一种用于小型旋转翼纯电动无人机的锂电池状态估计方法技术

本发明专利技术涉及一种用于小型旋转翼纯电动无人机的锂电池状态估计方法，包括：步骤1、预测体系结构设计；步骤2、基于电池内阻值的锂电池SOC值实时计算；步骤3、旋转翼纯电动无人机近似功耗模型建立和功耗预测；步骤4、预测锂电池终止寿命EOD。本发明专利技术的有益效果是：本发明专利技术能够精确跟踪电池电压变化趋势，准确预测EOD期望值，且计算效率高；本发明专利技术设计的预测框架结构实现低硬件成本和整体性能稳定；本发明专利技术基于电池等效模型，利用人工进化理论得出电池负载、温度和SOC值之间的相关性；本发明专利技术利用外部反馈校正回路，引入贝叶斯估计法，调整过程噪声的方差值，减小估计偏差值，补偿动态系统初始值不正确的问题；达到锂电池状态估计方法的整体功能。

【技术实现步骤摘要】
一种用于小型旋转翼纯电动无人机的锂电池状态估计方法
本专利技术涉及一种小型旋转翼纯电动无人机的锂电池状态估计方法，更具体地说，它涉及一种无人机锂电池模型建立、荷电状态估计和终止寿命估计方法，以及基于模型的功率消耗预测方法。
技术介绍
理想无人机适用于长时间的飞行应用，其飞行持续时间与飞行器的总重量直接相关，锂聚合物电池(Li-Po)能量密度高，通常用作纯电动无人机的主电源。但是，小型旋转翼纯电动无人机面临着与电池使用相关的问题和风险，例如温度、负载或老化，以及电池续航能力。锂电池状态估计系统主要完成蓄电池能量的合理分配和利用，并为操作者提供电池的实时诊断信息。因此，状态估计系统必须获得电池荷电状态(SOC)、剩余使用寿命(RUL)和功率消耗等有效信息，已知上述状态值是验证目标任务是否可行的前提，也是在线工作决策的关键条件。目前，研究者提出多种具有不同粒度和抽象级别的电池状态模型，但是模型复杂度较高，在实际工况中需要辨识较难计算的参数。性能实验表明，高粒度和低抽象级别能够得到更精确的预测结果，但是，该方法需要将大数量的参数集包含在状态向量中，降低收敛性能。利用新型电化学模型对锂电池终止寿命(EOD)进行估计，结果精确且不确定性很小。但是，该方法需要离线估计27个电池参数，计算复杂度高和计算时间长。有学者引入基于贝叶斯滤波方法的经验模型，该滤波方法能够实时有效的估计单体电池SOC值，并且只需要离线估计7个参数。但是，对于多个电池的开路电压(OCV)曲线，该方法的参数值数量不充分。负载特征趋势根据无人机飞行路线推算，即利用每个飞行阶段的长度和速度(例如，爬升、悬停、前飞等)计算未来可能的负载大小。但是，该方法受到空气密度、风速、压力和温度的影响，降低推算性能，影响功率效率。
技术实现思路
本专利技术设计适用于小型旋转翼纯电动无人机的锂电池状态估计方法，建立锂电池电路等效模型，实现锂电池SOC实时计算，终止寿命估计和功率消耗预测等状态估计。这种用于小型旋转翼纯电动无人机的锂电池状态估计方法，包括以下步骤：步骤1、预测体系结构设计：采用基于模型的预测体系结构，设计新模型来描述系统对输入向量的时间响应，系统模型定义为：x(k+1)＝f(k,x(k),θ(k),u(k),m(k))(1)y(k)＝h(k,x(k),θ(k),u(k),n(k))(2)上式(1)至式(2)中，为状态向量，k为离散时间变量，为未知参数向量，为输入向量，为过程噪声向量，为输出向量，为量测噪声向量，f为状态方程，h为输出方程；步骤2、基于电池内阻值的锂电池SOC值实时计算：结合当前时刻的负载、温度和SOC值的相关性特征，设计基于人工进化算法的电池内阻绝对值计算和SOC估计；步骤3、旋转翼纯电动无人机近似功耗模型建立和功耗预测；利用空气动力学的原始模型可以建立无人机功率消耗的理想模型，用于表征不同飞行动作下的功率消耗，如爬升、悬停、水平飞行和下降等；基于动量理论建立近似功耗模型，近似功耗模型计算的功率消耗为重量、盘驱动器面积、空气密度、平移速度和机动类型的函数；同时将温度因素间接包含在空气密度中；步骤4、预测锂电池终止寿命EOD：基于锂电池简化模型和SOC计算值信息，锂电池终止寿命EOD预测值定义为锂电池电压的期望值达到门限值eod，同时指定故障概率达到门限值γ(JITPγ％)的操作周期。