CN117452234B - 改进参数辨识与无穷算法融合的soc估计方法及系统 - Google Patents
改进参数辨识与无穷算法融合的soc估计方法及系统 Download PDFInfo
- Publication number
- CN117452234B CN117452234B CN202311773694.8A CN202311773694A CN117452234B CN 117452234 B CN117452234 B CN 117452234B CN 202311773694 A CN202311773694 A CN 202311773694A CN 117452234 B CN117452234 B CN 117452234B
- Authority
- CN
- China
- Prior art keywords
- soc
- value
- algorithm
- equivalent circuit
- circuit 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 138
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 94
- 230000004927 fusion Effects 0.000 title claims abstract description 11
- 238000001914 filtration Methods 0.000 claims abstract description 32
- 230000003044 adaptive effect Effects 0.000 claims abstract description 13
- 230000003068 static effect Effects 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 claims description 31
- 239000013598 vector Substances 0.000 claims description 20
- 238000012360 testing method Methods 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 12
- 238000005259 measurement Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 claims description 3
- 238000013500 data storage Methods 0.000 claims description 2
- 238000009795 derivation Methods 0.000 claims description 2
- 238000011426 transformation method Methods 0.000 claims description 2
- 230000001186 cumulative effect Effects 0.000 claims 1
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 abstract description 26
- 229910052744 lithium Inorganic materials 0.000 abstract description 26
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 7
- 230000010287 polarization Effects 0.000 description 7
- 239000000306 component Substances 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 238000003487 electrochemical reaction Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 239000007772 electrode material Substances 0.000 description 1
- 239000003792 electrolyte Substances 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
- G01R31/387—Determining ampere-hour charge capacity or SoC
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
本发明涉及电池监控技术领域，提出了一种改进参数辨识与无穷算法融合的SOC估计方法及系统，包括：根据电池的动静态特性，建立二阶RC等效电路模型，并计算出模型的状态方程和输出方程；采用引入限定记忆环节的可变遗忘因子递推最小二乘法进行参数辨识，将自适应无迹H无穷滤波算法与已知参数的二阶RC等效电路模型结合，建立SOC估算模型；通过自适应算法调整噪声系数，得到SOC的估计值。本公开利用限定记忆的时变可变遗忘因子递推最小二乘法进行参数辨识，同时结合自适应无迹H无穷滤波算法对锂电池的SOC做出估计，能够准确地反应电池的状态信息从而精准估计出电池SOC值。
