一种动力电池的峰值功率预测方法技术

一种动力电池的峰值功率预测方法，涉及动力电池的峰值功率预测技术。本发明专利技术是为了提高动力电池的峰值功率预测的准确性。本发明专利技术的方法包括两部分：A基于简化的电化学阻抗谱等效电路模型和分数阶联合卡尔曼滤波的参数在线估计、B基于零状态响应和零输入响应分解的电池峰值功率预测方法。本发明专利技术选用了包含分数阶元件的简化阻抗谱模型作为电池峰值功率预测的参考模型，因此本发明专利技术提出的基于此模型的动力电池峰值功率预测方法不仅可以准确的预测电池的短时峰值输出功率，也可以准确预测电池在较长时间段内的峰值功率输出能力。本发明专利技术适用于电动汽车在线峰值功率预测。

【技术实现步骤摘要】
一种动力电池的峰值功率预测方法
本专利技术涉及动力电池的峰值功率预测技术。
技术介绍
国内专利中公开的有关电池峰值功率预测方法的内容较少，国内外的论文期刊中有一些动力电池峰值功率预测的方法。这些方法大都采用电池的一阶RC等效电路模型，以SOC、端电压、电流作为峰值功率预测的限制条件，早期的功率预测方法采用离线电池模型参数数据完成对电池输出/回馈峰值功率的预测，但是电池随着老化或者温度、工况等环境的变化，模型参数也会随之改变，因此，基于离线模型参数数据的功率估计方法可靠性较差；最新的发表的论文中，电池模型参数数据由参数估计方法在线得到，可以有效提高估算的准确性，但是由于一阶RC模型自身的误差较大，功率预测只能局限在较短的时间内是有效的。为了减少状态方程在用于功率预测时的离散化误差，论文中采用较小的离散化时间间隔(如取时间间隔为1s或者0.1s)，通过递推计算的方法，得到电池在当前时刻之后10s处的峰值功率预测值或者60s处的预测值，这种方法的缺点是存在大量的递推计算，实时性差。另外这种方法也无法改善由于模型自己误差造成的功率估计不准确的问题。
技术实现思路
本专利技术是为了提高动力电池的峰值功率预测的可靠性，减少计算量，从而提供一种动力电池的峰值功率预测方法。一种动力电池的峰值功率预测方法，它由以下步骤实现：步骤A、电池模型参数在线估计的步骤，具体为：步骤A1、在对二次电池建模时，由于电动汽车运行工况频率特性，因此电池电化学阻抗谱模型中的中频率的阻抗特性可以由常用的纯阻性元件R和常相位元件Q并联电路简化为纯阻性元件R来描述，得到简化后的电池电化学阻抗谱等效电路模型；该简化后的电化学阻抗谱等效电路模型包括开路电压OCVe、欧姆内阻Ro和韦伯阻抗ZW；步骤A2、根据步骤A1获得的简化后的电化学阻抗谱等效电路模型建立分数阶卡尔曼滤波器所需的状态方程与观测方程，具体为：取流经二次电池的总电流IL在放电时为正值，数据采样周期为1s；其中△r为微分算子，r为微分阶数，当r为小数时，△r表示分数阶微分算子，当r为整数时，△r为整数微分算子；取分数阶元件ZW是两端电压为UW的状态量，有：对于电池模型参数，扩散参数XW、开路电压OCVe和欧姆内阻Ro随着电池荷电状态(SOC)的变化是缓慢的，因此：将上述四个方程改写为矩阵形式，获得分数阶联合卡尔曼滤波器的状态方程：取UL为系统的观测量，则有：UL＝OCVe-ILRo-UWIL表示与流经电池的总电流；取：y＝UL获得分数阶联合卡尔曼滤波器的观测方程：该方程离散化后，有：其中，w，v分别表示系统的状态噪声和观测噪声；根据分数阶微分的级数定义(又称为Grünwald-Letnikov分数阶微分定义)：其中，另取：由上式得到分数阶微分方程的离散化递推表达形式：定义：根据分数阶微分的级数定义式，其中：的计算量将随着时间的增加而不断增大，这种情况不适合工程应用，为此，将上式改写为下面的形式：步骤A3、利用步骤A2构建的分数阶卡尔曼滤波器所需的状态方程与观测方程，对状态、参数及协方差矩阵按照分数阶联合卡尔曼滤波算法进行时间更新和测量更新：具体为：初始化：其中，E[x]表示x的数学期望，在方法计算时为经验预设值，表示x在初始时刻(k＝0)的估