CN116819340A - 一种储能锂电池在线参数辨识与状态估计方法及系统 - Google Patents
一种储能锂电池在线参数辨识与状态估计方法及系统 Download PDFInfo
- Publication number
- CN116819340A CN116819340A CN202310804704.3A CN202310804704A CN116819340A CN 116819340 A CN116819340 A CN 116819340A CN 202310804704 A CN202310804704 A CN 202310804704A CN 116819340 A CN116819340 A CN 116819340A
- Authority
- CN
- China
- Prior art keywords
- soc
- time
- energy storage
- lithium battery
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 54
- 238000004146 energy storage Methods 0.000 title claims abstract description 54
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 54
- 238000001914 filtration Methods 0.000 claims abstract description 27
- 230000010354 integration Effects 0.000 claims abstract description 4
- 238000005259 measurement Methods 0.000 claims description 51
- 239000013598 vector Substances 0.000 claims description 25
- 239000011159 matrix material Substances 0.000 claims description 16
- 230000010287 polarization Effects 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 claims description 5
- 238000002474 experimental method Methods 0.000 claims description 3
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 229910001416 lithium ion Inorganic materials 0.000 description 8
- 230000032683 aging Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- GELKBWJHTRAYNV-UHFFFAOYSA-K lithium iron phosphate Chemical group [Li+].[Fe+2].[O-]P([O-])([O-])=O GELKBWJHTRAYNV-UHFFFAOYSA-K 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Landscapes
- Tests Of Electric Status Of Batteries (AREA)
Abstract
本发明公开了一种储能锂电池在线参数辨识与状态估计方法及系统，方法包括：建立二阶等效电路模型，并结合安时积分法建立状态空间方程，对状态空间方程进行参数辨识，得到二阶等效电路模型的模型参数及其初始值；将多新息算法模型与差分卡尔曼滤波算法模型结合得到多新息中心差分卡尔曼滤波算法模型；计算储能锂电池的SOC状态空间方程与SOH状态空间方程，用多新息中心差分卡尔曼滤波算法模型根据SOC状态空间方程和上一时刻模型参数值计算得到当前时刻的SOC估计值，用差分卡尔曼滤波算法模型根据SOH状态空间方程和上一时刻SOC估计值计算得到当前时刻的SOH估计值。本发明实现了高精度、高效率的在线SOC和SOH协同估计。
Description
技术领域
本发明涉及电池管理领域，尤其涉及一种储能锂电池在线参数辨识与状态估计方法及系统。
背景技术