Description
技术领域
本发明涉及电池监控相关技术领域，具体地说，是涉及改进参数辨识与无穷算法融合的SOC估计方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，并不必然构成在先技术。
随着汽车行业的发展，环境污染、能源短缺问题日益严重，在动力电池不断发展的过程中，锂电池凭借其高能量密度、长循环寿命特点已成为当前电动汽车的主要储能装置。为保证锂电池工作在安全可靠的工作范围内，必须对动力电池进行有效地管理与控制，充分保证电池的安全性、耐用性、动力性。电池管理系统（BMS）是电动汽车的核心部件，对保护电池安全、提高车辆性能及延长电池使用寿命至关重要。而动力电池荷电状态(SOC)作为电池管理系统中的关键参数之一，反映了动力电池的剩余容量的参数，SOC关乎于电池的工况监测与使用寿命。
目前对SOC值的估计，首先采用电路模型参数辨识方法识别电池外特性，然后结合滤波算法对SOC进行估计。在对锂电池等效电路模型的参数辨识方法中主要是最小二乘法及其改进算法，如递推最小二乘法、遗忘因子递推最小二乘法、可变遗忘因子递推最小二乘法等等，而在对锂电池等效电路模型的SOC估算滤波算法中，常见的方法主要是卡尔曼滤波算法及其改进方法，如拓展卡尔曼滤波算法、无迹卡尔曼滤波算法、自适应卡尔曼滤波算法等等。
发明人在研究中发现，现有最小二乘法及其改进算法虽然在应对非线性系统有着很好的估计特性，但随着数据的增长，会出现数据饱和。卡尔曼滤波及改进的自适应算法虽然对不确定性、异常值情况以及不精确的SOC初始值有比较好的适应性，但当电池使用过一段时间，辨识各参数的变化曲线存在较强非线性、非高斯噪声等问题，导致现有算法得到的SOC数据精度会大幅下降，无法较好满足应用需求。
发明内容
本发明为了解决上述问题，提出了一种改进参数辨识与无穷算法融合的SOC估计方法及系统，利用限定记忆的可变遗忘因子递推最小二乘法(FM-VFFRLS)进行参数辨识，同时结合自适应无迹H无穷滤波算法（AFOUHF）对锂电池的SOC做出估计，能够准确地反应电池的状态信息从而精准估计出电池SOC值。
为了实现上述目的，本发明采用如下技术方案：
一个或多个实施例提供了改进参数辨识与无穷算法融合的SOC估计方法，包括如下步骤：
根据电池的动静态特性，建立二阶RC等效电路模型；
根据建立的二阶RC等效电路模型，计算出模型的状态方程和输出方程；
将得到的输出方程和状态方程，采用引入限定记忆环节的可变遗忘因子递推最小二乘法进行参数辨识，得到二阶RC等效电路模型的各元器件参数；
将自适应无迹H无穷滤波算法与已知参数的二阶RC等效电路模型结合，建立SOC估算模型，得到SOC预测估计值；
通过自适应算法调整噪声系数，对SOC预测估计值进行修正，得到SOC的估计值。
一个或多个实施例提供了改进参数辨识与无穷算法融合的SOC估计系统，包括：
模型构建模块：被配置为根据电池的动静态特性，建立二阶RC等效电路模型；
计算模块：被配置为根据建立的二阶RC等效电路模型，计算出模型的状态方程和输出方程；
参数辨识模块：被配置为将得到的输出方程和状态方程，采用引入限定记忆环节的可变遗忘因子递推最小二乘法进行参数辨识，得到二阶RC等效电路模型的各元器件参数；
SOC预估模块：被配置为将自适应无迹H无穷滤波算法与已知参数的二阶RC等效电路模型结合，建立SOC估算模型，得到SOC预测估计值；
修正模块：被配置为通过自适应算法调整噪声系数，对SOC预测估计值进行修正，得到SOC的估计值。
一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成述的改进参数辨识与无穷算法融合的SOC估计方法中的步骤。
一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成上述的改进参数辨识与无穷算法融合的SOC估计方法中的步骤。
与现有技术相比，本发明的有益效果为：
本发明在二阶RC等效电路模型的基础上引入限定记忆的可变遗忘因子递推最小二乘法参数辨识，对现有参数辨识方法进行了更新，消除了递推最小二乘方法中旧数据对参数辨识结果的影响，提高了等效电路模型中各参数的辨识精度；
本发明基于二阶等效电路模型的自适应无迹H无穷滤波算法（AFOUHF），该算法使用的主要框架为无迹卡尔曼滤波算法（UKF），但在此基础上针对UKF算法观测噪声的统计特性假设必须为白噪声的问题，引入了H无穷滤波算法，通过最小化最大估计误差来过滤掉非高斯噪声，并增加自适应部分，从而提高算法预测的精准度与鲁棒性。
本发明的优点以及附加方面的优点将在下面的具体实施例中进行详细说明。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的限定。
图1是本发明实施例1的SOC估计方法具体步骤流程图；
图2是本发明实施例1的电池二阶RC等效电路模型；
图3是本发明实施例1中的试验在得到参数辨识结果后得到的等效电路模型端电压与真实值的对比图；
图4是本发明实施例1的试验在得到参数辨识结果后得到的等效电路模型预估端电压的误差曲线图；
图5是本发明实施例1的试验中SOC测量值和估算值对比图；
图6是本发明实施例1的试验在BBDST工况下的SOC估算结果误差曲线图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。需要说明的是，在不冲突的情况下，本发明中的各个实施例及实施例中的特征可以相互组合。下面将结合附图对实施例进行详细描述。
