一种基于分数阶扩展卡尔曼滤波算法的SOC估计方法技术

本发明专利技术公开了一种基于分数阶扩展卡尔曼滤波算的SOC估计方法，该方法包括建立锂电池分数阶二阶等效电路模型；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；首先对参数初始化，采用自适应遗传算法对分数阶模型参数进行参数辨识；辨识出电池分数阶模型后，采用分数阶扩展卡尔曼滤波算法进行SOC估计；本发明专利技术通过自适应遗传算法对分数阶模型进行参数辨识，并结合分数阶扩展卡尔曼滤波算法估计锂电池SOC，解决了整数阶模型不够精准、无法很好描述电池工况特性的问题，结合分数阶扩展卡尔曼滤波算法，利用过去数据的信息，提高了锂电池SOC估计的精度和鲁棒性。

【技术实现步骤摘要】
一种基于分数阶扩展卡尔曼滤波算法的SOC估计方法
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分数阶扩展卡尔曼滤波算法的SOC估计方法。
技术介绍
随着清洁绿色能源理念的提出，电动汽车得到快速发展，而锂电池作为电动汽车能源核心，对锂电池的研究也成为当下热点。目前，锂电池SOC估计主要有传统基于电池特性方法如安时积分法，基于数据驱动的方法，如神经网络等，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，对于锂电池等效电路模型，研究的最多的是整数阶等效电路模型；但是整数阶等效电路模型并不契合锂电池的实际特性，而且不同模型的选择误差较大；伴随着分数阶微积分理论的应用发展，分数阶系统更适用于锂电池这样一个具有迟滞效应的非线性系统。因此，采用分数阶理论构建的锂电池等效电路模型和SOC估计系统，更契合实际锂电池的工作状况，相比传统整数阶等效电路模型更加精准。
技术实现思路
针对现有技术的不足，本专利技术提出了一种基于分数阶扩展卡尔曼滤波算法的SOC估计方法。本专利技术所采用的技术方案是：1、一种基于分数阶扩展卡尔曼滤波算法的SOC估计方法，主要包括以下步骤：S1：建立锂电池分数阶二阶等效电路模型；S2：确定等效电路各参数与SOC的函数关系，建锂电池的状态空间方程；S3：初始化参数，采用自适应遗传算法对分数阶模型进行参数辨识；S4：初始化状态变量，用分数阶扩展卡尔曼滤波算法估计锂电池SOC。较佳地，锂电池等效电路模型采用分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，分数阶电容的阶数α、β。进一步地，S2，确定等效电路各参数与SOC的函数关系，建立基于锂电池的状态空间方程：S2.1：以30A的定电流对充满电的电池进行脉冲放电，每次放电6min即0.1SOC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10次；S2.2：根据实验测得10组Uoc与SOC关系的数据点，将SOC作为变量，通过公式(4)对Uoc与SOC的数据点做八阶拟合，从而得到Uoc与SOC的函数：Uoc(SOC)＝p1SOC8+p2SOC7+p3SOC6+p4SOC5+p5SOC4+p6SOC3+p7SOC2+p8SOC+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＝Uoc(SOC)-R0I-U1-U2U0为端电压，Ts为采样时间，Qn为电池容量,Dα、Dβ为分数阶微积分算子；S2.4：引入求解分数阶系统最常用的G-L定义：l是记忆长度，即[t/Ts]的整数部分，表示当前的状态与过去l个采样点有关，为了防止计算量随时间增大，只考虑[t-l，t]范围内的数据点，为牛顿二项式系数：S2.5：结合S2.4的分数阶微积分算子求解定义，将S2.3中方程差分离散化：S2.5：进一步简化得到：式中xk、yk分别为k时刻的状态变量、观测量，Ak为状态转移矩阵，Bk是输入矩阵，uk为输入量，Ck为输出矩阵；wk、vk为系统的过程噪声和观测噪声。进一步地，S3，初始化参数，采用自适应遗传算法对分数阶模型进行参数辨识：S3.1：首先初始化种群，设置种群数目，这里设置数目为200，随后使用随机序列产生初始种群，即所求参数的初始值；S3.2：对前一步产生的初值进行编码，采用二进制码，用二进制码表示个体的基因；这一步是将所辨识的参数编码为基因的表达形式；S3.3：对种群进行“杂交”，即交换部分基因片段也就是部分二进制码，“杂交”后产生的新个体就即为子代；S3.4：模拟生物遗传进化过程的变异行为，随机在子代基因中产生变异，变异可以防止参数辨识过程中，参数落入局部最优解的范围；S3.5：对经过杂交、变异过后的子代进行解码，就得到子代种群每个个体对应参数值，将参数值带入分数阶模型中，输入电流得到模型预测输出电压U0；S3.6：以建立分数阶模型为基础，确定优化问题和优化目标；如式，参数辨识的优化目标，为测量输出电压值Uolt与模型预测输出电压值U0之差的平方和的最小值；其中，M为所测数据的长度，VJ(i)为端电压误差平方和，作为后代选择的基准，适应性条件是对比测量和模型输出端电压误差值，对种群中VJ(i)最小的个体求其端电压误差最大值er，基于此本遗传算法设置优化目标er≤0.008；为了选出更优子代，这里拉大样本之间的差距，更明显区别子代个体差异，构建适应度函数如式：其中，N表示当前的种群，VJmax为种群N中测量得到的输出与模型预测的输出之间的差值平方和的最大值，VJ(i)为当前个体端电压误差平方和，J(i)为各个样本的适应度；S3.7：将模型预测输出电压U0与测量输出电压值Uolt带入步骤一中的适应度函数中，判定个体是否符合优化目标条件；若符合优化目标条件，则从子代中选取最符合条件的个体作为模型辨识得到的参数；若不符合优化目标条件，将对上一步中得到的子代进行择优选择，越接近所设定条件的子代被选区的概率越大，选取的个体形成新的种群，开始从S3.3到S3.7循环，重新进行下一轮的生物演化，直至符合适应性条件的个体出现或者达到所设定的繁衍代数；S3.8：遗传算法的参数自适应，S3.3的杂交概率表示为：CrossOverRat1(i)＝K1(Jmax-J(i))/(Jmax-Jave)，J(i)≥JaveS3.4的变异概率表示为：MutationRat1(i)＝K3(Jmax-J(i))/(Jmax-Jave)，J(i)≥Jave其中，Jmax是种群中适应度最高的个体，Jave是种群适应度的平均值，上述公式适用于适应度大于平均值的个体；适应度小于平均值的个体对其杂交、变异概率直接赋值：CrossOverRat2(i)＝K2MutationRat2(i)＝K4进一步地，S4，初始化状态变量，用分数阶扩展卡尔曼滤波算法估计锂电池SOC：S4.1：初始化：S4.2：分别求取k时刻状态变量以及观测量的预测值S4.3：状态变量预测误差误差协方差的预测值为：S4.4:确定自适应扩展卡尔曼滤波的增益；S4.5:观测量预测值的误差：S4.6:利用观测量预测值的误差来修正状态变量预测值、观测量预测值及状态变量误差协方差的预测值，得出对应k时刻的估计值：与现有锂电池SOC估计方法相比，本专利技术的优益效果是：1、本专利技术通过引入分数阶微积分理论，建立分数阶等效电路模型，使得模型的精度相比传统整数阶等效电路得到大幅度提高，更契合锂电池的迟滞效应，提高锂本文档来自技高网...

