基于IFA-EKF的锂电池SOC估算方法技术

本发明专利技术提供一种基于IFA‑EKF的锂电池SOC估算方法，包括以下步骤：建立锂电池二阶等效模型；对锂电池二阶等效模型进行参数辨识；使用IFA算法对过程噪声协方差矩阵和测量噪声协方差矩阵进行在线寻优；以确定的最优的过程噪声协方差矩阵和最优的测量噪声协方差矩阵作为输入采用EKF卡尔曼滤波算法进行锂电池SOC估算，得到最终的锂电池SOC估算值。本发明专利技术提供的基于IFA‑EKF的锂电池SOC估算方法具有以下优点：本发明专利技术提供的基于IFA‑EKF的锂电池SOC估算方法，基于改进的萤火虫优化扩展卡尔曼滤波算法，采用IFA算法对EKF进行在线寻优。本发明专利技术具有更精确的电池SOC估计效果和更高的稳定性。

SOC estimation method of lithium battery based on ifa-ekf

【技术实现步骤摘要】
基于IFA-EKF的锂电池SOC估算方法
本专利技术属于锂电池SOC估算
，具体涉及一种基于IFA-EKF的锂电池SOC估算方法。
技术介绍
电动汽车的电池SOC(Stateofcharge)，即荷电状态，用来反映电池的剩余容量，其数值上定义为剩余容量占电池容量的比值，是新能源汽车动力系统功率分配的关键技术之一。电池SOC无法直接测量，受环境温度、内阻及电压等因素的影响。精确的估计SOC能节约电池成本、延长电池使用寿命，对电池起到保护作用，并为实现BMS均衡控制及其他功能提供重要依据。目前，围绕电池SOC估算研究的方法较多。开路电压法简单有效，但不适用于动态SOC估计。安时法存在测量仪器累积误差、电流损失等缺点，一般不在实车上应用。神经网络法自学习能力强，但依赖大量的样本进行数据训练。相对前三种方法，卡尔曼滤波(KalmanFiltering，KF)算法具有估算精度高、计算量小等优点，是目前SOC估算的热点。虽然KF算法极大提高了电池SOC管理水平和优化控制，但在使用KF算法计算时，一般都假设过程噪声协方差矩阵Qk和测量噪声协方差矩阵Rk为随机值。从而影响KF算法的精度。当Qk值较大时，会增加KF运算的不确定性；而当Rk值较大时，会导致KF算法的发散性。
技术实现思路
针对现有技术存在的缺陷，本专利技术提供一种基于IFA-EKF的锂电池SOC估算方法，可有效解决上述问题。本专利技术采用的技术方案如下：本专利技术提供一种基于IFA-EKF的锂电池SOC估算方法，包括以下步骤：步骤1，建立锂电池二阶等效模型，其状态方程模型为：式中：Qn为电池实际容量，Δt为采样序列的时间间隔，SOC(k+1)为k+1时刻的电池SOC，SOC(k)为k时刻的电池SOC，I(k)为k时刻的电流，V1(k+1)为k+1时刻的R1C1环端电压，V1(k)为k时刻的R1C1环端电压，R1为浓度差极化电阻，C1为浓度差极化电容，V2(k+1)为k+1时刻的R2C2环端电压，V2(k)为k时刻的R2C2环端电压，R2为电化学极化电阻，C2为电化学极化电容；其输出方程为：V(k)＝V0(k)-V1(k)-V2(k)-R0I(k)(2)式中：V(k)为k时刻的端电池，V0(k)为k时刻的开路电压，V1(k)为k时刻的R1C1环端电压，V2(k)为k时刻的R2C2环端电压，R0为欧姆内阻；步骤2，对锂电池二阶等效模型进行参数辨识，分别得到开路电压V0与SOC关系数据、欧姆内阻R0与SOC关系数据、浓度差极化电阻R1与SOC关系数据、浓度差极化电容C1与SOC关系数据、电化学极化电阻R2与SOC关系数据，以及电化学极化电容C2与SOC关系数据；步骤3，使用IFA算法对过程噪声协方差矩阵Qk和测量噪声协方差矩阵Rk进行在线寻优，得到最优的过程噪声协方差矩阵Qk'和最优的测量噪声协方差矩阵Rk'；步骤4，以步骤3确定的最优的过程噪声协方差矩阵Qk'和最优的测量噪声协方差矩阵Rk'作为输入，以步骤2确定的参数辨识结果作为输入，采用EKF卡尔曼滤波算法进行锂电池SOC估算，得到最终的锂电池SOC估算值，本步骤具体为：步骤4.1，令状态变量xk＝[SOCkV1(k)V2(k)]T，其中，T为矩阵的转置；则公式(1)改写成如下矩阵形式：令并加入k时刻的系统过程噪声wk，可得电池模型的状态方程为：xk＝Ak-1xk-1+Bk-1Ik-1+wk-1(15)其中：xk为k时刻的状态变量；xk-1为k-1时刻的状态变量；Ik-1为k-1时刻的电流；wk-1为k-1时刻的系统噪声，与电流的测量噪声有关；Ak-1为中间量；Bk-1为中间量；则锂电池模型输出方程为：Vk＝V0(SOCk)-V1(k)-V2(k)-R0Ik(16)其中：Vk为k时刻的端电压，V0(SOCk)为k时刻的开路电压，V1(k)为k时刻的R1C1环端电压，V2(k)为k时刻的R2C2环端电压，R0为欧姆内阻；由于开路电压V0(SOCk)与SOC之间是非线性关系，因此V0(SOCk)是非线性函数；令g(xk,Ik)＝V0(SOCk)-V1(k)-V2(k)-R0Ik，再加入观测噪声vk，得到锂电池模型输出方程式为：V'k＝g(xk,Ik)+vk(17)其中：V'k为k时刻的端电压的修正值；步骤4.2，设定初值，包括：为状态变量后验值和均方估计误差后验值设定初值；将步骤3确定的最优的过程噪声协方差矩阵Qk'和最优的测量噪声协方差矩阵Rk'作为初值；步骤4.3，根据步骤4.2设定的初值启动递推算法，代入步骤4.1确定的锂电池模型输出方程式，得到k时刻的状态变量先验值和k时刻的均方估计误差先验值为：其中：为k-1时刻的状态变量后验值；为k-1时刻的均方估计误差后验值；步骤4.4，计算卡尔曼滤波增益：其中：Gk为卡尔曼滤波增益；Ck是系统k时刻输出矩阵；步骤4.5，令根据k时刻端电压测量值V(k)和卡尔曼滤波增益Gk，得到k时刻的状态变量后验值以及相应的均方估计误差的后验值其中：为k时刻的状态变量后验值，I为电流；由于状态变量xk＝[SOCkV1(k)V2(k)]T，从而求得k时刻的电池SOC值，即：SOCk；步骤4.6，然后令k＝k+1，返回步骤4.3，进行下一轮SOC估算，如此循环递推，得到每个时刻电池的SOC值。优选的，步骤3具体为：步骤3.1，初始化萤火虫算法基本参数，包括：过程噪声协方差矩阵Qk和测量噪声协方差矩阵Rk的初值，萤火虫数目，种群维度为2，最大吸引力β0，光吸收系数γ，最大迭代次数；步骤3.2，随机初始化各个萤火虫的位置，计算每个萤火虫的目标函数值作为各自的绝对荧光亮度；具体的，以电池的电流需求作为输入，根据电池电压的实测值和锂电池等效二阶模型电压值的绝对误差作为IFA算法的目标函数值；采用目标函数值表示绝对亮度，即：对于任意的萤火虫i，建立其绝对荧光亮度Ii和目标函数之间的联系，采用目标函数值表示绝对亮度，即Ii＝f(x)；步骤3.3，根据萤火虫的吸引度公式，计算萤火虫i对萤火虫j的吸引力βij，再根据萤火虫i和萤火虫j之间的绝对荧光亮度，确定萤火虫的移动方向；具体的，假设萤火虫i的绝对亮度大于萤火虫j的绝对亮度，则萤火虫i吸引萤火虫j向萤火虫i移动；萤火虫i对萤火虫j的吸引力βij，通过下式计算：其中：γ为光吸收系数，β0为最大吸引力，rij为萤火虫i到萤火虫j的笛卡尔距离，即：式中，xik为k时刻萤火虫i所处的空间位置，xjk为k时刻萤火虫j所处的空间位置，d为变量的维数；xi为萤火虫i；xj为萤火虫j；步骤3.4，根据萤火虫的位置更新公式，更新萤火虫的空间位置，并对空间位置更新后的萤火虫进本文档来自技高网...