实施例1
在一个或多个实施方式公开的技术方案中，如图1至图6所示，一种改进参数辨识与无穷算法融合的SOC估计方法，包括如下步骤：
步骤一、根据电池的动静态特性，建立二阶RC等效电路模型；
步骤二、根据建立的二阶RC等效电路模型，计算出模型的状态方程和输出方程；
步骤三、将得到的输出方程和状态方程，采用引入限定记忆环节的可变遗忘因子递推最小二乘法进行参数辨识，得到二阶RC等效电路模型的各元器件参数；
步骤四、将自适应无迹H无穷滤波算法与已知参数的二阶RC等效电路模型结合，建立SOC估算模型，得到SOC预测估计值；
步骤五、通过自适应算法调整噪声系数，对SOC预测估计值进行修正，得到SOC的估计值。
本实施例中，在二阶RC等效电路模型的基础上引入限定记忆的可变遗忘因子递推最小二乘法参数辨识，对现有参数辨识方法进行了更新，消除了递推最小二乘方法旧数据对参数辨识结果的影响，提高了等效电路模型中各参数的辨识精度；并且，基于二阶RC等效电路模型的自适应无迹H无穷滤波算法（AFOUHF），该算法使用的主要框架为无迹卡尔曼滤波算法（UKF），针对UKF算法观测噪声的统计特性，引入H无穷滤波算法，通过最小化最大估计误差来过滤掉非高斯噪声，并在其后增加自适应部分，消除高斯噪声，进一步提高算法预测的精准度与鲁棒性。
步骤一中，建立二阶RC等效电路模型，具体如下：
为了更准确地描述锂电池的外特性，设计可靠的锂电池状态估计算法，精确的建模必不可少。
根据锂电池内部的复杂电化学反应，建立如图2所示的动力锂电池的二阶RC等效电路模型，该模型基于电压源表示动力电池的热力学平衡电势，利用RC网络描述动力电池的动力学特性，以达到准确估计电池SOC参数的目的。
具体的，二阶RC等效电路模型，包括如下部分：
1、电压源：使用开路电压表示动力电池的开路电压；
2、欧姆内阻：使用表示动力电池电极材料、电解液、隔膜电阻及各部分零件的接触电阻；
3、RC网络：通过极化内阻R和极化电容C来描述动力电池的动态特性，包括极化特性和扩散效应等。
具体的，二阶RC等效电路模型状态方程为：
(1)
式中，代表电源的开路电压，代表电池的欧姆内阻，代表电化学极化内阻，代表浓度差极化内阻，代表电化学极化电容，代表浓度差极化电容；代表端部电压，I是电流，、分别代表电容、的两个回路端电压；
具体的，测量SOC值可以通过安时积分法来确定：
(2)
式中，为放电起始时刻，t为当前时刻；η为库伦效率，η为电池的放电容量与充电容量之比；表示的是电池的额定容量。
步骤三中，在进行参数辨识之前对状态方程和输出方程进行离散化，具体的：
为了便于SOC算法的应用，需要将模型进行离散化处理，以下是利用二阶RC等效电路模型推导出等效电路模型的离散形式，通过对上式进行离散化，可以得出等效电路模型的状态方程为：
(3)
式中，为采样时间；ω(k)为过程噪声，服从均值为0并且协方差为Q(k)的高斯分布；k为测量时刻，作为下标表示时间为k时的测量值。
二阶RC等效电路模型离散化后的输出方程为：
(4)
式中，为输出端电压，为观测噪声，和分别为两个RC环节的电压，为电源的开路端电压，为充放电电流。
本实施例中，使用了基于限定记忆可变遗忘因子最小二乘法来辨识电池内部参数，较好地避免了递推最小二乘法累积的历史数据出现数据饱和问题，提高了最终参数辨识结果的精度。
可选地，在进行参数辨识之前还可以包括根据构建的二阶RC等效电路模型，确定待识别参数与输出量的关系，其过程如下：
步骤31、针对构建的二阶RC等效电路模型，通过拉普拉斯变换，得到系统的传递函数；
首先对（1）式进行拉普拉斯变换，得到：
(5)
式中，S为拉普拉斯变换中的变换参数，S域表示连续的频谱关系；为拉普拉斯变换下电源的开路端电压，为拉普拉斯变换下的输出端电压。
系统的传递函数为：
(6)
(7)
步骤32、采用双线性变换法离散化传递函数，并且以开路电压和端电压作为系统的输出，电流值作为系统的输入值构建待识别参数向量与系统输出的关系；
令，可得：
(8)
式中，z为双线性变换中的一个复变量，其具有实部与虚部，通常以极坐标的形式表示，Z域表示离散化后的信号频谱关系。
其中，至的表达式如下：
(9)
式中，为采样时间，为欧姆内阻，a、b、c、d的值见式（7）。
以电源开路电压和输出端电压作为系统的输出，电流值作为系统的输入值，将上式转化为差分方程，得：
(10)
令：
；
；
则待识别参数向量与系统输出关系即为输出方程，将公式（10）以向量的形式可以表示为：
(11)
其中，为输入输出数据组成的信息向量，为电池系统待辨识的参数向量。
本实施例中，构建了输出端电压与模型中待识别参数的关系，并将该关系式引入到限定记忆可变遗忘因子递推最小二乘算法中，并不断迭代，能够获得要辨识的各个参数值，消除旧数据对辨识结果的影响，进一步提高SOC估计精度。
步骤三中，在可变遗忘因子递推最小二乘中引入限定记忆方式；该方法通过在每次进行参数辨识时设定存储观测数据的记忆长度j，使参数辨识的过程使用最近N组观测数据，当出现一组新数据时，就会相应舍弃一组观测时间最早数据，通过调节N值，能够提高参数辨识精度和消除旧数据对辨识结果的影响。其中，N为大于零的整数。
上述电池二阶RC等效电路模型，需要辨识的参数分别为：欧姆内阻R0，电容C1、C2，电阻R1、R2，待辨识的各个参数在HPPC测试下利用限定记忆可变遗忘因子递推最小二乘法辨识得到。
