本发明专利技术公开了一种锂电池荷电状态的估计方法，步骤一、根据系统状态初值以及状态方程进行荷电状态估计；步骤二、计算测量值与估计值的残差，从而计算渐消因子；步骤三、计算时变渐消因子；步骤四、由实际情况下的残差变化、电流大小计算得到渐消因子调整值；步骤五、得到渐消因子新值，进而求得增益矩阵；步骤六、更新荷电估计状态；步骤七、通过自适应滤波算法估计测量噪声协方差矩阵。与现有技术相比，本发明专利技术通过强跟踪滤波器算法以及对其的改进，能够根据实际情况更新测量噪声和渐消因子，与传统卡尔曼滤波器算法相比，能够有效提高锂电池荷电状态的估计精度，增强算法的跟踪性和自适应性。
【技术实现步骤摘要】
本专利技术锂电池荷电状态预测技术，特别是涉及一种在锂电池实际应用过程中对其荷电状态进行估计的方法。
技术介绍
由于面临能源和环境的压力，锂电池以其高能量密度、使用寿命长、绿色环保等优点成为目前最具潜力的储能装置。而锂电池的荷电状态估计，是对电池进行有效管理的前提和关键。目前，常见的电池荷电状态估计方法有开路电压法、安时计量法、神经网络、卡尔曼滤波法和扩展卡尔曼滤波法。其中，卡尔曼滤波算法是最常用的荷电状态估计方法，但其在模型参数不确定的 情况下鲁棒性很差，并且，对突变状态的跟踪能力不佳。该算法要求测量噪声统计特性是已知的，但是大多数应用问题中噪声统计特性是未知的，若根据错误的噪声统计特性设计滤波器将使滤波器的误差增大，甚至使滤波器发散。并且由于锂电池的电池模型是个非线性系统,其中电池的开路电压和电池荷电状态呈非线性关系，因此扩展卡尔曼滤波算法在卡尔曼滤波算法的基础上，对非线性方程进行线性化处理，可以适用于非线性系统。当模型参数与过程参数精确匹配或基本匹配时，只要初始值选择适当，滤波过程可渐进收敛并得到状态的近似无偏估计值。然而，当模型参数不匹配或存在较大偏差时，扩展卡尔曼滤波算法的估计精度会大大下降甚至发散。
技术实现思路
为克服现有技术的不足，本专利技术提出，针对锂电池模型不确定性以及测量噪声统计特性未知的情况，将强跟踪滤波器算法与自适应滤波算法进行结合，应用现场可编程门阵列(FPGA)或者数字信号处理器(DSP)实现融合算法，在估计荷电状态的同时利用观测数据的信息不断地在线修正噪声统计特性，从而提高锂电池荷电状态的估算精度，增强估计算法的鲁棒性和自适应性。本专利技术提出了，通过建立锂电池数学模型，得到系统状态方程以及量测方程形如j x{k+1) = I x{k)+B.1Ak^ I)+ v{k+1)j伞 + i) = η.雄 + + f^+ 其中，X(k+1)是系统在k+Ι时刻的状态，U(k+1)是k+Ι时刻对系统的控制函数，Z(k+1)是系统的观测变量，ff(k+l)和V(k+1)分别表示过程和测量的噪声。A, B为系统参数，H为测量系统的参数，反映状态变量对测量变量的影响，其特征在于，该方法包括以下步骤步骤一根据系统状态初值以及状态方程进行荷电状态估计；Hk + L\k) = A ■ X(k\k) + B ■ U(k + I)步骤二、计算测量值与估计值的残差，从而计算渐消因子；权利要求1.，通过建立锂电池数学模型，得到系统状态方程以及量测方程形如全文摘要本专利技术公开了，步骤一、根据系统状态初值以及状态方程进行荷电状态估计；步骤二、计算测量值与估计值的残差，从而计算渐消因子；步骤三、计算时变渐消因子；步骤四、由实际情况下的残差变化、电流大小计算得到渐消因子调整值；步骤五、得到渐消因子新值，进而求得增益矩阵；步骤六、更新荷电估计状态；步骤七、通过自适应滤波算法估计测量噪声协方差矩阵。与现有技术相比，本专利技术通过强跟踪滤波器算法以及对其的改进，能够根据实际情况更新测量噪声和渐消因子，与传统卡尔曼滤波器算法相比，能够有效提高锂电池荷电状态的估计精度，增强算法的跟踪性和自适应性。文档编号G01R31/36GK102998629SQ20121057077公开日2013年3月27日 申请日期2012年12月16日 优先权日2012年12月16日专利技术者程泽, 刘艳莉, 张玉晖, 戴胜, 张秋艳 申请人:天津大学本文档来自技高网...