锂电池目前被广泛应用于储能电站。为了防止过充过放对电池寿命的损害，需要进行实时充放电控制和可靠寿命管理。因此，实时准确的电池荷电状态(SOC)和健康状态(SOH)估计是电池能源管理系统(BMS)的核心功能之一。现有估计方法主要包括数据驱动方法、基于模型方法两类。数据驱动方法有神经网络、深度学习方法等，其无需深入了解电池内部材料特性与反应机理，通过提取与电池健康状态相关的特征参数，结合模型训练，实现电池状态估计，但过度依赖于长期训练和数据质量。相比之下，基于模型方法仅需通过经验拟合、数学方程或等效电路来描述电池动态特性，应用更为广泛，但估计性能依赖于参数辨识和算法精度。在电池状态估计中，卡尔曼滤波(KF)算法具有较好的鲁棒性和精度，当前常用的包括无迹卡尔曼滤波(UKF)、扩展卡尔曼滤波(EKF)及其衍生算法，难以平衡算法复杂度和估计精度，且受模型精度、噪声复杂度和状态非线性强度影响较多。
例如，专利CN202210607430公开了进行锂电池在线参数辨识后，基于MIAUKF算法模型对锂离子电池进行荷电状态估计，主要利用多新息误差向量的新校正阶段和卡尔曼增益矩阵更新估计值在一定程度上提高了锂离子电池荷电状态的估计精度，但改进后的无迹卡尔曼滤波(UKF)算法复杂较高，难以在算法复杂度和估计精度方面选取平衡，且电池在动态充放电过程中内部特性是变化的，噪声的不确定和SOC估计精度受老化影响的问题仍未有效解决。
虽然电池SOC在线估计已取得阶段性成果，但将电池SOH与SOC进行协同估计的效果仍然不佳，对电池状态参数估计过程中的相互影响考虑较少，难以处理电池状态估计精度和实用性不理想的问题。随着电池储能电站的快速增加，亟需提升电池状态估计的精度和性能，开发适合实际应用的锂电池在线高精度建模与状态估计方法，支撑电池的科学高效并延长其使用寿命，并保证储能电站系统安全可靠运行
发明内容
本发明要解决的技术问题就在于：针对现有技术存在的技术问题，本发明提供一种储能锂电池在线参数辨识与状态估计方法及系统，在充分考虑测量噪声、容量老化的影响下，实现高精度、高效率的在线SOC和SOH协同估计。
为解决上述技术问题，本发明提出的技术方案为：
一种储能锂电池在线参数辨识与状态估计方法，包括以下步骤：
S1)对储能锂电池进行工况测试，根据测试结果建立储能锂电池的二阶等效电路模型；
S2)结合安时积分法和所述二阶等效电路模型建立储能锂电池的状态空间方程和量测方程，对状态空间方程和量测方程进行参数辨识，得到二阶等效电路模型的模型参数及其初始值；
S3)将多新息算法模型与差分卡尔曼滤波算法模型结合，将新息标量转化为新息向量，并将增益向量转化为增益矩阵，得到多新息中心差分卡尔曼滤波算法模型；
S4)建立储能锂电池的SOC状态空间方程与SOH状态空间方程，用多新息中心差分卡尔曼滤波算法模型根据所述SOC状态空间方程和上一时刻SOH估计值中的模型参数值计算得到当前时刻的SOC估计值，用差分卡尔曼滤波算法模型根据所述SOH状态空间方程和上一时刻SOC估计值计算得到当前时刻的SOH估计值。
进一步的，步骤S1中还包括：根据预设的SOC-OCV关系图计算SOC和储能锂电池的二阶等效电路模型中开路电压的函数关系，有：
UOC(SOC)＝-42.017(SOC)7+158.137(SOC)6-228.064(SOC)5+156.113(SOC)4
-49.971(SOC)3+5.78(SOC)2+0.772(SOC)+3.423
其中，UOC(SOC)表示电池开路电压。
进一步的，步骤S2中储能锂电池的状态空间方程表达式如下：
其中，U1,k+1、U2,k+1和SOCk+1分别为在k+1时刻的U1、U2和SOC瞬时值；U1，k、U2,k和SOCk分别为在k时刻的U1、U2和SOC瞬时值；Qmax为电池的最大可充容量；η为效率系数；Δt为采样间隔时间；wk为系统噪声；τ1和τ2为时间常数；Ik为k时刻的电流；控制变量uk＝Ik。
进一步的，步骤S2中对状态空间方程和量测方程进行参数辨识时，包括：
在FFRLS算法模型中加入遗忘因子以在线更新数据信息；
引入参数a1、a2、a3、a3、a4，将量测方程离散化得到第一量测方程；
将离散化的第一量测方程输入加入遗忘因子的FFRLS算法模型，得到参数a1、a2、a3、a4、a5的辨识结果，根据参数a1、a2、a3、a4、a5的辨识结果计算模型参数的值。
进一步的，所述量测方程表达式如下：
Uk＝UOC(SOCk)-U1,k-U2,k-R0Ik+vk
其中，U1，k、U2,k和UOC(SOCk)分别为在k时刻的U1、U2和UOC瞬时值；Ro表示模型欧姆内阻；vk为量测噪声；Ik为k时刻的电流；量测变量yk＝Uk；
所述第一量测方程表达式如下：
UOC,k-Uk＝a1[UOC，k-1-Uk-1]+a2[UOC，k-2-Uk-2]+a3Ik+a4Ik-1+a5Ik-2
其中，UOC,k、UOC,k-1、UOC，k-2分别表示k时刻、k-1时刻、k-2时刻的开路电压，Uk、Uk-1、Uk-2分别表示k时刻、k-1时刻、k-2时刻的量测变量，Ik、Ik-1、Ik-2分别表示k时刻、k-1时刻、k-2时刻的电流。
进一步的，参数a1、a2、a3、a4、a5表达式如下：
其中，τ1和τ2为时间常数；τ1＝R1C1，τ2＝R2C2，R1和C1表示电化学极化电阻值，R2和C2表示浓差极化电阻值，Ro表示模型欧姆内阻，T表示采样周期。