采用HPPC测试实验得到观测数据，观测数据为电池电压、电流数据，通过电流的变化来观察电压、功率、能量等随电流的变化，具体的HPPC测试的过程如下：
（1）将恒温箱的温度设定为25℃，将电池放置于恒温25℃的环境，以恒流并且恒压模式将锂电池充满电，满电状态的SOC为100%；
（2）以1C恒流式对锂电池进行放电，持续设定的放电时间后SOC为90%；
1C恒流中，C表示电池充放电能力倍率，1C表示锂电池以1倍的放电倍率来稳定地放电；
（3）将锂电池静置1小时，以使得电池内部化学反应趋于平稳；
（4）循环执行步骤（2）至步骤（3），直到锂电池放电结束；
具体的，将第（2）、（3）循环9次使得SOC递减，SOC分别为80%，70%，……，0%；
（5）保存HPPC实验数据。
对于18650型单体三元锂电池，设定的放电时间为6分钟，该单体电池具体参数如下表1所示：
表1单体三元锂电池参数
通过以上HPPC测试方法，得到的电池电压、电流数据带入限定记忆可变遗忘因子递推最小二乘法可以得到等效电路模型各参数值。
具体的，引入限定记忆的可变遗忘因子递推最小二乘法的公式推导过程，如下：
在算法中引入新数据，引入新数据公式为：
(12)
式中，为向量方程误差，表示实际观测值与当前预测值的差值，即当前时刻的预测误差；为遗忘因子递推最小二乘法的遗忘因子，K为校正权重值，为解码前的待辨识参数的最优估计值，P为协方差矩阵，在系统运行过程中不断更新，使参数收敛，得到最优值；下标中的k表示k时刻，j为记忆长度，表示第k个输入和输出的观测向量。
由于设定的数据存储容量有限，所以新数据的加入而会导致部分旧数据被移除，其公式推导如下：
(13)
式中，为可变遗忘因子更新公式，j为记忆长度。
进一步地，针对试验实例中选取的电池类型记忆长度可以1200-1600范围内，优选的，记忆长度设置为1500。
令第k次参数辨识的参数向量为：
；
联合公式（6）可以推导出以下参数：
(14)
(15)
整理后可得出模型各项待辨识的参数：
(16)
(17)
在HPPC测试下获得观测数据，利用限定记忆可变遗忘因子递推最小二乘法辨识得到待辨识的各个参数的方法，包括如下步骤：
步骤1，设定初始条件，将辨识参数设置为一个实列向量，并设定用于存储观测数据的存储队列的记忆长度，获取观测数据，并根据观测时间顺序将观测数据存储在存储队列中；
存储队列中存储的数据有时间性，能够与HPPC实验数据中依次减小SOC的实验过程相对应；
具体的，设是一个足够小的实列向量，(是一个足够大的实数，I为单位矩阵)，存储器长度设置为j；
步骤2，选取存储队列中最早的一组数据，采用递推最小二乘法进行对公式（11）的输出方程进行求解，得到初步辨识参数，即得到和，作为限定记忆可变遗忘因子递推最小二乘法的初始参数；
步骤3，根据公式（11）的输出方程以及初始参数，根据存储队列中的剩余的观测数据，采用可变遗忘因子递推最小二乘法递推得到一次计算结果；
步骤4，根据当前的辨识的结果，求出第k次的二阶等效电路模型的各项参数、、、、；
步骤5，基于设定的公式接收新观测数据和移除旧观测数据，更新存储队列中观测数据；
重复执行步骤2至步骤5，直至处理完所有观测数据，得到最终辨识结果；
具体的，公式（12）、公式（13）分别用于接收新数据和移除旧数据；
在本实施例中，为了说明参数辨识效果，通过多组试验比较验证，将记忆长度j设置为1500时效果最佳，此记忆长度既能有效割断历史数据的影响，也不会影响到估计的精度。
本实施例中，通过设定观测数据的辨识处理长度，通过限定记忆消除了递推最小二乘方法旧数据对参数辨识结果的影响，提高了等效电路模型中各参数的辨识精度。
在得到参数辨识结果后，可以得到图3及图4，其中，图3为端电压估计值与真实值对比图，由图形可以看出通过限定记忆的可变遗忘因子递推最小二乘法对参数的拟合效果显著，在较高和较低的端电压时都有很好的拟合效果。图4为预估端电压的误差值图，通过图4可以得到端电压误差始终可以维持在0.03的绝对值以内，并且由算法程序可得端电压估算的平均绝对误差和均方根误差分别为0.43%和0.66%。综上，使用以上参数辨识方法可以得到比较精确的参数辨识结果，为辨识出准确的电池SOC值打下了基础。
锂电池电化学反应过程复杂，影响因素多且具有不确定性，其算法研究一直是一个多领域和多学科的问题，也是锂电池SOC研究的一个重点和难点。
对于锂电池，通过辨识得到的各参数之间有着很强的非线性关系，而且锂电池在不同工况下其各项参数，噪声概率分布均未知，针对锂电池上述问题，本实施例在利用限定记忆可变遗忘因子递推最小二乘法得到辨识各参数的基础上使用了一种基于二阶等效电路模型的自适应无迹H无穷滤波算法（AFOUHF），该算法的主要框架为无迹卡尔曼滤波算法（UKF），针对UKF算法观测噪声的统计特性假设必须为白噪声的问题，引入了H无穷滤波算法，通过最小化代价函数来过滤掉非高斯噪声，从而提高算法预测的精准度，并且引入了自适应部分，增强了算法的鲁棒性。
步骤四中，通过参数辨识步骤得到已知各元件参数的二阶RC等效电路模型即为SOC估算模型，采用AFOUHF算法进行求解，对SOC的值进行估算，具体步骤如下：
步骤41、对SOC估计进行初始化，将对状态变量赋予默认初始值；
在算法开始前需要设定初始误差以及协方差，在该系统中状态变量x表示状态空间表达式中的输入向量、以及SOC的值；
，(18)
式中，表示未使用任何测量前的的初始估计值，表示在时的期望值，表示估计误差在初始时刻的协方差。
本实施例中，已知量为二阶RC等效电路模型中各个元件的参数辨识结果。
