一种锂电池状态估计方法及系统技术方案

本发明专利技术公开锂电池状态估计方法，根据电容的阻抗特性在实际电路中往往具有分数的特性，结合二阶电路的基尔霍夫定律，推导出分数阶电池模型的状态空间方程并建立了分数阶的锂电池电气模型；在分数阶电气模型的基础上，针对传统遗传算法进行改进，提出了分数阶双层自适应遗传算法，提升了算法的全局搜索能力和搜索效率，对分数阶模型参数进行辨识，并将辨识结果实时反馈到分数阶电气模型；采用一种基于施密特正交变换的无迹卡尔曼粒子滤波算法，对分数阶电气模型进行状态估计，减少了计算量并提高了状态估计精度。本发明专利技术提高了电池模型的精度，具有很好的鲁棒性，所提出的状态估计策略精度相比于常规控制策略具有更高的精度。精度相比于常规控制策略具有更高的精度。精度相比于常规控制策略具有更高的精度。

【技术实现步骤摘要】
一种锂电池状态估计方法及系统


[0001]本专利技术涉及锂离子电池管理
，具体是涉及一种锂电池系统荷电状态估计的


技术介绍

[0002]环境污染与能源安全等问题促使全球进行新能源的开发与利用，而推动混合动力和纯电动等新能源汽车的发展是实现这一目标的有效手段。动力电池是新能源汽车动力系统的核心部件之一，能量储存与释放主要通过化学反应完成，其安全性和动力性能受荷电状态(State of Charge,SOC)等诸多因素的影响。因此，SOC估计成为广泛关注与研究的热点问题。
[0003]荷电状态(state of charge,SOC)估计是锂离子电池管理的核心内容之一，其在线实时估计可以预测系统运行时间，制定合理的充放电策略，对于保障系统安全具有重要意义。当前对SOC估计方法中，安时积分是一种传统SOC估计方法，简单且易于实现，但是其在长期的积分计算中会出现误差累积问题，且初始SOC难以确定。数据驱动类方法，如神经网络(neural network,NN)，支持向量机(support vector machine,SVM)等不需要考虑电池内部复杂的电化学反应，只需要根据测试数据进行训练,建立可测参数，如电压、电流和温度与SOC间的映射关系。但是该类方法对测试数据集的完备性要求较高，且得到的映射模型不能根据实际的工作条件进行调整，在动态工况下难以保证估计性能。
[0004]基于模型的方法通过建立等效电路模型来表征电池真实的物理响应或化学反应过程，在SOC估计领域得到了广泛应用。锂电池是一个复杂的化学系统，由于内部状态无法直接测量，所以对其评估前需要建立电气模型。目前主要的电气模型分为两类：电化学模型与等效电路模型。锂电池的电化学模型，可以近似模拟电池在使用过程中所出现的化学反应现象，模型具有高精度的特点，但是参数量、计算量、复杂度比较高，且难以获取，仅仅在一些测试电池系统标量中比较常见。等效电路模型因模型较简单广泛应用于车辆仿真、SOC和SOH估计、电池管理系统中，但整数阶等效电路模型不能准确地描述电池的动态过程，且模型RC的阶数影响其精度，低阶整数阶等效电路模型不能满足精度的需求，高阶整数阶模型会造成模型结构复杂，需要识别的参数增加，运行速度减慢。
[0005]因此目前对锂电池SOC估计中采用的电化学模型、整数阶等效电路模型都不能满足电池SOC估计应用中的模型精度、快速响应以及鲁棒性的要求。需要进一步的改进。
[0006]此外，对SOC估计中需要依赖在解决非线性系统状态变量估计中常用到的扩展卡尔曼滤波算法，但在解决非线性非高斯随机系统的状态估计问题时，由于未考虑误差的分布情况及认为状态误差可通过一个独立的线性系统产生，往往误差较大，且有可能存在发散。也需要对该算法进行改进以适用于锂电池SOC估计。

