基于求积分卡尔曼滤波的锂电池剩余电量估计方法技术

本发明专利技术公开了一种基于求积分卡尔曼滤波的锂电池剩余电量估计方法，包括步骤一、建立锂电池的等效电路模型；二、根据等效电路模型建立状态方程和观测方程；三、对等效电路模型中参数进行参数辨识；四、以SOC为状态变量，建立离散时间的状态方程；五、确定Gauss‑Hermite求积分点的大小以及求积分点所对应的权值；六、采用求积分卡尔曼滤波的运算流程对放电过程中的锂电池剩余电量不断估计。本发明专利技术方法步骤简单，实现方便，通过求积分卡尔曼滤波算法对锂电池剩余电量进行估计，对锂电池的动态适应性好，估计精度高，能够有效应用在新能源汽车等对锂电池剩余电量估计实时性和精确性要求较高的领域，效果显著，便与推广。

【技术实现步骤摘要】
基于求积分卡尔曼滤波的锂电池剩余电量估计方法
本专利技术属于锂电池
，具体涉及一种基于求积分卡尔曼滤波的锂电池剩余电量估计方法。
技术介绍
电池荷电状态(SOC)也叫做电池剩余电量，是锂离子电池的一个重要指标，一般定义为电池剩余容量与标称容量的比值。针对锂离子电池SOC估计的重要意义，国内外投入大量资源进行算法研究，并取得了不错的估计效果。但目前已有的SOC估计方法仍然存在着一些问题，因此SOC估计算法的研究依然是当前的研究热点。常用的锂电池SOC估计方法有安时积分法、开路电压法、神经网络方法、以及卡尔曼滤波方法等。在锂离子电池发展初期，锂离子电池主要应用在一些基础设备中，对电池的SOC估计要求较低，所以使用的算法也相对简单，主要包括内阻分析法、安时积分法和开路电压法等。安时积分法对锂离子电池SOC进行估计，该算法根据一段时间内电流与时间的积分估计剩余电量，理论上具有很好的估计效果，且操作简单，易于实现。但是安时积分法不能准确确定SOC估计的初始值，并且是一种开环算法，将导致估计误差增加。开路电压法估计电池SOC，利用电池SOC与开路电压之间的比例关系估计电池剩余电量，不存在误差累积的缺点，能够较为精确的估计电池SOC，但是开路电压法得到电池开路电压需要长时间的静置，导致电池SOC估计不能达到实时估计的效果。随着应用环境的不断变化，对锂离子电池的SOC估计标准也在不断提高，早期的估计算法已经不能满足SOC的估计需求，逐渐出现了一些智能化算法如神经网络算法。基于BP神经网络的SOC估计方法，采用大量的锂离子电池样本数据进行训练，如电池工作电流、电压、时间等数据，得到基于BP神经网络的SOC估计模型，将电池SOC估计误差降低到3％以下。简单的神经网络算法估计电池SOC可能存在不适用于所有工况的问题，在估计过程中加入了遗传算法，提高对参数的辨识精度，对电池SOC估计具有很好的适用性。但是神经网络算法需要大量的样本数据进行学习训练，样本的数据量越大，估计的精度越高，在实际的工程实践应用中使用较少。近些年来，锂离子电池应用在新能源汽车等领域，对SOC估计算法的实时性和精确性要求越来越高。卡尔曼滤波算法作为一种递推的估计方法，在线性系统中能够进行实时预测且具有很高的精度。结合锂离子电池估计问题，一些非线性滤波算法开始应用于SOC估计，如扩展卡尔曼滤波算法(EKF)、无迹滤波算法(UF)等。使用EKF算法估计电池SOC，对非线性函数进行线性化处理，实时估计下一时刻的剩余电量，且能够对估计值不断修正，以达到跟随真实值的效果，该方法简单易行，计算方便。UF算法估计电池SOC，不用线性化近似来估计SOC，而是近似函数的概率密度分布来估计SOC值，估计精度较EKF方法得到提升。UDDS(UrbanDynamometerDrivingSchedule)工况是美国用来评价车辆排放状况的实验方法，其实质是模拟城市或者郊区车辆运行状况，主要包括加速爬坡、减速和匀速行驶等。现有技术中，在动态UDDS工况下对锂电池剩余电量的估计精度有待进一步提高。
