一种基于HCKF的电池SOC估计方法技术

本发明专利技术公开一种基于HCKF的电池SOC估计方法。在电池电化学模型的基础上，通过最小二乘法辨识参数，CKF作为确定采样型滤波算法，处理非线性方程时根据系统状态先验概率密度分布的均值和协方差按照一定的采样策略生成点集，然后将点集中的每个采样点直接进行非线性传播，最后通过加权求和计算出系统状态后验概率密度分布的均值和协方差。不需要对非线性方程进行线性化，消除了线性化误差，滤波算法迭代过程中也不需要计算EKF中的雅各比矩阵，更容易在实际中使用。提出将CKF和H_∞滤波器结合的HCKF算法用于估计SOC，有效避免了当存在电池模型误差和未知的测量噪声特性等问题时SOC估计不够准确的情况，大大提高了鲁棒性。

【技术实现步骤摘要】
一种基于HCKF的电池SOC估计方法
本专利技术属于锂电池领域，具体涉及一种基于HCKF(H无穷大容积卡尔曼滤波，H-InfinityCubatureKalmanFilter)的电池SOC估计方法。
技术介绍
电池作为备用电源,已在通信、电力系统、军事装备、电动汽车等领域得到了广泛的应用。在使用电池的过程中，最重要的就是知道电池的SOC(电池剩余容量，stateofcharge)状态。不同于电池的端电压和电流，电池的SOC不能通过传感器直接测量，它必须通过对端电压和电流等其他参数的测量并采用一定的数学模型和算法来估计得到。由于复杂的电池动态以及不同的操作条件，例如环境温度，自放电率，滞后，再生和电池老化，准确的估算SOC仍然是一项具有挑战性的任务。现在的电池SOC主要存在以下几种方法：传统方法有开路电压法，安时积分法等。开路电压法需要将电池长时间静置，根据事先测量好的OCV-SOC曲线获取电池的SOC，无法用于在线的实时估计。安时积分法会受到电流传感器测量精度的影响，会导致SOC的计算误差长期积累，误差会变得越来越大。第二种是以神经网络为代表的基于机器学习的相关算法，它可以从电池状态监测数据(如电压，电流，温度，阻抗)中直接挖掘电池信息及其演化规律，对剩余电量进行预测。但是，神经网络不仅需要大量的训练数据，而且其准确性还跟变量的选择，变量的数量等高度相关，不同的数据和训练方法对结果的影响很大。还有一种就是基于电池模型的滤波方法，常见的电池模型有Rint模型，Thevenin模型，PNGV模型等，二阶RC等效电路模型等，而常用的滤波方法有卡尔曼滤波(KF)，扩展卡尔曼滤(EKF)，无迹卡尔曼滤波(UKF)，粒子滤波(PF)等，通过对合适的模型采用合适的滤波方法可以对电池的SOC估计做出最小均方意义上的最优估计。现阶段的虽然有人将CKF用于SOC估计，但是未能完全解决电池SOC估计过程中电池模型参数不够准确，系统噪声和观测噪声统计特性未知，不符合高斯分布的问题，这有可能会导致整个系统收敛慢甚至是无法收敛，而且始终会对SOC的估计结果带来一定的误差。
技术实现思路
本专利技术的目的是为了针对现有技术的不足，本专利技术提出将CKF(CubatureKalmanFilter,容积卡尔曼滤波器)和H_∞(H无穷滤波器)滤波器结合的HCKF用于电池SOC估计过程中，该方法适用于所有类型电池的剩余电量估计。本专利技术方法的具体步骤如下：步骤(1).获取k时刻的电池端电压yk和电池放电电流ik，k＝1,2,3,……；步骤(2).用状态方程和观测方程表示电池的各个时刻的荷电状态；状态方程：其中xk为k时刻电池的荷电状态SOC值，即剩余电量；f(xk-1,ik)是状态预测函数，主要是通过安时积分法对k时刻的SOC值进行计算；wk为过程噪声；ηt为电池的放电比例系数；Q是电池在室温25℃条件下，以1/30C的放电速率完全放电后所得到的额定总电量；Δt是测量时间间隔；观测方程：其中h(xk,ik)是观测函数，主要是使用k时刻的SOC值和电流通过电池模型计算端电压值；vk为测量噪声；R为电池的电阻，k0,k1,k2,k3,k4表示常数，具体数值可以通过标准放电速率对电池进行放电，使用放电过程中采集到的不同时刻的端电压yk和SOC值通过最小二乘法拟合得到测量。上述放电比例系数ηt的确定方法为：(2-1)将完全充满电的电池以不同放电速率Ct(0＜Ct≤C，C为电池的额定放电电流)恒流放电N(N＞10)次，计算相应放电速率下的电池总电量Qt，1≤t≤N。(2-2)根据最小二乘方法拟合出Qt与Ct间的二次曲线关系，即在最小均方误差准则下求出同时满足其中a,b,c为所求得的最优系数；(2-3)在放电电流为ik时，对应的放电比例系数ηt为：此处，最优系数a,b,c对于同一类型的电池只需确定一次，确定后可作为已知常数直接用于所有同类型电池的剩余电量估计。电池的内阻R以及常数k0、k1、k2、k3、k4的确定方法为：(2-4)在室温25℃条件下、以1/30倍额定电流对充满电的电池进行恒定电流放电直至电量耗尽；(2-5)在放电过程中以时间间隔Δt测量电池在k时刻的端电压yk，k＝0,1,2,...M，其中k＝0对应电池充满后的起始放电时刻，k＝M对应电池电量耗尽的终止时刻。(2-6)计算k时刻的剩余电量xk：(2-7)记在上述表达中，将0至M时刻的端电压记为向量Y，将状态方程不同时刻的变量记为矩阵H，将电池模型的参数记为向量P。根据P＝(HTH)-1HTY，即得到内阻R以及常数k0、k1、k2、k3、k4，其中T表示矩阵的转置。对同一类型的电池，这些参数只需确定一次，确定后可作为已知常数直接用于所有同类型电池的剩余电量估计。步骤(3).执行参数的初始化。初始化起始估计荷电状态SOC值及其方差P0，初始化过程噪声wk的方差Q和测量噪声vk的方差R，将起始估计状态扩展为三维状态向量同时将其方差P0也扩展为协方差由于本示例中状态向量为三维，故共取6个基本容积点，计算基本容积点集ξi和权重ωi：i＝1,2,3,4,5,6；；步骤(4).采用HCKF算法进行循环递推：(4-1).根据k时刻的估计状态及其方差Pk得到对应的三维状态向量和协方差(4-2).通过状态方程进行时间更新，首先开始计算系统中的容积点其中Sk为对进行Cholesky分解运算得到的下三角矩阵；T表示转置；其中为围绕状态估计向量生成的容积点；(4-3).使用容积点计算状态量估计值以及估计值协方差Pk+1|k：其中为容积点通过状态预测函数得到的围绕状态量估计值的容积点；其中为k+1时刻的状态估计值；其中Pk+1|k为估计状态量的协方差矩阵；(4-4).通过观测方程进行测量更新，重新计算容积点。Pk+1|k＝Sk+1|k(Sk+1|k)T；式(10)其中Sk+1为对Pk+1|k进行Cholesky分解运算得到的下三角矩阵；T表示转置其中为围绕估计状态量重新生成的容积点。(4-5).使用容积点计算测量估计值。其中为新容积点通过观测函数得到的围绕测量估计值的容积点。其中为k+1时刻的测量估计值，即k+1时刻的端电压估计值。(4-6).计算测量误差协方差和互协方差其中为测量估计值的协方差矩阵。其中为状态量估计值和测量估计值的互协方差矩阵。(4-7).计算卡尔曼增益和状态更新其中Kk+1是卡尔曼增益。其中是最终得到的k+1时刻的最佳状态估计值，yk+1为k+1时刻得到的实际测量值。(4-8).最后更新最佳状态估计值的协方差在计算最佳状态估计值的本文档来自技高网...