进一步的，所述多新息中心差分卡尔曼滤波算法模型的量测部分更新时，包括：更新k时刻的量测数据的估计值，表达式如下：
其中，为k时刻更新后的估计值，/>为k时刻更新前的估计值，Kp，k＝[Kk …Kk-p+1]，Kk-p+1为较于当前时刻过去p-1时刻的的增益向量，λj为权重因子，Kk为卡尔曼滤波算法的增益向量，/>ek为第k时刻实际量测值与模型输出值的误差即新息，p为新息向量长度，yk为第k时刻实际量测值，/>为第k时刻模型输出值。
进一步的，步骤S4中建立储能锂电池的SOC状态空间方程具体包括：
获取SOC和开路电压的函数关系以及进行参数辨识时引入参数与模型参数的函数关系；
将SOC和开路电压的函数关系、进行参数辨识时引入参数与模型参数的函数关系、储能锂电池的状态空间方程和量测方程结合，得到所述SOC状态空间方程。
进一步的，步骤S4中建立SOH状态空间方程时，包括：
建立关于内阻的系统状态方程作为SOH状态空间方程，表达式如下：
R0,k+1＝R0,k+rk
其中，R0，k+1、R0，k分别为k+1时刻和k时刻的电池内阻；rk为系统的过程噪声，由电池的充放电实验确定，用于表示内阻的增加；
计算SOC状态空间方程的离散形式得到第二量测方程，第二量测方程表达式如下：
Uk＝UOC(SOCk)-U1,k-U2,k-Ro，kIk+εk
其中，U1，k、U2，k和UOC(SOCk)分别为在k时刻的Uk、Uk和Uk瞬时值；Ik为k时刻的电流；εk为量测噪声；
步骤S4中计算得到当前时刻的SOH估计值时，包括：
利用不同时期电池内阻R0的估计值得到电池SOH估计结果，表达式如下：
其中，R0，EOL为电池寿命结束时的内阻，Ro，NOW为估计SOC的MIUCDKF输出的电池当前状态的内阻，R0，NEW为电池额定内阻。
本发明还提出一种储能锂电池在线参数辨识与状态估计系统，包括计算机设备，所述计算机设备被编程或配置以执行任一所述的储能锂电池在线参数辨识与状态估计方法。
与现有技术相比，本发明的优点在于：
(1)本发明在遗忘因子最小二乘法(FFRLS)基础上加入遗忘因子，解决在线辨识的数据过饱和问题，提升了电池模型在线辨识的精度与效率；
(2)本发明通过融合多新息理论和中心差分方程，充分考虑多新息数据与算法复杂度，提出了一种改进的卡尔曼滤波算法，缓解了噪声的不确定性和SOC估计精度受老化等因素的影响；
(3)本发明对电池的SOC和SOH进行联合估计，通过相互迭代更新，提升状态估计精度与BMS运行效率。能够克服现有技术在电池SOH和SOC进行协同估计时的效果不佳，对电池状态参数估计过程中的相互影响考虑较少，难以处理电池状态估计精度和实用性不强的问题。
附图说明
图1为本发明的实施例一的原理图。
图2为本发明实施例一的方法流程图。
图3为本发明实施例一的二阶等效电路模型。
图4为本发明实施例一中OCV-SOC的拟合曲线。
图5为本发明实施例一中模型参数中R0的在线估计结果。
图6为本发明实施例一中模型参数中R1的在线估计结果。
图7为本发明实施例一中模型参数中R2的在线估计结果。
图8为本发明实施例一中模型参数中C1的在线估计结果。
图9为本发明实施例一中模型参数中C2的在线估计结果。
图10为本发明实施例一中电池容量的在线估计结果。
图11为本发明实施例一中电池端电压的估计值与真实值。
图12为本发明实施例一中电池SOC的估计值与真实值。
图13为本发明实施例一中电池SOH的估计值与真实值。
具体实施方式
以下结合说明书附图和具体优选的实施例对本发明作进一步描述，但并不因此而限制本发明的保护范围。
实施例一
本实施例提出一种储能锂电池在线参数辨识与状态估计方法，在充分考虑测量噪声、容量老化的影响下，实现高精度、高效率的在线SOC和SOH协同估计，如图1所示，使用微观时间尺度的MIUCDKF用于SOC估计和宏观时间尺度的CDKF用于容量估计，进而实现SOC和SOH联合估计，估算SOC的MIUCDKF的输出作为估算SOH的CDKF的输入，且输出的SOH又作为下一时刻估算SOC的输入，进行实时更新，保证的整体算法的精度和效率。
基于上述构思，如图2所示，本实施例的方法包括以下步骤：
S1)对储能锂电池进行工况测试，根据测试结果建立储能锂电池的二阶等效电路模型；
S2)结合安时积分法和所述二阶等效电路模型建立储能锂电池的状态空间方程和量测方程，对状态空间方程和量测方程进行参数辨识，得到二阶等效电路模型的模型参数及其初始值；
S3)将多新息算法模型与差分卡尔曼滤波算法模型结合，将新息标量转化为新息向量，并将增益向量转化为增益矩阵，得到多新息中心差分卡尔曼滤波算法模型；
S4)建立储能锂电池的SOC状态空间方程、SOH状态空间方程与第二量测方程，用多新息中心差分卡尔曼滤波算法模型根据所述SOC状态空间方程和上一时刻SOH估计值的模型参数计算得到当前时刻的SOC估计值，用差分卡尔曼滤波算法模型根据所述SOH状态空间方程和上一时刻SOC估计值计算得到当前时刻的SOH估计值。
