一种储能电池SOE和SOP联合估计方法技术

本发明专利技术公开了一种储能电池SOE和SOP联合估计方法，其采用基于恒定功率的多步功率预测法，并结合扩展卡尔曼滤波建立了电池SOE和SOP的联合估计器。该方法在实施过程中，能够准确有效地估计电池的SOE和SOP，端电压和SOE的误差均小于3％，使SOP的预测更加准确可靠。本发明专利技术的方法计算量小，鲁棒性和准确性高，可适用于复杂工况的SOE和SOP的估计。于复杂工况的SOE和SOP的估计。于复杂工况的SOE和SOP的估计。

【技术实现步骤摘要】
一种储能电池SOE和SOP联合估计方法


[0001]本专利技术属于储能电池管理
，具体地说是一种储能电池能量状态SOE与功率状态SOP联合估计方法。

技术介绍

[0002]在BMS的实际应用中，准确的SOE和SOP估计是至关重要的。SOE代表了电池中剩余能量相对于其最大值的百分比。与SOC相比，SOC只表示电池的容量状态，并不能表明电池的能量状态。在SOE估计方面，主流的方法是基于各种滤波器来实现电池SOE的估计，此外还有基于神经网络的方法，但该方法中的模型需经过大量试验数据的训练来提高精度，模型精度与训练所用数据直接相关，模型使用范围也仅限于同种类对象。在SOP估计方面，电池的“真实”功率能力很难确定。常用的方法有混合脉冲功率表征(HPPC)方法，但该方法确定的是实验室环境中的电池静态峰值功率，并不使用于持续峰值功率能力的估计。多参数约束动态峰值功率估计法是另一种流行的方法，该方法可以在电池运行条件不确定的情况下实现可靠的SOP估计。
[0003]目前大部分SOP估计方法都是基于恒定电流进行功率预测，与恒功率输入/出情况不符。对于储能电站和电动汽车，在工作过程中都存在大量的恒功率输入输出需求。如在实车运行过程中，如果路况基本保持平稳，车速稳定，车辆的需求功率近似为定值，相应的电池也应该保持恒功率输出，此时整车管理系统的控制策略就受到电池能够以恒功率形式所提供的持续峰值功率的影响。
[0004]此外，SOE和SOP这两种状态之间存在着密切的联系，准确的SOE和SOP估计对于储能电池的可靠运行具有重要意义，因此，迫切需要一种准确的SOC和SOP联合估计方法。

