一种基于自适应模糊卡尔曼滤波的锂电池SOC估计方法技术

本发明专利技术公开了一种基于自适应模糊卡尔曼滤波的锂电池SOC估计方法，对于不同的锂电池，确定卡尔曼滤波离散状态空间模型后，利用自适应模糊卡尔曼滤波的方法估计SOC,其中以锂电池等效模型中的端电压的残差方差匹配度和残差均值作为模糊控制系统的输入，得到系统噪声方差和量测噪声方差的调整系数，从而对这两个方差经行调整。再把调整后的系统噪声方差和量测噪声方差代入到卡尔曼滤波算法中预估各时刻的SOC值。本发明专利技术可以精确的对动力锂电池荷点状态SOC经行估计，能解决现有估计方法存在的不能满足在线估计，累计误差大，发散，易受噪声影响等问题，估计精度高。

A SOC estimation method for lithium batteries based on adaptive fuzzy Calman filter

The invention discloses a lithium battery SOC estimation method based on adaptive fuzzy Calman filter, for different lithium battery, Calman filtering of discrete state space model, using the method of fuzzy adaptive Calman filtering estimation SOC, the residual variance of terminal voltage of lithium battery in the equivalent model of matching degree and residual mean as fuzzy control the input of the system, adjust the coefficient of the system noise variance and measurement noise variance, and on the two by adjusting the variance. Then the adjusted system noise variance and measurement noise variance are substituted into the Calman filtering algorithm to estimate the SOC value at each moment. The invention can accurately for power lithium battery charge state SOC the estimation, we can solve the existing estimation methods can not meet the on-line estimation of large cumulative error, divergence, easily affected by noise and other issues, the estimation precision is high.

