基于自适应无迹卡尔曼滤波的锂电池荷电状态估计方法技术

本发明专利技术涉及一种基于自适应无迹卡尔曼滤波的锂电池荷电状态估计方法，其步骤为：S1、基于锂电池的二阶等效电路模型获取模型的状态方程和输出方程，并进行离散化得到离散化模型的状态空间方程；S2、通过电池放电的电压响应曲线、模型的状态方程和输出方程辨识模型参数；S3、将辨识的参数代入模型的状态方程和输出方程，以脉冲放电为模型输入，对比模型输出端电压与实际端电压，验证模型精度；S4、建立自适应无迹卡尔曼滤波算法，自适应更新计算状态空间方程的系统噪声协方差和观测噪声协方差；S5、基于自适应无迹卡尔曼滤波算法，利用卡尔曼滤波器估计锂电池端电压值和锂电池SOC值。本发明专利技术能够准确估计锂电池荷电状态，误差小，估计精度高。估计精度高。估计精度高。

【技术实现步骤摘要】
基于自适应无迹卡尔曼滤波的锂电池荷电状态估计方法


[0001]本专利技术属于电池管理
，涉及锂电池管理技术，具体地说，涉及一种基于自适应无迹卡尔曼滤波的锂电池荷电状态估计方法。

技术介绍

[0002]近年来，随着能源危机和环境问题的日益加重，低污染、高能效的电动汽车成为汽车工业研究的热点。锂离子电池具有小型轻量、高能量密度、大输出功率和高安全新能的特点，成为电动汽车储能器件的首选。电池荷电状态(英文：State Of Charge,简称：SOC)直接反映电池剩余容量，是车辆控制系统制定最优能源管理策略的重要依据。SOC是一个重要的电池性能参数，准确估计SOC对于提高电池安全性能、延长电池寿命、保证电池系统可靠运行具有重要意义。
[0003]目前，常用的锂电池SOC估计方法有安时积分法、开路电压法、神经网络法和卡尔曼滤波算法(英文：Kalman Filtering,简称KF)等。其中，安时积分法通过累积充放电的电量来估计电池的SOC，同时根据放电速率对估计出的SOC进行一定的补偿。安时积分法相对简单，可动态估计电池SOC，但是电流积分需要获得初始的SOC值，并且要对电池电流进行精确采集，这导致SOC估计误差随时间不断积累，估计精度低，因此，在实际应用中，通常将安时积分法结合其他方法一起使用来提高估计精度。开路电压法是根据电池的开路电压与电池内部锂离子浓度之间的变化关系，间接地拟合出它与电池SOC之间的对应关系，然后将电池长时间静置测量开路电压，根据拟合的开路电压与SOC对应关系获得当前电池SOC。开路电压法需要电池长时间静置，以获取稳定点的端电压，不能实时在线估计电池的SOC。神经网络法是模拟人脑及其神经元用以处理非线性系统的新型算法，无需深入研究电池的内部结构，只需要提前从目标电池中提取大量符合其工作特性的输入与输出样本，并将其输入到使用该方法所建立的系统中，就能获得电池的SOC。神经网络法工作量较大，需要提取大量且全面的目标样本数据对系统进行训练，所输入的训练数据和训练方法在很大程度上都会影响SOC估计的精度。卡尔曼滤波算法是一种新型最优化自回归数据滤波算法，该算法的本质是根据最小均方差原则，对复杂动态系统做出最优估计。卡尔曼滤波算法克服了电流积分对初始值依赖的严重缺点，并且不需要大量样本数据，可在线估计电池SOC，在运行工况复杂的电动汽车动力电池的SOC估算中，卡尔曼滤波算法具有显著的应用价值，成为近几年电池SOC估计算法研究的热点。
[0004]卡尔曼滤波算法是一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法。针对卡尔曼滤波不能解决非线性系统的问题，文献《P
é
rez,G.；Garmendia,M.；Reynaud,J.F.；Crego,J.；Viscarret,U.Enhanced closed loop State of Charge estimator for lithium
‑
ion batteries based on Extended Kalman Filter.Appl.Energy 2015,155,834
–
845,doi:10.1016/j.apenergy.2015.06.063》用扩展卡尔曼滤波算法(英文：Extended Kalman Filtering,简称：EKF)，将非线性系统用泰勒级数展开为线性系统，此方法忽略了高阶项，引入线性误差，可能导致滤波器发散。文献《He,
H.；Xiong,R.；Peng,J.Real
‑
time estimation of battery state
‑
of
‑
charge with unscented Kalman filter and RTOSμCOS
‑
II platform.Appl.Energy 2016,162,1410
–
1418,doi:10.1016/j.apenergy.2015.01.120》用无迹卡尔曼滤波算法(英文：Unscented Kalman Filter,简称：UKF)，对非线性系统进行无损变换，没有忽略高阶项，提高了估计的精度。但没有考虑电池模型和系统噪声的不确定性。模型噪声和系统噪声的不确定性会导致误差增大、收敛速度慢和滤波发散。文献《Sun,F.；Hu,X.；Zou,Y.；Li,S.Adaptive unscented Kalman filtering for state of charge estimation of a lithium
‑
ion battery for electric vehicles.Energy 2011,36,3531
–
3540,doi:10.1016/j.energy.2011.03.059》在无迹卡尔曼滤波的基础上引入自适应滤波，用自适应滤波估计的系统噪声协方差和观测噪声协方差分别替代无迹卡尔曼滤波的系统噪声协方差和观测噪声协方差，实现了系统误差和观测误差的实时更新，滤波效果相对较好，但自适应滤波不能真实的反应系统噪声和观测噪声误差。
[0005]此外，在传统的无迹卡尔曼滤波算法中,系统噪声协方差和观测噪声协方差通常被设定为常数，无法真实反应噪声的动态特性，对SOC估计精度具有一定影响，从而降低了估计精度。