计值，表示x在初始时刻(k＝0)的噪声协方差的估计值；状态、参数及协方差矩阵的时间更新：其中，Qk是噪声wk的协方差，为k时刻状态和模型参数xk的预测值，为k-1时刻状态和模型参数xk-1的修正值，为k时刻x的噪声协方差矩阵Pk的预测值，为k-1时刻x的噪声协方差矩阵Pk-1的修正值；状态、参数及协方差矩阵的测量更新：其中，Rk是噪声vk的协方差，Lk是k时刻卡尔曼滤波器增益大小；步骤A4、采集电池的端电压UL和流经二次电池的总电流IL，利用步骤A1获得的简化后的电化学阻抗谱等效电路模型和步骤A3更新后的分数阶卡尔曼滤波器所需的状态方程与观测方程，得到开路电压OCVe、欧姆内阻Ro、扩散参数XW的估计值，将获得的开路电压OCVe、欧姆内阻Ro、扩散参数XW的估计值作为的电池的估计结果，完成基于分数阶联合卡尔曼滤波的二次电池简化阻抗谱模型参数在线估计；步骤B、根据步骤A获得的电池模型参数在线估计结果，进行功率预测的步骤：步骤B1、推导分数阶元件的韦伯阻抗ZW是否为线性时不变元件：设分数阶元件的两端电压UW的初始值为0，当施加一个幅值为IL的阶跃电流激励时，分数阶元件的两端电压UW在Ns后的电压响应情况计算如下，N为正数：设电池模型的开路电压OCVe、欧姆内阻Ro、扩散参数XW在功率预测过程中数值大小是不变的；则UW在k＝1s时的电压响应为：其中，符号^代表预测值；UW在k≥2时的电压响应为：计算得：计算后得：由此递推得到10s和60s处的电压响应为：由此，当电池模型参数XW不变或者缓慢变化时，输出值UW与IL为线性关系，推断分数阶元件ZW为线性时不变元件；则，分数阶元件的功率预测方法为：为了预测分数阶元件在k+ΔTs处的电压响应将该电压响应分为零状态响应和零输入响应其中零状态响应为：对于k+10s时刻，a＝3.524；对于k+60s时刻，a＝8.722；零输入响应由k时刻之前的数据决定，取分数阶微分的时间记忆长度L＝60；k+1时刻的零输入响应为：由此递推可得到k+ΔT时刻分数阶元件处零输入电压响应：其中，是电池模型分数阶元件ZW两端端电压在(k+1-L)～k时刻之间的估计值，当预测k+10时刻时，b＝α，α为一组常系数矩阵；当预测k+60时刻时，b＝β，β为另外一组常系数矩阵；由此，可得到电池恒流放电电流为Imax时的电池在k+ΔT时刻的端电压预测值：放电峰值功率预测的方法为：若电池荷电状态(SoC或SOC)是电池极限工作状态的限制条件，SoCmin是电池放电终止荷电状态的最小值，则得到此时的最大放电电流值：Capacity为电池容量值，单位为安培*小时(Ah)，SoCk为k时刻的电池荷电状态，SoCmin为电池放电限定的最小荷电状态，如某混合动力汽车动力电池采用的最小荷电状态为SoCmin＝30％；若电池端电压UL为电池极限工作状态的限制条件，若此时以最大放电电流Imax对电池放电，电池模型参数OCVe在k+△T时刻的预测值为：上式中，为通过分数阶联合卡尔曼滤波算法计算得到的电池模型参数OCVe在k时刻的估计值，为OCVe在k+△T时刻的预测值；Imax是在端电压作为电池极限工作状态限制条件时的最大放电电流值，是待求解值，是电池的最大放电电流；OCVk是在k时刻的电池开路电压值，可由OCV(SoC)预定义函数推算得到，通常认为OCV与SoC有明确的对应关系；OCV与SoC的预定义函数的函数关系可由电池手册或试验得到；为电池在k+△T时刻，假定以恒流放电时对应的电池开路电压值，同样可由OCV(SoC)预定义函数推算得到；由于多数情况下，OCV的变化都较小并且缓慢，因此可认为在△T时段内的开路电压变化量与放电电流成线性关系；进而推算，假设电池在放电电流为Imax时，电池端电压的推算值UL,k+△T：其中，端电压的推算值是k时刻开路电压估计值、△T时段内开路电压变化值、欧姆内阻电压差、分数阶元件ZW的零状态响应电压值、零输入响应电压值之和；由此推出，当本文档来自技高网...

