基于阈值扩展卡尔曼算法的蓄电池剩余电量估计方法技术

基于阈值扩展卡尔曼算法的蓄电池剩余电量估计方法,包括如下步骤：1)采用EKF算法，获得各状态变量在当前时刻的估计值，该各状态变量包括电池剩余电量、第一RC环节端电压和第二RC环节端电压；2)结合短期历史电流数据设置状态方程中该各状态变量的阈值，并判断各状态变量的估计值是否超出各自阈值范围，若是，则将对应的状态变量限制在阈值范围内。本发明专利技术在EKF算法的基础上，利用历史数据为模型中的状态变量添加阈值，限制状态变化范围，防止状态变量发散导致的SOC估计精度降低，比现有基于模型的SOC估计方法拥有更高的鲁棒性。

Estimation method of battery remaining capacity based on threshold extended Calman algorithm

The method of residual battery estimation based on threshold extended Calman algorithm includes the following steps: 1) using the EKF algorithm to obtain the estimated value of each state variable at the present time, the state variables include the battery surplus, the first RC link end voltage and the end voltage of the second RC link; 2) combined with the short-term historical current data set. The threshold of the state variables in the equation of state is used to determine whether the estimated values of each state variable exceed the range of their respective thresholds. If, the corresponding state variables are limited to the threshold range. On the basis of the EKF algorithm, the invention uses historical data to add threshold to the state variable in the model, limits the range of state change, and prevents the SOC estimation precision caused by the divergence of state variables, and has a higher robustness than the existing model based SOC estimation method.