【技术保护点】
1.一种基于分数阶扩展卡尔曼滤波算法的SOC估计方法，主要包括以下步骤：/nS1：建立锂电池分数阶二阶等效电路模型；/nS2：确定等效电路各参数与SOC的函数关系，建锂电池的状态空间方程；/nS3：初始化参数，采用自适应遗传算法对分数阶模型进行参数辨识；/nS4：初始化状态变量，用分数阶扩展卡尔曼滤波算法估计锂电池SOC。/n

【技术特征摘要】
1.一种基于分数阶扩展卡尔曼滤波算法的SOC估计方法，主要包括以下步骤：
S1：建立锂电池分数阶二阶等效电路模型；
S2：确定等效电路各参数与SOC的函数关系，建锂电池的状态空间方程；
S3：初始化参数，采用自适应遗传算法对分数阶模型进行参数辨识；
S4：初始化状态变量，用分数阶扩展卡尔曼滤波算法估计锂电池SOC。


2.根据权利要求1所述的一种基于分数阶扩展卡尔曼滤波算法的SOC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分数阶二阶等效电路模型，其电路参数包括欧姆内阻R0，极化电阻R1、R2，极化电容C1、C2，分数阶电容的阶数α、β。


3.根据权利要求1所述的一种基于分数阶扩展卡尔曼滤波算法的SOC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Uoc与SOC的关系：
S2.1：以30A的定电流对充满电的电池进行脉冲放电，每次放电6min即0.1SOC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10次；
S2.2：根据实验测得10组Uoc与SOC关系的数据点，将SOC作为变量，通过公式(4)对Uoc与SOC的数据点做八阶拟合，从而得到Uoc与SOC的函数：
Uoc(SOC)＝p1SOC8+p2SOC7+p3SOC6+p4SOC5+p5SOC4+p6SOC3+p7SOC2+p8SOC+p9
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：



观测方程：
U0＝Uoc(SOC)-R0I-U1-U2
U0为端电压，Ts为采样时间，Qn为电池容量,Dα、Dβ为分数阶微积分算子；
S2.4：引入求解分数阶系统最常用的G-L定义：



l是记忆长度，即[t/Ts]的整数部分，表示当前的状态与过去l个采样点有关，为了防止计算量随时间增大，只考虑[t-l，t]范围内的数据点，为牛顿二项式系数：
S2.5：结合S2.4的分数阶微积分算子求解定义，将S2.3中方程差分离散化：



S2.5：进一步简化得到：



式中xk、yk分别为k时刻的状态变量、观测量，Ak为状态转移矩阵，Bk是输入矩阵，uk为输入量，Ck为输出矩阵；wk、vk为系统的过程噪声和观测噪声。


4.根据权利要求1所述的一种基于分数阶扩展卡尔曼滤波算法的SOC估计方法，其特征在于：所述S3，初始化参数，采用自适应遗传算法对分数阶模型进行参数辨识，具体步骤如下：
S3.1：首先初始化种群，设置种群数目，这里设置数目为200，随后使用随机序列产生初始种群，即所求参数的初始值；
S3.2：对前一步产生的初值进行编码，采用二进制码，用二进制码表示个体的基因；这一步是将所辨识的参数编码为基因的表达形式；
S3.3：对种群进行“杂交”，即交换部分基因片段也就是部分二进制码，“杂交”后产生的新个体就即为子代；
S3.4：模拟生物遗传进化过程的变异行为，随机在子代基因中产生变异，变异可以防止参数辨识过程中，参数落入局部最优解的...

【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：安徽;34