【技术保护点】
一种动力电池的峰值功率预测方法，其特征是：它由以下步骤实现：步骤A、电池模型参数在线估计的步骤，具体为：步骤A1、在对二次电池建模时，由于电动汽车运行工况频率特性，因此电池电化学阻抗谱模型中的中频率的阻抗特性由常用的纯阻性元件R和常相位元件Q并联电路简化为纯阻性元件R来描述，得到简化后的电池电化学阻抗谱等效电路模型；该简化后的电化学阻抗谱等效电路模型包括开路电压OCVe、欧姆内阻Ro和韦伯阻抗ZW；步骤A2、根据步骤A1获得的简化后的电化学阻抗谱等效电路模型建立分数阶卡尔曼滤波器所需的状态方程与观测方程，具体为：取流经二次电池的总电流IL在放电时为正值，数据采样周期为1s；Δr=drdtr,r>0]]>其中△r为微分算子，r为微分阶数，当r为小数时，△r表示分数阶微分算子，当r为整数时，△r为整数微分算子；取分数阶元件ZW是两端电压为UW的状态量，有：Δ0.5UW=1WIL=XWIL]]>对于电池模型参数，扩散参数XW、开路电压OCVe和欧姆内阻Ro随着电池荷电状态(SOC)的变化是缓慢的，因此：Δ1XW≈0Δ1OCVe≈0Δ1Ro≈0]]>将上述四个方程改写为矩阵形式，获得分数阶联合卡尔曼滤波器的状态方程：Δ0.5111UWXWOCVeRo=0IL00000000000000UWXWOCVeRo;]]>取UL为系统的观测量，则有：UL＝OCVe‑ILRo‑UWIL表示与流经电池的总电流；取：x=UWXWOCVeRo,N=0.5111,y=UL]]>获得分数阶联合卡尔曼滤波器的观测方程：ΔNx=0IL00000000000000xy=-101-ILx]]>该方程离散化后，有：ΔNxk=0IL,k-100000000000000xk-1+wyk=-101-IL,kxk+v]]>其中，w，v分别表示系统的状态噪声和观测噪声；根据分数阶微分的级数定义(又称为Grünwald‑Letnikov分数阶微分定义)：ΔNxk+1=Σj=0k(-1)jNjxk-j]]>其中，Nj=diag[0.5j1j1j1j],]]>rj=1forj=0r(r-1)...(r-j+1)/j!forj>0,]]>另取：γj=Nj,]]>由上式得到分数阶微分方程的离散化递推表达形式：定义：Ak-1=∂f(xk-1,IL,k-1)∂xk-1|xk-1=x^k-1+=0IL,k-100000000000000,]]>Ck=∂g(xk,IL,k)∂xk|xk=x^k-=-101-IL,k]]>根据分数阶微分的级数定义式，其中：的计算量将随着时间的增加而不断增大，这种情况不适合工程应用，为此，将上式改写为下面的形式：Σj=1k(-1)jγjxk+1-j=Σj=1L(-1)jγjxk+1-j,k≤64,L=kk>64,L=64]]>步骤A3、利用步骤A2构建的分数阶卡尔曼滤波器所需的状态方程与观测方程，对状态、参数及协方差矩阵按照分数阶联合卡尔曼滤波算法进行时间更新和测量更新：具体为：初始化：x^0=E[x],P0+=E[(x-x^0)(x-x^0)T]]]>其中，E[x]表示x的数学期望，在方法计算时为经验预设值，表示x在初始时刻(k＝0)的估计值，表示x在初始时刻(k＝0)的噪声协方差的估计值；状态、参数及协方差矩阵的时间更新：x^k-=f(x^k-1+,IL,k-1)]]>Pk-=(Ak-1+γ1)Pk-1+(Ak-1+γ1)T+Q+Σj=2LγjPk-j+γjT]]>其中，Qk是噪声wk的协方差，为k时刻状态和模型参数xk的预测值，为k‑1时刻状态和模型参数xk‑1的修正值，为k时刻x的噪声协方差矩阵Pk的预测值，为k‑1时刻x的噪声协方差矩阵Pk‑1的修正值；状态、参数及协方差矩阵的测量更新：Lk=Pk-(Ck)T[CkPk-(Ck)T+Rk]-1]]>x^k+=x^k-+Lkx[yk-g(x^k-,IL,k)]]]>Pk+=(I-LkCk)Pk-]]>其中，Rk是噪声vk的协方差，Lk是k时刻卡尔曼滤波器增益大小；步骤A4、采集电池的端电压UL和流经二次电池的总电流IL，利用步骤A1获得的简化后的电化学阻抗谱等效电路模型和步骤A3更新后的分数阶卡尔曼滤波器所需的状态方程与观测方程，得到开路电压OCVe、欧姆内阻Ro、扩散参数XW的估计值，将获得的开路电压OCVe、欧姆内阻Ro、扩散参数XW的估计值作为的电池的估计结果，完成基于分...

