本发明专利技术公布了一种基于无迹卡尔曼滤波的并联型电池系统荷电状态估计方法，该并联型电池系统由N个电池单体并联而成。所述方法如下：建立基于电池荷电状态的并联型电池系统等效电路模型，结合电池荷电状态含义建立并联型电池系统空间状态方程，采用无迹卡尔曼滤波对并联型电池系统进行荷电状态估计，并通过在线检测电池系统输出电压与电压估计值进行比较来更新增益矩阵，以此循环递推来获取电池荷电状态估计值。本发明专利技术采用并联型电池系统荷电状态估计算法比扩展卡尔曼滤波算法更准确、鲁棒性更好，既可适用于并联型电池系统，也适用并联型电池模块或电池串。
【技术实现步骤摘要】
本专利技术属于智能电网中丽级电池储能系统设计与控制
，设及一种基于 无迹卡尔曼滤波的并联型电池系统荷电状态估计方法。
技术介绍
随着风电、光伏发电等可再生能源及电网智能化的大力发展，电池系统作为电 池储能系统能量存储的主要载体，已越来越多地受到世界各国的关注和应用。同时可 再生能源规模的不断扩大及用电负荷的快速增长，也将促使电池系统向大容量化（MW 级）方向发展，通过多个电池单体的并联可实现电池容量的扩大，即并联型电池系统 (Paralle^connectedBatte巧Syste化PB巧。然而，由于应用环境的复杂性（如秒级波动 功率平滑、一次高频等高动态场合）及电池电量不能直接测量等因素，准确估计电池系统 荷电状态（Stateof化arge，S0C)不仅直接决定电池系统能否安全、可靠、高效运行，且对 电池系统优化配置、设计与控制等至关重要。 传统的S0C估计算法主要有：安时法、阻抗法、开路电压法等，近年来相继出现了 神经网络、模糊逻辑法、支持向量机及标准卡尔曼滤波法、EKF等高级算法。安时法因其算法 简单、易行等优点，已得到广泛应用，但存在自身开环、误差时间积累等缺点，其精度受限； 开路电压法适合稳态下S0C估计，不宜于在线估计；神经网络、模糊逻辑等高级算法适宜于 恒负载、恒流充放电状态下不同类型电池S0C估计，但存在训练数据量大、训练方法对估计 误差影响大的局限；标准卡尔曼滤波法具有鲁棒性高、抗扰动能力强等优点，适宜于线性系 统的S0C估计，然而电池系统是一种非线性时变系统，其精度仍受限；为此，针对非线性时 变的电池系统，目前常采用EKF，并取得良好的效果，然而由于EKF存在自身计算复杂、忽略 高阶项等问题，必会产生一定误差，使电池的S0C估计精度仍待进一步研究。
技术实现思路
本专利技术解决的问题是在于提供一种基于无迹卡尔曼滤波扣nscentedKalman Filter,UK巧的并联型电池系统荷电状态估计方法，解决并联型电池系统性能参数受SOC 影响、扩展卡尔曼滤波法计算复杂、精度不高而导致电池系统S0C难W被准确测量、估算的 问题，达到准确估计并联型电池系统S0C的目的。 本专利技术目的是通过W下技术方案来实现： 本专利技术提供一种并联型电池系统，该系统由N个电池单体并联而成，其中N均为大 于1的自然数。 -种如下：根据已知裡 离子电池单体性能参数，利用并联电路工作特性及其充放电工作特性确定并联型电池系统 性能参数与电池单体性能参数的关系，再结合基尔霍夫定律KVC确定电池系统输出端电压 方程，建立并联型电池系统等效模型（1);将并联型电池系统的荷电状态S0C及等效模型中 2个RC并联电路的端电压作为状态变量，W电池系统的电流及输出电压分别作为系统输入 量与输出量，结合并联型电池系统等效电路模型，得并联型电池系统空间状态方程（2);将 并联型电池系统空间状态方程（2)中的电池系统S0C、2个RC并联电路的端电压作为无迹 卡尔曼滤波算法UKF的状态变量；W并联型电池系统空间状态方程（2)的输入状态空间方 程、输出电压状态空间方程分别作为UKF算法的非线性状态方程及测量方程；通过电压传 感器测量并联型电池系统端电压（4)的实际值与UKF算法获得的电池端电压估计值来更新 增益矩阵巧），最后由UKF算法经循环迭代，从而实时得到电池系统SOC的估计值。[000引所述并联型电池系统等效电路模型（1)为二阶等效电路模型，模型主电路由2个RC并联电路、受控电压源Uw(SOC)及电池内阻Rb等组成。建立准确的电池系统等效电路模 型关键在于如何根据电池工作特性来确定电池系统性能参数与电池单体性能参数的关系。 本专利技术中并联型电池系统性能参数与电池单体性能参数关系式为： 式中，3。5、1^〔。,八。1分别表示电池系统模型中2个贿并联电路的电阻和电容；下 标i表示第i个电池单体；Uw、Ri分别表示电池单体的开路电压、内阻；3^、而1、(：^、(：11分别 表示电池单体模型中2个RC并联电路的电阻和电容；1；1。、而、而,、而1、(：1,、(：。