【技术保护点】
1.一种基于IFA-EKF的锂电池SOC估算方法，其特征在于，包括以下步骤：/n步骤1，建立锂电池二阶等效模型，其状态方程模型为：/n

【技术特征摘要】
1.一种基于IFA-EKF的锂电池SOC估算方法，其特征在于，包括以下步骤：
步骤1，建立锂电池二阶等效模型，其状态方程模型为：



式中：
Qn为电池实际容量，Δt为采样序列的时间间隔，SOC(k+1)为k+1时刻的电池SOC，SOC(k)为k时刻的电池SOC，I(k)为k时刻的电流，V1(k+1)为k+1时刻的R1C1环端电压，V1(k)为k时刻的R1C1环端电压，R1为浓度差极化电阻，C1为浓度差极化电容，V2(k+1)为k+1时刻的R2C2环端电压，V2(k)为k时刻的R2C2环端电压，R2为电化学极化电阻，C2为电化学极化电容；
其输出方程为：
V(k)＝V0(k)-V1(k)-V2(k)-R0I(k)(2)
式中：V(k)为k时刻的端电池，V0(k)为k时刻的开路电压，V1(k)为k时刻的R1C1环端电压，V2(k)为k时刻的R2C2环端电压，R0为欧姆内阻；
步骤2，对锂电池二阶等效模型进行参数辨识，分别得到开路电压V0与SOC关系数据、欧姆内阻R0与SOC关系数据、浓度差极化电阻R1与SOC关系数据、浓度差极化电容C1与SOC关系数据、电化学极化电阻R2与SOC关系数据，以及电化学极化电容C2与SOC关系数据；
步骤3，使用IFA算法对过程噪声协方差矩阵Qk和测量噪声协方差矩阵Rk进行在线寻优，得到最优的过程噪声协方差矩阵Qk'和最优的测量噪声协方差矩阵Rk′；
步骤4，以步骤3确定的最优的过程噪声协方差矩阵Qk'和最优的测量噪声协方差矩阵Rk'作为输入，以步骤2确定的参数辨识结果作为输入，采用EKF卡尔曼滤波算法进行锂电池SOC估算，得到最终的锂电池SOC估算值，本步骤具体为：
步骤4.1，令状态变量xk＝[SOCkV1(k)V2(k)]T，其中，T为矩阵的转置；
则公式(1)改写成如下矩阵形式：



令
并加入k时刻的系统过程噪声wk，可得电池模型的状态方程为：
xk＝Ak-1xk-1+Bk-1Ik-1+wk-1(15)
其中：xk为k时刻的状态变量；xk-1为k-1时刻的状态变量；Ik-1为k-1时刻的电流；wk-1为k-1时刻的系统噪声，与电流的测量噪声有关；Ak-1为中间量；Bk-1为中间量；
则锂电池模型输出方程为：
Vk＝V0(SOCk)-V1(k)-V2(k)-R0Ik(16)
其中：Vk为k时刻的端电压，V0(SOCk)为k时刻的开路电压，V1(k)为k时刻的R1C1环端电压，V2(k)为k时刻的R2C2环端电压，R0为欧姆内阻；
由于开路电压V0(SOCk)与SOC之间是非线性关系，因此V0(SOCk)是非线性函数；令g(xk,Ik)＝V0(SOCk)-V1(k)-V2(k)-R0Ik，再加入观测噪声vk，得到锂电池模型输出方程式为：
V'k＝g(xk,Ik)+vk(17)
其中：V'k为k时刻的端电压的修正值；
步骤4.2，设定初值，包括：为状态变量后验值和均方估计误差后验值P0+设定初值；将步骤3确定的最优的过程噪声协方差矩阵Qk'和最优的测量噪声协方差矩阵Rk'作为初值；
步骤4.3，根据步骤4.2设定的初值启动递推算法，代入步骤4.1确定的锂电池模型输出方程式，得到k时刻的状态变量先验值和k时刻的均方估计误差先验值为：

【专利技术属性】
技术研发人员：吴华伟，张远进，叶从进，杜聪聪，
申请(专利权)人：湖北文理学院，
类型：发明
国别省市：湖北;42