一种锂电池高灵敏度参数和SOC联合估计方法技术

一种锂电池高灵敏度参数和SOC联合估计方法，属于锂电池储能技术领域。本发明专利技术通过锂电池的动态工况实验获取实测数据，基于等效电路模型的结构特点，根据模型参数的实际可辨识性，选定高灵敏度参数；然后设计只辨识高灵敏度参数的参数估计器，其余电池模型参数采用离线参数辨识方法获取，确定各参数和SOC的映射关系；最后设计带有自适应模块的状态估计器，将参数估计器和状态估计器结合，建立自适应双扩展卡尔曼滤波算法，实现模型参数和SOC的联合估计。本发明专利技术通过减少辨识参数数量降低了计算成本，可以实现高灵敏度模型参数实时更新，同时具有较高的SOC估计精度，在电流、电压测量误差干扰下具有较强的鲁棒性，具有很大的实用价值。价值。价值。

【技术实现步骤摘要】
一种锂电池高灵敏度参数和SOC联合估计方法


[0001]本专利技术属于锂电池储能
，涉及一种锂电池高灵敏度参数和SOC联合估计方法，具体涉及一种基于自适应双扩展卡尔曼滤波实现高灵敏度参数和SOC联合估计的方法。

技术介绍

[0002]锂离子电池因具有能量密度高、循环寿命长、环保以及自放电率低等诸多优势，被广泛应用于电动汽车领域。由于技术水平限制，目前仍有很多问题亟待解决，电池荷电状态(State of Charge，SOC)估计不准就是其中的核心问题之一。SOC的准确估计是预测电动汽车剩余续航里程的基础，可以有效避免汽车发生半路抛锚事故，直接关系到用户的驾驶体验。同时BMS将SOC作为充放电管理的重要阈值，通过对SOC的监测动态调整电池的充放电状态，在调整能量分配策略、提高电池利用率、防止过充过放、保障人身安全等方面具有重要意义。由于锂电池是一个复杂的非线性时变系统，电池的SOC无法利用传感器直接测量，只能基于电流、电压、温度等外部状态参数进行估计。但是SOC的精确估计十分困难，原因在于：电池具有时变特性；温度、老化、工况以及数据采样精度等因素的影响；SOC估计依赖于准确的电池模型，然而电池模型参数较多，导致对其准确辨识存在很大挑战。
[0003]目前有关SOC估计的研究主要聚焦于模型及算法的改进和优化，这些尝试初见成效，的确为提高电池的SOC估计精度提供了新的思路，但是随着模型和算法复杂度的提高，也极大地增加了控制器的计算成本。针对锂电池复杂多变的工作环境和电池管理系统有限的计算能力，这些算法的抗干扰能力和实用价值有待进一步验证。能应用于嵌入式系统的算法必须具有模型简单、稳定可靠和抗干扰能力强等特点。考虑到SOC估计主要基于模型来完成，因此需要通过合理的参数辨识方法建立准确的电池模型，正确评估SOC估计精度的影响因素,平衡算法复杂度和SOC精度，设计出安全可靠、鲁棒性好、计算复杂度低的SOC估计方法。