技术实现思路

[0007]专利技术目的：本专利技术目的在于针对现有技术的不足，提供一种锂电池状态估计方法，
建立分数阶等效电路模型，从而准确描述锂离子电池在使用过程中系统的非线性变化，减小电池模型的误差，提高SOC估计精度。
[0008]本专利技术的另一目的在于提供一种应用上述锂电池状态估计方法的系统。
[0009]技术方案：本专利技术所述锂电池状态估计方法，包括如下步骤：
[0010]S1、建立分数价电气模型：包括建立整数阶二阶RC等效电路模型，通过二阶RC等效电路中电容的分数效应来计算锂电池的分数特性，然后结合二阶电路的基尔霍夫定律与电池的动态响应特性，推导出分数阶电池模型的状态空间方程；
[0011]S2、辨识分数价电气模型参数：
[0012]以实验数据为基础获得分数阶电气模型的参数集，并生成初始种群，通过指数变换的方法计算初始种群适应度，利用当代种群适应度的最大值和平均值作为评判标准，当个体最大适应度大于当代种群中的平均适应度时，认为个体性能较好，降低交叉概率P
c
和变异概率P
m
；当个体最大适应度小于当代种群中的平均适应度时，认为个体性能不佳，增大交叉概率P
c
和变异概率P
m
；概率自适应调整函数为：
[0013][0014][0015]式中：f
max
是当代种群中的最大适应度值；f
avg
是当代种群中的平均适应度值；k1为交叉概率系数；k2为变异概率系数；
[0016]同时对群体集散度进行判断，群体集散度判断函数为:
[0017][0018]如果群体适应度满足该公式，则先认为群体足够离散，对当代群体先执行交叉再进行变异；否则，先执行变异再进行交叉；
[0019]直至达到最大代数目执行完后停止算法的执行，输出最优解，完成对分数价电气模型参数辨识，并将辨识结果实时反馈到分数阶电气模型；
[0020]S3、基于施密特正交变换的无迹卡尔曼粒子滤波算法的锂电池状态估计：
[0021]S31、首先建立锂电池的离散状态空间模型，由模型状态方程的递推式和观测方程组成，其被定义为分数阶锂离子电池电气模型的状态空间方程式的基础上关于SOC的函数，锂电池SOC值作为状态变量，锂电池负载电压作为观测变量，将锂电池模型状态方程和观测方程离散化得到:
[0022][0023]式中：加权系数矩阵状态向量[U1(k),U2(k),SOC(k)]T
；U1(k)为在k离散时间点时R1两端电压；U2(k)为在k离散时间点时R2两端电压；SOC(k)为在k离散时间点时电池的荷电状态；间点时电池的荷电状态；状态向量[U1(k),U2(k),SOC(k)]T
；k是离散时间点；w
k
为锂电池系统噪音，v
k
为锂电池系统测量噪声，其协方差分别为Q
k
和R
k
；
[0024]S32、经施密特正交变换确定采样点，采样点的个数为L+1；
[0025]S33、根据锂电池状态空间方程，利用基于施密特正交变换的无迹卡尔曼粒子滤波算法实现锂电池SOC状态估计。
[0026]本专利技术进一步优选地技术方案为，步骤S1建立分数价电气模型的具体方法为：
[0027]S11、建立整数阶的二阶RC等效电路模型，根据基尔霍夫定律写出二阶RC等效电路的状态空间表达式为：
[0028][0029]式中：U为输出端电压，I为输出电流；R0为锂电池的内部电阻；R1、R2、C1和C2为二阶电路的阻容参数；U1为C1的两端电压，U2为C2的两端电压；Uocv表示锂电池在开路情况下的电压；
[0030]S12、通过二阶RC等效电路中电容的分数效应来计算锂电池的分数特性，具有分数特性的电容器C
f
通常称为分数电容器，其阻抗可定义为：
[0031][0032]式中，p是分数电容器的阶数；Z
f
(jω)是分数阶电容的阻抗；C
f
(jω)＝2πfC，其中π是圆周率，f是频率，C是电容值；
...

