一种应用于AGV车SOC估算动态调整滤波增益的方法技术

本发明专利技术涉及一种应用于AGV车SOC估算动态调整滤波增益的方法，将扩展卡尔曼滤波法的滤波增益改进为动态调整滤波增益，有效提高扩展卡尔曼滤波法的跟踪效果。本发明专利技术充分分析了AGV车特殊的工况，指出安时积分法在估算其SOC值不准确的原因所在，提出使用扩展卡尔曼滤波法估算其电池SOC值，针对传统扩展卡尔曼滤波法跟踪效果差的问题，改进其滤波增益为动态变化增益，提高估算SOC值的实时性，保证AGV车SOC值的准确性在5％以内，有效解决了工程中AGV车SOC值估算不准确的问题。

A method of estimating dynamic adjusted filter gain for AGV vehicle SOC

The invention relates to a method for dynamically adjusting filter gain in SOC estimation for AGV vehicle, which improves the filter gain of the extended Calman filtering method to the dynamic adjustment filter gain, and effectively improves the tracking effect of the extended Calman filtering method. The invention fully analyzes the AGV car special conditions, pointed out that the current time integral method in estimating the SOC value due to inaccurate location, put forward to estimate the battery SOC value extended Calman filter method, the traditional extended Calman filter method tracking problems, improve the filter gain for dynamic gain, improve real-time estimation the value of SOC, ensure AGV car SOC value accuracy within 5%, effectively solve the engineering AGV SOC value estimation accuracy problem.

