CN111812530A

CN111812530A - 一种锂电池荷电状态估测方法

Info

Publication number: CN111812530A
Application number: CN202010571493.XA
Authority: CN
Inventors: 丁洁; 凤良; 林金星
Original assignee: Nanjing University of Posts and Telecommunications
Current assignee: Nanjing University of Posts and Telecommunications
Priority date: 2020-06-22
Filing date: 2020-06-22
Publication date: 2020-10-23

Abstract

本发明公开了一种锂电池荷电状态估测方法，包括：建立锂电池的二阶RC等效电路模型来描述锂电池的内部动态特性变化，并利用安时积分法和电气知识建立状态空间方程；通过带遗忘因子的最小二乘算法对模型参数进行辨识，提高模型的辨识精度；以恒流充放电实验建立OCV和SOC之间的函数关系；考虑EKF中历史数据的参与性，利用粒子权值计算思想，计算滤波过程中不同时刻新息的重要性；考虑新息的重要性程度的不同，计算不同时刻新息的权重，并进行权重的分配；将离散滑模观测器引入到WI‑EKF中，并考虑到滑模观测器带来的抖动问题，引入饱和增益函数函数减小抖动，提高SOC估计精度。

Description

一种锂电池荷电状态估测方法

技术领域

本发明涉及电池状态测量方法，特别涉及一种锂电池荷电状态估测方法。

背景技术

为了应对不断恶化的环境与石油资源匮乏的情况，新能源产业在世界范围内得到了飞速的发展。作为新能源产业中重要的一部分，纯电动汽车的研究得到众多公司的支持。作为电动汽车的关键部件，锂离子动力电池组的研究对电动汽车的意义是非凡的。SOC可用来直接反应电池的剩余容量且准确估计锂电池荷电状态(SOC)可以避免电池的过放电或过充电，有助于保护电池不受***或火灾的影响，提高电池性能。

由于SOC在电动汽车运行过程中不能直接测量，且电池组使用过程中呈现出的高度非线性使SOC的准确估计变得更加困难。在随着电动汽车产业的发展与推广的情况下，如何准确的估计SOC已成为近年的研究热点。目前主要的SOC估计方法主要有开路电压法、安时积分法、神经网络法和扩展卡尔曼滤波算法。

开路电压法可以简单直接的表示出OCV-SOC之间的关系，但需要在电池静置状态下进行测试，不适合电动汽车的实时在线测试，且OCV-SOC之间关系会随着周围的环境温度、锂电池的老化程度和化学性质的改变而改变，影响SOC的准确估计。安时积分法是一种积分算法，简单实用，但是在实际应用的过程中，会因为SOC的初值的不准确以及电流随时间的累积误差而使SOC估计结果不准确。神经网络法需要大量的数据进行训练，且训练数据和训练方法对SOC的估计精度影响比较大。扩展卡尔曼滤波算法需要建立电池等效电路模型，并建立锂电池的非线性离散状态空间模型并结合递推算法对SOC进行估计，方法简单易实现，但其精度受模型影响较大。

发明内容

发明目的：本发明目的是提供一种精度高的锂电池荷电状态估测方法，一种混合改进离散滑模观测器(DSMO)与加权多新息扩展卡尔曼滤波(WI-EKF)的锂电池荷电状态(SOC)估计方法。

技术方案：本发明提供一种锂电池荷电状态估测方法，包括如下步骤：

(1)建立锂电池的二阶RC等效电路模型来描述锂电池的内部动态特性变化，并利用安时积分法和电气知识建立状态空间方程；

(2)通过带遗忘因子的最小二乘算法对模型参数进行辨识，提高模型的辨识精度；

(3)以恒流充放电实验建立OCV和SOC之间的函数关系；

(4)考虑EKF中历史数据的参与性，利用粒子权值计算思想，计算滤波过程中不同时刻新息的重要性；

(5)考虑新息的重要性程度的不同，计算不同时刻新息的权重，并进行权重的合理分配；

(6)将离散滑模观测器引入到WI-EKF中，并考虑到滑模观测器带来的抖动问题，引入饱和增益函数函数减小抖动，提高SOC估计精度。

进一步地，所述步骤(1)中等效电路模型的电气特性表达式为：

U_L＝U_oc-U_a-U_b-I_L·R₀

其中，U_L＝U_oc-U_a-U_b-I_L·R₀表示所述二阶RC等效电路模型的端电压，其中，U_oc表示二阶RC等效电路模型的开路电压，U_L是表示二阶RC等效电路模型的端电压，R₀表示欧姆电阻；R_a、R_b分别表示电化学极化电阻和浓差极化电阻，C_a、C_b分别表示电化学极化电容和浓差极化电容，