本实施例中，储能锂电池采用磷酸铁锂电池，其二阶RC等效电路模型如图3所示，包括电池端电压Ut，开路电压UOC，电化学极化电阻R1和C1，浓差极化电阻R2和C2，电池电流I。下面对于各步骤分别进行说明。
本实施例的步骤S1中，对充满电的磷酸铁锂电池进行UUSD工况测试，放电至电池端电压降至截止电压2.7V时停止实验，通过每个时刻所辨识出的参数和对应时刻的输入，得出对应时刻二阶等效电路模型的输出值。从而步骤S1中储能锂电池的二阶等效电路模型表达式如下：
其中，I(t)为t时刻测得的储能锂电池电流，U(t)为t时刻测得的储能锂电池端电压，Uoc(t)表示电池开路电压，是关于SOC的函数，U1(t)表示t时刻电化学计划内阻电压，U2(t)表示t时刻浓差极化内阻电压，R1和C1表示电化学极化电阻值，R2和C2表示浓差极化电阻值，Ro表示模型欧姆内阻。
为了满足后续进行参数辨识的要求，本实施例的步骤S1中还包括：根据预设的SOC-OCV关系图计算SOC和开路电压的函数关系，本实施例SOC-OCV关系图如图4所示，可以用7阶多项式对SOC和开路电压OCV的函数关系进行拟合，表达式如下：
UOC(SOC)＝-42.017(SOC)7+158.137(SOC)6-228.064(SOC)5+156.113(SOC)4-49.971(SOC)3+5.78(SOC)2+0.772(SOC)+3.423(2)
其中，UOC(SOC)表示电池开路电压。
本实施例的步骤S2基于锂电池二阶等效电路模型得到状态空间方程，进行在线参数辨识，首先，结合安时积分法和二阶等效电路模型建立储能锂电池的状态空间方程和量测方程，表达式如下：
上式表示储能锂电池的状态空间方程，其中，U1，k+1、U2，k+1和SOCk+1分别为在k+1时刻的U1、U2和SOC瞬时值；U1，k、U2，k和SOCk分别为在k时刻的U1、U2和SOC瞬时值；QN为电池最大可放电容量；η为效率系数；Δt为采样间隔时间；wk为系统噪声；τ1和τ2为时间常数；Ik为k时刻的电流；控制变量uk＝Ik。
Uk＝Uoc(SOCk)-U1,k-U2,k-R0Ik+vk#(4)
上式表示储能锂电池的量测方程，其中，U1，k、U2，k和UOC(SOCk)分别为在k时刻的U1、U2和UOC瞬时值；Ro表示模型欧姆内阻；vk为量测噪声；Ik为k时刻的电流；量测变量yk＝Uk；
为了提高模型精度与参数在线更新速度，本实施例的步骤S2中采用基于遗忘因子改进FFRLS的在线参数辨识方法，实现模型欧姆内阻(R0)，电化学极化电阻(R1、C1)和浓差极化电阻(C2、R2)的准确辨识，具体的，对状态空间方程利用FFRLS算法模型进行参数辨识时，包括：
S201)在FFRLS算法模型中加入遗忘因子以在线更新数据信息，表达式如下：
其中，θk为待辨识的参数向量；为估计参数向量；Kk为增益向量；zk为系统实际输出值；hk为数据向量；Pk为估计误差协方差矩阵；Ek为单位矩阵，本实施例中选取二阶等效电路模型的U1、U2和SOC组成三维状态向量，将二阶等效电路模型的电池端电压作为系统的量测变量；
S202)令τ1＝R1C1，τ2＝R2C2，引入参数a1、a2、a3、a4、a5，有：
其中，τ1和τ2为时间常数；τ1＝R1C1，τ2＝R2C2，R1和C1表示电化学极化电阻值，R2和C2表示浓差极化电阻值，Ro表示模型欧姆内阻，T表示采样周期。
S203)根据引入的参数，将式(4)的量测方程离散化，得到离散化的第一量测方程，表达式如下：
UOCv,k-Uk＝a1[UOCV,k-1-Uk-1]+a2[UOCV,k-2-Uk-2]+a3Ik+a4Ik-1+a5Ik-2 (7)
其中，UOC，k、UOC,k-1、UOC,k-2分别表示k时刻、k-1时刻、k-2时刻的开路电压，Uk、Uk-1、Uk-2分别表示k时刻、k-1时刻、k-2时刻的量测变量，Ik、Ik-1、Ik-2分别表示k时刻、k-1时刻、k-2时刻的电流；
鉴于锂离子电池是一个非线性时变系统，因此可将式(4)离散化，并直接输入式(5)的加入遗忘因子的FFRLS算法模型中，将a1、a2、a3、a4、a5作为直接辨识参数，再由a1、a2、a3、a4、a5的辨识结果结合式(6)得到所有模型所有参数，并且将这些模型参数值作为初始值R0(0)、R1(0)、R2(0)、C1(0)和C2(0)，同时还根据经验设置容量初始值Qn(0)。利用FFRLS算法模型进行参数辨识的具体过程是本领域技术人员熟知的，且本方案未涉及该具体过程的改进，在此不再赘述。
本实施例的步骤S3基于多新息理论和中心差分方程，提出了一种改进的卡尔曼滤波方法，针对噪声的不确定性和SOC估计精度受老化影响的问题，考虑当前时刻新息与历史信息，提出多新息中心差分卡尔曼滤波(MIUCDKF)算法模型，具体步骤包括：
