基于遗忘因子自适应反馈修正的电池能量状态评估方法技术

本发明专利技术公开了基于遗忘因子自适应反馈修正的电池能量状态评估方法，属于新能源电池测控领域，本发明专利技术针对锂电池的极化特性表征难题，构建锂离子电池二阶RC等效电路模型；针对FFRLS在线参数辨识方法不能很好适应工况变化难题，提出使用模糊逻辑控制器实现遗忘因子的在线自适应整定；在电池等效电路模型基础上运用AFFRLS和EKF的算法实现锂离子电池组SOE估算模型的建立和SOE值的数学迭代运算；提出AFFRLS和EKF的锂电池SOE估计研究，实现了SOE估算模型的构建与实验验证，在用于跟踪锂离子电池组输出电压时，平均估算误差为0.01V，最大估算误差为0.05V，显著提高了电池SOE估算精度。度。度。

【技术实现步骤摘要】
基于遗忘因子自适应反馈修正的电池能量状态评估方法


[0001]本专利技术涉及新能源电池测控领域，尤其涉及基于遗忘因子自适应反馈修正的电池能量状态评估方法。

技术介绍

[0002]在锂离子电池组的整个生命周期中，电池管理系统（Battery Management System，BMS）对核心参数SOE（state of energy，能量状态）的监控和调节将影响应急动力输出的效果和安全性；因此，实时监测该参数的变化，并基于此保障锂离子电池组的工作性能是非常必要的。由于BMS中的成组SOE估算技术尚不成熟，使用过程中存在的安全隐患严重制约了锂离子电池组的发展。
[0003]对于锂离子电池组而言，可靠的BMS管理依靠准确的SOE值；在该值已知的情况下，不仅能够对其进行可靠能量管理和安全控制，而且还能避免锂离子电池组的提前损坏，延长其使用寿命；因此，精确估算SOE值，对保障锂离子电池组的工作性能及其能量和安全管理至关重要。锂离子电池组的SOC（state of charge，荷电状态）估算模型构建和精确估算值得获取，已成为其能量和安全管理的核心问题；锂离子电池组由具有高能量密度和闭路电压的钴酸锂电池单体组合构成，其安全性受到所处工作状态的影响；SOE表征了锂电池在当前状态下可持续放出的能量，其单位为Wh，为电池管理系统最基本也是最重要的的一个关键参数。此外，锂离子电池组的充放电过程包含复杂电能、化学能和热能转换等环节，过充电和过放电现象易引发安全事故，精确SOE估算在防止过充电和过放电中起着重要作用；在锂离子电池组的应用中，其安全性依然是最为关注的问题，SOE估算是其安全使用的基础和前提；锂离子电池组采用电池单体级联结构，满足了辅助动力供能过程中的容量和电压需求；然而，由于无法避免的材料和工艺差异，单体间不一致现象客观存在且无法避免；并且，该现象会随着循环次数的增加越来越明显，这就使得单体间不一致性的表达与修正成为成组SOE估算的重要组成部分，同时也给成组SOE精确估算带来了巨大的挑战。
[0004]针对SOE估算的必要性和紧迫性需求，相关研究机构和高校，如麻省理工学院、宾州州立大学、美国南卡大学、英国利兹大学、英国罗伯特高登大学、美国国家可再生能源室、美国莱登能源公司、德国英飞凌科技公司、清华大学、北京航空航天大学、北京理工大学、北京交通大学、重庆大学、中国科学技术大学和哈尔滨工业大学等，针对SOE估算展开了大量研究并进行了深入的探索。
[0005]目前对于SOE的估算方法包括积分法、开路电压法、基于数据驱动的方法以及基于模型的方法等。其中，基于数据驱动的方法有神经网络算法、主元分析和支持向量机等方法；基于模型的方法包括卡尔曼滤波算法与粒子滤波等算法。基于数据驱动的方法往往需要大量精确的实验数据作为训练样本，计算量大，且不同工况下的训练结果只能用于相同的情况，泛化能力差。积分法计算方便，但对SOE的初始值要求较高，抗干扰能力差，在存在干扰时造成误差后误差不能修复。