【技术保护点】
一种锂电池荷电状态的估计方法，通过建立锂电池数学模型，得到系统状态方程以及量测方程形如：X(k+1)=A·X(k)+B·U(k+1)+V(k+1)z(k+1)=H·X(k+1)+W(k+1)其中，X(k+1)是系统在k+1时刻的状态，U(k+1)是k+1时刻对系统的控制函数，Z(k+1)是系统的观测变量，W(k+1)和V(k+1)分别表示过程和测量的噪声；A,B为系统参数，H为测量系统的参数，反映状态变量对测量变量的影响，其特征在于，该方法包括以下步骤：步骤一、根据系统状态初值以及状态方程进行荷电状态估计；X^(k+1|k)=A·X^(k|k)+B·U(k+1)步骤二、计算测量值与估计值的残差，从而计算渐消因子；z^(k+1|k)=H·X^(k+1|k)γ(k+1)=z(k+1)-z^(k+1|k)其中，z(k+1)为系统测量值，为估计值，γ(k+1)为残差值；步骤三、计算时变渐消因子λ(k+1)；λ(K+1)=λ0λ0≥11λ0<1λ0=tr[N(k+1)]tr[M(k+1)]S0(k+1)=γ(1)γT(1)k=0ρS0(k)+γ(k+1)γT(k+1)1+ρk≥1其中N(k+1)=S0(k+1)?H·Q(k)·HT?βR(k+1)M(k+1)＝H·A·P(k|k)·AT·HTγ(k+1)为残差值，P(k|k)是对应状态X(k?k)的协方差矩阵，Q(k)是系统的过程 噪声参数，R(k+1)为系统的观测噪声协方差矩阵，ρ为遗忘因子，β≥1为弱化因子；步骤四、由实际情况下的残差变化、电流大小计算得到渐消因子调整值；渐消因子调整值由模糊控制算法得到，模糊控制规则如下：（1）残差差值较小，调整因子增大，残差差值较大，调整因子减小；（2）残差增大，调整因子增大；（3）电流增大，调整因子增大；其中，残差值为γ(k+1)，残差差值为γ(k+1)?γ(k)，由模糊控制算法得到的渐消因子调整值为Δλ；步骤五、得到渐消因子新值，进而求得增益矩阵；渐消因子的新值为λn(k+1)=λ(k+1)+ΔλP(k+1|k)=λn(k+1)·A·P(k|k)·AT+Q(k)K(k+1)=P(k+1|k)·HT·[H·P(k+1|k)·HT+R(k+1)]?1其中，P(k+1|k)为更新的协方差矩阵，K(k+1)为增益矩阵；步骤六、更新荷电估计状态；X^(k+1|k+1)=X^(k+1|k)+K(k+1)γ(k+1)为系统状态更新值，为系统状态预测值；步骤七、通过自适应滤波算法估计测量噪声协方差矩阵；c1=H·P(k+1|k)·HT+R(k+1)c=S2(k)/c1;R(k+2)=c·R(k+1)其中，S2(k)为实际噪声方差，c1为理论噪声方差，R(k+1)为原测量噪声协方差矩阵，R(k+2)为更新后的测量噪声协方差矩阵。FDA00002595219300015.jpg,FDA00002595219300022.jpg,FDA00002595219300023.jpg...
【技术特征摘要】
【专利技术属性】
技术研发人员：程泽，刘艳莉，张玉晖，戴胜，张秋艳，
申请(专利权)人：天津大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。