73
其中，L为参数向量的长度，本实施例中参数向量长度为2，权重值计算如下所示：
Figure SMS_74
其中，取α＝0.01，ki＝0，β＝2。α为比例因子，决定了采样点的分布范围；ki表示采样点的自由度；β用于融入参数变量的先验信息；
S59：更新先验参数值：
Figure SMS_75
Figure SMS_76
S510：计算参数估计的系统方差预测值
Figure SMS_77
其中，Qz是参数的系统噪声协方差矩阵；
S511：更新观测方差预测值
Figure SMS_78
S512：更新参数协方差和参数估计的卡尔曼增益
Figure SMS_79
Figure SMS_80
S513：更新后验参数值和后验状态误差协方差
Figure SMS_81
Figure SMS_82
S6：使用新威高性能电池检测系统电流电压数据，采用设计的基于分数阶模型的多新息双无迹卡尔曼滤波(FOMIUKF+UKF)算法进行剩余电量SOC和健康状态SOH的联合估计，SOH结果如图5所示。另外，为验证本发明效果，分别采用EKF，UKF，FOUKF观测器进行对比实验，对比估算的精度，各算法/观测器的SOC结果如图6所示。
综上，基于分数阶模型的多新息双无迹卡尔曼滤波算法的设计完成，该算法能够提高模型估计的精度，更加准确地估计端电压，从而减小建模误差，提高状态估计的精度，使得对剩余电量和健康状态的估计更加接近真实值。所提出的联合估计方法，考虑到了车载实际应用情况下，对计算量较低的要求，具有良好的应用前景。
以上所示仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (6)