步骤42、在k-1时刻进行状态估计，生成一组状态变量的sigma点，计算采样点相应的权重值：
(19)
(20)
式中，和表示相应的权重，为调节参数；α是sigma点标度参数，用于最小化可能的高阶效应；β是一个非负的权重项，用于调整第0个sigma点协方差的权重；L是状态向量的维度，是根据k-1时刻的状态估计计算的一系列2L+1个采样点，是一组用于状态均值估计的权值，是状态协方差估计的一组权重。
本实施例中L值取4，2L+1表示sigma点集的数量；
可选的，本实施例中α取1，β取2；
步骤42是选取某一时刻的输入向量的固定值作为输入，求取相应的权重值；
步骤43、进行时间更新，基于状态变量，计算先验状态估计变量的期望值和对应的误差协方差矩阵：
(21)
(22)
(23)
式中，表示非线性系统方程，将sigma点转化为，表示通过合并向量获得的k时刻的先验状态估计，是协方差的先验估计值，是过程噪声，如式（21）所展示，k-1时刻的sigma点是通过状态函数f进行时间更新和k时刻的sigma点得到的。
步骤43是利用不同的时间尺度来再次计算期望值与协方差；
以上步骤41至步骤43与现有的UKF算法是相同的；
步骤44、进行测量更新，计算输出预测值和对应的协方差矩阵：
(24)
(25)
(26)
(27)
式中，用已知非线性量测方程将sigma点转换为，合并向量得到，作为计算输出预测值，为估计量预测的协方差，为估计和之间的协方差。
基于时间更新的得到的期望值与协方差，对输出的预测值与协方差进行测量更新，基于不同时间尺度，依次迭代计算输出预测值和协方差矩阵；
步骤45、基于输出预测值的协方差矩阵，对后验状态估计值进行修正，得到修正后的SOC预测估计值；
(28)
(29)
(30)
(31)
式中，为卡尔曼增益，为后验状态协方差估计，为测量噪声；
本步骤中，已知先验估计值，通过调整参数与卡尔曼增益得到后验估计值。
上述基于二阶等效电路模型的范围需要推导确定，为设定的性能边界，如果其值过小，可能会导致方程（30）的解不稳定，并最终导致滤波器发散，若其值过大可能影响估计性能。故选择一个合适的参数是算法的核心问题，的确定方法如下：
根据锂电池状态方程特点可得，将公式（23）带入到公式（30）中，并对表达式求逆，可得下式：
(32)
由于是对称正定的，所以上式要大于0，可得：
(33)
可看作上式左侧式子的特征值，因此：
(34)
取最大的特征值，通过下式可得：
(35)
的功能和H无穷算法中代价函数具有相同的功能，将作为H无穷算法中代价函数，通过调节可以实现与H无穷算法中的代价函数有相同的效果；通过H无穷算法调节来提高对非高斯噪声的鲁棒性，同时可修正计算协方差矩阵时遇到的病态矩阵，当趋于无穷时，FOUHF等价于FOUKF；
FOUHF算法是将无迹卡尔曼滤波算法与H无穷滤波算法结合得到的，若趋近于无穷时，此结合算法与无迹卡尔曼算法（FOUKF）相同。其中，不小于1。
步骤五中，通过自适应算法调整噪声系数，实现SOC在线估计；
对后验状态估计值进行修正之后，加入自适应算法对噪声协方差矩阵Q和R矩阵进行校正，具体的，通过求取端电压差值的协方差来更新噪声系数和，如下：
(36)
(37)
(38)
(39)
其中，为模型k时刻输出的端电压误差值，即为n项累计求和；为电池的SOC，为等效模型k时刻端电压误差协方差的近似值通过求取端电压差值的协方差来更新噪声系数和，通过不断迭代调整噪声系数和从而得到准确的SOC估计值；分别为输出端电压误差值表达式的各项系数。
为了验证2RC-AFOUHF算法的准确性和稳定性，本实例中采用了复杂的动态应力测试工况（DST），选择使用公交工况下的锂电池组测试工况（BBDST）对电池进行测试，本工况下设置SOC的初始值为70%。
通过以上SOC估算算法得到图5所示SOC测量值和估算值拟合图，由图可知，即使初始SOC设定为70%，与真实值100%偏离较远，该算法也有一个很好的纠错能力，同时具有出色的收敛拟合性能。在图6的SOC估算结果误差图中可以得到2RC-AFOUHF算法估算的平均绝对误差和均方误差分别为0.44%和0.58%，其平均绝对误差和均方误差均较低。
综上所述，通过实时采集锂电池电压、电流信息，利用限定记忆可变遗忘因子递推最小二乘法进行在线参数辨识，并且结合自适应无迹H无穷滤波算法可以实时估算锂电池SOC，并大大提高了SOC值估算的准确度。
实施例2
基于实施例1，本实施例中提供改进参数辨识与无穷算法融合的SOC估计系统，包括：
模型构建模块：被配置为根据电池的动静态特性，建立二阶RC等效电路模型；
计算模块：被配置为根据建立的等效电路模型，计算出模型的状态方程和输出方程；
参数辨识模块：被配置为将得到的输出方程和状态方程，采用引入限定记忆环节的可变遗忘因子递推最小二乘法进行参数辨识，得到等效电路模型的各元器件参数；
SOC预估模块：被配置为将自适应无迹H无穷滤波算法与已知参数的二阶等效电路模型结合，建立SOC估算模型，得到SOC预测估计值；
修正模块：被配置为通过自适应算法调整噪声系数，对SOC预测估计值进行修正，得到SOC的估计值。
此处需要说明的是，本实施例中的各个模块与实施例1中的各个步骤一一对应，其具体实施过程相同，此处不再累述。
实施例3
本实施例提供一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成实施例1的方法所述的步骤。
实施例4