【技术特征摘要】
1.一种动力电池的峰值功率预测方法，其特征是：它由以下步骤实现：步骤A、电池模型参数在线估计的步骤，具体为：步骤A1、在对二次电池建模时，由于电动汽车运行工况频率特性，因此电池电化学阻抗谱等效电路模型中的中频率的阻抗特性由常用的纯阻性元件R和常相位元件Q并联电路简化为纯阻性元件R来描述，得到简化后的电池电化学阻抗谱等效电路模型；该简化后的电池电化学阻抗谱等效电路模型包括开路电压OCVe、欧姆内阻Ro和分数阶元件ZW；开路电压OCVe的正极与欧姆内阻Ro的一端连接；所述欧姆内阻Ro的另一端与分数阶元件ZW的一端连接；开路电压OCVe的负极和分数阶元件ZW的另一端作为电池电压UL的两端；步骤A2、根据步骤A1获得的简化后的电池电化学阻抗谱等效电路模型建立分数阶联合卡尔曼滤波器所需的状态方程与观测方程，具体为：取流经二次电池的总电流IL在放电时为正值，数据采样周期为1s；其中Δr为微分算子，r为微分阶数，当r为小数时，Δr表示分数阶微分算子，当r为整数时，Δr为整数微分算子；取分数阶元件ZW是两端电压为UW的状态量，有：对于电池模型参数，扩散参数XW、开路电压OCVe和欧姆内阻Ro随着电池荷电状态SoC的变化是缓慢的，因此：将：改写为矩阵形式，获得分数阶联合卡尔曼滤波器的状态方程：取UL为系统的观测量，则有：UL＝OCVe-ILRo-UWIL表示与流经电池的总电流；取：y＝UL获得分数阶联合卡尔曼滤波器的观测方程：该分数阶联合卡尔曼滤波器的观测方程离散化后，有：其中，w，v分别表示系统的状态噪声和观测噪声；根据分数阶微分的级数定义：其中，另取：由上式得到分数阶微分方程的离散化递推表达形式：定义：根据分数阶微分的级数定义式，其中：的计算量将随着时间的增加而不断增大，这种情况不适合工程应用，为此，将上式改写为下面的形式：步骤A3、利用步骤A2构建的分数阶联合卡尔曼滤波器所需的状态方程与观测方程，对状态、参数及协方差矩阵按照分数阶联合卡尔曼滤波算法进行时间更新和测量更新：具体为：初始化：其中，E[x]表示x的数学期望，在方法计算时为经验预设值，表示x在初始时刻的估计值，表示x在初始时刻的噪声协方差的估计值；状态、参数及协方差矩阵的时间更新：其中，Qk是噪声wk的协方差，为k时刻状态和模型参数xk的预测值，为k-1时刻状态和模型参数xk-1的修正值，为k时刻x的噪声协方差矩阵Pk的预测值，为k-1时刻x的噪声协方差矩阵Pk-1的修正值；状态、参数及协方差矩阵的测量更新：其中，Rk是噪声vk的协方差，Lk是k时刻卡尔曼滤波器增益大小；步骤A4、采集电池的端电压UL和流经二次电池的总电流IL，利用步骤A1获得的简化后的电池电化学阻抗谱等效电路模型和步骤A3更新后的分数阶联合卡尔曼滤波器所需的状态方程与观测方程，得到开路电压OCVe、欧姆内阻Ro、扩散参数XW的估计值，将获得的开路电压OCVe、欧姆内阻Ro、扩散参数XW的估计值作为的电池的估计结果，完成基于分数阶联合卡尔曼滤...

【专利技术属性】
技术研发人员：朱春波，李晓宇，魏国，裴磊，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：黑龙江;23