本发明专利技术属于电动汽车动力电池管理领域，涉及一种电池模型参数与SOC的在线联合估计方法。该方法主要包括以下步骤：首先采集实验数据，建立电池模型；其次利用两个SOC计算模块并行估计SOC，一个采用扩展卡尔曼滤波(EKF)算法，另一个先利用EKF算法，一段时间后加入突变扰动，再利用无迹卡尔曼滤波(UKF)算法进行SOC估算。然后将两个模块的估算结果进行加权平均，获得当前SOC估计结果。最后采用遗忘因子最小二乘法(FFRLS)对电池模型参数进行在线辨识，从而融合了EKF、UKF和FFRLS算法，实现模型参数的实时更新与SOC的在线估计，有效消除模型误差的影响，提高SOC估算精度和算法稳定性。
On-line Joint Estimation of Lithium Ion Battery Model Parameters and SOC
【技术实现步骤摘要】
一种锂离子电池模型参数与SOC在线联合估计方法
本专利技术属于电动汽车电池管理领域，涉及一种电池模型参数与SOC在线联合估计方法。
技术介绍
近年来，新能源汽车不断发展，作为其核心部件的动力电池已成为各国研究的热点。在动力电池的管理环节中，电池的荷电状态(SOC)是反映电池剩余容量和做功能力的一项重要指标，SOC估算则是电池管理系统开发最核心的技术，准确的估计SOC对于电池的安全可靠性、提高电池能量利用率、延长使用寿命具有重要的理论意义和应用价值。SOC作为动力电池的内部状态，无法直接测取，只能通过对电池电压、电流、内阻等参数检测来估算。目前，典型的动力电池SOC估算方法主要有：安时积分法、开路电压法、神经网络法、卡尔曼滤波法等。其中，安时积分法实现简单，但积分过程中的累积误差无法消除，对估算精度影响较大；开路电压法需要电池静置一段时间才能测量估算，不适用于在线实时估算；神经网络法需要大量数据进行训练，使用复杂难以实现；卡尔曼滤波法的核心思想是对动态系统的状态做出最小均方意义上的最优估计，误差纠正能力较强，但估计精度对电池模型的准确性依赖较高，而电池是个复杂的非线性系统，使用过程中电池模型参数实时变化，模型不确定导致卡尔曼滤波精度低。
技术实现思路
本专利技术的目的是针对上述现有技术的不足，提供了一种锂离子电池模型参数与SOC在线联合估计方法，以消除电池模型误差，解决SOC在线估计难的问题。本专利技术的目的可以通过如下技术方案实现：一种锂离子电池模型参数与SOC在线联合估计方法，用于电池模型参数的在线辨识与SOC的实时估计，包括步骤：S1：对电池进行放电静置实验，获得开路电压(OCV)与SOC的关系式；根据电压、电流、温度等基本实验数据离线辨识出模型参数的初值并建立电池1-RC等效电路模型，设定状态空间方程的匹配系数初值A0、B0、C0、D0；S2：SOC计算模块1，运用扩展卡尔曼滤波(EKF)算法估算当前电池的荷电状态SOC1；S3：判断时间是否超过设定值T(突变间隔)，如果没有超过时间T，第一个SOC计算模块继续计算，如果超过时间T，则在SOC计算模块1继续计算的同时，进入下一步；S4：当时间t＝T时，根据SOC计算模块1所计算出的当前SOC值SOCT，通过加入突变扰动的方式，得到一个新的SOC值SOCm，并将SOCm作为第二个SOC计算模块的初始值。其中，所用的突变方法为：其中R是服从正态分布N(0，1)的随机数，“||”表示取绝对值。S5：SOC计算模块2，运用无迹卡尔曼滤波(UKF)算法开始估算当前电池的荷电状态SOC2，同时SOC计算模块1继续利用扩展卡尔曼滤波(EKF)算法估算当前SOC值；S6：判断SOC计算模块2运用无迹卡尔曼滤波算法估计SOC时，电池的预测电压与实测电压的差值ΔU是否超过设定阈值Uth，如果没有超过阈值Uth，SOC计算模块2继续计算，如果超过了Uth，则进入下一步；S7：将此时SOC计算模块1与计算模块2的估算结果进行加权平均，得到修正后的SOC值：SOCw＝W1*SOC1+W2*SOC2，其中W1、W2为相应的权值；S8：判断修正后的SOC值SOCw是否有效，如果有效，将电池当前SOC设定为修正后的SOC值SOCw，如果无效，则将电池当前SOC设定为SOC计算模块1的估计结果SOC1；S9：根据上一步计算出的电池当前SOC值以及开路电压与SOC关系，利用遗忘因子最小二乘法(FFRLS)在线辨识模型参数R0、R1、C1并更新系统状态方程中的Ak、Bk、Ck、Dk。所述步骤S7中，修正SOC值时权值的确定方法为：W1＝D2/(D1+D2)，W2＝D1/(D1+D2)，D1＝(ZEKF-U)2，D2＝(ZUKF-U)2。其中，ZEKF表示当前时刻SOC计算模块1采用扩展卡尔曼滤波(EKF)算法预测电压值，ZUKF表示当前时刻SOC计算模块2采用无迹卡尔曼滤波(UKF)算法预测电压值，U表示当前时刻电池实测电压，D1与D2分别表示ZEKF和ZUKF与U的偏移程度。所述步骤S8中，判断修正后的SOC值有效性的方法为：比较修正后的SOC值与开路电压法计算的SOC值，如果修正后的SOC值与开路电压法计算的SOC值相差在规定范围内，修正后的SOC值是有效的，否则无效。本专利技术的有益效果在于：1.通过加入突变扰动的方式，可以快速对超出范围的SOC值进行处理，避免了由于数据异常导致的滤波发散现象；同时，通过判定算法预测电压与实测电压的差值是否超过阈值，进一步降低滤波发散的可能性，提高算法的稳定性。2.电池模型利用遗忘因子最小二乘法进行在线辨识，有效的保证了模型的精度，避免了模型参数变化对算法估算精度的影响，提高了算法的鲁棒性。3.本专利技术采用的电池模型参数与SOC在线联合估计算法能够避免无迹卡尔曼滤波算法的高计算复杂度以及扩展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。附图说明图1：锂离子电池模型参数与SOC联合估计算法流程图图2：锂离子电池1-RC等效电路模型图具体实施方式下面，结合附图对本专利技术的具体实施方式作进一步的说明。本专利技术提供了一种锂离子电池模型参数与SOC联合在线估计方法，该方法流程图如图1所示，包括步骤S1-S9，下面对各实施步骤进行详细说明：S1：对电池进行放电静置实验，获得开路电压(OCV)与SOC的关系式；根据电压、电流、温度等基本实验数据离线辨识出模型参数的初值并建立电池1-RC等效电路模型，设定状态空间方程的匹配系数初值A0、B0、C0、D0；基于电化学原理，建立的1-RC电池等效电路模型如图2所示，由理想电压源UOC，欧姆内阻R0和一个反映电池极化特性的RC网络构成。电流I为输入量(充电为正)，端电压U为输出量，系统离散化状态方程为：输出方程为：U(k)＝Uoc(k)+U1(k)+R0I(k)；其中Δt为采样间隔，Qv为电池实际容量，τ＝R1C1，w和v分别表示过程噪声和测量噪声；选取状态变量x＝[SOC，U1]T，对应状态方程的匹配系数为：S2：SOC计算模块1，运用扩展卡尔曼滤波(EKF)算法估算当前电池的荷电状态SOC1；其中EKF算法主要步骤如下：S201：算法初始化设定初始状态x0、初始状态误差协方差P0、过程噪声协方差Q和测量噪声协方差R；S202：由k-1的状态及其误差协方差对k时刻进行时间更新S203：卡尔曼滤波增益计算S204：用k时刻的测量值对状态及其误差协方差进行测量更新式中表示电池端电压测量值与预测值之间的误差；S205：输出k时刻状态的最优估计值S3：判断时间是否超过设定值T，如果没有超过时间T，第一个SOC计算模块继续计算，如果超过时间T，则在SOC计算模块1继续计算的同时，进入下一步；其中，T＝6τ是与系统结构有关的参数。S4：当时间t＝T时，根据SOC计算模块1所计算出的当前SOC值SOCT，通过加入突变扰动的方式，得到一个新的SOC值SOCm，并将SOCm作为SOC计算模块2的初始值。其中，所用的突变方法为：其中R是服从正态分布N(0，1)的随机数，“||”表示取绝对值。由于SOC是[O，1]之间的变量，如果T时刻SOC计算模块1的估算值0＜SOCT＜1，表示在正常范围内，将此值直接作为UKF算法本文档来自技高网...
【技术保护点】
1.一种锂离子电池模型参数与SOC在线联合估计方法，用于电池模型参数的在线辨识与SOC的实时估计，包括步骤：S1：电池进行放电静置实验，获得开路电压(OCV)与SOC的关系式；根据电压、电流、温度等基本实验数据离线辨识出模型参数的初值并建立电池1‑RC等效电路模型，设定状态空间方程的匹配系数初值A0、B0、C0、D0；S2：SOC计算模块1，运用扩展卡尔曼滤波(EKF)算法开始估算当前时刻电池的荷电状态SOC1；S3：判断时间是否超过设定值T(突变间隔)，如果没有超过时间T，第一个SOC计算模块继续计算，如果超过时间T，则在SOC计算模块1继续计算的同时，进入下一步；S4：当时间t＝T时，根据SOC计算模块1所计算出的当前SOC值SOCT，通过加入突变扰动的方式，得到一个新的SOC值SOCm，并将SOCm作为SOC计算模块2的初始值；其中，所用的突变方法为：
【技术特征摘要】
1.一种锂离子电池模型参数与SOC在线联合估计方法，用于电池模型参数的在线辨识与SOC的实时估计，包括步骤：S1：电池进行放电静置实验，获得开路电压(OCV)与SOC的关系式；根据电压、电流、温度等基本实验数据离线辨识出模型参数的初值并建立电池1-RC等效电路模型，设定状态空间方程的匹配系数初值A0、B0、C0、D0；S2：SOC计算模块1，运用扩展卡尔曼滤波(EKF)算法开始估算当前时刻电池的荷电状态SOC1；S3：判断时间是否超过设定值T(突变间隔)，如果没有超过时间T，第一个SOC计算模块继续计算，如果超过时间T，则在SOC计算模块1继续计算的同时，进入下一步；S4：当时间t＝T时，根据SOC计算模块1所计算出的当前SOC值SOCT，通过加入突变扰动的方式，得到一个新的SOC值SOCm，并将SOCm作为SOC计算模块2的初始值；其中，所用的突变方法为：R是服从正态分布N(0，1)的随机数，“||”表示取绝对值；S5：SOC计算模块2，运用无迹卡尔曼滤波(UKF)算法开始估算当前电池的荷电状态SOC2，同时SOC计算模块1继续利用扩展卡尔曼滤波(EKF)算法估算当前SOC值；S6：判断SOC计算模块2运用无迹卡尔曼滤波算法估计SOC时，电池的预测电压与实测电压的差值ΔU是否超过设定阈值Uth，如果没有超过阈值Uth，SOC计算模块2继续计算，如果超过了Uth，则进入下一步；S7：将此时SOC计算模块1与计算模块2的估算结果进行加权平均，得到修正后的SOC值：SOCW＝W1*SOC1+W2*SOC2，其中W1、W2为相应的权值；S8：判断修正后的SOC值SOCw是否有效，如果有效，将电池当前SOC设定为修正后的SOC值SOCw，如果无效，则将电池当前SOC设定为SOC计算模块1的估计结果SOC1；S9：根据上一步计算出的电池当前SOC值以及开路电压与SOC关系，利用遗忘因子最小二乘法(FFRLS)在线辨识模型参数R0、R1、C1并更新系统状态方程中的Ak、Bk、Ck、Dk。2.根据权利要求1所述的一种锂离子电池模型参数与SOC在线联合估计方法，其特征在于，所述步骤S3中，SOC计算模块1在运用EKF算法估计SOC时，突变间隔T＝6τ是与系统结构有关的参数，系统模型参数是实时更新的，因此T也是实时更新的。3.根据权利要求1所述的一种锂离子电池模型参数与SOC在线联...
【专利技术属性】
技术研发人员：朴昌浩，孙亚青，马艺玮，苏岭，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：重庆,50
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。