均与80(：有关， S0C的定义为；庚中，S0C。为电池单体S0C初始值，一般 为0~1的常数；Qu(t)为电池单体不可用容量，Q。为电池单体额定容量。Uw(SOC)、Ru、Rii和Cu、Cii、Ri的计算分别如下：d。~d2、e。~e2、f。~f2、b。~b韵为模型系数，可由电池测量数据经拟合而得。 所述并联型电池系统空间状态方程（2)的建立如下：a、W电池系统的荷电状态 SOCp及等效模型中2个RC并联电路的端电压作为状态变量，w电池系统的电流I p为系统 输入量，根据等效电路模型建立电池系统空间状态方程为 [001引式中，Up,、Upi为2个RC并联电路端电压，Rp,、Rpi为2个RC并联电路的电阻，Qw为 电池系统额定电量，Tl、T,为时间常数，Wk为系统观过程噪声，At为采样周期，k为大于1 的自然数；b、根据基尔霍夫电压定律，结合电池系统等效电路模型，可得电池系统输出电压 方程空间状态方程为：式中，Up为电池系统端电压，RP为电池系统内阻。所述无迹卡尔曼滤波算法UKF的主要步骤为：1)初始化状态变量X均值 EQ和均方误差P。：； 2)获取采样 点及对应权重獄，? 式中，A=a2(n+h)-n;3)状态估计及均方误差的时间 更新：状态估计时间更新巧均方误差时 间更新为系统输出时间更新 为式中，gk1(0为测量方程；4)计算增益矩阵巧）：5)状态估 计及均方误差的测量更新：状态估计测量更新为均方误差 测量更新为 与采用扩展卡尔曼滤波算法EKF进行并联型电池系统S0C估计相比，本专利技术具有 W下有益的技术效果：一是整个放电过程，本专利技术所采用的UKF算法比EKF算法进行并联型 电池系统S0C估计时UKF估计精度更高，尤其是放电初期和末期效果更明显；二是所采用的 UKF算法比EKF算法能更快收敛于实验数据，鲁棒性更好。【附图说明】 图1为并联型电池系统结构示意图；图2为含2个电池单体的并联型电池系统结构示意图； 图3为含2个RC并联电路的并联型电池系统等效电路模型图； 图4为无迹卡尔曼滤波算法流程图； 图5-1~图5-4为S0C。不同时电池恒流放电特性，其中图5-1为S0Ce= 1时S0C 变化情况，图5-2为S0Ce= 1时电池系统端电压变化情况，图5-3为S0C。= 0. 8时S0C变 化情况，图5-4为S0Ce= 0. 8时电池系统端电压变化情况； 图6-1~图6-4为S0C。不同时电池脉冲放电特性，其中图6-1为S0Cd= 1时S0C 变化情况，图6-2为S0Ce= 1时电池系统端电压变化情况，图6-3为S0C。= 0. 8时S0C变 化情况，图6-4为S0Ce= 0. 8时电池系统端电压变化情况。【具体实施方式】 下面结合具体的实例对本专利技术作进一步的详细说明，所述为对本专利技术的解释而不 是限定。1、并联型电池系统及其等效电路模型 1.1并联型电池系统并联型电池系统是由由N个电池单体并联而成，其结构图如图1所示。为便于分 析，本实例中假设并联型电池系统由2个电池单体经并联而成，即1X2并联型电池系统，如 图2所示。并联型电池系统中每个电池单体的额定电压为本文档来自技高网...
【技术保护点】
本专利技术公布了一种基于无迹卡尔曼滤波的并联型电池系统荷电状态估计方法，其特征在于所述的并联型电池系统是由N个电池单体并联而成，其中N均为大于1的自然数。所述方法包括以下步骤：根据已知锂离子电池单体性能参数，利用并联电路工作特性及其充放电工作特性确定并联型电池系统性能参数与电池单体性能参数的关系，再结合基尔霍夫定律KVC确定电池系统输出端电压方程，建立并联型电池系统等效模型(1)。将并联型电池系统的荷电状态SOC及等效模型中2个RC并联电路的端电压作为状态变量，以电池系统的电流及输出电压分别作为系统输入量与输出量，结合并联型电池系统等效电路模型，得并联型电池系统空间状态方程(2)。将并联型电池系统空间状态方程(2)中的电池系统SOC、2个RC并联电路的端电压作为无迹卡尔曼滤波算法UKF的状态变量；并联型电池系统空间状态方程(2)的输入状态空间方程、输出电压状态空间方程分别作为UKF算法的非线性状态方程及测量方程；通过电压传感器测量并联型电池系统端电压(4)的实际值与UKF算法获得的电池端电压估计值来更新增益矩阵(5)，最后由UKF算法经循环迭代，从而实时得到并联型电池系统SOC的估计值。...
【技术特征摘要】
【专利技术属性】
技术研发人员：彭思敏，沈翠凤，胡国文，姚志垒，薛迎成，张兰红，
申请(专利权)人：盐城工学院，
类型：发明
国别省市：江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。