S31)获取差分卡尔曼滤波(CDKF)算法模型，较于无迹卡尔曼滤波(UKF)，CDKF所需参数较小且较稳定，仅需步长h2＞1则满足协方差矩阵的正则性，设定其初始状态估计值x0，估计误差协方差矩阵P0，过程噪声协方差矩阵Q和量测噪声协方差矩阵R，本实施例中设置设置系统噪声方差Q＝[0.0000003；0.0000003；1000000000；0.0000003；1000000000；1000000000]、测量噪声方差R＝100、后验状态误差协方差初始值P0＝eye(6)以及多新息系数的移动窗口大小p＝18，CDKF算法具体流程如下：
S311，初始化计算对应sigma点的权值ω：
其中，表示状态初始值，/>表示估计误差协方差矩阵平方根，E[]表示期望， 和/>表示Sigma采样点的加权系数，L表示系统状态变量维数。
S312，计算sigma点用于时间更新
其中，χk-1表示第k-1时刻状态变量的Sigma采样点，表示第k-1时刻的系统状态向量的估计数据，/>表示第k-1时刻的估计误差协方差矩阵平方根。
S313，更新时间
χk|k-1＝f(χk-1，uk-1)#(11)
其中，χk|k-1表示先验状态集，f()表示时间更新非线性方程，对应公式(3)的状态方程，uk-1表示第k-1时刻的输入量，χi,k|k-1表示第k时刻的第i个采样点的加权预测值，χi+L,k|k-1表示第k时刻的第i+L个采样点的加权预测值，χ0,k|k-1表示第k时刻的第0个采样点的加权预测值，Q表示当前电池的累计充电量，为从上时刻的状态估计值进行时间更新后的当前时刻状态的先验估计，/>即更新的估计误差协方差矩阵。
S314，计算sigma点用于量测更新
其中，表示更新后的状态集，/>表示先验状态集加权得到的先验状态估计，表示先验估计误差协方差矩阵的平方根。
S315，量测部分更新
其中，Kk为卡尔曼滤波器(KF)的增益向量；L为状态向量维数；χ和Y的下标i为第i个sigma点计算而得；h为中心差分步长，若状态量服从高斯分布，h取最佳值()2为向量内积，Yk|k-1表示Sigma点经量测更新方程推导得到的先验输出集，h()表示状态空间模型的输出方程，/>表示先验输出集加权得到的先验输出估计，Yi，k|k-12、Yi+L,k|k-1、Y0，k|k-1含义与式(13)中的χi,k|k-1、χi+L，k|k-1、χ0,k|k-1相同，在此不再赘述，R表示随机误差系数，/>表示互协方差矩阵，Y1：L,k|k-1和YL+12L,k|k-1分别表示第k时刻的第1至L和L+1至2L个采样点的经量测更新方程推导得到的相应先验输出集，/>表示后验估计值，yk表示实际量测值，。
S32)考虑到当前时刻新息无法反映状态量的变化趋势，引入多新息理论，将新息标量转化为新息向量，则有：
增益向量进行相应转化：
Kp，k＝[Kk … Kk-p+1]#(23)
上式中，ek为第k时刻实际量测值与模型输出值的误差即新息，p为新息向量长度，Kp，k为转化后的增益矩阵，Kk-p+1为较于当前时刻过去p-1时刻的的增益向量，yk为第k时刻实际量测值，为第k时刻模型输出值。
然后将式(22)和式(23)带入S31，则式(20)转变为：
式中，λj为权重因子，当λ1＝1，λ1＝λ1＝…λ1＝0时，MIUCDKF退化为CDKF。
本实施的步骤S4引入多时间尺度联合估计技术对锂离子电池的SOC和SOH进行在线估计，基于模型参数与最大可发电容量的相互迭代，分别在微观和宏观时间尺度估计锂离子电池SOC和SOH，实现多时间尺度的锂离子电池状态的联合估计，具体步骤包括：
S41)建立SOH状态空间方程，包括：建立关于电池内阻R0的系统状态方程作为SOH状态空间方程，计算SOC状态空间方程的离散形式得到第二量测方程，作为SOH估计的量测方程，因此SOH的状态空间方程与量测方程表达式如下：
上式中，上方表达式为SOH的状态空间方程，下方表达式为第二量测方程，其中，R0，k+1、R0，k分别为k+1时刻和k时刻的电池内阻；rk为系统的过程噪声，U1，k、U2,k和UOC(SOCk)分别为在k时刻的Uk、Uk和Uk瞬时值；Ik为k时刻的电流；εk为量测噪声。
S42)建立SOC状态空间方程，包括：
获取式(2)的SOC和开路电压的函数关系，以及式(6)的进行参数辨识时引入参数与模型参数的函数关系；
将式(2)的SOC和开路电压的函数关系、式(6)的进行参数辨识时引入参数与模型参数的函数关系代入式(3)的储能锂电池的状态空间方程和式(4)的量测方程，得到SOC状态空间方程的具体形式。
S43)基于SOC和SOH的状态空间方程，分别使用MIUCDKF和CDKF进行状态估计，具体包括：
S431，MIUCDKF将SOC作为系统状态变量，而SOH的Qmax作为系统参数变量带入公式(13)，实现对SOC的估计。
SOC＝Q/Qmax#(26)
其中，Q和Qmax分别表示当前累计充电量和电池最大可充电容量。
