一种估算动力锂电池SoC的新方法技术

本发明专利技术公开了一种估算动力锂电池SoC的新方法，首先采用自回归各态历经(autoregressive exogenous,ARX)模型建立锂电池等效模型，然后采用基于AIC准则的遗传算法对该模型的阶数进行优化求解，在模型阶数确定后利用递推最小二乘法对模型系数进行求解；根据所获得的ARX模型系数和锂电池状态方程建立卡尔曼滤波所需的空间状态方程，最后利用卡尔曼预测迭代方程实现锂电池SOC的估计。本发明专利技术只需确定ARX模型的阶数和系数，而不再需要求解具体的等效电路参数值，一方面简化了繁琐的公式推导和计算过程，避免了在后续卡尔曼滤波状态转移矩阵和输入控制矩阵e指数的运算；另一方面，减少了由等效电路参数受锂电池复杂工况影响引入的误差。

A new method for estimating the SoC of power lithium battery

This invention discloses a new method for estimating the power lithium battery SoC. First, the lithium battery equivalent model is established by the autoregressive autoregressive exogenous (ARX) model. Then the order of the model is solved by the genetic algorithm based on the AIC criterion, and the recursive least square method is used after the order of the model is determined. The model coefficients are solved. According to the ARX model coefficient and the state equation of lithium battery, the spatial equation of state for Calman filter is established. Finally, the estimation of the lithium battery SOC is realized by using the Calman prediction iterative equation. The invention only needs to determine the order and coefficient of the ARX model, but no longer needs to solve the specific equivalent circuit parameter value. On the one hand, it simplifies the complicated formula deduction and calculation process, avoids the operation of the subsequent Calman filter state transfer matrix and the input control matrix e exponent; on the other hand, the equivalent circuit parameters are reduced. The error introduced by the complex conditions of the lithium battery.