【技术实现步骤摘要】
一种应用于AGV车SOC估算动态调整滤波增益的方法
本专利技术属于AGV车电池剩余容量估算的
，具体涉及一种应用于AGV车SOC估算动态调整滤波增益的方法。
技术介绍
自动引导车(AGV)是一种自动化的搬运设备，主要应用在工业生产中。AGV车一般使用蓄电池作为电源，在AGV车能量管理系统中准确估算SOC是至关重要的，可以保证AGV车高效安全地运行，同时也能够避免由于过充或过放影响AGV车电池的使用寿命。但是蓄电池的剩余容量和很多因素有关，而且AGV车工况特殊，这就使得蓄电池SOC值估算变得复杂，准确度难以得到保证。SOC估算方法主要有开路电压法，电流积分法，卡尔曼滤波法，神经网络法。AGV车中常用的是电流积分法，但是AGV车工况特殊，电流积分法估算SOC值的准确度并不理想，而且会产生累积误差。虽然在实际工业应用中对电流积分法估算的SOC值会进行校对，但是并没有从根本上解决电流积分法依赖初值，累积误差较大的问题。开路电压法无法在线实时估算SOC值，神经网络法对训练方法和训练数据依赖性很大，目前还没有得到很好的使用。卡尔曼滤波法估算电池SOC不依赖于初值，不会产生误差，适合应用在电流变化幅度较大的工况中，综合分析卡尔曼滤波法更加适合应用在AGV车SOC估算中。AGV车运行在工业生产线中，其工作节奏较快，一般不会预留专门的充电时间，只有在等待工序完成的时间里才进行充电，而且充电电流大，充电倍率可以达到1C-2C，充电时间短，一般是几秒或者是几十秒。而AGV车在正常工作时电流较小，一般是在0.5C之内。所以AGV车的工况就可以概括为充电电流大，放电电流小，充电时间短，充电频率高。图1描述了AGV车在12分钟内充放电变化情况，放电电流为正，充电电流为负。从图中可以看出AGV车在10分钟内就充电两次，而且每次充电电流达到了100A，而放电电流仅有5A左右。在这种电流波动幅度大，充电频率高的情况下如何准确估算SOC值是一个值得研究的问题。电流积分法是估算SOC值的常用方法，但是电流积分法依赖初值，对电流的测量精度要求较高，AGV车在特殊工况下SOC初始值和电流测量精度都难以得到保证，所以电流积分法估算AGV车SOC值的准确度不是很高。卡尔曼滤波法的基本思想是一个不断加权迭代的过程，在整个滤波的过程中有两个值，分别是模型的预测值和仪器的测量值，然后预测值和测量值进行综合加权得到了最优估计值。并且卡尔曼滤波法不依赖初始值，不会产生累积误差，能够保证特殊工况下SOC值的准确性。但是卡尔曼滤波法依赖电池模型，电池模型的精度直接影响SOC值估算的精度，所以准确建立电池模型是卡尔曼滤波法估算SOC值的基础。
技术实现思路
为了克服上述现有技术存在的不足，本专利技术的目的在于提高扩展卡尔曼滤波法的跟踪效果，设计了一种应用于AGV车SOC估算动态调整滤波增益的方法，该方法有效提高扩展卡尔曼滤波法的跟踪效果，解决了AGV车电池剩余容量估算不准确的问题。为了达到上述目的，本专利技术所采用的技术方案是：一种应用于AGV车SOC估算动态调整滤波增益的方法，其特征在于，将扩展卡尔曼滤波法的滤波增益改进为动态调整滤波增益，有效提高扩展卡尔曼滤波法的跟踪效果，其中：通过实验数据的拟合可以得出修正函数符合指数函数的变化规律，令其动态修正函数如式(11)所示：则改进后扩展卡尔曼滤波算法中的增益Kk’如式(12)所示：式(12)中β是一个调整因子，其值是0-1的数，该参数可以调整电流突变持续的时间；是调节幅度因子，该参数可以跟踪系统的突变强度；式中t是系统突变的持续时间，设t0是突变开始的时间，而t’是突变结束的时间，则t＝t0-t’；由此可计算出改进扩展卡尔曼滤波算法中增益变化如式(13)所示：改进扩展卡尔曼滤波增益后，系统在突变刚开始的时候将滤波增益扩大到没有改进前的倍，系统SOC值的修正幅度变大，迅速收敛到真实值；随着突变的结束，滤波增益逐渐变小，最终恢复为Kk；这样就实现了扩展卡尔曼滤波算法中滤波增益动态调整。进一步地，所述方法的推导过程包括：卡尔曼滤波过程如式(4)所示：令改进后的滤波增益为Kk’，则扩展卡尔曼滤波算法的状态更新如式(5)所示：由式(5)可得：由式(4)可得：令滤波增益修正函数为W(t)，则由式(6)和式(7)可得：滤波增益在突变开始时增大，提高修正幅度，随着突变的进行滤波增益逐渐减小，在突变结束后恢复正常值，为了找出特殊工况下滤波增益修正函数的这种变化规律，选取实验数据然后通过数据拟合找出修正函数；使用Matlab最小二乘法拟合实验数据可得如式(9)所示的函数关系：W(t)＝1.011e-0.4909t+0.9998(9)将式(9)化简可得：W(t)＝0.6121t+0.9998(10)在Matlab中绘制实验数据曲线图，在突变刚开始时修正函数使得滤波增益值较大，对SOC值的修正幅度也比较大，突变过后滤波增益值恢复正常值；这样滤波增益就可以根据突变的情况实现动态调整，加快算法的跟踪速度。与现有技术相比，本专利技术具有以下优点：本专利技术立足解决工业生产实际问题，充分分析了AGV车特殊的工况，指出安时积分法在估算其SOC值不准确的原因所在，提出使用扩展卡尔曼滤波法估算其电池SOC值，针对传统扩展卡尔曼滤波法跟踪效果差的问题，改进其滤波增益为动态变化增益，提高估算SOC值的实时性，保证AGV车SOC值的准确性在5％以内，有效解决了工程中AGV车SOC值估算不准确的问题。附图说明图1为AGV车实际工况下的电流变化图。图2为电池等效电路原理图。图3为滤波增益修正函数变化曲线。图4为SOC值估算对比曲线(不同方法估算曲线)。图5为SOC值估算对比曲线(误差曲线)。图6为扩展卡尔曼滤波算法跟踪效果图(优化前SOC曲线)。图7为扩展卡尔曼滤波算法跟踪效果图(优化后SOC曲线)。图8为跟踪效果对比图。具体实施方式为了便于本领域普通技术人员理解和实施本专利技术，下面结合实施例对本专利技术作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本专利技术，并不用于限定本专利技术。(1)蓄电池模型选取本专利技术采用Thevenin模型对AGV车电池进行等效。该模型可以将锂离子电池充放电过程中的突变特性和渐变特性都描述出来，其等效电路原理图如图2所示。其中R0描述了锂电池充放电过程中突变的电阻特性，Rp和Cp模拟了电池渐变的电容特性。电池等效电路模型中的参数可以通过对电池进行间歇脉冲充放电实验进行辨识。通过实验中电池在充放电过程中的电压升降及充放电时间计算电路模型中的内阻和电容等参数。图2中E是电池电动势，R0是电池内阻，Rp和Cp是极化电阻和极化电容，Uoc是电池开路电压，I是电池总电流，Ip是流过极化电阻的电流，Up是极化电阻和极化电容两端的电压。由卡尔曼滤波法的原理可知在滤波的过程中需要一个状态量和一个观测量，而SOC值并不能直接测量得到，所以选取Up为状态变量，经过线性化和离散化处理状态方程如式(1)所示。选取检测到的电池端电压Uoc为观测量，建立的观测方程如式(2)所示。式(1)中Up，k表示的是k时刻Up的值，Up，k-1表示的是k-1时刻Up的值，同样SOCk表示的是k时刻电池SOC值，SOCk-1表示的是k-1时刻SOC值，T是系统的采样时间，本文档来自技高网...