1.一种基于分数阶多新息双无迹卡尔曼滤波联合估计锂电池SOC和SOH的方法，其特征在于，包括：
步骤1：建立分数阶二阶RC等效电路模型，根据建立的分数阶二阶RC等效电路模型，建立考虑系统的状态干扰和输出干扰项的状态方程和输出方程；
步骤2：获取待检测锂离子电池型号和运行参数，利用容量实验，脉冲实验和工况实验，对锂电池的开路电压、电流进行采样；初始化电池开路电压与剩余电量SOC，获取常温下的电池开路电压与剩余电量SOC的关系；
步骤3：通过放电电压降得到欧姆内阻，通过遗传算法辨识分数阶模型的参数；
步骤4：基于步骤3得出的分数阶模型构造考虑系统的状态干扰和输出干扰项参数估计方程，进而构造状态估计和参数估计的联合状态方程；
步骤5：基于步骤4得到的联合状态方程设计基于分数阶模型的多新息双无迹卡尔曼滤波算法；
步骤6：采集电流电压值，采用设计的基于分数阶模型的多新息双无迹卡尔曼滤波算法对剩余电量SOC和健康状态SOH进行联合估计。
2.根据权利要求1所述的一种基于分数阶多新息双无迹卡尔曼滤波联合估计锂电池SOC和SOH的方法，其特征在于，所述步骤1包括：
步骤1.1：建立动力电池的分数阶二阶RC模型：将电阻R0、R1、R2依次串联在电池包UOC的输出端，并将电容C1与电阻R1并联，电容C2与电阻R2并联；
步骤1.2：将上述分数阶二阶RC模型表示为如下的分数阶微分方程组；
状态方程：
Figure FDA0004050551040000011
输出方程：
UT＝UOC(SOC)-R0IT-U1-U2(2)
其中，Uoc表示理想电压源，与SOC存在非线性关系；R0表示欧姆内阻，U1和U2为极化电压，R1和R2为极化内阻，C1和C2为分数阶电容，m和n分别表示分数阶电容C1和C2的阶数，Qn表示电池的最大可用容量，IT表示电路中电流大小；
步骤1.3：根据Grunwald-Letnikov定义，阶数为α的变量展开写成：
Figure FDA0004050551040000021
其中，Dα是微积分算子，并且α＞0时，
Figure FDA0004050551040000022
α＝0时，Dα＝1；α＜0时，/>
Figure FDA0004050551040000023
因子/>
Figure FDA0004050551040000024
Figure FDA0004050551040000025
表示二项式系数，h表示步长，/>
Figure FDA0004050551040000026
表示/>
Figure FDA0004050551040000027
的整数部分，t表示当前时刻，j表示步数；
将式(1)、(2)和(3)转化为状态更新方程：
Figure FDA0004050551040000028
其中，x＝[U1,U2,SOC]T，y＝UT，u＝IT，h(x)＝UOC(SOC)，xk表示在k时刻的状态，xk+1表示在k+1时刻的状态，uk表示在k时刻的输入电流，以及
Figure FDA0004050551040000029
其中τ1＝R1C1，τ2＝R2C2为两个RC环的时间常数，k表示某一随机时刻；
步骤1.4：加入干扰项，得到：
Figure FDA00040505510400000210
其中，wk和vk分别为系统的状态干扰项和输出干扰项。
3.根据权利要求1所述的一种基于分数阶多新息双无迹卡尔曼滤波联合估计锂电池SOC和SOH的方法，其特征在于，所述步骤2包括：
步骤2.1：进行电池的静态容量测试，对电池进行先恒流再恒压充电，充满以后再进行标准的放电试验，得到电池的静态容量；
步骤2.2：进行复合脉冲测试，在一定工况下恒流进行充放电，用matlab处理实验数据得到离线参数辨识初始数据；
步骤2.3：进行OCV-SOC测试，得到常温下的电池开路电压OCV和SOC之间的关系，拟合出开路电压和SOC的关系曲线。
4.根据权利要求1所述的一种基于分数阶多新息双无迹卡尔曼滤波联合估计锂电池SOC和SOH的方法，其特征在于，所述步骤3包括：
步骤3.1：由放电电压降得到R0的内阻：
Figure FDA0004050551040000031
其中，ΔU为放电电压降；
步骤3.2：对初始数据进行编码，转换成一组48位二进制码，二进制码表示个体的基因；
步骤3.3：当对前的种群进行“杂交”，交换部分的二进制码，产生的新个体即为子代，随机在子代中基因中产生“变异”；
步骤3.4：将经过杂交和变异的子代进行解码，得到R0,R1,C1,R2,C2及分数阶次的数值；
步骤3.5：设置的参数优化目标函数为：
Figure FDA0004050551040000032
其中，M为被测数据组的长度，优化的目标是使测量得到的输出Yr(j)与分数阶模型预测的输出Ye(j)之间差值的平方和最小；
步骤3.6：将R0,R1,C1,R2,C2的数值代入到设置的计算函数中，若端电压的计算值和预测值小于设置的电压阈值时，作为模型辨识的参数；
步骤3.7：若步骤3.6不满足，将步骤3中产生的子代进行精英选择，重新循环操作，直至存在个体符合适应性条件。
5.根据权利要求2所述的一种基于分数阶多新息双无迹卡尔曼滤波联合估计锂电池SOC和SOH的方法，其特征在于，所述步骤4包括：
步骤4.1：构造参数估计的状态空间方程：
Figure FDA0004050551040000041
加入干扰项，得到：
Figure FDA0004050551040000042
其中，z＝[R0QN]T，g(zk,IT)表示以参数值为自变量、以电流为输入的端电压观测值，wwk和vvk分别为参数系统的状态干扰项和输出干扰项；
步骤4.2：构造状态估计和参数估计的联合状态空间方程：
Figure FDA0004050551040000043
其中，
Figure FDA0004050551040000044
表示参数值的系统噪声，/>
Figure FDA0004050551040000045
表示参数值的测量噪声，wm,l表示状态值的系统噪声,vm,l表示状态值的测量噪声，y和yy都表示端电压，m表示长时间尺度；l∈[0,L]，表示短时间尺度；xm,L＝xm+1,0。
6.根据权利要求1所述的一种基于分数阶多新息双无迹卡尔曼滤波联合估计锂电池SOC和SOH的方法，其特征在于，所述步骤5包括：
步骤5.1：在短时间尺度上，构造一组采样点；
Figure FDA0004050551040000046
其中，L为状态向量的长度，权重值计算如下所示：
Figure FDA0004050551040000047
其中，α为比例因子，决定了采样点的分布范围；ki表示采样点的自由度；β表示用于融入状态变量的先验信息；
步骤5.2：先验状态值更新：使用过去窗口大小为M的状态和输入电流计算下一时刻先验状态值：
Figure FDA0004050551040000051
Figure FDA0004050551040000052
步骤5.3：计算状态估计的系统方差预测值：
Figure FDA0004050551040000053
其中，Q是系统噪声协方差矩阵；
步骤5.4：更新观测值和观测方差预测值：
Figure FDA0004050551040000054
Figure FDA0004050551040000055
Figure FDA0004050551040000056
其中，
Figure FDA0004050551040000057
表示在m,l时刻的开路电压；
步骤5.5：更新状态值的协方差和卡尔曼增益：
Figure FDA0004050551040000058
Figure FDA0004050551040000059
步骤5.6：更新后验状态值和后验状态误差协方差：
Figure FDA00040505510400000510
其中，
Figure FDA00040505510400000511
Pm,l＝Pxx-Kam,lPxy T(22)步骤5.7：重复步骤5.1～步骤5.6，直到在短时间尺度内l＝LL；
Figure FDA0004050551040000061
步骤5.8：在参数估计中，构造一组采样点：
Figure FDA0004050551040000062
其中，L为参数向量的长度，权重值计算如下所示：
Figure FDA0004050551040000063
其中，α为比例因子，决定了采样点的分布范围；ki表示采样点的自由度；β表示用于融入参数变量的先验信息；
步骤5.9：更新先验参数值
Figure FDA0004050551040000064
Figure FDA0004050551040000065
步骤5.10：计算参数估计的系统方差预测值
Figure FDA0004050551040000066
其中，Qz是参数的系统噪声协方差矩阵；
步骤5.11：更新观测方差预测值
Figure FDA0004050551040000067
步骤5.12：更新参数协方差和参数估计的卡尔曼增益
Figure FDA0004050551040000068
Figure FDA0004050551040000071
步骤5.13：更新后验参数值和后验状态误差协方差
Figure FDA0004050551040000072
Figure FDA0004050551040000073
CN202310039806.0A 2023-01-11 2023-01-11 一种基于分数阶多新息双无迹卡尔曼滤波联合估计锂电池soc和soh的方法 Pending CN116298904A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310039806.0A CN116298904A (zh) 2023-01-11 2023-01-11 一种基于分数阶多新息双无迹卡尔曼滤波联合估计锂电池soc和soh的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310039806.0A CN116298904A (zh) 2023-01-11 2023-01-11 一种基于分数阶多新息双无迹卡尔曼滤波联合估计锂电池soc和soh的方法