技术实现思路

[0006]本专利技术的目的就在于提供一种基于遗忘因子自适应反馈修正的电池能量状态评估方法，以解决上述问题。为了实现上述目的，本专利技术采用的技术方案是这样的：一种基于遗忘因子自适应反馈修正的电池能量状态评估方法，包括下述步骤：S1：在线辨识锂离子电池模型参数，将锂离子电池模型离散化处理；S2：采用自适应遗忘因子递推最小二乘算法估算参数并对参数进行分离；S3：根据模型误差运用模糊逻辑控制器实现遗忘因子的自适应整定；S4: 根据分离得到的参数，计算状态空间变量的一步预测及其方差矩阵，根据状态方程可以直接得到如下所示预测方程，即进行先验估算；S5: 计算卡尔曼增益K(k)的表达式；S6:根据卡尔曼增益K(k)来修正初始预测值并更新过程噪音；得到该时刻的SOE、极化电压以及系统残差，即进行后验估算。
[0007]作为优选的技术方案，步骤S1中，其方法为:
ꢀꢀ
（1）上式中，为开路电压；为工作电压输出观测变量；为系统输入控制变量；c1、c2、c3、c4和c5为相应的常数系数；为k+1时刻方程差值；下标k表示为第k时刻；下标k+1为第k+1时刻；下标k
‑
1为第k
‑
1时刻；下标k
‑
2为第k
‑
2时刻。
[0008]作为优选的技术方案，步骤S2中，其方法为：(2) (3)上式中，为待辨识系统的变量；为待辨识系统变量的估算值；为k时刻系统的观测噪声即噪声矩阵；为k时刻预测误差协方差矩阵；T为动力锂离子电池电压与电流的采样时间；为遗忘因子；为参数矩阵；下标k表示为第k时刻；下标k+1为第k+1时刻；下标k
‑
1为第k
‑
1时刻；下标k
‑
2为第k
‑
2时刻。
[0009]作为优选的技术方案，步骤S4中，其方法为：根据基尔霍夫电压定律和基尔霍夫电
流定律列写出锂离子电池能量状态观测方程和观测方程。
[0010]作为优选的技术方案，步骤S5中，其方法为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（4）上式中，为k+1时刻预测误差协方差矩阵；K
k+1
为k+1时刻卡尔曼增益；C为系统观测矩阵；为k时刻观测协方差；T为动力锂离子电池电压与电流的采样时间；下标k表示为第k时刻；下标k+1表示为第k+1时刻。
[0011]作为优选的技术方案，步骤S6中，其方法为： （5）上式中， 为k+1时刻观测变量预测误差；为k+1时刻状态变量预测量；为基于k时刻状态变量预测量预测的k+1时刻状态变量；u
k+1
为k+1时刻系统输入控制变量；C、D为系统观测矩阵; K
k+1
为k+1时刻卡尔曼增益；为k+1时刻误差协方差矩阵，即；为k时刻预测的k+1时刻误差协方差矩阵；E为单位矩阵；下标k表示为第k时刻；下标k+1表示为第k+1时刻；为k+1时刻观测变量。式中的与，一个是基于k即可的预测值，一个是k+1时刻的真值，一个是先验估计值，一个是后验估计值。
[0012]现有锂离子电池组BMS应用中，基于瓦时积分和开路电压的SOE估算方法，未能准确表征SOE估算中存在的累积误差，并且不能结合当前状态进行参数修正；通过现有SOE估算方法分析，基于AFFRLS（遗忘因子递推最小二乘法）和EKF（扩展卡尔曼滤波算法）的锂电池SOE估计研究，把闭路电压、电流为实时输入参量，在SOE估算过程中考虑锂离子电池组的工况信息，克服了传统SOE估算方法实时修正不足所造成的误差较大和逐渐累积等缺点；针对锂电池的极化特性表征难题，构建锂离子电池二阶RC等效电路模型；针对FFRLS在线参数辨识方法不能很好适应工况变化难题，提出使用模糊逻辑控制器实现遗忘因子的在线自适应整定；在电池等效电路模型基础上运用AFFRLS和EKF的算法实现锂离子电池组SOE估算模型的建立和SOE值的数学迭代运算；提出AFFRLS和EKF的锂电池SOE估计研究，实现了SOE估算模型的构本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于遗忘因子自适应反馈修正的电池能量状态评估方法，其特征在于，包括下述步骤：S1：在线辨识锂离子电池模型参数，将锂离子电池模型离散化处理；S2：采用自适应遗忘因子递推最小二乘算法估算参数并对参数进行分离；S3：根据模型误差运用模糊逻辑控制器实现遗忘因子的自适应整定；S4: 根据分离得到的参数，计算状态空间变量的一步预测及其方差矩阵，根据状态方程可以直接得到如下所示预测方程，即进行先验估算；S5: 计算卡尔曼增益K(k)的表达式；S6:根据卡尔曼增益K(k)来修正初始预测值并更新过程噪音；得到SOE、极化电压以及系统残差，即进行后验估算。2.根据权利要求1所述的方法，其特征在于，步骤S1中，其方法为：运用下述式（1）的差分方程获取锂离子电池等效模型离散差分方程，以便于模型的参数辨识；
ꢀꢀ
（1）上式中，为开路电压；为工作电压输出观测变量；为系统输入控制变量；c1、c2、c3、c4和c5为相应的常数系数；为k+1时刻方程差值；下标k为第k时刻；下标k+1为第k+1时刻；下标k
‑
1为第k
‑
1时刻；下标k
‑
2为第k
‑
2时刻。3.根据权利要求1所述的方法，其特征在于，步骤S2中，其方法为：运用模糊逻辑自适应遗忘因子递推最小二乘算法，实现锂离子电池模型参数的自适应在线整定计算；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（2）
ꢀꢀꢀꢀꢀꢀ
（3）上式中，为待辨识系统的变量；为待辨识系统变量的估算值；为k时刻系统的观测噪声即噪声矩阵；为...

【专利技术属性】
技术研发人员：王顺利，陈超，刘冬雷，杨潇，李飞，乔家璐，梁雅雯，曹文，王毅，于春梅，陈蕾，王建，刘全文，靳玉红，范永存，戚创事，熊莉英，任璞，
申请(专利权)人：四川帝威能源技术有限公司，
类型：发明
国别省市：