通过安时积分法得到锂电池的SOC表达式：

并以电气知识与安时积分法结合得出等效电路模型的离散状态空间方程：

其中，x(k)＝[U_a(k) U_b(k) SOC(k)]^T，u(k)＝I(k)，y(k)＝U_L(k)，

D＝-R₀

τ_a＝R_a·C_a，τ_b＝R_b·C_b，T表示采样周期。

进一步地，通过电气特性表达式得到一个离散的递归表达式为：

ΔU(k)＝θ₁ΔU(k-1)+θ₂ΔU(k-2)+θ₃I(k)+θ₄I(k-1)+θ₅I(k-2)

其中ΔU(k)＝U_L(k)-U_oc(k)通过测量可以得到，θ_i(i＝1，2，3，4，5)是待辨识的模型参数，

递归表达式进而可以表达为：

其中

引入遗忘因子λ来修正时变的旧数据的累计误差，收敛到真实值，带遗忘因子的最小二乘算法如下：

其中，

表示k时刻模型参数的估计值，L(k)是新息向量，

是协方差矩阵。

进一步地，所述步骤(3)中OCV和SOC之间的函数关系为：

进一步地，所述步骤(4)以高斯函数性质为思想，得到EKF过程中各新息重要性，如下：

其中，σ表示所述二阶RC等效电路模型的测量噪声。

进一步地，所述步骤(5)中归一化所述的重要性：

计算所述权重：

构造权重所述对应的新息向量：

进一步地，所述步骤(6)中，将离散滑模观测器引入到WI-EKF中，

其中，

是k时刻估计的观测值，H是增益矩阵，J是饱和增益函数，sign(·)是符号函数，Φ是边界层，为了减小滑模观测器引入的抖动问题，sat(·)函数被引入来代替符号函数，

混合改进离散滑模观测器与加权多新息扩展卡尔曼滤波估算SOC。

本发明首先建立锂电池的二阶RC等效电路模型来描述锂电池的内部动态特性变化，并利用安时积分法和电气知识建立状态空间方程；接着通过带遗忘因子的最小二乘算法对模型参数进行辨识，提高模型的辨识精度；接着以恒流充放电实验建立OCV和SOC之间的函数关系；再考虑EKF中历史数据的参与性，利用粒子权值计算思想，计算滤波过程中不同时刻新息的重要性；然后考虑新息的重要性程度的不同，计算不同时刻新息的权重，并进行权重的合理分配；最后将离散滑模观测器引入到WI-EKF中，并考虑到滑模观测器带来的抖动问题，引入饱和增益函数减小抖动，提高SOC估计精度。

有益效果：本发明对于设定时刻锂电池的状态估计，考虑EKF滤波数据中历史数据的参与性，通过粒子权值计算思想合理计算并分配不同时刻的新息权重，并引入了离散滑模观测器，为了减小由离散滑模观测器带来的抖动问题，引入饱和增益函数来代替符号函数，减小抖动，提高SOC估计精度。本发明利用了设定时刻之前时刻的数据并合理地分配不同时刻的新息权重且为进一步提高SOC估算精度，引入了离散滑模观测器，为了减小由离散滑模观测器带来的抖动问题，引入一个函数来代替符号函数，减小抖动。通过结合离散滑模观测器与加权多新息扩展卡尔曼滤波，提升了对SOC状态估计的精度，且简单易于实现。

附图说明

图1为实施例方法的流程框图示意；

图2为实施例中所述二阶RC等效电路图示意；

图3为实施例中所述OCV-SOC曲线图；

图4为实施例的方法在间歇放电实验中的SOC估计结果图；

图5为实施例的方法在间歇放电实验中的SOC估计误差结果图。

具体实施方式

参阅图1，本实施例的基于混合改进离散滑模观测器与加权多新息扩展卡尔曼滤波的锂电池荷电状态估计方法，具体包括如下步骤：

①、锂电池的等效电路模型为二阶RC等效电路模型，由二阶RC等效电路模型描述锂电池的内部动态特性；为更好对锂电池内部动态特性来进行描述，二阶RC电路模型中存在两个RC环，两个RC环将锂电池的浓差极化电阻和电化学极化电阻有效隔离，提高模型精度。

所述等效电路模型的电气特性表达式为：

U_L＝U_oc-U_a-U_b-I_L·R₀

其中，U_L＝U_oc-U_a-U_b-I_L·R₀表示所述二阶RC等效电路模型的端电压，其中，U_oc表示二阶RC等效电路模型的开路电压，U_L是表示二阶RC等效电路模型的端电压，R₀表示欧姆电阻；R_a、R_b分别表示电化学极化电阻和浓差极化电阻，C_a、C_b分别表示电化学极化电容和浓差极化电容。