Publications (1)

Publication Number Publication Date
CN116298904A true CN116298904A (zh) 2023-06-23

Family

ID=86787758

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310039806.0A Pending CN116298904A (zh) 2023-01-11 2023-01-11 一种基于分数阶多新息双无迹卡尔曼滤波联合估计锂电池soc和soh的方法

Country Status (1)

Country Link
CN (1) CN116298904A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117110895A (zh) * 2023-10-19 2023-11-24 武汉船用电力推进装置研究所(中国船舶集团有限公司第七一二研究所) 一种船用锂离子动力电池剩余能量估计方法、设备及介质
CN117686937A (zh) * 2024-02-02 2024-03-12 河南科技学院 一种用于电池系统内单体电池的健康状态估计方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117110895A (zh) * 2023-10-19 2023-11-24 武汉船用电力推进装置研究所(中国船舶集团有限公司第七一二研究所) 一种船用锂离子动力电池剩余能量估计方法、设备及介质
CN117110895B (zh) * 2023-10-19 2024-01-05 武汉船用电力推进装置研究所(中国船舶集团有限公司第七一二研究所) 一种船用锂离子动力电池剩余能量估计方法、设备及介质
CN117686937A (zh) * 2024-02-02 2024-03-12 河南科技学院 一种用于电池系统内单体电池的健康状态估计方法
CN117686937B (zh) * 2024-02-02 2024-04-12 河南科技学院 一种用于电池系统内单体电池的健康状态估计方法

Similar Documents

Publication Publication Date Title
Ling et al. State-of-charge and state-of-health estimation for lithium-ion batteries based on dual fractional-order extended Kalman filter and online parameter identification
Li et al. A practical lithium-ion battery model for state of energy and voltage responses prediction incorporating temperature and ageing effects
CN108196200B (zh) 一种锂电池健康和荷电状态的联合模拟评估方法
Kwak et al. Parameter identification and SOC estimation of a battery under the hysteresis effect
CN110488194B (zh) 一种基于电化学阻抗模型的锂电池soc估算方法及其系统
Huang et al. A model-based state-of-charge estimation method for series-connected lithium-ion battery pack considering fast-varying cell temperature
Takyi‐Aninakwa et al. A strong tracking adaptive fading‐extended Kalman filter for the state of charge estimation of lithium‐ion batteries
He et al. State-of-charge estimation of lithium ion batteries based on adaptive iterative extended Kalman filter
CN116298904A (zh) 一种基于分数阶多新息双无迹卡尔曼滤波联合估计锂电池soc和soh的方法
Ye et al. State-of-charge estimation with adaptive extended Kalman filter and extended stochastic gradient algorithm for lithium-ion batteries
Jiang et al. Data-based fractional differential models for non-linear dynamic modeling of a lithium-ion battery
Qiuting et al. State of health estimation for lithium-ion battery based on D-UKF
CN111426957A (zh) 一种模拟车辆工况动力电池荷电状态soc估算优化方法
CN112858916A (zh) 一种基于模型与数据驱动融合的电池包荷电状态估计方法
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
CN116125278A (zh) 一种基于lstm-ekf算法的锂电池soc估计方法和系统
CN114779107A (zh) 一种考虑温度影响的锂离子电池soc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
CN111060822B (zh) 一种基于模型切换及融合的荷电状态估计方法
CN115656848A (zh) 一种基于容量修正的锂电池soc估算方法
Surya et al. Hybrid electrical circuit model and deep learning-based core temperature estimation of lithium-ion battery cell
Priya et al. State of charge estimation of lithium‐ion battery based on extended Kalman filter and unscented Kalman filter techniques
CN114861545A (zh) 基于rnn神经网络与多参数约束的锂电池sop在线估算方法
Liu et al. Dynamic adaptive square-root unscented Kalman filter and rectangular window recursive least square method for the accurate state of charge estimation of lithium-ion batteries
Naguib et al. Comparative Study between equivalent circuit and recurrent neural network battery voltage models

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