【技术实现步骤摘要】
一种基于自适应模糊卡尔曼滤波的锂电池SOC估计方法
本专利技术涉及锂离子电池电荷预测
，尤其涉及一种基于自适应模糊卡尔曼滤波的锂电池SOC估计方法。
技术介绍
电动汽车作为未来主要的交通工具，对其启动、加速、爬坡等性能及续航里程具有一定的要求。而这些性能很大程度上取决于动力电池的性能。电池核电状态(SOC)是反映电池能量状态的重要参数。只有准确的估算电池SOC才能有效的提高动力汽车的利用率、优化驾驶，延长电池的使用寿命。而SOC是动力电池中隐含的状态量，难以直接测量和估算。影响SOC的因素主要有工作电压、电流、温度等，因而建立精确可靠的SOC估计方法才能获得准确的估计结果。SOC的估计方法有很多种，有安时法、开路电压法、扩展卡尔曼滤波法等。安时法是一种评估电池剩余容量的经典方法，优点是简单易用，但缺点是必须知道电池荷电状态的初值。开路电压法是根据OCV-SOC曲线查表从而得到SOC的值。开路电压法虽然可以精确的估计SOC值，但是此方法不能实现实时在线估计。扩展卡尔曼滤波法是一种高效率的递归滤波器，它能够从一系列不完全包含噪声的测量中，估计动态系统的状态。此方法的核心是由已建立的电池状态方程，根据电池工作时采集的电压值、电流值进行状态地推，得到SOC的实时估算值。然而，卡尔曼滤波需要预设噪声初值信息，不合适的噪声初值会是使估算结果不准确甚至发散。
技术实现思路
本专利技术目的就是为了弥补已有技术的缺陷，提供一种基于自适应模糊卡尔曼滤波的锂电池SOC估计方法。本专利技术是通过以下技术方案实现的：一种基于自适应模糊卡尔曼滤波的锂电池SOC估计方法，包括如下步骤：(1)建立电池一阶RC模型确定状态方程和观测方程，确定电池模型的卡尔曼滤波离散状态空间模型及状态变量和观测变量；(2)根据步骤(1)中确定的卡尔曼滤波离散状态空间模型计算该模型的状态估计更新值和噪声协方差矩阵的估计值；(3)以某一时刻的端电压残差均值和端电压残差匹配度为Sugeno型模糊推理系统的两个输入，输出系统噪声方差阵调整系数和量测噪声方差阵调整系数；(4)根据所得到的观测量端电压计算离散状态空间模型的离散状态协方差和卡尔曼增益矩阵，并提供状态变量估计值和滤波信息，计算状态变量的估计更新值；(5)根据步骤(3)中的调整系数计算出当前的系统噪声和量测噪声，并作为更新值进行状态误差先验值和卡尔曼增益矩阵的计算，从而实现模糊控制辅助卡尔曼滤波的地推计算，SOC估计值由每一步递推计算中的的状态估计更新值得出。所述步骤(1)中的电池一阶RC模型为：状态方程：观测方程：Vk＝F(SOCK)-R0Ik-uk+vk(17)R0指一阶RC模型中电池欧姆内阻，R1指极化内阻。uk指电池极化电压，Ik指流过电池的电流，C值电池一阶RC模型中极化电容的容量，CN为电池额定容量，η为库伦效率，Vk为电池端电压，Ek为电池开路电动势，Ek与SOCk存在着非线性关系，wk、vk分别为系统噪声和量测噪声；将方程(16)(17)离散化可得：其中的XK为k时刻的状态变量，YK为k时刻端电压的观测值，IK为k时刻的输入控制变量，ωk和Vk是互不相关的系统噪声，式(18)中：所述步骤(1)中，建立的电池一阶RC模型中需要辨识的参数为R0、R1、C、K0、K1,其中的R0、R1、C可以通过动力电池充放电采集电压、电流、温度数据，使用含有遗忘因子的地推最小二乘法在线辨识获得，其具体过程如下：S1:对式(16)(17)经行离散化处理得到模型差分方程：VK＝m0+m1VK-1+m2IK(19)式(19)中，m0,m1,m2为模型差分方程的待定系数，其值与模型中待辨识的参数成函数关系；S2：将式(19)写成的形式，其中：θ＝{m0,m1,m2}(21)S3：基于遗忘因子的递推最小二乘参数辨识方法的具体估计过程：确定最小二乘协方差P0和参数矩阵θ的初值；确定最小二乘增益矩阵KK:式中μ为最小二乘加权因子，hK为观测矩阵，根据随时间变化的最小二乘增益矩阵KK计算参数估计矩阵：式中yK为K时刻端电压的测量值，θK为θK-1在k-1时刻对K时刻的参数估计值；根据KK计算协方差矩阵的更新为：重复上述基于遗忘因子的递推最小二乘法的地推过程，直接辨识出m0,m1,m2的值，进而通过m0,m1,m2和R0、R1、C的函数关系得出R0、R1、C的值；S4:K0、K1由电池充、放电的实验数据拟合得出，具体的过程为：先给电池充满电，然后静置5个小时；以C/3恒流放电，放出电池容量的10％后停止放电，搁置5小时，测量电池的开路电压；重复上一过程，直至放电至截止电压；在以C/3恒流充电，充到电池容量的10％后停止充电，搁置5小时后，测量电池的开路电压；重复上一过程，直到充电电流小于C/20；其中，充、放电相应开路电压的测量值的平均值作为电池开路电压EK,由10％间隔0.1s到100％对应的EK值和关系式：EK＝K0+K1ln(SOC)，通过曲线拟合，求出K0,K1。所述步骤(3)中的确定模糊推理系统输入、输出值的方法，步骤如下：步骤A,确定模糊推理系统输入值的过程：计算电压残差：计算电压残差均值：计算电压残差理论方差：电压残差实际方差：计算电压残差的匹配度：Hk＝Mk-Nk(5)其中，VK为K时刻的端电压值，为K时刻的端电压的估计值，DK为K时刻的端电压残差值，rk为K时刻端电压残差的平均值，MK为K时刻断电压残差的方差，NK为K端电压残差的实际方差值，CK,AK为K时刻的系数矩阵,QK为K时刻的系统噪声方差，RK-1为K-1时刻的量测噪声方差，PK-1为K-1时刻的状态误差协方差，M，N为一段时间内统计次数，由式(1)(2)(3)(4)(5)可得到rK和HK，将所得到得rK和HK作为模糊推理系统的两个输入；步骤B,确定模糊推理系统输出值的过程：Sugeno模糊推理系统可描述为：其中是模糊集合，为常量。则系统的总输出为：wi为权重，每条规则Ri的重要性以权重的形式体现，为隶属度函数；根据模糊推理系统的模糊化方法对输入量Hk、rk进行模糊化，Hk和rk的隶属函数均采用三角形隶属函数，根据经验所得到的mf1、mf2、mf3分别代表三个模糊集合，Hk的论域为[-1,1]，对应的mf1、mf2、mf3的参数值范围分别为[-1-0.2]，[-0.600.6]，[11.7]；rk的论域为[0,3]，对应的mf1、mf2、mf3的参数值范围分别为[00.5]，[00.53]，[0.53]；设计两套模糊推理系统分别输出调整系数α和β：(1)输出为β的模糊推理系统的第1、4、7条规则的输出参数(2)输出为α的模糊推理系统的第2、4、9条规则输出参数如下：为了降低计算复杂度，将输出仅表示为残差方差匹配度的线性组合：由式(8)(9)可得到调整系数α和β。所述步骤(4)中，计算状态更新值，其步骤如下：将模糊推理系统得到的调整系数α、β代入(10)，(11)：Qk＝βQk-1(10)Rk＝αRk-1(11)其中Qk为系统噪声方差，Rk为量测噪声方差；对系统噪声方差QK和量测噪声方差RK经行调整；再将调整后的QK和RK代入(12)，(13)Pk/k-1＝APk-1AT+Qk-1(13)将所得的结果进一步代入(14)：Pk＝(I-KkCk)Pk本文档来自技高网...

