一种基于动态参数辨识的EKF估算铅酸电池SOC方法技术

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...

【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