【技术实现步骤摘要】
基于阈值扩展卡尔曼算法的蓄电池剩余电量估计方法
本专利技术涉及蓄电池剩余电量(SOC)估计领域，特别是一种基于阈值扩展卡尔曼算法的蓄电池剩余电量估计方法。
技术介绍
电池储能系统(BSS)被广泛应用于新能源发电的功率平滑系统以及电动汽车能量管理系统。电池的性能与寿命极易受温度、充放电次数、充放电速率影响，电池剩余电量(SOC)是电池管理系统(BMS)优化电池工作状态，延长电池使用寿命，保证系统安全运行的基础。理论上，安时法和开路电压法可以实现对电池SOC的精确估计。但由于测量噪声，误差积累，初始SOC不精确等因素，安时法难以应用于多变工况；由于电池的欧姆内阻和极化现象，开路电压法只能用于稳定静置时电池的SOC估计。为克服上述缺陷，大量基于电池模型的SOC估计方法被提出。其中，卡尔曼滤波法可以通过被噪声或其他不确定因素干扰的观测值获得较为精确的SOC估计值且初始SOC的精度要求低，已被广泛应用。卡尔曼滤波法可大致分为扩展卡尔曼法(EKF)、无迹卡尔曼法(UKF)、粒子滤波卡尔曼法(PKF)等，且常与噪声自适应技术结合，构成自适应扩展卡尔曼(AEKF)、自适应无迹卡尔曼(AUKF)等算法。上述不同算法在难易等级、计算等级、精度等级上有各自的优点，但仍有一些不足：1)基于模型的SOC估计方法对模型精度和模型预测的电池内部状态的精度要求高，但模型误差不可避免且电池个体之间的差异会导致不同程度的模型失真；2)极端情况下传感器可能产生的故障会使电池内部状态无法被精确估计；3)部分算法无法快速修正初始误差；4)误差积累速度较快时，部分算法无法快速消除积累误差；5)卡尔曼算法无法完全过滤非高斯噪声。综上，现有的基于模型的SOC估计方法的鲁棒性仍需改善。
技术实现思路
本专利技术的主要目的在于克服现有技术中的基于模型的SOC估计方法在模型局部失真、传感器短暂失灵、初始误差较大、误差积累较快、非高斯噪声干扰等条件下对SOC的估计不准确的问题，提出一种基于阈值扩展卡尔曼算法的蓄电池剩余电量估计方法。本专利技术采用如下技术方案：基于阈值扩展卡尔曼算法的蓄电池剩余电量估计方法,其特征在于，包括如下步骤：1)采用EKF算法，获得各状态变量在当前时刻的估计值，该各状态变量包括电池剩余电量、第一RC环节端电压和第二RC环节端电压；2)结合短期历史电流数据设置状态方程中该各状态变量的阈值，并判断各状态变量的估计值是否超出各自阈值范围，若是，则将对应的状态变量限制在阈值范围内。所述EKF算法的状态空间表达式为以下形式：τ1＝rp1·cp1；τ2＝rp2·cp2；其中k表示当前时刻，k-1表示上一时刻；SOC表示电池剩余电量；Up1和Up2分别表示第一RC环节端电压和第二RC环节端电压；rp1和rp2分别表示电化学极化电阻和浓差极化内阻；cp1和cp2分别表示电化学极化电容和浓差极化电容；τ1和τ2分别表示第一RC环节和第二RC环节的时间常数；ro表示欧姆内阻；I表示充放电电流；Uo表示电池端电压；Vocv代表电池平衡电动势；QN表示电池额定容量；η表示充放电效率；v和w分别表示状态噪声和观测噪声；T表示采样周期。定义如下矩阵：其中xk＝[soc(k)Up1(k)Up2(k)]]T，为k时刻的系统状态变量；f与h分别为状态空间表达式中的状态方程与观测方程；u为矩阵的激励量，在此为测量电流，所述采用EKF算法，获得各状态变量在当前时刻的估计值，包括如下步骤：1.1)初始化k＝0，设置Q,R，其中E[x0]＝[E[soc(0)]E[Up1(0)]E[Up2(0)]]，为所述状态变量的初始估计值；Q和R分别为状态噪声w和观测噪声v的方差矩阵；为状态估计的误差矩阵的初始值；1.2)对k＝k+1时刻的状态进行先验估计：状态变量:方差矩阵:其中为状态和方差的先验估计，uk＝Ik，为k时刻的电流，1.3)对k＝k+1时刻的状态进行后验估计：计算新息：卡尔曼增益更新:状态变量更新:方差矩阵更新:为后验估计；其中yk＝Uo(k)，为k时刻的电池端电压，ek为观测值与观测值的先验估计的误差，Kk为卡尔曼增益矩阵，1.4)回到步骤1.2)。步骤2)包括结合短期历史电流数据设置状态方程中电池剩余电量的阈值，并判断电池剩余电量的估计值是否超出该阈值范围，若是，则将电池剩余电量限制在阈值范围内，具体包括如下：2.1)从短期历史电流数据I(k-m)到I(k)中，选取绝对值最大的Imax来设置电流阈值A＝[n1·Imax，n2·Imax]，其中m>＝600；若Imax>0，则n1<0，n2>0；若Imax<0，则n1>0，n2<0；2.2)计算电池剩余电量SOC的变化量Δsoc＝soc(k)-soc(k-1)，并由公式计算△SOC对应的理论电流In的大小；2.3)判断In是否属于A，若在A内，则不做限制；若大于A的上限，则强制使从而使soc(k)＝soc(k-1)+Δsoc；若小于A的下限，则强制使步骤2)包括结合短期历史电流数据设置状态方程中第一RC环节端电压或第二环节端电压的阈值，并判断第一RC环节端电压或第二环节端电压的估计值是否超出该阈值范围，若是，则将第一RC环节端电压或第二环节端电压限制在阈值范围内，具体包括如下：2.1)根据上一时刻SOC(k-1)的值，由极化电阻rpi和SOC的对应关系获取rpi的值，从短期历史电流数据I(k-m)到I(k)中，选取绝对值最大的Imax来设置Upi阈值为Bi＝[n3·Imax·rpi，n4·Imax·rpi]，其中i＝1,2；若Imax>0，则n3<0,n4>0；若Imax<0，则n3>0,n4<0；2.2)判断状态变量Upi的当前值Upi(k)是否属于Bi，若在Bi内，则不做限制；若Upi大于Bi的右边界，则强制使Upi(k)＝n4·Imax·rpi；若Upi小于Bi的左边界，则强制使Upi(k)＝n3·Imax·rpi。由上述对本专利技术的描述可知，与现有技术相比，本专利技术具有如下有益效果：根据卡尔曼滤波理论，传统EKF算法的功能为快速缩小预测值与观测值之间的差异并最终使ek≈0，卡尔曼增益矩阵Kk也将随着迭代快速收敛。当系统的状态变量存在初始误差或因模型失真、传感器故障、非高斯噪声等因素引入新误差时，所述误差在系统稳定后可以被修正，但Kk·ek的值趋于0限制了误差的修正速度，当偏差较大时，状态变量将难以接近真实值。本专利技术为状态变量添加阈值，可以把限制在真实值的邻域内，预防Kk·ek的快速收敛，从而提高算法的鲁棒性。附图说明图1为本专利技术方法的流程图。具体实施方式以下通过具体实施方式对本专利技术作进一步的描述。基于阈值扩展卡尔曼算法的蓄电池剩余电量估计方法,包括如下步骤：1)采用EKF算法，获得各状态变量在当前时刻的估计值，该各状态变量包括电池剩余电量、第一RC环节端电压和第二RC环节端电压。EKF算法的状态空间表达式为以下形式：τ1＝rp1·cp1；τ2＝rp2·cp2；其中k表示当前时刻，k-1表示上一时刻；SOC表示电池剩余电量；Up1和Up2分别本文档来自技高网...