技术实现思路
本专利技术所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于求积分卡尔曼滤波的锂电池剩余电量估计方法，其方法步骤简单，实现方便，通过求积分卡尔曼滤波算法对锂电池剩余电量进行估计，对锂电池的动态适应性好，估计精度高，能够有效应用在新能源汽车等对锂电池剩余电量估计实时性和精确性要求较高的领域，效果显著，便与推广。为解决上述技术问题，本专利技术采用的技术方案是：一种基于求积分卡尔曼滤波的锂电池剩余电量估计方法，该方法包括以下步骤：步骤一、建立锂电池的等效电路模型；步骤二、根据等效电路模型建立状态方程和观测方程；步骤三、对等效电路模型中参数进行参数辨识；步骤四、以SOC为状态变量，建立离散时间的状态方程；步骤五、确定Gauss-Hermite求积分点的大小以及求积分点所对应的权值；步骤六、采用求积分卡尔曼滤波的运算流程对放电过程中的锂电池剩余电量不断估计。上述的基于求积分卡尔曼滤波的锂电池剩余电量估计方法，步骤一中所述电池的等效电路模型为二阶RC等效电路模型，所述二阶RC等效电路模型包括电池开路电压源Uocv、电池内阻Ro、极化电阻Rp1、极化电阻Rp2、极化电容Cp1和极化电容Cp2，所述电池内阻Ro与电池开路电源Uocv的正极连接，所述极化电阻Rp1与极化电容Cp1并联组成第一RC电路，所述极化电阻Rp2与极化电容Cp2并联组成第二RC电路，所述第一RC电路和第二RC电路串联后与电池内阻Ro的另一端连接。上述的基于求积分卡尔曼滤波的锂电池剩余电量估计方法，步骤二中所述根据等效电路模型建立状态方程和观测方程的具体过程包括：选取极化电容Cp1两端的电压Up1和极化电容Cp2两端的电压Up2作为状态变量，电池开路电压源Uocv的输出电流I作为控制输入，锂电池两端的电压U作为输出量，状态方程为：观测方程为：U＝Uocv-Up1-Up2-IR0；其中，表示极化电容Cp1两端的电压Up1相对于时间的导数，表示极化电容Cp2两端的电压Up2相对于时间的导数。上述的基于求积分卡尔曼滤波的锂电池剩余电量估计方法，步骤三中所述对等效电路模型中参数进行参数辨识包括开路电压辨识以及内阻、极化电阻和极化电容辨识。上述的基于求积分卡尔曼滤波的锂电池剩余电量估计方法，所述开路电压辨识的具体过程包括：步骤A1、测量放电电压；步骤A2、测量充电电压；步骤A3、将放电电压和充电电压进行均值计算，得到电压平均值；步骤A4、采用六阶曲线对电压平均值与SOC数据进行最小二乘曲线拟合；六阶曲线函数表达式为Uocv(SOC)＝a6*SOC6+a5*SOC5+a4*SOC4+a3*SOC3+a2*SOC2+a1*SOC+a0其中，a6为六阶系数，a5为五阶系数，a4为四阶系数，a3为三阶系数，a2为二阶系数，a1为一阶系数，a0为常数；步骤A5、计算六阶曲线函数中的系数值a6、a5、a4、a3、a2和a1以及常数a0。上述的基于求积分卡尔曼滤波的锂电池剩余电量估计方法，所述内阻、极化电阻和极化电容辨识的具体过程包括：步骤B1、先对锂电池进行放电，持续时间Tb1，然后停止放电，静置时间Tb2，以此为循环对锂电池端电压进行连续测量；步骤B2、停止放电后，锂电池端电压的变化形成急剧上升段和渐趋稳定段，通过急剧上升段的电压变化得到内阻的计算值；步骤B3、采用最小二乘拟合对渐趋稳定段进行拟合，得到极化电阻和极化电容的计算值；步骤B4、对多次测试得到的内阻计算值进行均值计算，得到内阻的最终辨识值，对多次测试得到的极化电阻和极化电容的计算值分别进行均值计算，得到极化电阻和极化电容的最终辨识值。上述的基于求积分卡尔曼滤波的锂电池剩余电量估计方法，步骤四中所述离散时间的状态方程为其中，SOC(k+1)本文档来自技高网...

