CN106707178B - 一种基于分类器决策的多增益观测器估计电池soc的方法 - Google Patents

一种基于分类器决策的多增益观测器估计电池soc的方法 Download PDF

Info

Publication number
CN106707178B
CN106707178B CN201611091642.2A CN201611091642A CN106707178B CN 106707178 B CN106707178 B CN 106707178B CN 201611091642 A CN201611091642 A CN 201611091642A CN 106707178 B CN106707178 B CN 106707178B
Authority
CN
China
Prior art keywords
battery
soc
estimating
classifier
absolute value
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201611091642.2A
Other languages
English (en)
Other versions
CN106707178A (zh
Inventor
吕洲
刘博洋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zijing Future Hainan Network Technology Co ltd
Original Assignee
Shenzhen Millennial Innovation And Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Millennial Innovation And Technology Co ltd filed Critical Shenzhen Millennial Innovation And Technology Co ltd
Priority to CN201611091642.2A priority Critical patent/CN106707178B/zh
Publication of CN106707178A publication Critical patent/CN106707178A/zh
Application granted granted Critical
Publication of CN106707178B publication Critical patent/CN106707178B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/385—Arrangements for measuring battery or accumulator variables
    • G01R31/387—Determining ampere-hour charge capacity or SoC

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Tests Of Electric Status Of Batteries (AREA)
  • Secondary Cells (AREA)

Abstract

本发明公开了一种基于分类器决策的多增益观测器估计电池SOC的方法，包括以下步骤：S1、建立电池开路电压与电池SOC的数学模型；S2、利用不同增益的龙伯格观测器和扩展卡尔曼滤波算法对电池SOC进行估计，并记录扩展卡尔曼滤波算法的输出与真实测量值之间的误差信号；S3、根据误差信号设计分类器；S4、利用龙伯格观测器估计电池SOC，龙伯格观测器的增益由分类器决定。本发明一种基于分类器决策的多增益观测器估计电池SOC的方法可以有效估计电池SOC，精度高且对电池模型的依赖性小，可以避免数据饱和现象；本方法的算法在运行过程中的纠错能力强。本发明作为一种基于分类器决策的多增益观测器估计电池SOC的方法，可广泛应用于电池SOC估算领域。