技术实现思路

[0006]本专利技术针对现有技术存在的估计精度低等上述问题，提供了一种基于自适应无迹卡尔曼滤波的锂电池荷电状态估计方法，该方法通过实时监测滤波器中新息和残差的动态变化，实时修正系统噪声协方差和观测噪声协方差,调整滤波增益，估计精度高。
[0007]为了达到上述目的，本专利技术提供了一种基于自适应无迹卡尔曼滤波的锂电池荷电状态估计方法，其步骤为：
[0008]S1、基于锂电池的二阶等效电路模型获取模型的状态方程和输出方程，并进行离散化得到离散化的二阶等效电路模型的状态空间方程；
[0009]S2、通过电池放电的电压响应曲线、二阶等效电路模型的状态方程和输出方程辨识模型参数；
[0010]S3、将辨识的模型参数代入二阶等效电路模型的状态方程和输出方程，利用脉冲放电作为二阶等效电路模型输入，将二阶等效电路模型输出端电压与实际端电压进行对比，验证二阶等效电路模型精度；
[0011]S4、建立自适应无迹卡尔曼滤波算法，通过移动窗口法计算新息和残差的方差，自适应更新计算状态空间方程的系统噪声协方差和观测噪声协方差；
[0012]S5、基于建立的自适应无迹卡尔曼滤波算法，利用卡尔曼滤波器估计锂电池的端电压值和锂电池的SOC值。
[0013]有限的，二阶等效电路模型的状态方程为：
[0014][0015]式中，I
bat
为锂电池开路电流，放电为正；Q
bat
为锂电池的额定容量；R
si
为锂电池的欧姆内阻；R
tf
为锂电池本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于自适应无迹卡尔曼滤波的锂电池荷电状态估计方法，其特征在于，其步骤为：S1、基于锂电池的二阶等效电路模型获取模型的状态方程和输出方程，并进行离散化得到离散化的二阶等效电路模型的状态空间方程；S2、通过电池放电的电压响应曲线、二阶等效电路模型的状态方程和输出方程辨识模型参数；S3、将辨识的模型参数代入二阶等效电路模型的状态方程和输出方程，利用脉冲放电作为二阶等效电路模型输入，将二阶等效电路模型输出端电压与实际端电压进行对比，验证二阶等效电路模型精度；S4、建立自适应无迹卡尔曼滤波算法，通过移动窗口法计算新息和残差的方差，自适应更新计算状态空间方程的系统噪声协方差和观测噪声协方差；S5、基于建立的自适应无迹卡尔曼滤波算法，利用卡尔曼滤波器估计锂电池的端电压值和锂电池的SOC值。2.如权利要求1所述的基于自适应无迹卡尔曼滤波的锂电池荷电状态估计方法，其特征在于，二阶等效电路模型的状态方程为：式中，I
bat
为锂电池开路电流，放电为正；Q
bat
为锂电池的额定容量；R