作为优选，所述步骤1具体包括以下步骤：步骤1-1、定义预测体系应用基础：k个采样时间的观测历史确定联合状态参数，估计状态p(x(k),θ(k)|y(k0:k))，其中k0为初始采样时间点；在采样时间点kp确定预测输出值，并利用p(x(k),θ(k)|y(k0:k))的概率分布；步骤1-2、设计锂电池状态估计方法框架：在k个离散采样时间段，系统输入为u(k)，u(k)作为被测量系统的输入，被测量系统的量测输出为y(k)；y(k)与u(k)作为估计模块的输入，估计模块利用u(k)、y(k)和系统模型计算估计值p(x(k),θ(k)|y(k0:k))；将p(x(k),θ(k)|y(k0:k))作为预测模块的输入，预测模块利用联合状态参数分布、系统模型和假设未来输入值计算时刻kp的概率分布p(kp|y(k0:kp))；步骤1-3、设计锂电池管理系统算法流程,该算法流程包括估计阶段和预后阶段；锂电池管理系统的输入为u(k)，输出为锂电池终止寿命EOD；所述估计阶段和预后阶段均基于锂电池简化模型；估计阶段利用贝叶斯估计器计算估计状态值和估计误差值估计阶段引入外反馈矫正回路，用于检测输出量测值与估计值之间的误差值；外反馈矫正回路的输入为贝叶斯估计器的观测误差值eobs(k)，输出为稳定校正值std(v(k))；外反馈矫正回路通过增加过程噪声减少误差值，降低过程噪声增加收敛性；预后阶段利用蒙特卡洛预测器计算估计终止寿命预后阶段在采样时间点kE确定基于空气动力学的功率消耗预测，并将预测结果作为辅助输入值输入锂电池简化模型，计算锂电池终止寿命EOD。作为优选，所述步骤2具体包括以下步骤：步骤2-1、建立状态转移方程：假设电池动态特性的离散特征，该模型结构结合OCV曲线中的非线性特征，实现对观测方程的修正，同时实现离线的参数估计过程。建立状态方程：R(k+1)＝R(k)+w1(k)(3)SOC(k+1)＝SOC(k)-P(k)·Δt·Ecrit(k)-1+w2(k)(4)Ecrit(k+1)＝Ecrit(k)+w3(k)(5)上式(3)至式(5)中，R(k)为内阻值，SOC(k)为荷电状态，P(k)为功率，Δt为时间间隔，Ecrit(k)为预期传递总能量，所述SOC(k)为唯一状态向量；SOC为标准化的剩余电池能量，归一化为Ecrit；w1(k)和w2(k)为过程噪声，w3(k)为量测噪声；w1(k)和w2(k)归一化为过程噪声向量m(k)，w3(k)归一化为量测噪声向量n(k)，设过程噪声向量m(k)和量测噪声向量n(k)均为高斯白噪声；步骤2-2、建立量测方程：U(k)＝ucrit(k)-i(k)·R(k)+n(k)(6)上式(6)至式(8)中，U(k)为端电压，单位为伏特；ucrit为电路等效模型端电压，i(k)为放电电流，单位为安培；R(k)为内阻值，n(k)为量测噪声向量，uoc为开路电压，uL为离线端电压，λ,γ,β和μ为离线估计的模型参数；SOC(k)为荷电状态，P(k)为功率，单位为瓦特；t为采样时间，单位为秒；将P(k)和t作为输入向量u(k)，将端电压U(k)作为输出变量y(k)，求解二次方程得：0＝R(k)·(i(k))2-uoc(k)·i(k)+P(k)(10)上式(9)至式(10)中，i(k)为放电电流，单位为安培；P(k)为功率，单位为瓦特；uoc为开路电压，R(k)为内阻值；荷电状态SOC(k)的时间变化值取决于电压测量值，过程噪声与量测噪声相关；<本文档来自技高网...

【技术保护点】
1.一种用于小型旋转翼纯电动无人机的锂电池状态估计方法，其特征在于，包括以下步骤：/n步骤1、预测体系结构设计：采用基于模型的预测体系结构，设计新模型来描述系统对输入向量的时间响应，系统模型定义为：/nx(k+1)＝f(k,x(k),θ(k),u(k),m(k)) (1)/ny(k)＝h(k,x(k),θ(k),u(k),n(k)) (2)/n上式(1)至式(2)中，

