CN1607398A - 实时估计动力蓄电池模型中状态变量的方法 - Google Patents

Abstract

本发明公开了一种实时估计动力蓄电池模型中状态变量的方法，该方法包括(a)列出适合卡尔曼滤波的蓄电池状态方程；(b)数学变换；(c)推导出最终动力蓄电池模型状态方程，估计动力蓄电池模型各主要参数。所述方法能够排除干扰，实时估计出基于PNGV蓄电池模型的状态变量，为蓄电池的开路电压、荷电状态、寿命、最大充电电流、最大放电电流等重要参数的计算提供依据。应用本发明有利于提高蓄电池控制系统的精度，充分发挥蓄电池的性能，提高蓄电池的使用寿命。

Description

实时估计动力蓄电池模型中状态变量的方法

                             技术领域

本发明涉及一种二次电池模型中状态变量的估计方法，特别是涉及一种在线实时估计动力蓄电池模型中状态变量的方法。

                             背景技术

为了对动力锂离子电池管理系统获得良好的控制效果，就必须建立准确的电池数学模型。PNGV(Partnership for a New Generation of Vehicle)推荐了动力电池模型，在对动力蓄电池模型中四个基本参数进行辨识的基础上，仍需要估计模型的状态，才能得到完整的动力电池数学模型，从而为电池管理系统提供精确的控制对象，有利于提高控制系统的精度。

                             发明内容

本发明的目的是提供一种能够排除动力蓄电池系统在线干扰的影响，能够实时估计动力蓄电池模型中状态变量的方法。

本发明采取的技术方案：一种估计动力蓄电池模型中状态变量的方法，包括如下步骤：

(a)列出适合卡尔曼滤波的状态方程：

其中u1为电容C1两端的电压，u2为电容C2两端的电压；

(b)令U＝V-E则：

$u_1^g=-\frac{1}{C_1{R}_1}{u}_1-\frac{1}{C_1{R}_1}{u}_2+\frac{1}{C_1{R}_1}U$

$u_2^g=\frac{C_1}{C_2}{u}_1^g-\frac{1}{C_2{R}_2}{u}_2;$

(c)整理得到动力蓄电池模型状态方程：

$\left[\begin{array}{c}{u}_1^g\\ u_2^g\end{array}\right]=\left[\begin{array}{cc}-\frac{1}{C_1{R}_1}& -\frac{1}{C_1{R}_1}\\ -\frac{1}{C_2{R}_1}& -(\frac{1}{C_2{R}_1}+\frac{1}{C_2{R}_2})\end{array}\right]\left[\begin{array}{c}{u}_1\\ u_2\end{array}\right]+\left[\begin{array}{c}\frac{1}{C_1{R}_1}\\ \frac{1}{C_2{R}_2}\end{array}\right]U$

应用卡尔曼滤波算法，估计出C1、C2两端的电压u1、u2，进而通过u1、u2得到动力蓄电池开路电压参数值、荷电状态参数值、最大充电电流参数值和最大放电电流参数值。

本发明的有益效果在于，所述估计动力蓄电池模型中状态变量的方法基于PNGV(Partnership for a New Generation of Vehicle)推荐的动力蓄电池模型，在对该模型四个基本参数进行辨识的基础上，应用卡尔曼滤波法得到了完整的动力蓄电池状态方程。所述方法能够排除动力蓄电池系统在在线实时状态受到的干扰，准确估计出动力蓄电池的开路电压(Open Circuit Voltage)、荷电状态(State Of Charge)、最大充电电流、最大放电电流等重要参数，为电池管理系统提供精确的控制对象，从而提高蓄电池控制系统的精度，充分发挥蓄电池的性能，提高蓄电池的使用寿命。所述方法应用于电池管理系统的设计和开发取得了良好的实施效果，也为未来42V电池建立模型及电池管理系统提供了可参照的方法。