【技术保护点】

【技术特征摘要】
1.一种锂电池状态估计方法，其特征在于，包括如下步骤：S1、建立分数价电气模型：包括建立整数阶二阶RC等效电路模型，通过二阶RC等效电路中电容的分数效应来计算锂电池的分数特性，然后结合二阶电路的基尔霍夫定律与电池的动态响应特性，推导出分数阶电池模型的状态空间方程；S2、辨识分数价电气模型参数：以实验数据为基础获得分数阶电气模型的参数集，并生成初始种群，通过指数变换的方法计算初始种群适应度，利用当代种群适应度的最大值和平均值作为评判标准，当个体最大适应度大于当代种群中的平均适应度时，认为个体性能较好，降低交叉概率P
c
和变异概率P
m
；当个体最大适应度小于当代种群中的平均适应度时，认为个体性能不佳，增大交叉概率P
c
和变异概率P
m
；概率自适应调整函数为：；概率自适应调整函数为：式中：f
max
是当代种群中的最大适应度值；f
avg
是当代种群中的平均适应度值；k1为交叉概率系数；k2为变异概率系数；同时对群体集散度进行判断，群体集散度判断函数为:如果群体适应度满足该公式，则先认为群体足够离散，对当代群体先执行交叉再进行变异；否则，先执行变异再进行交叉；直至达到最大代数目执行完后停止算法的执行，输出最优解，完成对分数价电气模型参数辨识，并将辨识结果实时反馈到分数阶电气模型；S3、基于施密特正交变换的无迹卡尔曼粒子滤波算法的锂电池状态估计：S31、首先建立锂电池的离散状态空间模型，由模型状态方程的递推式和观测方程组成，其被定义为分数阶锂离子电池电气模型的状态空间方程式的基础上关于SOC的函数，锂电池SOC值作为状态变量，锂电池负载电压作为观测变量，将锂电池模型状态方程和观测方程离散化得到：
式中：加权系数矩阵状态向量[U1(k)，U2(k)，SOC(k)]
T
；U1(k)为在k离散时间点时R1两端电压；U2(k)为在k离散时间点时R2两端电压；SOC(k)为在k离散时间点时电池的荷电状态；时电池的荷电状态；k是离散时间点；w
k
为锂电池系统噪音，v
k
为锂电池系统测量噪声，其协方差分别为Q
k
和R
k
；S32、经施密特正交变换确定采样点，采样点的个数为L+1；S33、根据锂电池状态空间方程，利用基于施密特正交变换的无迹卡尔曼粒子滤波算法实现锂电池SOC状态估计。2.根据权利要求1所述的锂电池状态估计方法，其特征在于，步骤S1建立分数价电气模型的具体方法为：S11、建立整数阶的二阶RC等效电路模型，根据基尔霍夫定律写出二阶RC等效电路的状态空间表达式为：式中：U为输出端电压，I为输出电流；R0为锂电池的内部电阻；R1、R2、C1和C2为二阶电路的阻容参数；U1为C1的两端电压，U2为C2的两端电压；U
ocv
表示锂电池在开路情况下的电压；S12、通过二阶RC等效电路中电容的分数效应来计算锂电池的分数特性，具有分数特性的电容器C
f
通常称为分数电容器，其阻抗可定义为：式中，p是分数电容器的阶数；Z
f
(jω)是分数阶电容的阻抗；C
f
(jω)＝2πfC，其中π是圆周率，f是频率，C是电容值；将二阶RC等效电路中的电容器C1和C2换为分数阶电容器，其阻抗为：式中：m是电容C1的阶数，n是电容C2的阶数；S13、依据分数阶二阶RC电路的基尔霍夫定律与电池的动态响应特性，并结合分数阶电容器的阻抗公式，推导出了分数阶锂电池电气模型的状态空间方程式：
当m＝n＝1时，C1和C2为理想电容，当m＝n＝0时，C1和C2为理想电阻。3.根据权利要求2所述的锂电池状态估计方法，其特征在于，步骤S32中采样点的选取方法为：I、确定Sigma权值：II、对于输入维数j＝1，2，...，n时，迭代公式为：式中：为迭代关系；...

【专利技术属性】
技术研发人员：许志华，曹啸敏，施敏敏，梁艳，夏菽兰，
申请(专利权)人：盐城工学院，
类型：发明
国别省市：