Description

一种基于分类器决策的多增益观测器估计电池SOC的方法
技术领域
本发明涉及电池SOC估算领域，尤其是一种基于分类器决策的多增益观测器估计电池SOC的方法。
背景技术
锂电池是一个包含着复杂物理与电化学变化的强耦合的高度非线性的***，其建模十分困难。如何在模型不是十分准确的情况下实现对电池荷电状态(state of charge，SOC)的精确且具有快速纠错能力的状态估计，对准确预测车辆行驶里程和提高车辆运行的可靠性有着重要的意义。
目前，电动汽车中估计SOC的方法主要有：安时积分法、开路电压法、龙伯格观测器、卡尔曼滤波算法、粒子滤波算法等。安时积分简单易行，但是初始误差无法确定，且随着时间推移有累积误差；开路电压法需要对电池长时间静置，只适合于实验室使用；龙伯格观测器结构简单但收敛缓慢，算法依赖模型且性能较差；卡尔曼滤波法计算量适中但对模型依赖严重，且无法克服数据饱和的问题；粒子滤波法精度高但是算法十分复杂。上述算法不能区分电池充放电过程中模型输出与实际测量值的误差来源，精度依赖模型，且运行过程中的纠错能力较差。
发明内容
为了解决上述技术问题，本发明的目的是提供一种电池SOC估算精度高、对电池模型依赖性小的基于分类器决策的多增益观测器估计电池SOC的方法。
本发明所采用的技术方案是：一种基于分类器决策的多增益观测器估计电池SOC的方法，包括以下步骤：
S1、建立电池开路电压与电池SOC的数学模型，作为以下步骤S2-S4的电池模型；
S2、利用扩展卡尔曼滤波算法对电池模型SOC进行估计，并记录电池模型输出的SOC估计值与电池输出的SOC真实测量值之间的误差信号；
S3、根据所述误差信号设计分类器；
S4、利用龙伯格观测器估计电池SOC，龙伯格观测器的增益由所述分类器决定。
进一步地，所述步骤S3包括以下步骤：
S31、根据误差信号得到分类器的判据信号；
S32、根据所述判据信号设计分类器。
进一步地，所述判据信号包括经过低通滤波的误差信号的绝对值E1和经过低通滤波的误差信号在带有遗忘因子的累加作用下的累加和的绝对值E2。
进一步地，所述步骤S32包括以下步骤：
S321、提取扩展卡尔曼滤波算法估计SOC时产生的绝对值E1和绝对值E2，计算其均值μ和标准差σ；提取扩展卡尔曼滤波算法估计SOC时的SOC误差小于第一预定值和大于第二预定值部分数据的绝对值E1和绝对值E2，分别计算它们在E2-E1平面的几何中心，得到第一几何中心C1、第二几何中心C2，所述第一预定值小于第二预定值；
S322、将μ±6σ作为边界条件，并将第一几何中心C1和第二几何中心C2的垂直平分线作为分界线；
S323、若实际测量时的绝对值E1和绝对值E2同时超过所述边界，则采用激进的观测策略；若绝对值E1和绝对值E2只有一项超过所述边界，则采用正常的观测策略；若实际测量时的绝对值E1和绝对值E2均在所述边界之内，则判断当前测量的坐标(E1，E2)到第一几何中心C1的距离是否小于坐标(E1，E2)到第二几何中心C2的距离，若是，则采用柔和的观测策略；否则，采用开环估计策略。
进一步地，所述低通滤波的滤波系数为0.98。
进一步地，所述遗忘因子为0.97。
进一步地，所述第一预定值为1％，所述第二预定值为2％。
进一步地，所述数学模型包括电化学组合模型。
本发明的有益效果是：本发明一种基于分类器决策的多增益观测器估计电池SOC的方法,首先将电池SOC估计过程中的误差信号进行分类，并设计分类器对不同种类的误差采用不同的观测策略；再利用龙伯格观测器估计SOC时，分类器对误差信号进行分类，并按照所属类别对应的观测策略来校正SOC参数；由此，本发明可以有效估计电池SOC，精度高且对电池模型的依赖性小，可以避免数据饱和现象，并加快观测器收敛速度；本方法的算法在运行过程中的纠错能力强，可以大幅度提高SOC估计算法在存在意外噪声的恶劣环境下的可靠性。
附图说明
下面结合附图对本发明的具体实施方式作进一步说明：
图1是本发明一种基于分类器决策的多增益观测器估计电池SOC的方法的步骤流程图；
图2是本发明一种基于分类器决策的多增益观测器估计电池SOC的方法中不同观测策略下龙伯格观测器估计算法的响应示意图；
图3是本发明一种基于分类器决策的多增益观测器估计电池SOC的方法中利用扩展卡尔曼滤波估计电池SOC的结果示意图；
图4是本发明一种基于分类器决策的多增益观测器估计电池SOC的方法的架构图；
图5是本发明一种基于分类器决策的多增益观测器估计电池SOC的方法中分类器的示意图；
图6是本发明一种基于分类器决策的多增益观测器估计电池SOC的方法在正常条件下的估计性能示意图；
图7是本发明一种基于分类器决策的多增益观测器估计电池SOC的方法在有初始误差和意外噪声时的估计性能示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
一种基于分类器决策的多增益观测器估计电池SOC的方法，参考图1，图1是本发明一种基于分类器决策的多增益观测器估计电池SOC的方法的步骤流程图，包括以下步骤：
S1、建立电池开路电压与电池SOC的数学模型，作为以下步骤S2-S4的电池模型；
S2、利用标准扩展卡尔曼滤波算法对电池模型SOC进行估计，并记录电池模型输出的SOC估计值与电池输出的SOC真实测量值之间的误差信号；
S3、根据误差信号设计分类器，以实时决策反馈增益；
S4、利用常规的龙伯格观测器估计算法计算电池剩余电量以估计电池SOC，龙伯格观测器的增益由分类器决定。
本发明一种基于分类器决策的多增益观测器估计电池SOC的方法,首先离线将电池SOC估计过程中的误差信号进行分类，并设计分类器对不同种类的误差采用不同的观测策略；再利用龙伯格观测器在线估计SOC时，分类器对误差信号进行分类，并按照所属类别对应的观测策略来校正SOC参数；由此，本发明可以有效估计电池SOC，精度高且对电池模型的依赖性小，可以避免数据饱和现象，并加快观测器收敛速度；本方法的算法在运行过程中的纠错能力强，可以大幅度提高SOC估计算法在存在意外噪声的恶劣环境下的可靠性。
本实施例中，通过离线测量的手段获取到电池端电压与SOC的关系以建立数学模型，该关系可以与包括但不限于电流、温度、老化等变量有关；优选地，数学模型采用电化学组合模型。另外，离线利用不同增益的龙伯格观测器和扩展卡尔曼滤波算法对电池SOC进行估计时，参考图2和图3，图2是本发明一种基于分类器决策的多增益观测器估计电池SOC的方法中不同观测策略下龙伯格观测器估计算法的响应示意图，图3是本发明一种基于分类器决策的多增益观测器估计电池SOC的方法中利用扩展卡尔曼滤波估计电池SOC的结果示意图，其中，扩展卡尔曼滤波算法(EKF)估计的SOC与参考SOC有一定误差存在。
作为技术方案的进一步改进，参考图4，图4是本发明一种基于分类器决策的多增益观测器估计电池SOC的方法的架构图，离线利用不同增益的龙伯格观测器和扩展卡尔曼滤波算法对电池SOC进行估计，传感器1采用电流传感器检测输入电池模型的电流大小，传感器2采用电压传感器检测电池输出电压对电池模型的输出值进行修正，得到并记录扩展卡尔曼滤波算法的输出与真实测量值之间的误差信号；步骤S3包括以下步骤：
S31、根据误差信号得到分类器的判据信号；判据信号包括经过低通滤波的误差信号的绝对值E1和经过低通滤波的误差信号在带有遗忘因子的累加作用下的累加和的绝对值E2，本实施例中，低通滤波的滤波系数为0.98，遗忘因子为0.97；
S32、根据判据信号设计分类器。
作为技术方案的进一步改进，参考图4和图5，图4是本发明一种基于分类器决策的多增益观测器估计电池SOC的方法的架构图，图5是本发明一种基于分类器决策的多增益观测器估计电池SOC的方法中分类器的示意图，步骤S32包括以下步骤：
S321、提取扩展卡尔曼滤波算法估计SOC时产生的绝对值E1和绝对值E2，计算其均值μ和标准差σ；提取扩展卡尔曼滤波估计SOC时的SOC误差小于第一预定值和大于第二预定值部分数据的绝对值E1和绝对值E2，分别计算它们在E2-E1平面的几何中心，得到第一几何中心C1、第二几何中心C2，第一预定值小于第二预定值；本实施例中，第一预定值为1％，第二预定值为2％；
S322、将μ±6σ作为边界条件，并将第一几何中心C1和第二几何中心C2的垂直平分线作为分界线，得到四个分区，分别为L1分区、L2分区、L3分区和L4分区；
S323、若实际测量时的绝对值E1和绝对值E2同时超过边界，即处于L1分区中，则龙伯格观测器采用激进的观测策略；若绝对值E1和绝对值E2只有一项超过边界，即处于L2分区中，则龙伯格观测器采用正常的观测策略，即通常采用的观测策略；若实际测量时的绝对值E1和绝对值E2均在边界之内，则判断当前测量的坐标(E1，E2)到第一几何中心C1的距离是否小于坐标(E1，E2)到第二几何中心C2的距离，若是，即处于L3分区中，则龙伯格观测器采用柔和的观测策略；否则，处于L4分区，龙伯格观测器采用开环估计策略。
离线建立好分类器后，在线获取电池电压电流等数据，并获取电池模型的输出与真实测量值的偏差，在线利用分类器选择观测器的增益以修正电池SOC。参考图6和图7，图6是本发明一种基于分类器决策的多增益观测器估计电池SOC的方法在正常条件下的估计性能示意图，图7是本发明一种基于分类器决策的多增益观测器估计电池SOC的方法在有初始误差和意外噪声时的估计性能示意图，可以看出，利用本发明的方法估计电池SOC，不仅估计精度高，而且对估计过程中出现的意外的噪声具有很强的快速恢复能力，反应速度快。
以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (8)

1.一种基于分类器决策的多增益观测器估计电池SOC的方法，其特征在于，包括以下步骤：
S1、建立电池开路电压与电池SOC的数学模型，作为以下步骤S2-S4的电池模型；
S2、利用扩展卡尔曼滤波算法对电池模型SOC进行估计，并记录电池模型输出的SOC估计值与电池输出的SOC真实测量值之间的误差信号；
S3、根据所述误差信号设计分类器；
S4、利用龙伯格观测器估计电池SOC，龙伯格观测器的增益由所述分类器决定。
2.根据权利要求1所述的基于分类器决策的多增益观测器估计电池SOC的方法，其特征在于，所述步骤S3包括以下步骤：
S31、根据误差信号得到分类器的判据信号；
S32、根据所述判据信号设计分类器。
3.根据权利要求2所述的基于分类器决策的多增益观测器估计电池SOC的方法，其特征在于，所述判据信号包括经过低通滤波的误差信号的绝对值E1和经过低通滤波的误差信号在带有遗忘因子的累加作用下的累加和的绝对值E2。
4.根据权利要求3所述的基于分类器决策的多增益观测器估计电池SOC的方法，其特征在于，所述步骤S32包括以下步骤：
S321、提取扩展卡尔曼滤波算法估计SOC时产生的绝对值E1和绝对值E2，计算其均值μ和标准差σ；提取扩展卡尔曼滤波算法估计SOC时的SOC误差小于第一预定值和大于第二预定值部分数据的绝对值E1和绝对值E2，分别计算它们在E2-E1平面的几何中心，得到第一几何中心C1、第二几何中心C2，所述第一预定值小于第二预定值；
S322、将μ±6σ作为边界条件，并将第一几何中心C1和第二几何中心C2的垂直平分线作为分界线；
S323、若电池模型的输出与实际测量时的真实测量值的误差信号的绝对值E1和绝对值E2同时超过所述边界，则采用激进的观测策略；若绝对值E1和绝对值E2只有一项超过所述边界，则采用正常的观测策略；若实际测量时的绝对值E1和绝对值E2均在所述边界之内，则判断当前测量的坐标(E1，E2)到第一几何中心C1的距离是否小于坐标(E1，E2)到第二几何中心C2的距离，若是，则采用柔和的观测策略；否则，采用开环估计策略。
5.根据权利要求3所述的基于分类器决策的多增益观测器估计电池SOC的方法，其特征在于，所述低通滤波的滤波系数为0.98。
6.根据权利要求3所述的基于分类器决策的多增益观测器估计电池SOC的方法，其特征在于，所述遗忘因子为0.97。
7.根据权利要求4所述的基于分类器决策的多增益观测器估计电池SOC的方法，其特征在于，所述第一预定值为1％，所述第二预定值为2％。
8.根据权利要求1至7任一项所述的基于分类器决策的多增益观测器估计电池SOC的方法，其特征在于，所述数学模型包括电化学组合模型。
CN201611091642.2A 2016-12-01 2016-12-01 一种基于分类器决策的多增益观测器估计电池soc的方法 Active CN106707178B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611091642.2A CN106707178B (zh) 2016-12-01 2016-12-01 一种基于分类器决策的多增益观测器估计电池soc的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611091642.2A CN106707178B (zh) 2016-12-01 2016-12-01 一种基于分类器决策的多增益观测器估计电池soc的方法