本实施例提供一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例1的方法所述的步骤。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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 (6)
1.改进参数辨识与无穷算法融合的SOC估计方法，其特征在于，包括如下步骤：
根据电池的动静态特性，建立二阶RC等效电路模型；
根据建立的二阶RC等效电路模型，计算出模型的状态方程和输出方程；
将得到的输出方程和状态方程，采用引入限定记忆环节的可变遗忘因子递推最小二乘法进行参数辨识，得到二阶RC等效电路模型的各元器件参数；
将自适应无迹H无穷滤波算法与已知参数的二阶RC等效电路模型结合，建立SOC估算模型，得到SOC预测估计值；
通过自适应算法调整噪声系数，对SOC预测估计值进行修正，得到SOC的估计值；
其中，所述通过自适应算法调整噪声系数的方法具体为：通过求取端电压差值的协方差来更新噪声系数；
所述方法在进行参数辨识之前，还包括根据构建的二阶RC等效电路模型，确定待识别参数与输出量的关系，过程如下：
针对构建的二阶RC等效电路模型，通过拉普拉斯变换，得到系统的传递函数；
采用双线性变换法，离散化得到的传递函数，并且以开路电压和端电压作为系统的输出，电流值作为系统的输入值构建待识别参数向量与系统输出的关系；
所述方法采用HPPC测试实验得到观测数据，将得到的观测数据，基于引入限定记忆的可变遗忘因子递推最小二乘法，求解得到等效电路模型各参数值；
在HPPC测试下获得观测数据，利用限定记忆可变遗忘因子递推最小二乘法辨识得到待辨识的各个参数的方法，包括如下步骤：
步骤1，设定初始条件，将辨识参数设置为一个实列向量，获取观测数据，并根据观测时间顺序将观测数据存储在设定存储长度的存储队列中；
步骤2，选取存储队列中最早的一组数据，采用递推最小二乘法进行对输出方程进行求解，得到初步辨识参数，作为限定记忆可变遗忘因子递推最小二乘法的初始参数；
步骤3，根据输出方程以及初始参数，根据存储队列中的剩余的观测数据，采用可变遗忘因子递推最小二乘法递推得到一次计算结果；
步骤4，根据当前的辨识的结果，求出对应的二阶等效电路模型的各项参数；
步骤5，基于设定的公式接收新观测数据和移除旧观测数据，更新存储队列中观测数据；
重复执行步骤2至步骤5，直至处理完所有观测数据，得到最终辨识结果；
构建输出端电压与模型中待识别参数的关系，并将该关系式引入到限定记忆可变遗忘因子递推最小二乘算法中，并不断迭代，获得要辨识的各个参数值，消除旧数据对辨识结果的影响；
在可变遗忘因子递推最小二乘的基础上引入限定记忆的方式，即在每次进行参数辨识时，为存储观测数据设定固定的记忆长度，使参数辨识的过程使用最近的N组观测数据，当出现一组新的数据时，相应舍弃一组观测时间最早数据，其中，N为大于零的整数；
引入限定记忆的可变遗忘因子递推最小二乘法的公式推导过程，如下：
在算法中引入新数据，引入新数据公式为：
(12)
式中，为向量方程误差，表示实际观测值与当前预测值的差值，即当前时刻的预测误差；为遗忘因子递推最小二乘法的遗忘因子，K为校正权重值，为解码前的待辨识参数的最优估计值，P为协方差矩阵，在系统运行过程中不断更新，使参数收敛，得到最优值；下标中的k表示k时刻，j为记忆长度，表示第k个输入和输出的观测向量，表示时刻的实际观测值；
由于设定的数据存储容量有限，所以新数据的加入而会导致部分旧数据被移除，其公式推导如下：
(13)
式中，为可变遗忘因子更新公式，j为记忆长度；
通过求取端电压差值的协方差来更新过程噪声和测量噪声，如下：
(36)
(37)
(38)
(39)
其中，为模型k时刻输出的端电压误差值，的下标n为累计求和项数；为电池的SOC，为等效模型k时刻端电压误差协方差的近似值通过求取端电压差值的协方差来更新过程噪声和测量噪声，通过不断迭代调整过程噪声和测量噪声从而得到准确的SOC估计值；分别为输出端电压误差值表达式的各项系数；
代表电池的欧姆内阻；是状态协方差估计的一组权重，L是状态向量的维度；
为采用自适应无迹H无穷滤波算法中第i个采样点的预测输出值；
为第k时刻流经欧姆内阻上的电流；
为第k时刻电池输出端电压的实际测量值。
2.如权利要求1所述的改进参数辨识与无穷算法融合的SOC估计方法，其特征在于：
自适应无迹H无穷滤波算法的主要框架为无迹卡尔曼滤波算法，引入H无穷滤波算法，通过最小化代价函数来过滤掉非高斯噪声。
3.如权利要求1所述的改进参数辨识与无穷算法融合的SOC估计方法，其特征在于：
将自适应无迹H无穷滤波算法与已知参数的二阶等效电路模型结合，建立SOC估算模型，得到SOC预测估计值，包括如下步骤：
对SOC估计进行初始化，将对状态变量赋予初始值；
在k-1时刻进行状态估计，生成一组状态变量的sigma点，计算采样点相应的权重值：
进行时间更新，基于状态变量计算先验状态估计变量的期望值和对应的误差协方差矩阵：
进行测量更新，计算输出预测值和对应的协方差矩阵；
基于输出预测值的协方差矩阵，对后验状态估计值进行修正，得到修正后的SOC预测估计值。
4.改进参数辨识与无穷算法融合的SOC估计系统，实现如权利要求1-3任一所述的改进参数辨识与无穷算法融合的SOC估计方法，其特征在于，包括：
模型构建模块：被配置为根据电池的动静态特性，建立二阶RC等效电路模型；
计算模块：被配置为根据建立的二阶RC等效电路模型，计算出模型的状态方程和输出方程；