【技术实现步骤摘要】
一种估算动力锂电池SoC的新方法
本专利技术涉及电池荷电状态的估计领域，具体是一种估算动力锂电池SoC的新方法。
技术介绍
今年来，新能源电动汽车的发展已经由当初的萌芽阶段发展到了瓶颈期，而电源管理系统(BatteryManagementSystem,BMS)成为制约其突破发展的关键技术。电源管理系统主要包括电池荷电状态(StateofCharge，SoC)的估计，电池温度的监测，以及电池过压、过流、过充、过放、过高温的保护等。其中，电池SoC主要完成电池剩余容量的估计，为驾驶员提供续航里程等信息，由于锂电池本身结构复杂，工作中受不同工况、周围温度，以及自身老化等因素的影响，所以电池SoC的估计相当困难。目前，锂电池SoC估计方法主要有开路电压法、安时积分法、神经网络法、卡尔曼滤波法等等。开路电压法需要对电池进行放电实验来获取OCV与SoC的对应关系，多应用于电池SoC初始值的获取。安时积分法原理简单、便于实现，但存在累积误差的问题，一般与开路电压法进行联合使用。除了开路电压法、安时积分法外，应用智能算法的锂电池SoC估计大多数都依赖于锂电池等效电路模型的具体参数。由于锂电池的动态非线性特点，及其在工作过程中会受到不同工况、环境温度等等因素的影响，实际建模过程中难以将这些因素都反映到所需的模型参数中去。因此，不管是采用离线辨识还是在线辨识的模型参数都存在误差，且随着误差的不断累积会影响所建立模型的准确度，最终影响到SoC的估算精度。
技术实现思路
鉴于以上缺陷，本专利技术提出了一种能够避免辨识模型参数的SoC估计方法，即基于自回归各态历经(autoregressiveexogenous,ARX)模型和自适应卡尔曼滤波的动力锂电池SoC估计(简写为：ARX-AKF)。本专利技术首先建立了锂电池ARX模型，然后采用遗传算法对该模型的系数进行优化求解，同时采用递推最小二乘法对该模型的系数进行求解；然后根据所获得的ARX模型系数和锂电池状态方程建立卡尔曼滤波所需的空间状态方程，最后利用卡尔曼预测迭代方程实现锂电池SOC的估计。为了实现上述目的本专利技术采用的具体技术方案是：一种估算动力锂电池SoC的新方法，包括以下步骤：步骤一，以动力锂电池等效电路模型(n阶动力学模型)为依据，建立锂电池的ARX模型：A(q)V(k)＝B(q)·I(k)+ε(k)A(q)＝1+a1q-1+a2q-2+...+amq-mB(q)＝b0+b1q-1+b2q-2+...+bnq-n式中，V(k)和I(k)分别为输出量和输入控制量，q为延迟算子，ε(k)为白噪声，am、bn为待辨识的系数，m、n表示ARX模型的阶数。步骤二，采用基于AIC准则的遗传算法确定ARX模型的阶数，然后利用递推最小二乘法获得该模型的系数。其中遗传算法中利用最小信息准则(AIC)设计遗传算法的适应度函数，具体如下式：式中，m、n表示ARX模型的阶数，VL,k表示第k个时刻电池负载电压VL的测量值，表示第k个时刻的估计值，N表示用于参数估计的数据。上述确定了模型阶数，接着要确定模型系数。锂电池ARX模型系数的求解通过递推最小二乘法实现，具体如下：式中，表示被辨识的参数，θ＝[a1...amb1...bn]；表示观测向量，L(k)表示增益因子；Γ(k)表示测量的协方差阵。步骤三，根据所获得的ARX模型系数和锂电池状态方程建立卡尔曼滤波所需的空间状态方程，利用卡尔曼滤波算法的递推公式，迭代获得锂电池SoC。卡尔曼滤波所需的状态空间方程为式中，x(k)、y(k)、u(k)分别表示系统的状态变量、系统观测方程的输出量、系统的输入量，s(k)表示锂电池荷点状态，ηT表示电池库仑效率，Voc(k)表示锂电池的开路电压，Ts为采样时间。wk和vk分别为过程激励噪声和观测噪声，互不相关，且具有如下特征：其中A，B，C，D的具体形式由ARX模型的阶数决定，当通过步骤二所得ARX模型阶数m和n都为2时，则A,B,C,D的形式如下：当通过步骤二所得ARX的模型阶数m和n都为3时，则A，B，C，D的形式如下：由此可见，式中A，B，C，D的具体形式由步骤二确定，由此提高了模型的自动化程度。与已有的锂电池SoC估计方法不同的是：本专利技术所设计的锂电池SoC估计方法不依赖于具体的等效电路参数值，减少了由等效电路参数受锂电池复杂工况影响引入的误差；另一方面，A、B、C、D具体形式由模型的阶数决定，提高了建模的自动化程度。卡尔曼滤波所需要的过程激励噪声协方差矩阵Qk和量测噪声协方差矩阵Rk，是通过Gk构造的且不断迭代更新。Gk表示由ei组成的协方差阵，ei表示在k-m到k区间内，由测量真实值yi+1与估计值残差组成的序列，Kk，Pk分别表示为卡尔曼增益阵和误差协方差阵。本专利技术采用的方法只需辨识ARX模型的阶数和系数，而不需要求解具体的等效电路参数值，简化了繁琐的公式推导和计算过程，避免了在后续卡尔曼滤波状态转移矩阵和输入控制矩阵e指数的运算。减少了由等效电路参数受锂电池复杂工况影响引入的误差。从仿真结果来看，该方法具有较高的准确性和一定的实用价值。附图说明图1为动力锂电池等效电路结构图；图2为不同温度下OCV-SOC关系图；图3为动力锂电池SoC在线估计实现流程图；图4为锂电池SoC估计结果图，其中(a)为动态电流放电示意图，(b)为整个放电过程SOC估计结果图，(c)为图(b)的局部放大图。具体实施方式1.建立锂电池的ARX模型目前，锂电池的等效电路模型主要有Rint模型、Thevenin模型、PNGV模型和多阶动力学模型等。n阶模型能够更为准确地反应锂电池的动态非线性特性，其等效电路结构图如图1所示。为了便于描述，锂电池的ARX模型由一阶等效电路推导。根据基尔霍夫定律，由图1可得如下公式：式中，VL表示电池的负载电压；VOC表示锂电池的开路电压；V1表示极化电容C1端电压；R0为电池的欧姆内阻；R1为电池等效极化内阻，C1为电池等效极化电容；I表示负载电流。首先对公式(1)进行laplace变换，得到：式中，VL,I都是可测量，令V(s)＝Voc(s)-VL(s)，U(s)＝I(s)，代入公式(3)可得：式中H(s)表示传递函数，采用公式(5)对公式(4)进行z变换，得出公式(6)。式中，Ts为采样时间。其中，将公式(6)写成差分形式，由此得出锂电池的一阶等效电路模型：V(k)＝-a1·V(k-1)+b0·I(k)+b1·I(k-1)(8)式中，V(k)＝Voc(k)-VL(k)，k表示第k次采样时刻。由公式(8)不难推导出锂电池的n阶等效电路模型，如公式(9)：式中，m、n表示ARX模型的阶数，为整数值；am、bn为待辨识的系数。将公式(9)整理为ARX模型：A(p)V(k)＝B(q)·I(k)+ε(k)式中，q为延迟算子，V(k)和I(k)分别为输出量和输入控制量，q为延迟算子，ε(k)为白噪声。其中，式中，m、n表示ARX模型的阶数，为正整数；am、bn为待辨识的系数。2.确定ARX模型的阶数最小信息准则(AIC)是一种广泛应用的时间序列模型定阶准则[19-20]，其一般形式可表述为：式中：SSE(SumofSquaresforError)表示观测数据真实值与估计值残差的平方和，N表示实验数据总本文档来自技高网...

