一种基于动态参数辨识的EKF估算铅酸电池SOC方法技术

技术编号:16661756 阅读:291 留言:0更新日期:2017-11-30 11:23
本发明专利技术公开一种基于动态参数辨识的EKF估算铅酸电池SOC方法,包括如下步骤:根据铅酸电池性能,结合经验模型,建立铅酸电池数学观测模型;根据不同电流下放电测试得到的放电数据,结合铅酸电池模型,辨识不同电流范围下铅酸电池模型参数;根据实时测量的铅酸电池电流,动态调整铅酸电池模型参数,采用扩展卡尔曼滤波法,实现对铅酸电池SOC进行估算。本发明专利技术的优点是具有很好的收敛性,且估算不受SOC初值影响,能适应不同放电电流的工况。

【技术实现步骤摘要】
一种基于动态参数辨识的EKF估算铅酸电池SOC方法
本专利技术涉及铅酸电池
,特别涉及一种估算铅酸电池SOC的方法。
技术介绍
随着近年来储能行业的快速发展,铅酸电池以其储能成本低,可靠性好,效率高,已经成为电力、通信、交通、国防等各个部门最为成熟和应用最为广泛的储能电池之一。对铅酸电池的运行状态,特别是剩余容量荷电状态SOC进行在线准确监测对于电池(本专利中所述电池是指铅酸电池)的运行管理变得尤为重要。现阶段获得实际应用的SOC估算方法有:放电试验法:该方法通过对电池进行恒流放电,在到达电池下限时记录时间,计算时间与电流的乘积,得到电池所放电量,与容量的比值即为SOC估计值。这种方法计算结果可靠、准确,但只能离线估算SOC,且放电试验耗时严重。开路电压法:根据开路电压(OCV)和SOC的关系通过查表法来估算SOC。OCV的获取需要在充放电后静置较长时间,不适合在线估算SOC。OCV-SOC曲线在SOC的较大范围内是较平滑的,OCV的轻微误差可能会导致SOC估算误差很大。另外,由于电池的迟滞效应,充电和放电时的OCV-SOC是两条不同的曲线,增加了估算的复杂性。内阻法:该方法根据测得的电池内阻来估算SOC,其前提是内阻和SOC有良好的线性关系。实际上电池SOC在40%-50%以上时,内阻基本不变化,而当SOC低于30%-40%时很快升高,两者并非简单的线性关系;另一方面,电池内阻的准确测量在现阶段仍存在很大困难。安时积分法:通过对电流积分,累积电池在充电或放电时的电量来估计电池的SOC。该方法容易实现并且广泛使用,但是存在获取初始校正值困难和电流测量精度导致累计误差的问题。另外安时法不适合电流频繁剧烈波动的场合。神经网络法:选取样本数据训练并构建神经网络,然后根据实时输入数据输出SOC值。存在训练样本数据选取困难的问题:一方面选取哪些输入量(电压、电流、温度和内阻等);另一方面还需获取不同使用时长旧电池的试验数据。数据量大,且难以考虑所有的情况。除此之外,对于神经网络隐藏层的层数和神经元数选取,目前尚无相应的理论支撑。卡尔曼滤波法:卡尔曼滤波法根据采集到的电压电流,通过递推算法得到SOC的最小方差估计。该方法不受SOC初值影响,能够逐渐逼近到SOC真实值;也能解决误差累计的问题。卡尔曼滤波算法只能用于线性系统,而电池为高度非线性系统,因而采用适用于非线性系统的扩展卡尔曼滤波算法(EKF)来估算电池SOC。目前研究卡尔曼滤波算法估算SOC的文献,多是采用固定模型参数的方案,即通过一次完整的放电过程来辨识参数,并固定使用该参数。然而使用固定参数模型EKF法存在如下问题:1)实际电池运行中,电流不会是一直固定的,尤其是在用电池调频的场合,电流变化很频繁。用某一固定电流放电过程中的数据来确定电池模型,难以使该模型适用于电流变化的情况;2)电池是复杂的非线性系统,其模型是时变的,不适合采用固定模型;3)通过仿真试验发现:在电流变化时,如果采用固定参数的EKF法,误差可能会很大甚至不收敛,比如固定采用15A时的放电数据辨识的参数,当估算放电电流为37.5A时的SOC值,会出现估算误差很大甚至不收敛的情况,如说明书附图2所示。如何解决电池电流频繁且大范围波动时的EKF估算SOC的误差和收敛性问题,是EKF估算SOC的关键。