参数辨识模块：被配置为将得到的输出方程和状态方程，采用引入限定记忆环节的可变遗忘因子递推最小二乘法进行参数辨识，得到二阶RC等效电路模型的各元器件参数；
SOC预估模块：被配置为将自适应无迹H无穷滤波算法与已知参数的二阶RC等效电路模型结合，建立SOC估算模型，得到SOC预测估计值；
修正模块：被配置为通过自适应算法调整噪声系数，对SOC预测估计值进行修正，得到SOC的估计值。
5.一种电子设备，其特征在于，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求1-3任一项所述的改进参数辨识与无穷算法融合的SOC估计方法中的步骤。
6.一种计算机可读存储介质，其特征在于，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-3任一项所述的改进参数辨识与无穷算法融合的SOC估计方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311773694.8A CN117452234B (zh) | 2023-12-22 | 2023-12-22 | 改进参数辨识与无穷算法融合的soc估计方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311773694.8A CN117452234B (zh) | 2023-12-22 | 2023-12-22 | 改进参数辨识与无穷算法融合的soc估计方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117452234A CN117452234A (zh) | 2024-01-26 |
| CN117452234B true CN117452234B (zh) | 2024-08-13 |
Family
ID=89593247
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311773694.8A Active CN117452234B (zh) | 2023-12-22 | 2023-12-22 | 改进参数辨识与无穷算法融合的soc估计方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117452234B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117890799B (zh) * | 2024-03-15 | 2024-05-31 | 广汽埃安新能源汽车股份有限公司 | 电池荷电状态的获取方法、装置、电子设备及存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115327415A (zh) * | 2022-08-26 | 2022-11-11 | 西南科技大学 | 基于限定记忆递推最小二乘算法的锂电池soc估算方法 |
| CN116754959A (zh) * | 2023-06-18 | 2023-09-15 | 哈尔滨理工大学 | 一种基于改进gwo优化遗忘因子在线参数辨识的soc估算方法 |
Family Cites Families (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7451549B1 (en) * | 2006-08-09 | 2008-11-18 | Pni Corporation | Automatic calibration of a three-axis magnetic compass |
| US8270625B2 (en) * | 2006-12-06 | 2012-09-18 | Brigham Young University | Secondary path modeling for active noise control |
| KR20080095422A (ko) * | 2007-04-24 | 2008-10-29 | 에이펫(주) | 음향 반향 제거기 및 그 방법 |
| CN108490356A (zh) * | 2018-03-06 | 2018-09-04 | 福建工程学院 | 一种改进ekf算法的锂电池soc估算方法 |
| CN109375111A (zh) * | 2018-10-12 | 2019-02-22 | 杭州电子科技大学 | 一种基于uhf的电池剩余电量估计方法 |
| CN112327182B (zh) * | 2020-08-02 | 2021-11-16 | 西北工业大学 | 基于量测值残差序列的自适应h无穷滤波soc估计方法 |
| KR102572652B1 (ko) * | 2020-09-11 | 2023-08-31 | 삼성에스디아이 주식회사 | 배터리의 충전상태를 추정하는 방법 |
| CN113030752B (zh) * | 2021-04-12 | 2024-03-29 | 安徽理工大学 | 一种基于变遗忘因子在线参数辨识和soc联合估计方法 |
| CN114487879A (zh) * | 2021-12-27 | 2022-05-13 | 南京邮电大学 | 一种基于自适应平方根中心差分Kalman滤波的SOC估计方法 |
