一种锂电池SOC预测方法技术

本发明专利技术涉及一种锂电池SOC预测方法，包括：建立锂电池混合电化学模型；对锂电池进行充放电测试，获取包括电池充放电电压、电流以及温度在内的实验数据；采用遗忘因子最小二乘法进行辨识对锂电池混合电化学模型中的参数进行在线辨识，得到锂电池的电压预测值；根据电压预测均方根误差值设置算法转换阈值电压U

A SOC prediction method for lithium batteries

The invention relates to a method, including: the establishment of SOC lithium battery lithium battery hybrid electrochemical model; charge discharge test to obtain experimental data including lithium battery, battery charge and discharge voltage, current and temperature,; using forgetting factor least squares method for online identification of the parameters of lithium battery hybrid electrochemical model of voltage. The predictive value of lithium battery according to the voltage; the root mean square prediction error value set conversion algorithm of threshold voltage U

【技术实现步骤摘要】
一种锂电池SOC预测方法
本专利技术属于电池能源管理系统领域，涉及到电池能量管理系统以及锂电池荷电状态估计以及锂电池电池模型参数辨识。
技术介绍
锂电池以其高能量密度和高比功率广泛应用在电动汽车电池系统中，电池的性能决定着电动汽车系统的安全性、可靠性以及效率。电池管理系统(BMS)需要提供精确的电池状态信息以供参考。电池荷电状态(SOC)是电池管理系统的核心，只有精确的锂电池SOC预测才可以准确预测电池的剩余电量，同时确定有效的电池管理策略，从而避免电池的过充电和过放电损坏电池，延长电池的使用寿命。然而SOC不能够直接测量到，必须通过可测量的电压、电流和温度等的参数来预测，SOC预测的准确性对电池的使用效率、使用寿命以及安全性有着决定性影响。
技术实现思路
本专利技术的目的是提供一种高精度、快收敛速度以及低计算复杂度的锂电池SOC预测方法。采用本专利技术的预测方法，能够在实时运行环境下提高锂电池的估计精度，提高电池管理系统的安全性和可靠性。技术方案如下：一种锂电池SOC预测方法，包括下列步骤：(1)建立锂电池混合电化学模型，电池模型的状态方程为：观测方程为：式中，SOC(t)为t时刻的瞬时SOC预测值，SOC(0)为初始SOC值，i(t)为t时刻的瞬时电流，η为能量转换效率，Qc为锂电池电荷量，U(t)为t时刻端电压值，K0、K1、K2、K3、K4为锂电池混合电化学模型待辨识参数，R0为锂电池欧姆内阻；(2)对锂电池进行充放电测试，获取包括电池充放电电压、电流以及温度在内的实验数据；(3)采用遗忘因子最小二乘法进行辨识对锂电池混合电化学模型中的参数进行在线辨识，得到锂电池的电压预测值；(4)根据电压预测均方根误差值设置算法转换阈值电压Uth，联合采用无迹卡尔曼滤波和粒子滤波算法，方法如下：计算实际电压测量值和电压预测值的差值Err(t)＝|Z(t)-U(t)|，其中：U(t)为t时刻电压测量值，Z(t)为t时刻电压预测值；判断Err(t)是否大于算法转换阈值电压Uth，若Err(t)>Uth，则调用粒子滤波算法进行预测；否则，则调用无迹卡尔曼滤波算法进行预测。本专利技术的有益效果如下：1.本专利技术采用的混合算法结构能够避免粒子滤波的高计算复杂度以及无迹卡尔曼滤波算法的低收敛速度，能够同时拥有高精度、低计算复杂度以及快收敛速度。2.电池模型利用遗忘因子最小二乘法进行在线辨识，模型的精度高，能够充分体现锂电池的动态特性。附图说明图1：DST测试电流波形。图2：参数K0，K1，K2，K3和K4辨识结果。图3：参数R0辨识结果。图4：模型辨识电压和测量电压。图5：单个FUDS测试电流波形。图6：实验过程中电流测试波形。图7：实验过程中电压测量值。图8：实验过程中SOC值变化。图9：测量电压和预测电压对比。图10：电压预测误差。图11：初始值为100％时SOC预测效果对比图。图12：初始值为100％时SOC预测误差对比图。图13：初始值为10％时SOC预测效果对比图。图14：初始值为10％时SOC预测误差图。