CN108872865B - 一种防滤波发散的锂电池soc估算方法 - Google Patents

Abstract

本发明公开了一种防滤波发散的锂电池SOC估算方法，涉及电动汽车锂电池状态估算技术领域，主要步骤如下：Ⅰ、通过开路电压法获取锂电池SOC初值；Ⅱ、考虑***噪声和观测噪声的影响，使用改进的Sage‑Husa自适应扩展卡尔曼滤波法估算实时SOC值；III、对前一步骤使用滤波发散判据进行滤波发散判断，当不满足判据条件，在卡尔曼增益矩阵构造一个指数冻结因子，防止滤波发散。本发明在扩展卡尔曼滤波算法的基础上，加入噪声估值器，保证SOC的估算精度，并为防止在恶劣工况下出现滤波发散，提高了***估算的稳定性。

Description

一种防滤波发散的锂电池SOC估算方法

技术领域

本发明涉及电动汽车锂电池状态估算技术领域，特别是涉及一种防滤波发散的锂电池SOC估算方法。

背景技术

动力电池的荷电状态(SOC)是驾驶者和纯电动汽车联系的纽带，驾驶员通过该参数了解所驾驶电动汽车的剩余里程以及是否需要充电等操作。SOC值是纯电动汽车电池管理***中的一项重要参数，主要体现在以下几方面：(1)作为驾驶者对车辆剩余能量直观判断来源。驾驶者通常直观地通过SOC值对电动车剩余里程做出判断，对整车的行驶控制等做出综合判断。(2)为整车控制策略做参考。整车控制策略要参考电池SOC值，并据此对整车的行驶策略进行控制。(3)保护动力电池。

根据中国汽车技术中心对太原市内道路工况的统计数据，车辆要频繁的进行起步、加速、减速、停车的步骤，行驶工况复杂。复杂多变的行驶工况容易引起较大的***噪声，而且环境温度的改变会引起电池内部参数的变化，可能出现滤波发散。因此提高电池SOC估算精度并防止滤波发散是一项重要研究课题。

SOC估算方法的研究随着新能源汽车的高热度而非常普遍，目前应用较多的是安时积分法、开路电压法，此外还有基于卡尔曼滤波法的各种自适应算法，神经网络模型法等。安时积分法在起始荷电状态SOC₀比较准确情况下，其在一段时间内具有相当好的精度；但是，安时积分法的主要缺点为：电荷估算精度受起始SOC₀影响较大；库仑效率η₁受电池的工作状态影响大(如荷电状态、温度、电流大小等)，η₁难于准确测量；电流测量精度误差会产生累计效应，随着时间积累误差会逐渐增大。开路电压法针对微小电压变化引起的SOC变化的区别能力较小，而且电池在静置一段时间后电压的回弹会引起较大估计误差。自适应算法能在***工作过程中，依靠各项设置指标参数不断地检测并判断，并根据测量参数的变化，改变运行步骤或参数，使***处于良好稳定的工作状态。因此具有较好的应用前景。神经网络法自学习能力较强，由于其采用并行处理结构，因此具有较好的处理高度非线性的***问题的能力；其不足之处是神经网络训练需要大量筛选实验测量数据作为初始数据，训练时间较长，而且对于不同类型电池不具有可移植性。

发明内容

本发明实施例提供了一种提高锂电池SOC估算精度，并防止滤波发散的控制方法。本方法以扩展卡尔曼滤波算法为基础，加入***噪声估值器，在K时刻估算完成后，通过滤波发散判据判断是否发散，如果发散则对做自适应调整，提高了***的稳定性。

本发明提供了一种防滤波发散的锂电池SOC估算方法，其特征在于，所述方法包括以下步骤：

使用开路电压法获取SOC初值；

建立电池的等效二阶RC网络模型的状态空间表达式，对该表达式进行离散线性化，并根据SOC初值建立电池的状态空间方程；

对状态空间方程中的状态变量进行迭代计算，从迭代计算结果中提取实时SOC值；

对上面步骤得到的迭代结果进行滤波发散判断，如果发生滤波发散，则在卡尔曼滤波增益矩阵构造一个指数冻结因子，防止滤波发散。

本发明实施例中的一种防滤波发散的锂电池SOC估算方法，主要步骤如下：Ⅰ、通过开路电压法获取锂电池SOC初值；Ⅱ、考虑***噪声和观测噪声的影响，使用改进的Sage-Husa自适应扩展卡尔曼滤波法估算实时SOC值；III、对前一步骤使用滤波发散判据进行滤波发散判断，当不满足判据条件，在卡尔曼增益矩阵构造一个指数冻结因子，防止滤波发散。本发明在扩展卡尔曼滤波算法的基础上，加入噪声估值器，保证SOC的估算精度，并为防止在恶劣工况下出现滤波发散，提高了***估算的稳定性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为电池等效二阶RC网络的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例提供了一种防滤波发散的锂电池SOC估算方法，该方法包括以下步骤：