| CN114818371A (zh) * | 2022-05-20 | 2022-07-29 | 江铃汽车股份有限公司 | 一种基于双记忆长度的限定记忆法的锂电池参数辨识方法 |
| CN115113053A (zh) * | 2022-07-12 | 2022-09-27 | 南通大学 | 一种基于高自适应性滤波算法的锂电池soc估计方法 |
| CN115015767A (zh) * | 2022-08-04 | 2022-09-06 | 华南理工大学 | 基于多新息无迹卡尔曼滤波算法融合的锂电池soc估算方法 |
-
2023
- 2023-12-22 CN CN202311773694.8A patent/CN117452234B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115327415A (zh) * | 2022-08-26 | 2022-11-11 | 西南科技大学 | 基于限定记忆递推最小二乘算法的锂电池soc估算方法 |
| CN116754959A (zh) * | 2023-06-18 | 2023-09-15 | 哈尔滨理工大学 | 一种基于改进gwo优化遗忘因子在线参数辨识的soc估算方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117452234A (zh) | 2024-01-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| Huang et al. | Robustness evaluation of extended and unscented Kalman filter for battery state of charge estimation | |
| CN110261779B (zh) | 一种三元锂电池荷电状态与健康状态在线协同估计方法 | |
| Ouyang et al. | An online prediction of capacity and remaining useful life of lithium-ion batteries based on simultaneous input and state estimation algorithm | |
| CN111722118B (zh) | 一种基于soc-ocv优化曲线的锂离子电池soc估计方法 | |
| CN111060834A (zh) | 一种动力电池健康状态估算方法 | |
| CN117452234B (zh) | 改进参数辨识与无穷算法融合的soc估计方法及系统 | |
| He et al. | An improved coulomb counting approach based on numerical iteration for SOC estimation with real-time error correction ability | |
| CN111060820A (zh) | 一种基于二阶rc模型的锂电池soc、sop估计方法 | |
| CN107957555A (zh) | 一种估算动力锂电池SoC的新方法 | |
| CN111537903B (zh) | 一种基于hckf的电池soc估计方法 | |
| Fu et al. | State of charge estimation of lithium-ion phosphate battery based on weighted multi-innovation cubature Kalman filter | |
| CN111044906A (zh) | 一种基于极大似然准则的锂离子电池能量状态估算方法 | |
| 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 | |
| CN115494398A (zh) | 一种基于融合滤波策略的电池soc估计方法及系统 | |
| Liu et al. | A new method for state of charge and capacity estimation of lithium‐ion battery based on dual strong tracking adaptive H infinity filter | |
| CN115575823A (zh) | 一种锂电池参数在线辨识方法 | |
| CN115754741A (zh) | 储能系统的soc估算方法及装置、设备及存储介质 | |
| CN113671377A (zh) | 一种基于改进ekf算法的锂电池soc估算方法 | |
| CN112946480B (zh) | 一种提高soc估计实时性的锂电池电路模型简化方法 | |
| CN111239608A (zh) | 基于扩展卡尔曼滤波的电池soc估算方法及装置 | |
| CN116718920B (zh) | 基于rnn优化扩展卡尔曼滤波的锂电池soc估算方法 | |
| CN116449219A (zh) | 一种改进vffrls的锂电池模型参数辨识方法 | |
| CN115856681A (zh) | 基于ekf自适应温度调节的电池soc估算方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |