一种基于变遗忘因子在线参数辨识和SOC联合估计方法技术

本发明专利技术公开了一种基于遗忘因子在线参数辨识和SOC联合估计方法，该方法包括建立锂电池二阶等效电路模型；确定电路各参数与SOC的函数关系，建立锂电池的状态空间方程；首先对SOC状态变量和参数状态变量初始化，在微观时间尺度下，用扩展卡尔曼滤波算法估计锂电池SOC；当锂电池SOC估计达到预设时间后，切换为宏观时间尺度，用变遗忘因子递推最小二乘法辨识等效电路参数，最后更新锂电池等效电路参数和状态空间方程，进行下一轮计算；本发明专利技术通过变遗忘因子递推最小二乘法对锂电池模型进行在线参数辨识，并结合扩展卡尔曼滤波算法估计锂电池SOC，解决了遗忘因子递推最小二乘法中遗忘因子固定的问题，实现锂电池参数在线更新，提高了锂电池SOC估计的精度。提高了锂电池SOC估计的精度。提高了锂电池SOC估计的精度。

【技术实现步骤摘要】
一种基于变遗忘因子在线参数辨识和SOC联合估计方法


[0001]本专利技术涉及锂电池荷电状态估计领域，具体来说是一种基于变遗忘因子在线参数辨识和SOC联合估计方法。

技术介绍

[0002]随着科技的进步，为了顺应可持续发展的时代理念，寻求清洁绿色能源代替传统化石能源成为全球共识；因此电动汽车得到快速发展，而锂电池作为电动汽车能源核心，对锂电池的监控不仅可以保障汽车运行安全，而且可以有效提高电池寿命。
[0003]目前，锂电池SOC估计主要有传统基于电池特性方法、基于数据驱动的方法、基于电池模型和观测器技术的方法，基于模型和观测器技术方法研究的最为广泛，主要采用的锂电池的等效电路模型结合卡尔曼滤波技术估计电池SOC，该方法电池模型参数通常是离线情况下通过优化算法辨识得到，离线参数辨识得到的模型精度较高，但是并不契合锂电池工作过程体现的特性，在复杂工况下，随着电流的剧烈变化，电池参数会发生变化，若还以离线辨识的模型估计SOC误差就会增大，因此在线参数辨识必不可少。
[0004]目前在线参数辨识，主要包括双卡尔曼滤波算法，递推最小二乘法系列，针对遗忘因子递推最小二乘法的遗忘因子不能随着工况变化而变化，采用变遗忘因子递推最小二乘法对电池模型进行在线参数辨识，结合扩展卡尔曼滤波算法估计电池SOC，提高复杂工况下电池模型和SOC估计精度。

技术实现思路

[0005]针对现有技术的不足，本专利技术提出了一种基于变遗忘因子在线参数辨识和SOC联合估计方法。
[0006]本专利技术所采用的技术方案是：
[0007]1、一种基于变遗忘因子在线参数辨识和SOC联合估计方法，主要包括以下步骤：
[0008]S1：建立锂电池二阶等效电路模型；
[0009]S2：确定等效电路各参数与SOC的函数关系，建立基于锂电池在线参数的状态空间方程；
[0010]S3：初始化SOC状态变量和参数状态变量，微观时间尺度下，用扩展卡尔曼滤波算法估计锂电池SOC；
[0011]S4：当锂电池SOC估计达到预设时间后，切换为宏观时间尺度，用变遗忘因子递推最小二乘法辨识等效电路参数；
[0012]S5：更新锂电池等效电路参数和状态空间方程，返回S3进行下一轮计算。
[0013]较佳地，锂电池等效电路模型采用整数阶二阶等效电路模型，电路参数包括：欧姆内阻R0，极化电阻R1、R2，极化电容C1、C2。
[0014]进一步地，S2，确定等效电路各参数与SOC的函数关系，建立基于锂电池在线参数的状态空间方程：
[0015]S2.1：以30A的定电流对充满电的电池进行放电，每次放电3min即0.5个SOC值，放电结束后将电池静置2h，记录电池开路电压，重复上述操作20次；
[0016]S2.2：根据实验测得20组U
oc
与SOC关系的数据点，将SOC作为变量，通过公式(4)对U
oc
与SOC的数据点做八阶拟合，从而得到U
oc
与SOC的函数：
[0017]y(x)＝p1x8+p2x7+p3x6+p4x5+p5x4+p6x3+p7x2+p8x+p9[0018]S2.3：根据锂电池等效电路模型与回路电压关系，表示出各参数与SOC的关系：
[0019][0020]观测方程：
[0021]U0＝U
oc
(SOC)
‑
R0I
‑
U1‑
U2[0022]U0为端电压，T
s
为采样时间，Q
n
为电池容量；
[0023]S2.4：将步骤2.3中方程差分离散化：
[0024][0025]S2.5：进一步简化得到：
[0026][0027]式中输出矩阵结合锂电池参数变化，得到基于锂电池参数的状态空间方程：
[0028][0029]式中参数状态变量θ＝[R
0 R
1 C
1 R
2 C2]T
，w
k
、v
k
为系统的过程噪声和观测噪声，ρ
k
为模型参数过程噪声。
[0030]进一步地，初始化SOC状态变量和参数状态变量：SOC状态变量初始化：x
0,0
＝E(x
0,0
)，参数状态变量初始值为离线参数辨识的结果。
[0031]进一步地，S3，微观时间尺度下，用扩展卡尔曼滤波算法估计锂电池SOC：
[0032]S3.1：划分时间尺度，宏观尺度L＝60s，微观尺度l∈(1～L),，计算每个微观尺度下的状态滤波器，即围观时间尺度序列l＝1:L时，计算该时间尺度下状态变量预测值和状态变量预测误差协方差
[0033][0034][0035]S3.2：测量更新阶段，分别计算出扩展卡尔曼增益更新得到状态变量估计值和状态变量误差协方差估计值
[0036][0037]得到结果返回S3.1。
[0038]进一步地，微观时间尺度地时间序列达到宏观时间尺度即l＝L＝60s时，将l置零，切换微观时间尺度到宏观时间尺度，采用无迹卡尔曼滤波算法进行一次参数辨识。
[0039]进一步地，S4：
[0040]S4.1：S2.3中公式通过拉普拉斯变换，得到二阶等效电路模型的频域传递函数：
[0041][0042]S4.2：通过双线性变换法则，将s平面的传递函数转换到z平面：
[0043][0044]θ1、θ2、θ3、θ4、θ5分别为各次项系数，若令a1＝R0，a2＝τ1τ2，a3＝τ1+τ2，a4＝R0+R1+R2,a5＝R0(τ1+τ2)+R1τ2+R2τ1，则公式(6)中各次项系数如下：
[0045][0046]S4.3：再通过z的逆变换离散化到时域：
[0047]U
o
(t)
‑
U
oc
(t)＝θ1[U
o
(t
‑
1)
‑
U
oc
(t
‑
1)]+θ2[U
o
(t
‑
2)
‑
U
oc
(t
‑
2)]+θ3I(t)+θ4I(t
‑
1)+θ5I(t
‑
2)
[0048]令E＝Uo
‑
Uo
c
，得到二阶等效电路模型离散化后的结果：
[0049][0050]y
k
为系统的输出，为系统的输入量，θ(k)为需要辨识的参数向量；
[0051]S4.4:设置算法参数：遗忘因子最大值λ
max
、遗忘因子最小值λ
min
、敏感因子ρ、滑动窗口长度N；
[0052]S4.5:计算遗忘因子：
[0053][0054]S4.6:递推最小二乘流程，更新参数向量：...

【技术保护点】

【技术特征摘要】
1.一种基于变遗忘因子在线参数辨识和SOC联合估计方法，主要包括以下步骤：S1：建立锂电池二阶等效电路模型；S2：确定等效电路各参数与SOC的函数关系，建立基于锂电池在线参数的状态空间方程；S3：初始化SOC状态变量和参数状态变量，微观时间尺度下，用扩展卡尔曼滤波算法估计锂电池SOC；S4：当锂电池SOC估计达到预设时间后，切换为宏观时间尺度，用变遗忘因子递推最小二乘法辨识等效电路参数；S5：更新锂电池等效电路参数和状态空间方程，返回S3进行下一轮计算。2.根据权利要求1所述的一种基于变遗忘因子在线参数辨识和SOC联合估计方法，其特征在于：S1所建立的锂电池二阶等效电路模型为整数阶等效电路模型，其电路参数包括欧姆内阻R0，极化电阻R1、R2，极化电容C1、C2。3.根据权利要求1所述的一种基于变遗忘因子在线参数辨识和SOC联合估计方法，其特征在于：S2中，通过脉冲放电实验确定锂电池开路电压U
oc
与SOC的关系：S2.1：以30A的定电流对充满电的电池进行放电，每次放电3min即0.5个SOC值，放电结束后将电池静置2h，记录电池开路电压，重复上述操作20次；S2.2：根据实验测得20组U
oc
与SOC关系的数据点，将SOC作为变量，通过公式(4)对U
oc
与SOC的数据点做八阶拟合，从而得到U
oc
与SOC的函数：y(x)＝p1x8+p2x7+p3x6+p4x5+p5x4+p6x3+p7x2+p8x+p9S2.3：根据锂电池等效电路模型与回路电压关系，表示出各参数与SOC的关系：观测方程：U0＝U
oc
(SOC)
‑
R0I
‑
U1‑
U2U0为端电压，T
s
为采样时间，Q
n
为电池容量；S2.4：将步骤2.3中方程差分离散化：
S2.5：进一步简化得到：式中输出矩阵结合锂电池参数变化，得到基于锂电池参数的状态空间方程：式中参数状态变量θ＝[R
0 R
1 C
1 R
2 C2]
T
，w
k
、v
k
为系统的过程噪声和观测噪声，ρ
k
为模型参数过程噪声。4.根据权利要求3所述的一种基于变遗忘因子在线参数辨识和SOC联合估计方法，其特征在于：基于锂电池参数的状态空间方程，SOC状态变量初始化：x
0,0
＝E(x
0,0
)，参数状态变量初始值为离线参数辨识结果。5.根据权利要求1所述的一种基...

【专利技术属性】
技术研发人员：卢云帆，邢丽坤，张梦龙，郭敏，
申请(专利权)人：安徽理工大学，
类型：发明
国别省市：