具体实施方式本专利技术在混合电化学模型的基础上，提出使用遗忘因子最小二乘法(FFLS)对锂电池电化学混合模型参数实现在线辨识，提高锂电池模型精度。同时提出了一种锂电池混合算法的预测模型，能够实现锂电池SOC预测的高精度以及快收敛速度，同时降低了运行过程中的计算复杂度。所采用的技术方案为：1.算法模型依赖于电池模型，电池模型的精度严重影响着SOC预测精度，因此首先建立锂电池混合电化学模型，电池模型的状态方程为：观测方程为：式中SOC(t)为t时刻的瞬时SOC预测值，SOC(0)为初始SOC值，i(t)为t时刻的瞬时电流，η为能量转换效率，Qc为锂电池电荷量，U(t)为t时刻端电压值，K0、K1、K2、K3、K4为混合模型待辨识参数，R0为锂电池欧姆内阻。2.采用USABC电池测试标准对电池进行充放电测试，获取电池充放电电压、电流以及温度等实验数据。3.对电池模型中的参数进行在线辨识，采用遗忘因子最小二乘法进行辨识。遗忘因子最小二乘法的计算公式如下：θ(t+1)＝θ(t)+K(t+1)[Z(t+1)-U(t+1)θ(t)]K(t+1)＝P(t+1)U(t+1)[λ+U'(t+1)P(t)U(t+1)]-1式中θ(t)是第t次参数估计值，U(t+1)θ(t)是对本次观测值的预测，Z(t+1)是t+1次实际观测值，K(t+1)为增益项，P(t+1)为预测协方差矩阵。λ为遗忘因子，λ越小，算法跟踪能力越强，波动越大。4.利用Matlab软件编写混合锂电池SOC预测算法，算法综合了无迹卡尔曼滤波以及粒子滤波，以实际电压测量值和电压预测值的差值作为算法转换判断条件。Err(t)＝|Z(t)-U(t)|其中：U(t)为t时刻电压测量值，Z(t)为t时刻电压预测值。判断预测过程误差Err(t)是否大于误差阈值。若Err(t)>Uth，则调用粒子滤波算法部分进行预测；若Err(t)<Uth，则调用无迹卡尔曼滤波算法部分进行预测。5.将混合算法的SOC预测结果、误差、收敛时间以及运行时间和扩展卡尔曼滤波、无迹卡尔曼滤波、粒子滤波预测结果对比，验证混合算法在精度和收敛速度以及计算复杂度方面具有明显的优势。本实施采用德国Digatron动力电池测试系统，DSS1K8E可编程电子负载，以及USB2812数据采集卡，用于采集锂电池端电压、充放电电流以及温度等数据。利用MATLAB软件编写遗忘因子最小二乘法程序在线辨识锂电池参数，同时编写混合算法程序，用其预测锂电池SOC值。将预测结果与扩展卡尔曼、无迹卡尔曼以及粒子滤波预测结果对比，分析算法效果。具体实施步骤如下：1.采用USABC电池测试标准中的DST测试电流对电池充放电，利用USB2812采集电池端电压和电流以及温度等数据，电流波形如图1所示。2.分析混合电化学模型，模型方程如下：其中U(t)为t时刻模型端电压，SOC(t)为t时刻SOC预测值，i(t)为t时刻电流。K0，K1，K2，K3，K4以及R0是待辨识参数。3.利用MATLAB软件编写遗忘因子最小二乘法辨识算法，对混合电化学模型参数进行在线辨识。模型方程可以改写为：E(t)＝C(t)X(t)(2)式中：X(t)＝[K0,K1,K2,K3,K4,R0]T(4)遗忘因子递推最小二乘法的计算公式如式(5)～(7)所示：θ(t+1)＝θ(t)+K(t+1)[Z(t+1)-U(t+1)θ(t)](5)K(t+1)＝P(t+1)U(t+1)[λ+U'(t+1)P(t)U(t+1)]-1(6)式中θ(t)是第t次参数预测值，U(t+1)θ(t)是对本次观测值的预测，Z(t+1)是t+1次实际观测值，K(t+1)为增益项，P(t+1)为预测协方差矩阵。λ为遗忘因子，λ越小，算法跟踪能力越强，波动越大。K0，K1，K2，K3，K4参数辨识结果如图2所示，R0参数辨识结果如图3所示。模型辨识电压及测量电压如图4所示，经计算模型电压均方根误差为0.0661V。4.实验采用FUDS测试条件对电池进行充放电控制，利用数据采集卡采集充放电过程电池端电压和电流等数据。实验过程中测量电压如图7所示，电流数据如图6所示，SOC真实计算值如图8所示。5.本文档来自技高网...

【技术保护点】
一种锂电池SOC预测方法，包括下列步骤：(1)建立锂电池混合电化学模型，电池模型的状态方程为：

【技术特征摘要】
1.一种锂电池SOC预测方法，包括下列步骤：(1)建立锂电池混合电化学模型，电池模型的状态方程为：观测方程为：式中，SOC(t)为t时刻的瞬时SOC预测值，SOC(0)为初始SOC值，i(t)为t时刻的瞬时电流，η为能量转换效率，Qc为锂电池电荷量，U(t)为t时刻端电压值，K0、K1、K2、K3、K4为锂电池混合电化学模型待辨识参数，R0为...

【专利技术属性】
技术研发人员：李斌，李桂丹，彭凯，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津,12