【技术特征摘要】
1.一种用于小型旋转翼纯电动无人机的锂电池状态估计方法，其特征在于，包括以下步骤：
步骤1、预测体系结构设计：采用基于模型的预测体系结构，设计新模型来描述系统对输入向量的时间响应，系统模型定义为：
x(k+1)＝f(k,x(k),θ(k),u(k),m(k))(1)
y(k)＝h(k,x(k),θ(k),u(k),n(k))(2)
上式(1)至式(2)中，为状态向量，k为离散时间变量，为未知参数向量，为输入向量，为过程噪声向量，为输出向量，为量测噪声向量，f为状态方程，h为输出方程；
步骤2、基于电池内阻值的锂电池SOC值实时计算：结合当前时刻的负载、温度和SOC值的相关性特征，设计基于人工进化算法的电池内阻绝对值计算和SOC估计；
步骤3、旋转翼纯电动无人机近似功耗模型建立和功耗预测；基于动量理论建立近似功耗模型，近似功耗模型计算的功率消耗为重量、盘驱动器面积、空气密度、平移速度和机动类型的函数；同时将温度因素间接包含在空气密度中；
步骤4、预测锂电池终止寿命EOD：基于锂电池简化模型和SOC计算值信息，锂电池终止寿命EOD预测值定义为锂电池电压的期望值达到门限值eod，同时指定故障概率达到门限值γ(JITPγ％)的操作周期。


2.根据权利要求1所述用于小型旋转翼纯电动无人机的锂电池状态估计方法，其特征在于，所述步骤1具体包括以下步骤：
步骤1-1、定义预测体系应用基础：k个采样时间的观测历史确定联合状态参数，估计状态p(x(k),θ(k)|y(k0:k))，其中k0为初始采样时间点；在采样时间点kp确定预测输出值，并利用p(x(k),θ(k)|y(k0:k))的概率分布；
步骤1-2、设计锂电池状态估计方法框架：在k个离散采样时间段，系统输入为u(k)，u(k)作为被测量系统的输入，被测量系统的量测输出为y(k)；y(k)与u(k)作为估计模块的输入，估计模块利用u(k)、y(k)和系统模型计算估计值p(x(k),θ(k)|y(k0:k))；将p(x(k),θ(k)|y(k0:k))作为预测模块的输入，预测模块利用联合状态参数分布、系统模型和假设未来输入值计算时刻kp的概率分布p(kp|y(k0:kp))；
步骤1-3、设计锂电池管理系统算法流程,该算法流程包括估计阶段和预后阶段；锂电池管理系统的输入为u(k)，输出为锂电池终止寿命EOD；所述估计阶段和预后阶段均基于锂电池简化模型；
估计阶段利用贝叶斯估计器计算估计状态值和估计误差值估计阶段引入外反馈矫正回路，用于检测输出量测值与估计值之间的误差值；外反馈矫正回路的输入为贝叶斯估计器的观测误差值eobs(k)，输出为稳定校正值std(v(k))；外反馈矫正回路通过增加过程噪声减少误差值，降低过程噪声增加收敛性；
预后阶段利用蒙特卡洛预测器计算估计终止寿命预后阶段在采样时间点kE确定基于空气动力学的功率消耗预测，并将预测结果作为辅助输入值输入锂电池简化模型，计算锂电池终止寿命EOD。


3.根据权利要求1所述用于小型旋转翼纯电动无人机的锂电池状态估计方法，其特征在于，所述步骤2具体包括以下步骤：
步骤2-1、建立状态转移方程：假设电池动态特性的离散特征，建立状态方程：
R(k+1)＝R(k)+w1(k)(3)
SOC(k+1)＝SOC(k)-P(k)·Δt·Ecrit(k)-1+w2(k)(4)
Ecrit(k+1)＝Ecrit(k)+w3(k)(5)
上式(3)至式(5)中，R(k)为内阻值，SOC(k)为荷电状态，P(k)为功率，Δt为时间间隔，Ecrit(k)为预期传递总能量，所述SOC(k)为唯一状态向量；SOC为标准化的剩余电池能量，归一化为Ecrit；w1(k)和w2(k)为过程噪声，w3(k)为量测噪声；w1(k)和w2(k)归一化为过程噪声向量m(k)，w3(k)归一化为量测噪声向量n(k)，设过程噪声向量m(k)和量测噪声向量n(k)均为高斯白噪声；
步骤2-2、建立量测方程：
U(k)＝ucrit(k)-i(k)·R(k)+n(k)(6)






上式(6)至式(8)中，U(k)为端电压，单位为伏特；ucrit为电路等效模型端电压，i(k)为放电电流，单位为安培；R(k)为内阻值，n(k)为量测噪声向量，uoc为开路电压，uL为离线端电压，λ,γ,β和μ为离线估计的模型参数...

【专利技术属性】
技术研发人员：汪秋婷，戚伟，沃奇中，肖铎，刘泓，
申请(专利权)人：浙江大学城市学院，
类型：发明
国别省市：浙江;33