【技术保护点】
1.基于阈值扩展卡尔曼算法的蓄电池剩余电量估计方法,其特征在于，包括如下步骤：1)采用EKF算法，获得各状态变量在当前时刻的估计值，该各状态变量包括电池剩余电量、第一RC环节端电压和第二RC环节端电压；2)结合短期历史电流数据设置状态方程中该各状态变量的阈值，并判断各状态变量的估计值是否超出各自阈值范围，若是，则将对应的状态变量限制在阈值范围内。

【技术特征摘要】
1.基于阈值扩展卡尔曼算法的蓄电池剩余电量估计方法,其特征在于，包括如下步骤：1)采用EKF算法，获得各状态变量在当前时刻的估计值，该各状态变量包括电池剩余电量、第一RC环节端电压和第二RC环节端电压；2)结合短期历史电流数据设置状态方程中该各状态变量的阈值，并判断各状态变量的估计值是否超出各自阈值范围，若是，则将对应的状态变量限制在阈值范围内。2.如权利要求1所述的基于阈值扩展卡尔曼算法的蓄电池剩余电量估计方法,其特征在于，所述EKF算法的状态空间表达式为以下形式：τ1＝rp1·cp1；τ2＝rp2·cp2；其中k表示当前时刻，k-1表示上一时刻；SOC表示电池剩余电量；Up1和Up2分别表示第一RC环节端电压和第二RC环节端电压；rp1和rp2分别表示电化学极化电阻和浓差极化内阻；cp1和cp2分别表示电化学极化电容和浓差极化电容；τ1和τ2分别表示第一RC环节和第二RC环节的时间常数；ro表示欧姆内阻；I表示充放电电流；Uo表示电池端电压；Vocv代表电池平衡电动势；QN表示电池额定容量；η表示充放电效率；v和w分别表示状态噪声和观测噪声；T表示采样周期。3.如权利要求2所述的基于阈值扩展卡尔曼算法的蓄电池剩余电量估计方法,其特征在于，定义如下矩阵：其中xk＝[soc(k)Up1(k)Up2(k)]T，为k时刻的系统状态变量；f与h分别为状态空间表达式中的状态方程与观测方程；u为矩阵的激励量，在此为测量电流，所述采用EKF算法，获得各状态变量在当前时刻的估计值，包括如下步骤：1.1)初始化k＝0，设置Q,R，其中E[x0]＝[E[soc(0)]E[Up1(0)]E[Up2(0)]，为所述状态变量的初始估计值；Q和R分别为状态噪声w和观测噪声v的方差矩阵；为状态估计的误差矩阵的初始值；1.2)对k＝k+1时刻的状态进行先验估计：状态变量:方差矩阵:其中Pk-为状态和方差的先验估计，uk＝Ik，为k时刻的电流，1.3)对k＝k+1时刻的状态进行后验估计：计算新息：卡尔曼增益更新:状态变量更新:方差矩阵更新:Pk+为后验估计；其中yk＝Uo(k)，为k时刻的电池端电压，ek为观测值与观测值的先验估计的误差，K...

【专利技术属性】
技术研发人员：何良宗，郭栋，
申请(专利权)人：厦门大学，
类型：发明
国别省市：福建,35