【技术保护点】
一种估算动力锂电池SoC的新方法，其特征在于，包括以下步骤：以动力锂电池等效电路模型为依据，建立锂电池的ARX模型；采用基于AIC准则的遗传算法获得最优的ARX模型的阶数，然后利用递推最小二乘法获得该模型的系数；根据所述ARX模型和锂电池状态方程建立卡尔曼滤波所需的状态空间方程，利用卡尔曼滤波算法的递推公式，迭代获得锂电池SoC。

【技术特征摘要】
1.一种估算动力锂电池SoC的新方法，其特征在于，包括以下步骤：以动力锂电池等效电路模型为依据，建立锂电池的ARX模型；采用基于AIC准则的遗传算法获得最优的ARX模型的阶数，然后利用递推最小二乘法获得该模型的系数；根据所述ARX模型和锂电池状态方程建立卡尔曼滤波所需的状态空间方程，利用卡尔曼滤波算法的递推公式，迭代获得锂电池SoC。2.根据权利要求1所述一种估算动力锂电池SoC的新方法，其特征在于：所述ARX模型为：A(q)V(k)＝B(q)·I(k)+ε(k)A(q)＝1+a1q-1+a2q-2+...+amq-mB(q)＝b0+b1q-1+b2q-2+...+bnq-n式中，V(k)和I(k)分别为输出量和输入控制量，q为延迟算子，ε(k)为白噪声，am、bn为待辨识的系数，m、n表示ARX模型的阶数。3.根据权利要求2所述一种估算动力锂电池SoC的新方法，其特征在于：所述遗传算法中利用最小信息准则设计遗传算法的适应度函数，具体如下式：式中，m、n表示ARX模型的阶数，VL,k表示第k个时刻电池负载电压VL的测量值，表示第k个时刻的估计值，N表示用于参数估计的数据。4.根据权利要求3所述一种估算动力锂电池SoC的新方法，其特征在于：所述利用递推最小二乘法获得ARX模型的系数，具体如下：式中，表示被辨识的参数，θ＝[a1...amb1...bn]；表示观测向量，L(k)表示增益因子；Γ(k)表示测量的协方差阵。5.根据权利要求1或2或3或4所述一种估算动力锂电池SoC的新方法，其特征在于：所述卡尔曼滤波所需的状态空间方程为

【专利技术属性】
技术研发人员：聂文亮，季海婷，李春莉，邱刚，
申请(专利权)人：重庆三峡学院，
类型：发明
国别省市：重庆,50