【技术保护点】
1.一种基于HCKF的电池SOC估计方法，其特征在于包括以下步骤：/n步骤(1).获取k时刻的电池端电压y

【技术特征摘要】
1.一种基于HCKF的电池SOC估计方法，其特征在于包括以下步骤：
步骤(1).获取k时刻的电池端电压yk和电池放电电流ik，k＝1，2，3，……；
步骤(2).用状态方程和观测方程表示电池的各个时刻的荷电状态；
状态方程：



其中xk为k时刻电池的荷电状态SOC值，即剩余电量；f(xk-1，ik)是状态预测函数；wk为过程噪声；ηt为电池的放电比例系数；Q是电池在室温25℃条件下，以1/30C的放电速率完全放电后所得到的额定总电量；Δt是测量时间间隔；
观测方程：



其中h(xk，ik)是观测函数；vk为测量噪声；R为电池的电阻，k0，k1，k2，k3，k4表示常数，具体数值可以通过标准放电速率对电池进行放电，使用放电过程中采集到的不同时刻的端电压yk和SOC值通过最小二乘法拟合得到测量；
步骤(3).执行参数的初始化
初始化荷电状态SOC起始估计值及其方差P0，初始化过程噪声wk的方差Q和测量噪声vk的方差R，将起始估计状态扩展为三维状态向量同时将其方差P0也扩展为协方差由于状态向量为三维，故共取6个基本容积点，计算基本容积点集ξi和权重ωi：



步骤(4).采用HCKF算法进行循环递推：
(4-1).根据k时刻的荷电状态SOC估计值及其方差Pk得到对应的三维状态向量和协方差
(4-2).通过状态方程进行时间更新，计算系统中的容积点



其中Sk为对进行Cholesky分解运算得到的下三角矩阵；T表示转置；



其中为围绕状态估计向量生成的容积点；
(4-3).使用容积点计算荷电状态SOC估计值以及估计值协方差Pk+1|k：



其中为容积点通过状态预测函数得到的围绕状态量估计值的容积点；



其中为k+1时刻的荷电状态SOC估计值；



其中Pk+1|k为荷电状态SOC估计值的协方差矩阵；
(4-4).通过观测方程进行测量更新，重新计算容积点；
Pk+1|k＝Sk+1|k(Sk+1|k)T式(10)
其中Sk+1为对Pk+1|k进行Cholesky分解运算得到的下三角矩阵；T表示转置；



其中为围绕荷电状态SOC估计值重新生成的容积点；
(4-5).使用容积点计算测量估计值；



其中为新容积点通过观测函数得到的围绕测量估计值的容积点；



其中为k+1时刻的测量估计值，即k+1时刻的端电压...

【专利技术属性】
技术研发人员：何志伟，赵鹏程，高明煜，刘圆圆，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：浙江;33