S432，CDKF将SOH作为状态变量，将SOC的R0看作定值，进行SOH估计，本方案采用内阻变化定义SOH，利用不同时期R0的估计值得到电池SOH估计结果，即：
其中，R0，EOL为电池寿命结束时的内阻，Ro，NOW为估计SOC的MIUCDKF输出的电池当前状态的内阻，R0，NEW为电池额定内阻。
S433，基于上述步骤，联合估计电池的SOC和SOH，估算SOC的MIUCDKF的输出作为估算SOH的CDKF的输入，且输出的SOH又作为下一时刻估算SOC的输入，进行实时更新，保证的整体算法的精度和效率。通过MICDKF得出SOC(k)、通过式(6)进行参数辨识得到k时刻电池参数，即R0、R1、R2、C1、C2，则：
通过不断循环，可以得到实时的SOC和其他参数的估计值，进而利用R0的估计值得到SOH的估计值。本实施中，模型参数实时更新结果如图5至图10所示。
本实施例中，在储能锂电池的放电阶段，端电压估计值与实际值的对比如图11所示；最终，SOC和SOH的实时估计值分别如图12和图13所示。为验证估计精度，分别使用平均绝对误差(MAE)和均方根误差(RMSE)对整个放电过程在线估计的误差水平进行描述，如下表所示：
表1
从表1可以看出，误差水平满足要求，以上仿真结果表明，该方法对电池的复杂使用工况具有较好的适应性，可以较好地实现锂离子电池的模型参数在线辨识与状态估计，并提升电池管理的可靠性。
实施例二
本实施例基于实施例一提出一种储能锂电池在线参数辨识与状态估计系统，包括具有软件程序和可视化界面的计算机设备，所述计算机设备的软件程序被编程或配置以执行实施例一所述的储能锂电池在线参数辨识与状态估计方法，所述计算机设备的可视化界面用于实现实施例一的结果展示。
综上所述，本发明从锂离子电池模型误差的角度展开研究，将电池老化导致的容量退化作为模型误差，提出一种SOC和SOH联合估计的方法，本发明的有益创新在于：
1、首先，本发明可以为电池在线应用的状态估计与智能管理提供技术支撑。
2、其次，本发明在FFRLS算法基础上加入遗忘因子，解决在线辨识的数据过饱和问题，提升了电池模型在线辨识的精度与效率。
3、再次，本发明通过融合多新息理论和中心差分方程，充分考虑多新息数据与算法复杂度，提出了一种改进的卡尔曼滤波算法，缓解了噪声的不确定性和SOC估计精度受老化等因素的影响。
4、另外，本发明利用引入多时间尺度联合估计技术对电池的SOC和SOH进行联合估计，通过相互迭代更新，提升状态估计精度与BMS运行效率。
上述只是本发明的较佳实施例，并非对本发明作任何形式上的限制。虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明。因此，凡是未脱离本发明技术方案的内容，依据本发明技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均应落在本发明技术方案保护的范围内。
Claims (10)
1.一种储能锂电池在线参数辨识与状态估计方法，其特征在于，包括以下步骤：
S1)对储能锂电池进行工况测试，根据测试结果建立储能锂电池的二阶等效电路模型；
S2)结合安时积分法和所述二阶等效电路模型建立储能锂电池的状态空间方程和量测方程，对状态空间方程和量测方程进行参数辨识，得到二阶等效电路模型的模型参数及其初始值；
S3)将多新息算法模型与差分卡尔曼滤波算法模型结合，将新息标量转化为新息向量，并将增益向量转化为增益矩阵，得到多新息中心差分卡尔曼滤波算法模型；
S4)建立储能锂电池的SOC状态空间方程与SOH状态空间方程，用多新息中心差分卡尔曼滤波算法模型根据所述SOC状态空间方程和上一时刻SOH估计值中的模型参数值计算得到当前时刻的SOC估计值，用差分卡尔曼滤波算法模型根据所述SOH状态空间方程和上一时刻SOC估计值计算得到当前时刻的SOH估计值。
2.根据权利要求1所述的储能锂电池在线参数辨识与状态估计方法，其特征在于，步骤S1中还包括：根据预设的SOC-OCV关系图计算SOC和储能锂电池的二阶等效电路模型中开路电压的函数关系，有：
UOC(SOC)＝-42.017(SOC)7+158.137(SOC)6-228.064(SOC)5+156.113(SOC)4-49.971(SOC)3+5.78(SOC)2+0.772(SOC)+3.423
其中，UOC(SOC)表示电池开路电压。
3.根据权利要求1所述的储能锂电池在线参数辨识与状态估计方法，其特征在于，步骤S2中储能锂电池的状态空间方程表达式如下：
其中，U1,k+1、U2,k+1和SOCk+1分别为在k+1时刻的U1、U2和SOC瞬时值；U1，k、U2,k和SOCk分别为在k时刻的U1、U2和SOC瞬时值；Qmax为电池的最大可充容量；η为效率系数；Δt为采样间隔时间；wk为系统噪声；τ1和τ2为时间常数；Ik为k时刻的电流；控制变量uk＝Ik。
4.根据权利要求1所述的储能锂电池在线参数辨识与状态估计方法，其特征在于，步骤S2中对状态空间方程和量测方程进行参数辨识时，包括：