【技术保护点】
1.一种基于求积分卡尔曼滤波的锂电池剩余电量估计方法，其特征在于，该方法包括以下步骤：/n步骤一、建立锂电池的等效电路模型；/n步骤二、根据等效电路模型建立状态方程和观测方程；/n步骤三、对等效电路模型中参数进行参数辨识；/n步骤四、以SOC为状态变量，建立离散时间的状态方程；/n步骤五、确定Gauss-Hermite求积分点的大小以及求积分点所对应的权值；/n步骤六、采用求积分卡尔曼滤波的运算流程对放电过程中的锂电池剩余电量不断估计。/n

【技术特征摘要】
1.一种基于求积分卡尔曼滤波的锂电池剩余电量估计方法，其特征在于，该方法包括以下步骤：
步骤一、建立锂电池的等效电路模型；
步骤二、根据等效电路模型建立状态方程和观测方程；
步骤三、对等效电路模型中参数进行参数辨识；
步骤四、以SOC为状态变量，建立离散时间的状态方程；
步骤五、确定Gauss-Hermite求积分点的大小以及求积分点所对应的权值；
步骤六、采用求积分卡尔曼滤波的运算流程对放电过程中的锂电池剩余电量不断估计。


2.按照权利要求1所述的基于求积分卡尔曼滤波的锂电池剩余电量估计方法，其特征在于：步骤一中所述电池的等效电路模型为二阶RC等效电路模型，所述二阶RC等效电路模型包括电池开路电压源Uocv、电池内阻Ro、极化电阻Rp1、极化电阻Rp2、极化电容Cp1和极化电容Cp2，所述电池内阻Ro与电池开路电源Uocv的正极连接，所述极化电阻Rp1与极化电容Cp1并联组成第一RC电路，所述极化电阻Rp2与极化电容Cp2并联组成第二RC电路，所述第一RC电路和第二RC电路串联后与电池内阻Ro的另一端连接。


3.按照权利要求2所述的基于求积分卡尔曼滤波的锂电池剩余电量估计方法，其特征在于，步骤二中所述根据等效电路模型建立状态方程和观测方程的具体过程包括：选取极化电容Cp1两端的电压Up1和极化电容Cp2两端的电压Up2作为状态变量，电池开路电压源Uocv的输出电流I作为控制输入，锂电池两端的电压U作为输出量，
状态方程为：



观测方程为：U＝Uocv-Up1-Up2-IR0；
其中，表示极化电容Cp1两端的电压Up1相对于时间的导数，表示极化电容Cp2两端的电压Up2相对于时间的导数。


4.按照权利要求2所述的基于求积分卡尔曼滤波的锂电池剩余电量估计方法，其特征在于，步骤三中所述对等效电路模型中参数进行参数辨识包括开路电压辨识以及内阻、极化电阻和极化电容辨识。


5.按照权利要求4所述的基于求积分卡尔曼滤波的锂电池剩余电量估计方法，其特征在于，所述开路电压辨识的具体过程包括：
步骤A1、测量放电电压；
步骤A2、测量充电电压；
步骤A3、将放电电压和充电电压进行均值计算，得到电压平均值；
步骤A4、采用六阶曲线对电压平均值与SOC数据进行最小二乘曲线拟合；六阶曲线函数表达式为
Uocv(SOC)＝a6*SOC6+a5*SOC5+a4*SOC4+a3*SOC3+a2*SOC2+a1*SOC+a0
其中，a6为六阶系数，a5为五阶系数，a4为四阶系数，a3为三阶系数，a2为二阶系数，a1为一阶系数，a0为常数；
步骤A5、计算六阶曲线函数中的系数值a6、a5、a4、a3、a2和a1以及常数a0。


6.按照权利要求4所述的基于求积分卡尔曼滤波的锂电池剩余电量估计方法，其特征在于，所述内阻、极化电阻和极化电容辨识的具体过程包括：
步骤B1、先对锂电池进行放电，持续时间Tb1，然后停止放电，静置时间Tb2，以此为循环对锂电池端电压进行连续测量；
步骤B2、停止放电后，锂电池端电压的变化形成急剧上升段和渐趋稳定段，通过急剧上升段的电压变化得到内阻的计算值；
步骤B3、采用最小二乘拟合对渐趋稳定段进行拟合，得到极化电阻和极化电容的计算值；
步骤B4、对多次测试得到的内阻计算值进行均值计算，得到内阻的最终辨识值，对多次测试得到的极化电阻和极化电容的计算值分别进行均值计算，得到极化电阻和极化电容的最终辨识值。

【专利技术属性】
技术研发人员：黄梦涛，张齐波，王超，刘宝，胡礼芳，
申请(专利权)人：西安科技大学，
类型：发明
国别省市：陕西;61