技术实现思路

[0005]为解决上述问题，本专利技术提供一种储能电池SOE和SOP联合估计方法，以准确有效地估计储能电池的SOE和SOP。
[0006]本专利技术采用的技术方案为：一种储能电池SOE和SOP联合估计方法，其包括：
[0007]步骤一、在储能电池充放电过程中，以采样时间Δt为间隔对储能电池的端电压U
t
、充放电电流I以及表面温度T进行采样；
[0008]步骤二、基于Thevenin等效电路模型，依据步骤一实时采集的电池端电压U
t
、充放电电流I以及表面温度T，完成在线参数辨识，获得开路电压U
OC
、欧姆内阻R
i
、极化内阻R
D
和时间常数τ四个模型参数；
[0009]步骤三、利用得到的模型参数，基于扩展卡尔曼滤波算法估计当前储能电池的实时SOE；
[0010]步骤四、基于储能电池的实时SOE和模型参数，计算获得储能电池的多约束峰值功率能力估计值。
[0011]进一步地，所述步骤二的储能电池模型采用Thevenin等效电路模型，其离散方程
为：
[0012][0013]其中，U
OC，k+1
为k+1时刻的开路电压；U
t，k+1
为k+1时刻的端电压；U
D，k+1
为k+1时刻的极化电压；i
L，k+1
为k+1时刻的电流；R
i
为欧姆内阻；R
D
为极化内阻；τ为时间常数；Δt为单位采样时间。
[0014]进一步地，通过带有遗忘因子的最小二乘法实时辨识模型参数，以准确描述电池的动态特性，准确可靠地辨识电池模型参数。
[0015]进一步地，储能电池的实时SOE的计算方程为：
[0016]z
k
＝z
k
‑1‑
η
i
U
t，k
I
L，k
Δt/E
a
[0017]其中z
k
为k时刻的储能电池SOE；η
i
为储能电池的能量效率；U
t，k
为k时刻的端电压；i
L，k
为k时刻的电流；Δt为单位采样时间；E
a
为储能电池的最大可用能量。
[0018]进一步地，所述步骤三包括两步，即先验估计
‑
预测和后验估计
‑
修正；在先验估计
‑
预测中，采用第k
‑
1时刻的状态值预测第k时刻的状态值；在后验估计
‑
修正中，采用第k时刻的测量新值对经模型预测的第k时刻的状态值进行校正。
[0019]进一步地，基于模型参数，则储能电池的系统状态空间方程构建为：
[0020][0021]其中，
[0022][0023][0024][0025][0026]x
k
＝[U
D
z]T
为储能电池系统k时刻的状态向量；u
k
为储能电池系统k时刻的输入向量；ω
k
‑1为储能电池系统k
‑
1时刻的过程噪声；v
k
为储能电池系统k时刻的量测噪声；y
k
为储能电池系统k时刻的输出值；
[0027]算法初始化，设置状态观测器的初始值：x0、P0、Q0、R0；
[0028]其中，x0为输入向量初始值；P0为误差协方差初始值，Q0为过程噪声协方差初始值，R0为测量噪声协方差初始值；
[0029]先验估计
‑
预测，将状态向量和误差协方差估计从(k
‑
1)
+
预测到(k)
‑
；
[0030]先验状态估计：
[0031][0032]其中，为k时刻的状态向量先验估计值；
[0033]先验误差协方差估计：
[0034][0035]其中，为k时刻的误差协方差先验估计值；P
k
‑1为k
‑
1时刻的误差协方差；Q
k
‑1为k
‑
1时刻的过程噪声协方差。
[0036]进一步地，后验估计
‑
修正，用k时刻的测量值y
k
校正先验估计：
[0037]新息矩阵：
[0038][0039]其中，e
k
为k时刻的误差新息；
[0040]卡尔曼增益矩阵计算：
[0041][0042]其中，R
k
‑1为k
‑
1时刻的测量噪声协方差；
[0043]系统状态修正：
[0044][0045]其中，为k时刻的状态向量修正值；
[0046]误差协方差修正：
[0047]其中，I为单位矩阵；为k时刻的误差协方差更新值；
[0048](k)
+
时刻的输出状态向量即为SOE在k时刻的估计值z
k
和端电压估计值U
t，k
，随后进行利用(k)
+
时刻的输出进行(k+1)
‑
时刻的先验状态估本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种储能电池SOE和SOP联合估计方法，其特征在于，包括：步骤一、在储能电池充放电过程中，以采样时间Δt为间隔对储能电池的端电压U
t
、充放电电流I以及表面温度T进行采样；步骤二、基于Thevenin等效电路模型，依据步骤一实时采集的电池端电压U
t
、充放电电流I以及表面温度T，完成在线参数辨识，获得开路电压U
OC
、欧姆内阻R
i
、极化内阻R
D
和时间常数τ四个模型参数；步骤三、利用得到的模型参数，基于扩展卡尔曼滤波算法估计当前储能电池的实时SOE；步骤四、基于储能电池的实时SOE和模型参数，计算获得储能电池的多约束峰值功率能力估计值。2.根据权利要求1所述的一种储能电池SOE和SOP联合估计方法，其特征在于，所述步骤二的储能电池模型采用Thevenin等效电路模型，其离散方程为：其中，U
OC,k+1
为k+1时刻的开路电压；U
t,k+1
为k+1时刻的端电压；U
D,k+1
为k+1时刻的极化电压；i
L,k+1
为k+1时刻的电流；R
i
为欧姆内阻；R
D
为极化内阻；τ为时间常数；Δt为单位采样时间。3.根据权利要求1所述的一种储能电池SOE和SOP联合估计方法，其特征在于，通过带有遗忘因子的最小二乘法实时辨识模型参数。4.根据权利要求1
‑
3任一项所述的一种储能电池SOE和SOP联合估计方法，其特征在于，储能电池的实时SOE的计算方程为：z
k
＝z
k
‑1‑
η
i
U
t,k
i
L,k
Δt/E
a
其中，z
k
为k时刻的储能电池SOE；η
i
为储能电池的能量效率；U
t,k
为k时刻的端电压；i
L,k
为k时刻的电流；Δt为单位采样时间；E
a
为储能电池的最大可用能量。5.根据权利要求4所述的一种储能电池SOE和SOP联合估计方法，其特征在于，所述步骤三包括两步，即先验估计
‑
预测和后验估计
‑
修正；在先验估计
‑
预测中，采用第k
‑
1时刻的状态值预测第k时刻的状态值；在后验估计
‑
修正中，采用第k时刻的测量新值对经模型预测的第k时刻的状态值进行校正。6.根据权利要求5所述的一种储能电池SOE和SOP联合估计方法，其特征在于，基于模型参数，则储能电池的系统状态空间方程构建为：其中，
x
k
＝[U
D z]
T
为储能电池系统k时刻的状态向量；u
k
为储能电池系统k时刻的输入向量；ω
k
‑1为储能电池系统k
‑
1时刻的过程噪声；v
k
为储能电池系统k时刻的量测噪声；y
k
为储能电池系统k时刻的输出值；算法初始化，设置状态观测器的初始值：x0、P0、Q0、R...

【专利技术属性】
技术研发人员：张雪松，赵波，杨帆，林达，钱平，戴哲仁，李春春，许君杰，
申请(专利权)人：国网浙江省电力有限公司电力科学研究院，
类型：发明
国别省市：