在FFRLS算法模型中加入遗忘因子以在线更新数据信息；
引入参数a1、a2、a3、a3、a4，将量测方程离散化得到第一量测方程；
将离散化的第一量测方程输入加入遗忘因子的FFRLS算法模型，得到参数a1、a2、a3、a4、a5的辨识结果，根据参数a1、a2、a3、a4、a5的辨识结果计算模型参数的值。
5.根据权利要求4所述的储能锂电池在线参数辨识与状态估计方法，其特征在于，所述量测方程表达式如下：
Uk＝UOC(SOCk)-U1，k-U2，k-R0Ik+vk
其中，U1，k、U2，k和UOC(SOCk)分别为在k时刻的U1、U2和UOC瞬时值；Ro表示模型欧姆内阻；vk为量测噪声；Ik为k时刻的电流；量测变量yk＝Uk；
所述第一量测方程表达式如下：
UOC，k-Uk＝a1[UOC，k-1-Uk-1]+a2[UOC，k-2-Uk-2]+a3Ik+a4Ik-1+a5Ik-2
其中，UOC，k、UOC，k-1、UOC，k-2分别表示k时刻、k-1时刻、k-2时刻的开路电压，Uk、Uk-1、Uk-2分别表示k时刻、k-1时刻、k-2时刻的量测变量，Ik、Ik-1、Ik-2分别表示k时刻、k-1时刻、k-2时刻的电流。
6.根据权利要求5所述的储能锂电池在线参数辨识与状态估计方法，其特征在于，参数a1、a2、a3、a4、a5表达式如下：
其中，τ1和τ2为时间常数；τ1＝R1C1，τ2＝R2C2，R1和C1表示电化学极化电阻值，R2和C2表示浓差极化电阻值，Ro表示模型欧姆内阻，T表示采样周期。
7.根据权利要求1所述的储能锂电池在线参数辨识与状态估计方法，其特征在于，所述多新息中心差分卡尔曼滤波算法模型的量测部分更新时，包括：更新k时刻的量测数据的估计值，表达式如下：
其中，为k时刻更新后的估计值，/>为k时刻更新前的估计值，Kp，k＝[Kk … Kk-p+1]，Kk-p+1为较于当前时刻过去p-1时刻的的增益向量，λj为权重因子，Kk为卡尔曼滤波算法的增益向量，/>ek为第k时刻实际量测值与模型输出值的误差即新息，p为新息向量长度，yk为第k时刻实际量测值，/>为第k时刻模型输出值。
8.根据权利要求1所述的储能锂电池在线参数辨识与状态估计方法，其特征在于，步骤S4中建立储能锂电池的SOC状态空间方程具体包括：
获取SOC和开路电压的函数关系，以及进行参数辨识时引入参数与模型参数的函数关系；
将SOC和开路电压的函数关系、进行参数辨识时引入参数与模型参数的函数关系、储能锂电池的状态空间方程和量测方程结合，得到所述SOC状态空间方程。
9.根据权利要求1所述的储能锂电池在线参数辨识与状态估计方法，其特征在于，步骤S4中建立SOH状态空间方程时，包括：
建立关于内阻的系统状态方程作为SOH状态空间方程，表达式如下：
R0,k+1＝R0,k+rk
其中，R0，k+1、R0，k分别为k+1时刻和k时刻的电池内阻；rk为系统的过程噪声，由电池的充放电实验确定，用于表示内阻的增加；
计算SOC状态空间方程的离散形式得到第二量测方程，第二量测方程表达式如下：
Uk＝UOC(SOCk)-U1,k-U2,k-Ro，kIk+εk
其中，U1，k、U2，k和UOC(SOCk)分别为在k时刻的Uk、Uk和Uk瞬时值；Ik为k时刻的电流；εk为量测噪声；
步骤S4中计算得到当前时刻的SOH估计值时，包括：
利用不同时期电池内阻R0的估计值得到电池SOH估计结果，表达式如下：
其中，R0，EOL为电池寿命结束时的内阻，Ro，NOW为估计SOC的多新息中心差分卡尔曼滤波算法模型输出的电池当前状态的内阻，R0，NEW为电池额定内阻。
10.一种储能锂电池在线参数辨识与状态估计系统，其特征在于，包括计算机设备，所述计算机设备被编程或配置以执行权利要求1～9任一所述的储能锂电池在线参数辨识与状态估计方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310804704.3A CN116819340A (zh) | 2023-06-30 | 2023-06-30 | 一种储能锂电池在线参数辨识与状态估计方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310804704.3A CN116819340A (zh) | 2023-06-30 | 2023-06-30 | 一种储能锂电池在线参数辨识与状态估计方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116819340A true CN116819340A (zh) | 2023-09-29 |
Family
ID=88121898