技术实现思路
本专利技术目的在于提供一种基于动态参数辨识的EKF估算铅酸电池SOC方法,当铅酸电池运行中电流变化频繁且大范围波动时,动态辨识电池模型参数,结合扩展卡尔曼滤波方法,使得铅酸电池SOC的估算更加准确。为了达成上述目的,本专利技术的解决方案如下:一种基于动态参数辨识的EKF估算铅酸电池SOC方法,包括如下步骤:步骤1:根据铅酸电池性能,结合经验模型,建立铅酸电池模型;步骤2:根据不同电流下放电试验得到的放电数据,结合铅酸电池模型,辨识不同电流范围下铅酸电池模型参数;步骤3:根据实时测量的铅酸电池电流对应的不同电流范围,动态调整铅酸电池模型参数,采用扩展卡尔曼滤波法,对铅酸电池SOC进行估算。进一步的,步骤1中所述的铅酸电池模型包括过程模型和电池观测模型;两个模型离散化得到扩展卡尔曼滤波方程。进一步的,步骤1中所述的电池过程模型根据安时积分法得到:其中,η—放电比例系数,与放电电流、温度等有关;Qn—电池标称容量;i(τ)—电池在τ时刻的即时放电电流;x(t)—t时刻的SOC,x(0)为SOC初始值。进一步的,步骤1中所述的经验模型包括:Shepherd模型:yk=E0-Rik-K5/xk式(1)Unnewehr通用模型:yk=E0-Rik-K6xk式(2)Nernst模型:yk=E0-Rik-K7lnxk+K8ln(1-xk)式(3)所述的电池观测模型,由式(1)、式(2)、式(3)联合建立:yk=h(ik,xk)=K0-Rik-K1/xk-K2xk+K3lnxk+K4ln(1-xk)式(4)其中,式(1)~式(4)中,h(ik,xk)为非线性测量函数,yk是电池端电压,E0为电池电动势,ik是放电电流,xk是电池SOC,R是电池内阻,K0~K8是常数。进一步的,步骤2中所述的需要的辨识铅酸电池模型参数包括R,K0~K4。进一步的,由所述的电池观测模型得到如下测量矩阵:Hk=K1/(xk|k-1)2-K2+K3/xk|k-1-K4/(1-xk|k-1);式(6)其中,Hk—量测矩阵;K1~K4—常数;xk|k-1—是根据k-1时刻最优值来预测k时刻的电池SOC值;进一步的,所述扩展卡尔曼滤波方程为:状态预测方程:xk|k-1=xk-1|k-1-ηik-1Δt/Qnkalman增益方程:预测均方差方程:Pk|k-1=Pk-1|k-1估计均方差方程:Pk|k=(1-KkHk)Pk|k-1状态估计方程:xk|k=xk|k-1+Kk[yk-h(ik,xk|k-1)]其中:下标k|k-1—表示根据k-1时刻最优值来预测k时刻的值;k|k—表示k时刻最优值;k-1|k-1—表示k-1时刻最优值;xk|k-1—是根据k-1时刻最优值来预测k时刻的电池SOC值xk-1|k-1—是k-1时刻电池SOC最优值η—放电比例系数,与放电电流、温度等有关;Qn—电池标称容量;ik-1—电池在k-1时刻的即时放电电流;Δt—时间步长;Kk—k时刻kalman增益;Pk|k-1—是根据k-1时刻最优值来预测k时刻的预测均方差值;Hk—量测矩阵;HkT—量测矩阵的转置;R—电池内阻,Pk-1|k-1—是k-1时刻预测均方差的最优值;Pk|k—是k时刻预测均方差的最优值;xk|k—是k时刻电池SOC最优值;yk—是电池端电压;h(ik,xk|k-1)—是根据k时刻电流和SOC预测值计算的电池端电压预测值。进一步的,步骤2中所述放电试验需要获取铅酸电池端电压、电流和SOC,SOC通过采集的电流根据安时积分法进行估算。进一步的,所述步骤2的具体操作方法是:选取放电电流为I的一组试验数据,根据电池模型,辨识出一组模型参数;然后对放电电流I逐渐增大和减小后进行试验,且采用放电电流I时辨识出的模型进行SOC估算,当放电电流和I相差超过一定值△I时,结合此时放电数据估算的SOC会出现误差大甚至不收敛的情况,此时记录下△I;该组本文档来自技高网
...
一种基于动态参数辨识的EKF估算铅酸电池SOC方法

