一种基于极大似然准则的锂离子电池能量状态估算方法技术

本发明专利技术实施例公开了一种基于极大似然准则的锂离子电池能量状态估算方法，包括：获得锂离子电池的开路电压Uocv和锂离子电池的电池能量状态SOE的关系；离线辨识DP电路模型的特性参数；建立DP电路模型的数学方程；将DP电路模型的数学方程离散化处理；根据Uocv和SOE的关系以及离散化处理后的DP电路模型的数学方程，选取第一RC电路的极化电压U

【技术实现步骤摘要】
一种基于极大似然准则的锂离子电池能量状态估算方法
本专利技术涉及新能源汽车电池管理系统领域，尤其涉及一种基于极大似然准则的锂离子电池能量状态估算方法。
技术介绍
电池管理系统(BatteryManagementSystem，BMS)通过获取动力电池的状态来制定相应的控制策略，确保电池高效安全的工作，是新能源汽车动力系统的核心技术。合格的BMS应该包括估算电池内部状态(荷电状态SOC、健康状态SOH、功率状态SOP、能量状态SOE)、监测电池工作状态、电池均衡控制、热管理和信息交互功能。其中，SOC只反映了电流随时间的变化，不能反映电池当前的端电压随时间的变化，因此也未能反映电池当前的功率信息。电池能量状态(StateofEnergy，SOE)表征的电池能量状态与功率具有较为直接的函数关系，更适合用于对续航里程的估算和能量管理的优化。目前对于电池SOE的估算方法，考虑到传统的功率积分法由于电流和电压的测量精度误差产生的不可避免的累积误差，借鉴SOE和SOC在估算原理的相似之处，一些学者对SOE的精确估算提供了一些方法，比如，Li基于二阶RC模型建立了SOE和SOC估计的EKF算法，结果表明：该算法在动态负载电流工况测试下，SOE对锂离子电池的能量行为捕获精度高于SOC。Zheng等综合分析了环境温度、电池放电/充电电流、电池最大可用能量与SOE的电池老化水平依赖关系，提出了LiMn2O4电池的SOE与SOC之间的明确定量关系用于SOE估算，并引入了移动窗能量积分技术来估算电池的最大可用能量。实验结果表明，该方法能够准确地估计电池的最大可用能量和SOE值。但是此方法需要采取大量的电池实验数据才能获得SOE与SOC之间的明确定量关系，不适用于实时在线估计。Wang在SOE定义式中加入温度和倍率修正因子，采用一阶等效电路模型和RLS参数辨识进行基于极大似然准则自适应扩展卡尔曼滤波估计，对比EKF达到了较好的估计结果。但大多SOE估算的方法仍是以卡尔曼滤波为主体的方法，这些方法要么没有考虑到固定的过程噪声和测量噪声协方差，也就没有应对噪声统计变化的自适应能力，要么没有考虑到自适应噪声在实际计算过程往往由于失去非负定性和正定性导致估算结果稳定性不高，也就是滤波结果容易发散。
技术实现思路
针对上述技术问题，本专利技术实施例提供了一种基于极大似然准则的锂离子电池能量状态估算方法，所述锂离子电池应用于双极化DP电路模型中，所述DP电路模型还包括与所述锂离子电池的负极连接的第一电阻、与所述锂离子电池的正极连接的第一RC电路以及与所述第一RC电路串联的第二RC电路，所述第一RC电路包括并联连接的第二电阻和第一电容，所述第二RC电路包括并联连接的第三电阻和第二电容；所述方法包括：获得所述锂离子电池的开路电压Uocv和所述锂离子电池的电池能量状态SOE的关系；离线辨识所述DP电路模型的特性参数，所述特性参数包括所述第一电阻的阻值R0、所述第二电阻的极化电阻Rp1、所述第一电容的极化电容Cp1、所述第三电阻的极化电阻Rp2和所述第二电容的极化电容Cp2；建立所述DP电路模型的数学方程；将所述DP电路模型的数学方程离散化处理；根据所述锂离子电池的开路电压Uocv和所述锂离子电池的电池能量状态SOE的关系以及离散化处理后的DP电路模型的数学方程，选取所述第一RC电路的极化电压U1、所述第二RC电路的极化电压U2以及所述SOE作为状态变量，选取所述第二RC电路远离所述第一RC电路一端至所述第一电阻远离所述锂离子电池的负极的一端的电池端电压UL作为观察变量，建立状态方程和观测方程；根据所述状态方程、所述观测方程以及基于极大似然准则的自适应卡尔曼滤波算法，对所述SOE进行估算。