【技术保护点】
一种应用于AGV车SOC估算动态调整滤波增益的方法，其特征在于，将扩展卡尔曼滤波法的滤波增益改进为动态调整滤波增益，有效提高扩展卡尔曼滤波法的跟踪效果，其中：通过实验数据的拟合可以得出修正函数符合指数函数的变化规律，令其动态修正函数如式(11)所示：

【技术特征摘要】
1.一种应用于AGV车SOC估算动态调整滤波增益的方法，其特征在于，将扩展卡尔曼滤波法的滤波增益改进为动态调整滤波增益，有效提高扩展卡尔曼滤波法的跟踪效果，其中：通过实验数据的拟合可以得出修正函数符合指数函数的变化规律，令其动态修正函数如式(11)所示：则改进后扩展卡尔曼滤波算法中的增益Kk’如式(12)所示：式(12)中β是一个调整因子，其值是0-1的数，该参数可以调整电流突变持续的时间；是调节幅度因子，该参数可以跟踪系统的突变强度；式中t是系统突变的持续时间，设t0是突变开始的时间，而t’是突变结束的时间，则t＝t0-t’；由此可计算出改进扩展卡尔曼滤波算法中增益变化如式(13)所示：改进扩展卡尔曼滤波增益后，系统在突变刚开始的时候将滤波增益扩大到没有改进前的倍，系统SOC值的修正幅度变大，迅速收敛到真实值；随着突变的结束，滤波增益逐渐变小，最终恢复为Kk；这样就实现了扩展卡尔曼滤波算法中滤波增益动态调整。2.如权利要求1所述的一种应用于AGV车SOC估算动态调整滤波增益的方法，其特征在于：所述方法的推导过程包括：卡尔曼滤波过程如式(4)所示：令改进后的滤波增益为Kk’，则扩展卡尔曼滤波算法的状态更新如式(5)所示：

【专利技术属性】
技术研发人员：吴铁洲，王越洋，邓勇军，王呈，
申请(专利权)人：湖北工业大学，
类型：发明
国别省市：湖北,42