一、使用开路电压法或读取上次电池SOC获取SOC初值，开路电压法为将电池充电，先大电流然后涓流充电，待其达到截止充电电压后停止，然后将锂电池静置90-120min，待其内部平衡后，分别以0.5C、1C、2C和3C的电流进行放电实验。

二、假设k时刻的状态变量为X_k∈R^n×1，输入向量为U_k∈R^p×1，输出向量为Y_k∈R^q×1，则有：

X_k+1＝f(X_k,U_k)+W_k

Y_k＝g(X_k,U_k)+V_k

其中，W_k为***噪声，V_k为量测噪声。

将非线性函数f(X_k,U_k)和g(X_k,U_k)在预测值

处进行泰勒级数展开，省略高次以上的项，得到如下状态空间方程：

令一步转移矩阵

k时刻的m*n阶量测矩阵

有：

再令：

E[W_k]＝q_k，E[V_k]＝r_k，cov[W_k,W_i]＝Q_kδ_ki，cov[V_k,V_i]＝R_kδ_ki

其中，E为均值符号，cov为协方差号，δ_ki为Kroneckerδ函数，Q_k为***噪声协方差，R_k为量测噪声协方差。

最终得到：

现建立如图1所示的电池等效二阶RC网络模型的状态空间表达式：

U₀＝U_ocv-IR₀-U_p1-U_p2

根据上面的表达式，进行离散线性化后建立状态空间方程：

观测方程为：U_o,k＝U_ocv,k-U_p1,k-U_p2,k-R₀I_k

其中，U_ocv表示理想开路电压，U₀表示电池的实际工作电压，I表示电池工作电流，R₀表示电池内阻，R_p1、C_p1分别表示短时间极化电阻和极化电容，R_p2、C_p2分别表示长时间极化电阻和极化电容，SOC_k为k时刻电池的荷电状态，U_p1,k和U_p2,k分别为k时刻电容C_p1和C_p2上的电压，η表示库伦效率，T为***采样时间，C_N为电池的额定容量，τ₁＝R_p1C_p1，τ₂＝R_p2C_p2，电流i_k为k时刻***输入，U_o,k为k时刻***输出，

即

三、对状态估计矩阵

状态估计均方误差矩阵P_k、估计模型噪声矩阵

估计模型噪声更新矩阵

量测噪声协方差矩阵

量测噪声协方差更新矩阵

赋予初值，即k＝0时刻的值，然后按照以下公式分别进行迭代计算，迭代计算得到后

根据

得到X_k+1，提取矩阵X_k+1中的第一个数据得到SOC_k+1，汇总得到实时的SOC。

其中，

和

合称为噪声协方差估值器，d_k为加权系数，且d_k＝(1-b)/(1-b^k+1)，b为遗忘因子，取值范围为0.95<b<1，v_k为新息矩阵，反应预测值和实际值的不一致程度，且

Z_k＝H_kX_k+V_k，H_k为k时刻的m*n阶量测矩阵，且

X_k为k时刻的状态变量，V_k为量测噪声，

为一步状态预测矩阵，且

P_k/k-1为一步预测均方误差矩阵，且

K_k为卡尔曼滤波增益矩阵，且

本实施例中，上述初值赋予情况为：

P₀＝10000*eye(3)

四、对步骤三计算得到的k时刻SOC迭代结果进行滤波发散判断，滤波发散的判据为：

v_kv_k ^T＜γtr[E(v_kv_k ^T)]

其中，γ为储备系数，取值大于1，tr表示矩阵的迹，v_kv_k ^T为新息矩阵的平方和，其中包含实际估计误差的信息，协方差矩阵E(v_kv_k ^T)＝H_kP_k/k-1H_k ^T+R_k。

当储备系数γ为1时，此时最严格的收敛条件为：

v_kv_k ^T＜tr[E(v_kv_k ^T)]