可选地，所述根据所述状态方程、所述观测方程以及基于极大似然准则的自适应卡尔曼滤波EKF算法，对所述SOE进行估算，包括：S1、将所述状态方程和所述观测方程代入所述EKF算法得到系统矩阵，所述系统矩阵包括状态估计矩阵、状态转移矩阵、控制矩阵和测量矩阵；S2、设置移动平均窗口M以及所述SOE的初始值SOE(0)、所述U1的初始值U1(0)、所述U2的初始值U2(0)、状态误差协方差矩阵的初始矩阵P(0)、过程噪声协方差矩阵的初始矩阵Q(0)和测量噪声协方差矩阵的初始矩阵R(0)；S3、进行状态估计矩阵、误差协方差矩阵、测量矩阵和残差的时间更新，其中，所述状态估计矩阵为：所述误差协方差矩阵为：所述测量矩阵为：所述残差为：为利用k-1时刻的状态估计矩阵估计的k时刻的最优状态估计矩阵、为利用k-1时刻的状态转移矩阵估计的k时刻的状态转移矩阵、为k-1时刻的最优估计值、Uk-1为k-1时刻的控制矩阵、Pk/k-1为利用k-1时刻的协方差矩阵估计的k时刻的最优协方差矩阵、Pk-1为k-1时刻的协方差矩阵、为的转置、Qk-1为k-1时刻的预测过程噪声的协方差矩阵、为利用k-1时刻的测量矩阵估计的k时刻的最优测量矩阵、sk为k时刻的残差、zk为k时刻的测量矩阵、为k时刻的测量矩阵的最优估计值；S4、计算卡尔曼增益，所述卡尔曼增益为：Kk为k时刻的卡尔曼增益、为Hk的转置矩阵、Hk为k时刻的转换矩阵、Rk为k时刻的测量噪声协方差矩阵；S5、更新得到当前时刻k的状态变量的最优估计值和协方差矩阵Pk，并将当前时刻k得到的最优估计值和协方差矩阵Pk作为下一时刻的初始值，其中，Pk＝(I-KkHk)Pk/k-1，为利用k-1时刻的测量矩阵估计的k时刻的最优测量矩阵、I为所述DP电路模型的电流；S6、判断估算的步长是否小于移动平均窗口M，若所述估算的步长小于所述移动平均窗口M，则新息协方差的最优估计值对过去的所有时刻取新息的平均值，若所述估算的步长大于所述移动平均窗口M，则通过下述公式更新i为估算的步长的序号，K为正整数、si为残差、siT为si的转置；S7、更新过程噪声协方差Q和测量噪声协方差R；其中，为k时刻的过程噪声协方差的最优估计值、为k时刻的新息协方差的最优估计值、KkT为Kk的转置矩阵、为k时刻的测量噪声协方差的最优估计值、Pk为k时刻的协方差矩阵；循环步骤S3至S7，估算出所述锂离子电池在预设时段内的SOE。可选地，所述移动平均窗口M为10；和/或，SOE(0)＝0.8、U1(0)＝0、U2(0)＝0、P(0)为单位矩阵、Q(0)和R(0)为零矩阵。可选地，在S3中，是通过以下公式更新出的当前时刻测量值的最优估计值：为k时刻的最优估计值。可选地，所述获得所述锂离子电池的开路电压Uocv和所述锂离子电池的电池能量状态SOE的关系，包括：对所述DP电路模型进行混合脉冲功率性能测试HPPC，获得所述Uocv和所述SOE的数值大小；根据所述Uocv、所述SOE的数值大小和预设计算模型，拟合所述Uocv和所述SOE的关系；其中，所述预设计算模型以所述SOE为自变量，以所述Uocv为因变量。可选地，所述预设计算模型为多项式函数，所本文档来自技高网...