si
为锂电池的欧姆内阻；R
tf
为锂电池的极化电阻；C
tf
为锂电池的极化电容；R
ts
为浓差极化电阻；C
ts
为浓差极化电容；U
tf
为极化电容C
tf
两端的电压；U
ts
为浓差极化电容C
ts
两端的电压；二阶等效电路模型的输出方程为：U
bat
＝U
OC
(SOC)
‑
R
si
I
bat
‑
U
tf
‑
U
ts
ꢀꢀꢀꢀ
(2)式中，U
bat
为电池端电压；U
OC
(SOC)为与SOC相关的电池开路电压。3.如权利要求2所述的基于自适应无迹卡尔曼滤波的锂电池荷电状态估计方法，其特征在于，根据锂电池的二阶等效电路模型，结合公式(1)和公式(2)得到离散化的二阶等效电路模型的状态空间方程为：
式中，τ
tf
＝R
tf
C
tf
为快时间常数，τ
ts
＝R
ts
C
ts
为慢时间常数；令I
bat
(k)＝u
k
，U
bat
(k)＝y
k
，C＝[
‑1ꢀ‑
1 0]，离散化的二阶等效电路模型的状态空间方程简化为：4.如权利要求3所述的基于自适应无迹卡尔曼滤波的锂电池荷电状态估计方法，其特征在于，步骤S2中，辨识的模型参数包括锂电池的欧姆内阻R
si
、锂电池的极化电阻R
tf
、锂电池的极化电容C
tf
、浓差极化电阻R
ts
、浓差极化电容C
ts
以及具有函数关系的锂电池开路电压U
oc
(SOC)表达式。5.如权利要求4所述的基于自适应无迹卡尔曼滤波的锂电池荷电状态估计方法，其特征在于，步骤S2中，将10节锂电池并联，采用1C脉冲放电，每放电3min，然后静置2h，循环放电到截止电压，得到脉冲放电电压曲线和脉冲放电电流曲线，获得锂电池SOC和开路电压U
oc
，用MATLAB进行最小二乘拟合，得到开路电压U
oc
和锂电池SOC的函数关系曲线。6.如权利要求4所述的基于自适应无迹卡尔曼滤波的锂电池荷电状态估计方法，其特征在于，步骤S2中，通过对电池脉冲放电的电压响应曲线进行分析，结合电阻电容特性，进行电阻电容的辨识；辨识电阻电容的具体过程为：将电池电压响应曲线分为四个阶段：A
‑
B段：电池从静置开始放电，端电压跳跃式下降，极化电容C
tf
两端的电压U
tf
和浓差极化电容C
ts
两端的电压U
ts
不能发生突变，A
‑
B段电压的突降是由于欧姆内阻R
si
引起的；B
‑
C段：在持续放电期间，电化学极化和浓差极化共同作用，使电压以指数变化的形式下降；在B
‑
C段之前，电压U
tf
和电压U
ts
为零，则B
‑
C段为零状态响应；C

【专利技术属性】
技术研发人员：王小利，吕杰超，蒋保臣，
申请(专利权)人：山东大学，
类型：发明
国别省市：