若上式不满足，说明实际误差超过理论值，亦即滤波是发散的，根据新息矩阵的特殊属性，可以用来判断状态变量估算是否出现过大偏差。

针对误差的具体情况，需要对卡尔曼增益进行自适应改变：

误差在要求范围内，则不改变任何计算得到的k时刻迭代值，继续进行k+1时刻计算；

估算误差不断增大，但估计值小于实际值，在卡尔曼滤波增益矩阵中引入指数冻结因子

1＜λ₁＜1.1，此时的卡尔曼滤波增益矩阵表示为：

估算误差不断增大，且估计值大于实际值，在卡尔曼滤波增益矩阵中引入指数冻结因子

0.9＜λ₂＜1，此时的卡尔曼滤波增益矩阵表示为：

本领域内的技术人员应明白，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (2)

1.一种防滤波发散的锂电池SOC估算方法，其特征在于，所述方法包括以下步骤：

使用开路电压法获取SOC初值；

建立电池的等效二阶RC网络模型的状态空间表达式，对该表达式进行离散线性化，并根据SOC初值建立电池的状态空间方程；

对状态空间方程中的状态变量进行迭代计算，从迭代计算结果中提取实时SOC值；

对上面步骤得到的迭代结果进行滤波发散判断，如果发生滤波发散，则在卡尔曼滤波增益矩阵构造一个指数冻结因子，防止滤波发散；

其中，建立的状态空间方程为：

其中，SOC_k为k时刻电池的荷电状态，U_p1,k和U_p2,k分别为k时刻电容C_p1和C_p2上的电压，R_p1、C_p1分别表示短时间极化电阻和极化电容，R_p2、C_p2分别表示长时间极化电阻和极化电容，η表示库伦效率，T为***采样时间，C_N为电池的额定容量，τ₁＝R_p1C_p1，τ₂＝R_p2C_p2，电流i_k为k时刻***输入；

令

因此将状态空间方程简化为：

再根据

得到k+1时刻的状态变量X_k+1，其中W_k为***噪声；

对状态空间方程中的状态变量进行迭代计算，从迭代计算结果中提取实时SOC值具体包括：

按照以下公式进行迭代计算：

其中，P_k状态估计均方误差矩阵，

为估计模型噪声更新矩阵，

为量测噪声协方差矩阵，

为估计模型噪声矩阵，d_k为加权系数，且d_k＝(1-b)/(1-b^k+1)，b为遗忘因子，取值范围为0.95<b<1，v_k为新息矩阵，反应预测值和实际值的不一致程度，且

Z_k＝H_kX_k+V_k，H_k为k时刻的m*n阶量测矩阵，X_k为k时刻的状态变量，V_k为量测噪声，

为一步状态预测矩阵，且

P_k/k-1为一步预测均方误差矩阵，且

K_k为卡尔曼滤波增益矩阵，且

根据

和上面的公式迭代计算得到k+1时刻的状态变量X_k+1，提取X_k+1中的第一项数据，得到k+1时刻的电池荷电状态SOC_k+1，汇总后得到实时SOC值；

按照下式进行滤波发散判断：

v_kv_k ^T＜tr[E(v_kv_k ^T)]

其中，tr表示矩阵的迹，v_kv_k ^T为新息矩阵的平方和，其中包含实际估计误差的信息，协方差矩阵E(v_kv_k ^T)＝H_kP_k/k-1H_k ^T+R_k，其中R_k为量测噪声协方差；

若上式不满足，说明实际误差超过理论值，即滤波是发散的；

发生滤波发散时，按照以下情况对卡尔曼增益进行自适应改变：

误差在要求范围内，则不改变任何计算得到的k时刻迭代值，继续进行k+1时刻计算；

估算误差不断增大，但估计值小于实际值，在卡尔曼滤波增益矩阵中引入指数冻结因子

1＜λ₁＜1.1，此时的卡尔曼滤波增益矩阵表示为：

估算误差不断增大，且估计值大于实际值，在卡尔曼滤波增益矩阵中引入指数冻结因子

0.9＜λ₂＜1，此时的卡尔曼滤波增益矩阵表示为：

2.如权利要求1所述的防滤波发散的锂电池SOC估算方法，其特征在于，开路电压法为将电池充电，先大电流然后涓流充电，待其达到截止充电电压后停止，然后将锂电池静置90-120min，待其内部平衡后，分别以0.5C、1C、2C和3C的电流进行放电实验。

Images