通过安时积分法得到锂电池的SOC表达式：

其中，x(k)＝[U_a(k) U_b(k) SOC(k)]^T，u(k)＝I(k)，y(k)＝U_L(k)，

D＝-R₀，τ_a＝R_a·C_a，τ_b＝R_b·C_b，T表示采样周期。

②、通过带遗忘因子的最小二乘法对二阶RC等效电路模型进行模型参数辨识，提高模型的辨识精度。

从电气表达式中得到一个离散的递归表达式为：

ΔU(k)＝θ₁ΔU(k-1)+θ₂ΔU(k-2)+θ₃I(k)+θ₄I(k-1)+θ₅I(k-2)

其中ΔU(k)＝U_L(k)-U_oc(k)通过测量可以得到，

是待辨识的模型参数。

递归表达式进而可以表达为：

其中

引入遗忘因子λ来修正时变的旧数据的累计误差，快速收敛到真实值。带遗忘因子的最小二乘算法如下：

其中，

表示k时刻模型参数的估计值，L(k)是新息向量，

是协方差矩阵。

③、通过恒流充放电实验来获得OCV-SOC函数表达式：

放电OCV-SOC函数表达式：

U_ocd＝1813.4*SOC⁹-8629.9*SOC⁸+17470*SOC⁷-19595*SOC⁶

+13285*SOC⁵-5570.7*SOC⁴+1419.9*SOC³-208.1*SOC²+15.953*SOC+2.7228充电OCV-SOC函数表达式

U_ocv＝3060.5*SOC⁹-13713*SOC⁸+25909*SOC⁷-26862*SOC⁶

+16655*SOC⁵-6310.9*SOC⁴+1434.4*SOC³-185.1*SOC²+12.471*SOC+2.9002

④、基于粒子滤波算法中粒子权值计算思想，计算多新息扩展卡尔曼滤波器中不同时刻对应新息的重要性；本发明中，把每个新息都看作是粒子滤波算法中的粒子，利用粒子滤波算法中粒子权值计算的方法，计算出每个新息的重要性。在粒子滤波估计过程中，更接近观测值的粒子具有更高的权重，即粒子滤波估计通过最新的数据具有更佳的估计效果；同时，并不是很接近观测值的粒子相对较小的权重，即粒子滤波估计是基于全部数据的估计操作过程；而在高斯函数中，越接近高斯函数的峰值，权重越大。因此，本发明对此构建高斯函数：

从上式可以看出，只要用新息表示出其中的x和μ，则f(x)就代表新息的重要性；很显然，x就可以用新息表示，而μ＝0，所以每个新息的重要性为即可得到每个重要性为：

其中，σ表示二阶戴维南等效电路模型的测量噪声。

⑤、根据每个重要性，计算每一重要性对应新息的权重，并重新合理分配多新息扩展卡尔曼中每个新息的权重；具体的，由于所有新息权重之和为新息的长度，因此，基于上述获得的每个新息重要性，可知，获取每个新息对应权重的过程为：首先归一化重要性：

然后计算权重：

最后，即可构造权重对应的新息向量为：

⑥、将离散滑模观测器引入到状态空间方程中。

其中，

是k时刻估计的观测值，H是增益矩阵，J是饱和增益函数，sign(·)是符号函数，Φ是边界层。为了减小滑模观测器引入的抖动问题，sat(·)函数被引入来代替符号函数。

混合改进离散滑模观测器与加权多新息扩展卡尔曼滤波估算SOC，并将估计值与实际值相比较，验证该算法的准确性；具体的，采用间歇放电实验进行验证，实验过程中，控制实验仿真的外部条件一致，将SOC的初始值设为1，过程噪声设为10^-7，测量噪声设为0.1；并从***的稳定性分析，

H＝[0.000015；0.000015；0.000015]，J＝[0.000015；0.000015；0.000015]。分别使用扩展卡尔曼滤波算法和混合改进离散滑模观测器与加权多新息扩展卡尔曼滤波算法估计锂电池的SOC，实验结果可参阅图4和图5，从中可知，使用混合改进离散滑模观测器与加权多新息扩展卡尔曼滤波算法估计的SOC精度较传统的扩展卡尔曼滤波方法有了很大的提升，通过图5能够看出使用本发明方法估计SOC的误差控制在0.5％之内，而使用扩展卡尔曼滤波算法估计的SOC其误差要大得多；对比可知，本发明方法可以对SOC估计具有更好的精确度，从而起到提高电池使用的可靠性，提高电池能量的利用率，延长电池寿命的效果。