技术实现思路

[0004]本专利技术的目的是弥补现有技术的不足，提出一种锂电池高灵敏度参数和SOC联合估计方法，基于自适应双扩展卡尔曼滤波实现高灵敏度参数和SOC联合估计，能够同时兼顾算法复杂度和SOC估计精度，提高算法的抗干扰能力。本专利技术的目的通过以下技术方案实现。
[0005]一种锂电池高灵敏度参数和SOC联合估计方法，其特征在于，首先通过锂电池的动态工况实验获取实测数据，基于等效电路模型的结构特点，根据模型参数的实际可辨识性，选定高灵敏度参数；然后设计只辨识高灵敏度参数的参数估计器，其余电池模型参数采用离线参数辨识方法获取，确定各参数和SOC的映射关系；最后设计带有自适应模块的状态估计器，将参数估计器和状态估计器结合，建立自适应双扩展卡尔曼滤波算法，实现模型参数和SOC的联合估计。
[0006]进一步的，所述高灵敏度参数为开路电压和欧姆内阻。
[0007]进一步的，所述离线参数辨识方法包括粒子群算法、最小二乘法、曲线拟合法。
[0008]进一步的，所述自适应模块采用Sage
‑
Husa滤波，参数估计器以欧姆内阻R0为状态变量，状态估计器以SOC和极化电压作为状态变量，二者都以端电压为观测量。
[0009]进一步的，一种锂电池高灵敏度参数和SOC联合估计方法，具体包括以下步骤：
[0010]S1搭建实验平台，通过锂电池的动态工况实验获取实测数据，基于等效电路模型的结构特点，分析比较模型各参数的实际可辨识性，确定开路电压U
ocv
和欧姆内阻是高灵敏度参数；
[0011]S2设计只辨识开路电压U
ocv
、欧姆内阻R0的参数估计器，通过OCV
‑
SOC拟合曲线确定开路电压U
ocv
和SOC的映射关系，不同类型电池对应的最佳多项式阶数不同，以5次多项式拟合为例：
[0012][0013]将待辨识参数θ表示为R0和U
ocv
拟合参数的组合：
[0014]θ＝[R0,m0,m1,m2,m3,m4,m5]T
ꢀꢀꢀ
(2)
[0015]S3设计带有自适应模块的状态估计器，和参数估计器结合，建立自适应双扩展卡尔曼滤波(Adaptive Double Extended Kalman Filter，ADEKF)算法实现模型参数和SOC的联合估计；其中自适应模块采用Sage
‑
Husa滤波，参数估计器以欧姆内阻为状态变量，状态估计器以SOC和极化电压作为状态变量，二者都以端电压为观测量，ADEKF算法的状态空间方程为：
[0016][0017]其中θ
k
、x
k
为状态变量，r
k
、w
k
为过程噪声，v
k
、e
k
为观测噪声，过程噪声ω
k
、r
k
和观测噪声υ
k
、e
k
都是均值为0，且相互独立的高斯白噪声，协方差矩阵分别是Q
x
、Q
θ
、R
x
和R
θ
。
[0018]进一步的，步骤S3中基于ADEKF算法的SOC估计过程如下：
[0019]1)参数估计器和状态估计器初始化：包括x0、θ0、和
[0020]2)参数和状态的先验估计
‑
预估，包括：
[0021]状态估计器时间更新：
[0022][0023]参数估计器的时间更新：
[0024][0025]3)参数和状态的后验估计
‑
修正，包括：
[0026]状态估计器测量更新：
[0027][0028]参数估计器测量更新：
[0029][0030]4)状态估计器的过程噪声和观测噪声协方差更新：
[0031][0032]其中：
[0033][0034]式(4)到式(9)中，带有
“‑”
的表示当前时刻的先验估计值，带有“+”的表示后验估计值，和分别表示状态估计器和参数估计器的卡尔曼增益，和则分别表示两个估计器的噪声协方差矩阵。
[0035]本专利技术相较现有的技术有以下优点：
[0036]1、本专利技术提供的高灵敏度参数和SOC联合估计的方法，ADEKF算法包括两重扩展卡尔曼滤波器，分别作为参数估计器和状态估计器，可以依次实现模型参数和SOC实时更新，二者相互耦合，具有较高的SOC估计精度。
[0037]2、本专利技术设计的参数估计器只辨识开路电压和欧姆内阻这两个高灵敏度参数，其余电池模型参数采用离线参数辨识方法的方式获取，通过减少参数辨识数量，降低了算法复杂度和计算成本。
[0038]3、本专利技术的状态估计器加入了基于Sage
‑
Husa滤波的自适应模块，可以实时更新过程噪声和观测噪声的协方差矩阵，解决了实际中因噪声统计信息不准，导致SOC估计精度降低甚本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种锂电池高灵敏度参数和SOC联合估计方法，其特征在于，首先通过锂电池的动态工况实验获取实测数据，基于等效电路模型的结构特点，根据模型参数的实际可辨识性，选定高灵敏度参数；然后设计只辨识高灵敏度参数的参数估计器，其余电池模型参数采用离线参数辨识方法获取，确定各参数和SOC的映射关系；最后设计带有自适应模块的状态估计器，将参数估计器和状态估计器结合，建立自适应双扩展卡尔曼滤波算法，实现模型参数和SOC的联合估计。2.根据权利要求1所述的一种锂电池高灵敏度参数和SOC联合估计方法，其特征在于，所述高灵敏度参数为开路电压和欧姆内阻。3.根据权利要求1所述的一种锂电池高灵敏度参数和SOC联合估计方法，其特征在于，所述离线参数辨识方法包括粒子群算法、最小二乘法、曲线拟合法。4.根据权利要求1所述的一种锂电池高灵敏度参数和SOC联合估计方法，其特征在于，所述自适应模块采用Sage
‑
Husa滤波，参数估计器以欧姆内阻为状态变量，状态估计器以SOC和极化电压作为状态变量，二者都以端电压为观测量。5.根据权利要求1所述的一种锂电池高灵敏度参数和SOC联合估计方法，其特征在于，具体包括以下步骤：S1搭建实验平台，通过锂电池的动态工况实验获取实测数据，基于等效电路模型的结构特点，分析比较模型各参数的实际可辨识性，确定开路电压和欧姆内阻是高灵敏度参数；S2设计只辨识开路电压、欧姆内阻的参数估计器，通过OCV
‑
SOC拟合曲线确定开路电压U
ocv
和SOC的映射关系，以5次多项式拟合：将待辨识参数θ表示为R0和U
ocv
拟合参数的组合：θ＝[R0,m0,m1,m2,m3,m4,m5]
T (2)S3设计带有自适应模块...

【专利技术属性】
技术研发人员：陈飞宇，刘洁，朱国荣，李海军，康健强，胡伟明，王菁，杨张斌，廖湘，刘攀，
申请(专利权)人：武汉理工大学，
类型：发明
国别省市：