【技术保护点】
一种基于自适应模糊卡尔曼滤波的锂电池SOC估计方法，其特征在于：包括如下步骤：(1)建立电池一阶RC模型确定状态方程和观测方程，确定电池模型的卡尔曼滤波离散状态空间模型及状态变量和观测变量；(2)根据步骤(1)中确定的卡尔曼滤波离散状态空间模型计算该模型的状态估计更新值和噪声协方差矩阵的估计值；(3)以某一时刻的端电压残差均值和端电压残差匹配度为Sugeno型模糊推理系统的两个输入，输出系统噪声方差阵调整系数和量测噪声方差阵调整系数；(4)根据所得到的观测量端电压计算离散状态空间模型的离散状态协方差和卡尔曼增益矩阵，并提供状态变量估计值和滤波信息，计算状态变量的估计更新值；(5)根据步骤(3)中的调整系数计算出当前的系统噪声和量测噪声，并作为更新值进行状态误差先验值和卡尔曼增益矩阵的计算，从而实现模糊控制辅助卡尔曼滤波的地推计算，SOC估计值由每一步递推计算中的的状态估计更新值得出。

【技术特征摘要】
1.一种基于自适应模糊卡尔曼滤波的锂电池SOC估计方法，其特征在于：包括如下步骤：(1)建立电池一阶RC模型确定状态方程和观测方程，确定电池模型的卡尔曼滤波离散状态空间模型及状态变量和观测变量；(2)根据步骤(1)中确定的卡尔曼滤波离散状态空间模型计算该模型的状态估计更新值和噪声协方差矩阵的估计值；(3)以某一时刻的端电压残差均值和端电压残差匹配度为Sugeno型模糊推理系统的两个输入，输出系统噪声方差阵调整系数和量测噪声方差阵调整系数；(4)根据所得到的观测量端电压计算离散状态空间模型的离散状态协方差和卡尔曼增益矩阵，并提供状态变量估计值和滤波信息，计算状态变量的估计更新值；(5)根据步骤(3)中的调整系数计算出当前的系统噪声和量测噪声，并作为更新值进行状态误差先验值和卡尔曼增益矩阵的计算，从而实现模糊控制辅助卡尔曼滤波的地推计算，SOC估计值由每一步递推计算中的的状态估计更新值得出。2.根据权利要求1中所述的一种基于自适应模糊卡尔曼滤波的SOC估计的方法，其特征在于：所述步骤(3)中的确定模糊控制系统输入、输出值的方法，步骤如下：步骤A,确定模糊推理系统输入值的过程：计算电压残差：计算电压残差均值：计算电压残差理论方差：电压残差实际方差：计算电压残差方差匹配度：Hk＝Mk-Nk(5)其中，VK为K时刻的端电压值，为K时刻的端电压的估计值，DK为K时刻的端电压残差值，rk为K时刻端电压残差的平均值，MK为K时刻断电压残差的方差，NK为K端电压残差的实际方差值，CK,AK为K时刻的系数矩阵,QK为K时刻的系统噪声方差，RK-1为K-1时刻的量测噪声方差，PK-1为K-1时刻的状态误差协方差，M，N为一段时间内的统计次数，由式(1)(2)(3)(4)(5)可得到rK和HK,将所得到得rK和HK作为模糊推理系统的两个输入；步骤B,确定模糊推理系统输出值的过程：Sugeno模糊推理系统可描述为：Ri:其中是模糊集合，为常量。则系统的总输出为：1

【专利技术属性】
技术研发人员：刘征宇，黎盼春，汤伟，武银行，王雪松，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：安徽,34