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310804704.3A Pending CN116819340A (zh) | 2023-06-30 | 2023-06-30 | 一种储能锂电池在线参数辨识与状态估计方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116819340A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117388715A (zh) * | 2023-12-11 | 2024-01-12 | 西南交通大学 | 一种串联锂电池组的soc和sop联合估计方法 |
-
2023
- 2023-06-30 CN CN202310804704.3A patent/CN116819340A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117388715A (zh) * | 2023-12-11 | 2024-01-12 | 西南交通大学 | 一种串联锂电池组的soc和sop联合估计方法 |
| CN117388715B (zh) * | 2023-12-11 | 2024-02-27 | 西南交通大学 | 一种串联锂电池组的soc和sop联合估计方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Murnane et al. | A closer look at state of charge (SOC) and state of health (SOH) estimation techniques for batteries | |
| 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 | |
| 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 | |
| CN111060820B (zh) | 一种基于二阶rc模型的锂电池soc和sop估计方法 | |
| CN108594135A (zh) | 一种用于锂电池均衡充放电控制的soc估算方法 | |
| CN111913109B (zh) | 一种电池峰值功率的预测方法及装置 | |
| CN109839599B (zh) | 基于二阶ekf算法的锂离子电池soc估计方法 | |
| CN112989690B (zh) | 一种混合动力汽车锂电池多时间尺度荷电状态估计方法 | |
| CN112557906A (zh) | 一种动力电池全生命周期内soc和容量在线联合估计方法 | |
| CN115084693B (zh) | 一种锂电池固相浓度修正方法、系统及存储介质 | |
| CN111142025A (zh) | 一种电池soc估算方法、装置、存储介质及电动汽车 | |
| CN112269133B (zh) | 一种基于预充电路模型参数识别的soc估计方法 | |
| CN112083333A (zh) | 一种基于机器学习模型的动力电池组荷电状态估计方法 | |
| 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 | |
| CN116819340A (zh) | 一种储能锂电池在线参数辨识与状态估计方法及系统 | |
| CN113011012A (zh) | 一种基于Box-Cox变化的储能电池剩余寿命预测方法 | |
| 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 | |
| CN114740385A (zh) | 一种自适应的锂离子电池荷电状态估计方法 | |
| Manthopoulos et al. | A review and comparison of lithium-ion battery SOC estimation methods for electric vehicles | |
| CN114089193A (zh) | 电池的温度和负极电位在线估计方法、装置和计算机设备 | |
| CN113420444A (zh) | 一种基于参数在线辨识的锂离子电池soc估计方法 | |
| CN117420447A (zh) | 考虑噪声偏差补偿的锂电池soc估算方法、系统和电子装置 | |
| CN113125969B (zh) | 基于aukf的电池数据处理方法、设备和介质 | |
| CN116125314A (zh) | 基于电化学模型及粒子滤波的锂电池荷电状态估计方法 | |
| Narayan | State and parametric estimation of li-ion batteries in electrified vehicles |
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 |