【技术保护点】
一种基于动态参数辨识的EKF估算铅酸电池SOC方法,其特征在于,包括如下步骤:步骤1:根据铅酸电池性能,结合经验模型,建立铅酸电池模型;步骤2:根据不同电流下放电试验得到的放电数据,结合铅酸电池模型,辨识不同电流范围下铅酸电池模型参数;步骤3:根据实时测量的铅酸电池电流对应的不同电流范围,动态调整铅酸电池模型参数,采用扩展卡尔曼滤波法,对铅酸电池SOC进行估算。

【技术特征摘要】
1.一种基于动态参数辨识的EKF估算铅酸电池SOC方法,其特征在于,包括如下步骤:步骤1:根据铅酸电池性能,结合经验模型,建立铅酸电池模型;步骤2:根据不同电流下放电试验得到的放电数据,结合铅酸电池模型,辨识不同电流范围下铅酸电池模型参数;步骤3:根据实时测量的铅酸电池电流对应的不同电流范围,动态调整铅酸电池模型参数,采用扩展卡尔曼滤波法,对铅酸电池SOC进行估算。2.如权利要求1所述一种基于动态参数辨识的EKF估算铅酸电池SOC方法,其特征在于,步骤1中所述的铅酸电池模型包括过程模型和电池观测模型;两个模型离散化得到扩展卡尔曼滤波方程。3.如权利要求2所述一种基于动态参数辨识的EKF估算铅酸电池SOC方法,其特征在于,步骤1中所述的电池过程模型根据安时积分法得到:其中,η—放电比例系数,与放电电流、温度等有关;Qn—电池标称容量;i(τ)—电池在τ时刻的即时放电电流;x(t)—t时刻的SOC,x(0)为SOC初始值。4如权利要求2所述一种基于动态参数辨识的EKF估算铅酸电池SOC方法,其特征在于,步骤1中所述的经验模型包括:Shepherd模型:yk=E0-Rik-K5/xk式(1)Unnewehr通用模型:yk=E0-Rik-K6xk式(2)Nernst模型:yk=E0-Rik-K7lnxk+K8ln(1-xk)式(3)所述的电池观测模型,由式(1)、式(2)、式(3)联合建立:yk=h(ik,xk)=K0-Rik-K1/xk-K2xk+K3lnxk+K4ln(1-xk)式(4)其中,式(1)~式(4)中,h(ik,xk)为非线性测量函数,yk是电池端电压,E0为电池电动势,ik是放电电流,xk是电池SOC,R是电池内阻,K0~K8是常数。4.如权利要求3所述一种基于动态参数辨识的EKF估算铅酸电池SOC方法,其特征在于,步骤2中所述的需要的辨识铅酸电池模型参数包括R,K0~K4。6如权利要求4所述一种基于动态参数辨识的EKF估算铅酸电池SOC方法,其特征在于,由所述的电池观测模型得到如下测量矩阵:Hk=K1/(xk|k-1)2-K2+K3/xk|k-1-K4/(1-xk|k-1);式(6)其中,Hk—量测矩阵;K1~K4—常数;xk|k-1—是根据k-1时刻最优值来预测k时刻的电池SOC值;所述扩展卡尔曼滤波方程为:状态预...

【专利技术属性】
技术研发人员:魏阳徐光福王万纯余群兵陈俊张琦雪
申请(专利权)人:南京南瑞继保电气有限公司南京南瑞继保工程技术有限公司
类型:发明
国别省市:江苏,32

网友询问留言 已有0条评论
  • 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。

1