Publications (2)

Publication Number Publication Date
CN106707178A CN106707178A (zh) 2017-05-24
CN106707178B true CN106707178B (zh) 2020-05-19

Family

ID=58935327

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611091642.2A Active CN106707178B (zh) 2016-12-01 2016-12-01 一种基于分类器决策的多增益观测器估计电池soc的方法

Country Status (1)

Country Link
CN (1) CN106707178B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102645637A (zh) * 2012-04-25 2012-08-22 中航锂电（洛阳）有限公司 一种均衡电池的soc估算方法
CN103941195A (zh) * 2014-05-05 2014-07-23 山东大学 基于小模型误差准则扩展卡尔曼滤波的电池soc估计方法
CN105607009A (zh) * 2016-02-01 2016-05-25 深圳大学 一种基于动态参数模型的动力电池soc估计方法和***
CN105612651A (zh) * 2013-02-21 2016-05-25 罗伯特·博世有限公司 用于估计单独的电极的容量和锂离子电池***的总容量的方法和***
CN105699907A (zh) * 2016-01-28 2016-06-22 广州市香港科大***研究院 一种基于动态阻抗校正的电池soc估计方法及***
CN105717460A (zh) * 2016-02-19 2016-06-29 深圳大学 一种基于非线性观测器的动力电池soc估计方法和***
CN106093783A (zh) * 2016-06-03 2016-11-09 哈尔滨工业大学 卡尔曼滤波与数据驱动融合的电池soc估计方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100901252B1 (ko) * 2006-08-02 2009-06-08 주식회사 엘지화학 슬라이딩 모드 관측기를 이용한 ２차 전지 ｓｏｃ 예측방법 및 장치