【技术保护点】
1.一种基于极大似然准则的锂离子电池能量状态估算方法，其特征在于，所述锂离子电池应用于双极化DP电路模型中，所述DP电路模型还包括与所述锂离子电池的负极连接的第一电阻、与所述锂离子电池的正极连接的第一RC电路以及与所述第一RC电路串联的第二RC电路，所述第一RC电路包括并联连接的第二电阻和第一电容，所述第二RC电路包括并联连接的第三电阻和第二电容；所述方法包括：/n获得所述锂离子电池的开路电压Uocv和所述锂离子电池的电池能量状态SOE的关系；/n离线辨识所述DP电路模型的特性参数，所述特性参数包括所述第一电阻的阻值R

【技术特征摘要】
1.一种基于极大似然准则的锂离子电池能量状态估算方法，其特征在于，所述锂离子电池应用于双极化DP电路模型中，所述DP电路模型还包括与所述锂离子电池的负极连接的第一电阻、与所述锂离子电池的正极连接的第一RC电路以及与所述第一RC电路串联的第二RC电路，所述第一RC电路包括并联连接的第二电阻和第一电容，所述第二RC电路包括并联连接的第三电阻和第二电容；所述方法包括：
获得所述锂离子电池的开路电压Uocv和所述锂离子电池的电池能量状态SOE的关系；
离线辨识所述DP电路模型的特性参数，所述特性参数包括所述第一电阻的阻值R0、所述第二电阻的极化电阻Rp1、所述第一电容的极化电容Cp1、所述第三电阻的极化电阻Rp2和所述第二电容的极化电容Cp2；
建立所述DP电路模型的数学方程；
将所述DP电路模型的数学方程离散化处理；
根据所述锂离子电池的开路电压Uocv和所述锂离子电池的电池能量状态SOE的关系以及离散化处理后的DP电路模型的数学方程，选取所述第一RC电路的极化电压U1、所述第二RC电路的极化电压U2以及所述SOE作为状态变量，选取所述第二RC电路远离所述第一RC电路一端至所述第一电阻远离所述锂离子电池的负极的一端的电池端电压UL作为观察变量，建立状态方程和观测方程；
根据所述状态方程、所述观测方程以及基于极大似然准则的自适应卡尔曼滤波算法，对所述SOE进行估算。


2.根据权利要求1所述的基于极大似然准则的锂离子电池能量状态估算方法，其特征在于，所述根据所述状态方程、所述观测方程以及基于极大似然准则的自适应卡尔曼滤波EKF算法，对所述SOE进行估算，包括：
S1、将所述状态方程和所述观测方程代入所述EKF算法得到系统矩阵，所述系统矩阵包括状态估计矩阵、状态转移矩阵、控制矩阵和测量矩阵；
S2、设置移动平均窗口M以及所述SOE的初始值SOE(0)、所述U1的初始值U1(0)、所述U2的初始值U2(0)、状态误差协方差矩阵的初始矩阵P(0)、过程噪声协方差矩阵的初始矩阵Q(0)和测量噪声协方差矩阵的初始矩阵R(0)；
S3、进行状态估计矩阵、误差协方差矩阵、测量矩阵和残差的时间更新，其中，所述状态估计矩阵为：所述误差协方差矩阵为：所述测量矩阵为：所述残差为：为利用k-1时刻的状态估计矩阵估计的k时刻的最优状态估计矩阵、为利用k-1时刻的状态转移矩阵估计的k时刻的状态转移矩阵、为k-1时刻的最优估计值、Uk-1为k-1时刻的控制矩阵、Pk/k-1为利用k-1时刻的协方差矩阵估计的k时刻的最优协方差矩阵、Pk-1为k-1时刻的协方差矩阵、为的转置、Qk-1为k-1时刻的预测过程噪声的协方差矩阵、为利用k-1时刻的测量矩阵估计的k时刻的最优测量矩阵、sk为k时刻的残差、zk为k时刻的测量矩阵、为k时刻的测量矩阵的最优估计值；<...

【专利技术属性】
技术研发人员：旷理政，刘贵军，康键强，谭祖宪，
申请(专利权)人：深圳市鹏诚新能源科技有限公司，
类型：发明
国别省市：广东;44