一种基于改进拓展卡尔曼滤波算法的锂离子电池SOC估算方法技术

本发明专利技术公开了一种基于改进拓展卡尔曼滤波算法的锂离子电池SOC估算方法，读取电池SOC初始值；再建立锂离子电池的二阶等效电路模型，得出状态空间方程，再得到开路电压数据与荷电状态数据的关系，对模型方程进行离散化处理后将改写成最小二乘形式，运用变遗忘因子最小二乘法并结合开路电压与荷电状态之间的关系，通过所输入的数据对模型参数进行辨识；对普通拓展卡尔曼进行改进，在状态更新阶段引入额外的先前时刻系统输出新息值对状态进行精确的更正，由于传感器误差的存在，需额外引入先前时刻系统新息会导致误差累积，本发明专利技术为各新息分配合适的权重，增加估算精度，并且实时调整过程噪声协方差，提高算法估算荷电状态的精度以及收敛速度。精度以及收敛速度。精度以及收敛速度。

【技术实现步骤摘要】
一种基于改进拓展卡尔曼滤波算法的锂离子电池SOC估算方法


[0001]本专利技术涉及锂离子电池SOC估算方法，特别是一种基于改进拓展卡尔曼滤波算法的锂离子电池SOC估算方法。

技术介绍

[0002]为了解决环境问题，近年来与清洁能源有关的研究已成为热点。与一些传统的电池，如铅酸蓄电池、镍镉电池相比，锂离子电池具有比能量高，自放电率低，快速充放电，无毒无记忆效应，使用寿命长等一系列优点，因此锂离子电池越来越流行，开始广泛用于电动汽车。电池、电机、电控作为电动汽车三大核心部件，直接决定了汽车的整体性能。锂离子电池虽然具有循环寿命长、比能量高、无记忆效应等优点，但仍有一些关键问题需要解决。安全可靠的电池管理系统对于电动汽车来说十分重要，其中荷电状态（state of charge，SOC）是其核心功能之一，SOC的估算准确也是主要难点。SOC估算的准确与否直接决定了电池管理系统的控制策略正确与否。
[0003]目前SOC估算的方法主要分为以下几类：1）直接测量法；2）数据驱动法；3）基于模型的估算方法。直接测量法目前大多通过安时积分法和开路电压法的结合，通过静置得到电池的初始SOC，然后通过对电流进行积分来得到SOC值。然而，这种方法要通过长时间的静置来得到SOC的初始值，实际应用不方便，以及对初始值和干扰很敏感，从而导致误差累积无法纠正。数据驱动法通过大量的数据来了解电池的内部动态，常用的数据驱动方法主要有神经网络法、模糊逻辑、支持向量机等。但是数据驱动法需要较高的计算成本，估算的准确性很大程度取决于训练后的数据。基于模型的估算方法是目前应用最多的方法，主要通过一组状态空间方程，目前主要通过卡尔曼滤波算法及其改进算法应用于模型进行SOC估算。基于模型的估算方法是目前的主流方法，是当前研究的一个重点。