                            附图说明

图1是动力蓄电池模型建模方法示意图；

图2是动力锂离子电池的数学模型及其主要参数示意图。

                           具体实施方式

下面结合附图1、2，对本发明进一步详细描述：PNGV推荐的电池模型简洁清晰，可直接引用，见附图1。如附图2所示，动力锂离子电池中有C1、C2两个储能元件，因此，动力锂离子电池的模型阶次可确定为二阶，则建模的重点为在确定R1、C1、R2、C2、的值(由于E在电池整个使用过程中变化很小，这里设E为常量)的基础上进行状态估计，其目的是在线实时的在有干扰的情况下得到比较准确的该模型当中的状态值。对动力蓄电池模型中状态变量进行估计按照下列步骤进行：

(a)列出适合卡尔曼滤波的状态方程：

其中u₁为电容C₁两端的电压，u₂为电容C₂两端的电压，也就是需要实时估计的状态变量；

(b)令U＝V-E则

$u_1^g=-\frac{1}{C_1{R}_1}{u}_1-\frac{1}{C_1{R}_1}{u}_2+\frac{1}{C_1{R}_1}U----\left(2\right)$

$u_2^g=\frac{C_1}{C_2}{u}_1^g-\frac{1}{C_2{R}_2}{u}_2----\left(3\right)$

将(1)代入(2)，得式(3)

$=\frac{C_1}{C_2}(-\frac{1}{C_1{R}_1}{u}_1-\frac{1}{C_1{R}_1}{u}_2+\frac{1}{C_1{R}_1}U)-\frac{1}{C_2{R}_2}{u}_2$

$=-\frac{1}{C_2{R}_1}{u}_1-\frac{1}{C_2{R}_1}{u}_2+\frac{1}{C_2{R}_1}U-\frac{1}{C_2{R}_2}{u}_2$

$=-\frac{1}{C_2{R}_1}{u}_1-(\frac{1}{C_2{R}_1}+\frac{1}{C_2{R}_2})u_2+\frac{1}{C_2{R}_1}U$

(c)将上述各式整理为状态方程的形式，为

$\left[\begin{array}{c}{u}_1^g\\ u_2^g\end{array}\right]=\left[\begin{array}{cc}-\frac{1}{C_1{R}_1}& -\frac{1}{C_1{R}_1}\\ -\frac{1}{C_2{R}_1}& -(\frac{1}{C_2{R}_1}+\frac{1}{C_2{R}_2})\end{array}\right]\left[\begin{array}{c}{u}_1\\ u_2\end{array}\right]+\left[\begin{array}{c}\frac{1}{C_1{R}_1}\\ \frac{1}{C_2{R}_2}\end{array}\right]U----\left(4\right)$

这样，应用卡尔曼滤波的算法，可实时估计C₁、C₂两端的电压u₁、u₂。而通过u₁、u₂就可得到动力锂离子电池的开路电压(Open Circuit Voltage)、荷电状态(State OfCharge)、最大充电电流、最大放电电流等重要参数。

Claims (1)

1.一种实时估计动力蓄电池模型中状态变量的方法，包括如下步骤：

(a)列出适合卡尔曼滤波的状态方程：

其中u1为电容C1两端的电压，u2为电容C2两端的电压；

(b)令U＝V-E则：

${\stackrel{g}{u}}_1=-\frac{1}{C_1{R}_1}{u}_1-\frac{1}{C_1{R}_1}{u}_2+\frac{1}{C_1{R}_1}U$

${\stackrel{g}{u}}_2=\frac{C_1}{C_2}{\stackrel{g}{u}}_1-\frac{1}{C_2{R}_2}{u}_2;$

(c)整理得到动力蓄电池模型状态方程：

$\left[\begin{array}{c}{\stackrel{g}{u}}_1\\ {\stackrel{g}{u}}_2\end{array}\right]=\left[\begin{array}{cc}-\frac{1}{C_1{R}_1}& -\frac{1}{C_1{R}_1}\\ -\frac{1}{C_2{R}_1}& -(\frac{1}{C_2{R}_1}+\frac{1}{C_2{R}_2})\end{array}\right]\left[\begin{array}{c}{u}_1\\ u_2\end{array}\right]+\left[\begin{array}{c}\frac{1}{C_1{R}_1}\\ \frac{1}{C_2{R}_2}\end{array}\right]U$

应用卡尔曼滤波算法，估计出C1、C2两端的电压u1、u2，进而通过u1、u2得到动力蓄电池开路电压参数值、荷电状态参数值、最大充电电流参数值、最大放电电流参数值。

Images