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102645637A (zh) * 2012-04-25 2012-08-22 中航锂电（洛阳）有限公司 一种均衡电池的soc估算方法
CN105612651A (zh) * 2013-02-21 2016-05-25 罗伯特·博世有限公司 用于估计单独的电极的容量和锂离子电池***的总容量的方法和***
CN103941195A (zh) * 2014-05-05 2014-07-23 山东大学 基于小模型误差准则扩展卡尔曼滤波的电池soc估计方法
CN105699907A (zh) * 2016-01-28 2016-06-22 广州市香港科大***研究院 一种基于动态阻抗校正的电池soc估计方法及***
CN105607009A (zh) * 2016-02-01 2016-05-25 深圳大学 一种基于动态参数模型的动力电池soc估计方法和***
CN105717460A (zh) * 2016-02-19 2016-06-29 深圳大学 一种基于非线性观测器的动力电池soc估计方法和***
CN106093783A (zh) * 2016-06-03 2016-11-09 哈尔滨工业大学 卡尔曼滤波与数据驱动融合的电池soc估计方法

Also Published As

Publication number Publication date
CN106707178A (zh) 2017-05-24

Similar Documents

Publication Publication Date Title
CN110395141B (zh) 基于自适应卡尔曼滤波法的动力锂电池soc估算方法
Zhang et al. State-of-charge estimation of lithium-ion battery pack by using an adaptive extended Kalman filter for electric vehicles
US10099679B2 (en) Battery state and parameter estimation using a mixed sigma-point kalman filtering and recursive least squares technique
Liu et al. A state of charge estimation method based on $ H_\infty $ observer for switched systems of lithium-ion nickel–manganese–cobalt batteries
CN110596593A (zh) 基于智能自适应扩展卡尔曼滤波的锂离子电池soc估计方法
US9533597B2 (en) Parameter identification offloading using cloud computing resources
CN102455411B (zh) 自适应的缓慢变化电流检测
CN111426968B (zh) 一种电动汽车动力电池sop的估算方法及***
CN108732508B (zh) 一种锂离子电池容量的实时估计方法
CN105044606B (zh) 一种基于参数自适应电池模型的soc估计方法
CN109669131B (zh) 一种工况环境下动力电池soc估算方法
CN109633479B (zh) 基于嵌入式容积卡尔曼滤波的锂电池soc在线估算方法
CN103003709A (zh) 电池状态估计装置以及电池状态估计方法
CN113625174B (zh) 一种锂离子电池soc与容量联合估计方法
CN112285570B (zh) 一种基于衰减记忆滤波器的电动汽车故障诊断方法
CN105223487A (zh) 一种锂离子电池的多状态解耦估计方法
CN112649747A (zh) 一种分数阶扩展卡尔曼的锂电池soc估算方法
Nejad et al. Enhanced state-of-charge estimation for lithium-ion iron phosphate cells with flat open-circuit voltage curves
Rosca et al. On-line parameter, state-of-charge and aging estimation of Li-ion batteries
He et al. Two‐layer online state‐of‐charge estimation of lithium‐ion battery with current sensor bias correction
Farag et al. Li-ion battery SOC estimation using non-linear estimation strategies based on equivalent circuit models
US20140257725A1 (en) Method of determining the residual capacity of a battery
Marongiu et al. On-board aging estimation using half-cell voltage curves for LiFePO 4 cathode-based lithium-ion batteries for EV applications
CN114062950B (zh) 混联电池soc确定方法、装置、电子设备及存储介质
CN114397581A (zh) 一种面向直流充电桩充电监测数据的新能源汽车电池soc抗扰评估方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20240223

Address after: Room 307-1, Building 24, Aerospace Modern City, No. 169 Wenwei Road, Wencheng Town, Wenchang City, Hainan Province, 571300

Patentee after: Zijing Future (Hainan) Network Technology Co.,Ltd.

Country or region after: China

Address before: Room 402, 4th Floor, Jinqi Zhigu Building, No. 4 Chongwen Garden, Taoyuan Street, Nanshan District, Shenzhen City, Guangdong Province, 518071

Patentee before: SHENZHEN MILLENNIAL INNOVATION AND TECHNOLOGY CO.,LTD.

Country or region before: China

TR01 Transfer of patent right