技术实现思路

[0004]本专利技术提供了一种基于改进拓展卡尔曼滤波算法的锂离子电池SOC估算方法，该方法不但能够以精确估算锂离子电池SOC为目标，增加SOC的估算精度，针对传统多新息算法中各新息权重相同会导致误差累积以及过校正的问题，提出了权重计算方法，还加入改进的Sage
‑
Husa自适应滤波算法对噪声进行自适应的调节，以消除噪声的影响，在电池等效电路模型的基础上运用改进的容积卡尔曼滤波算法对电池进行SOC估算。
[0005]专利技术采用了以下技术方案：一种基于改进拓展卡尔曼滤波算法的锂离子电池SOC估算方法，它包括以下步骤：步骤一，读取电池SOC初始值；步骤二，建立锂离子电池的二阶等效电路模型，基于基尔霍夫电压定律，得出模型的状态空间方程；步骤三，采集开路电压数据与荷电状态数据，得到两者之间的关系，基于所述模
型，对模型方程进行离散化处理，并将离散化后的方程改写成最小二乘形式，然后运用变遗忘因子最小二乘法VFFRLS并结合开路电压与荷电状态之间的关系，通过所输入的电池电流、电压等数据，对模型参数进行辨识；步骤四，对普通拓展卡尔曼进行改进，引入多新息算法，对每个新息进行合理的权重赋值，以及引入改进Sage
‑
Husa自适应滤波算法对噪声误差协方差矩阵实时更新。
[0006]进一步说，所述步骤三中开路电压和荷电状态之间的关系通过静置法获取，并用Matlab拟合工具进行多项式拟合：。
[0007]进一步说，所述步骤三中运用的变遗忘因子最小二乘法可以有效解决传统最小二乘法在计算过程中，随着算法运行数据重复性的增加，容易导致算法数据饱和，从而造成误差的累积。
[0008]进一步说，所述步骤四中的改进拓展卡尔曼滤波算法通过对多新息算法中额外引入的先前时刻的新息值分配合适的权重，根据距离当前时刻近的新息以及误差较大的新息分配较大的权重这一规则，通过改进算法提高估算精度。
[0009]进一步说，改进算法利用提出的加权多新息算法解决了传统多新息算法中误差累积的问题，并且引入改进Sage
‑
Husa自适应滤波算法对噪声进行实时的更新，解决噪声干扰导致估算不准确的影响。
[0010]进一步说，改进Sage
‑
Husa自适应滤波算法具体有以下步骤：针对非线性问题，对于拓展卡尔曼滤波算法，有一组离散化状态空间方程如下：将拓展卡尔曼滤波算法应用于锂离子电池SOC估算时,结合二阶等效电路模型，令：，初始化：令；初始化噪声协方差矩阵：状态更新：
其中，；新息计算：卡尔曼滤波增益计算：其中，；通过多新息算法将新息值从标量形式扩展到向量形式，在算法的校正过程中考虑了新息变量的当前值和先前值。将多新息算法将单个新息值拓展成新息向量：相应的，卡尔曼滤波增益也要拓展成向量形式与新息向量进行计算：其中，为新息窗口长度；权重计算方法采用一组高斯方程来表示，分别为与时间相关和与误差分布相关：其中是标准差；测量更新以及协方差矩阵更新：
所述基于改进Sage
‑
Husa自适应滤波对EKF进行噪声自适应调节：其中，，为遗忘因子。在这里采用有偏估计的方法以增加算法的稳定性，并且仅对受环境影响敏感的过程噪声矩阵进行更新，以减少计算量同时增加滤波稳定性。
[0011]本专利技术具有以下有益效果：采用了以上技术方案后，本专利技术以精确估算锂离子电池SOC为目标，通过引入多新息算法对卡尔曼滤波中状态纠正阶段进行改进以增加SOC的估算精度。针对传统多新息算法中各新息权重相同会导致误差累积以及过校正的问题，提出了一种权重计算方法，还加入改进的Sage
‑
Husa自适应滤波算法对噪声进行自适应的调节以消除噪声的影响，避免在估算过程中收到噪声的干扰而导致算法精度不高；在电池等效电路模型的基础上运用改进的容积卡尔曼滤波算法对电池进行SOC估算。本专利技术引入多新息算法在卡尔曼滤波状态纠正阶段额外考虑先前时刻系统输出新息值，对状态进行纠正，由于实际运行过程中传感器误差的存在，引入先前时刻的新息会导致误差的累积，本专利技术提出了的权重计算方法，为每个新息分配合适的权重，即靠近当前时刻以及误差较大的新息有着较大的权重，通过所提方法增加SOC的估算精度。本专利技术运用变遗忘因子最小二乘法（VFFRLS）对电池模型进行参数辨识，有效解决了常规最小二乘法因出现数据包和、不确定性噪声所造成的辨识模型不再具有无偏性的问题，保证电池模型的高精度特性。
附图说明
[0012]为了更清楚地说明本专利技术实施例或现有技术中的方案，下面将对实施例中所需要使用的附图进行简单的介绍。
[0013]图1为本专利技术的电池SOC估算方法的流程示意图。
[0014]图2为本专利技术所涉及的锂离子电池二阶RC等效电路模型；图3本专利技术基于改进后的算法SOC估算流程图。
[0015]图4本专利技术动态应力测试工况下对算法进行初步验证曲线示意图。
[0016]图5本专利技术在此工况下SOC的估算误差的曲线示意图。
[0017]图6本专利技术改进算法的鲁棒性验证的曲线示意图。
具体实施方式
[0018]下面结合附图以及具体实施例对本专利技术作进一步本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进拓展卡尔曼滤波算法的锂离子电池SOC估算方法，其特征是它包括以下步骤：步骤一，读取电池SOC初始值；步骤二，建立锂离子电池的二阶等效电路模型，基于基尔霍夫电压定律，得出模型的状态空间方程；步骤三，采集开路电压数据与荷电状态数据，得到两者之间的关系，基于所述模型，对模型方程进行离散化处理，并将离散化后的方程改写成最小二乘形式，然后运用变遗忘因子最小二乘法VFFRLS并结合开路电压与荷电状态之间的关系，通过所输入的电池电流、电压等数据，对模型参数进行辨识；步骤四，对普通拓展卡尔曼进行改进，引入多新息算法，对每个新息进行合理的权重赋值，以及引入改进Sage
‑
Husa自适应滤波算法对噪声误差协方差矩阵实时更新。2.根据权利要求1所述的基于改进拓展卡尔曼滤波算法的锂离子电池SOC估算方法，其特征是所述步骤三中开路电压和荷电状态之间的关系通过静置法获取，并用Matlab拟合工具进行多项式拟合：。3.根据权利要求1所述的基于改进拓展卡尔曼滤波算法的锂离子电池SOC估算方法，其特征是所述步骤三中运用的变遗忘因子最小二乘法可以有效解决传统最小二乘法在计算过程中，随着算法运行数据重复性的增加，容易导致算法数据饱和，从而造成误差的累积。4.根据权利要求1所述的基于改进拓展卡尔曼滤波算法的锂离子电池SOC估算方法，其特征是所述步骤四中的改进拓展卡尔曼滤波算法通过对多新息算法中额外引入的先前时刻的新息值分配合适的权重，根据距离当前时刻近的新息以及误差较大的新息分配较大的权重这一规则，通...

【专利技术属性】
技术研发人员：杨桃，顾乃鹏，吉盛，栗欢欢，杨继承，郭建成，周志涛，张赤勇，
申请(专利权)人：江苏春兰清洁能源研究院有限公司，
类型：发明
国别省市：