CN111856282B - 基于改进遗传无迹卡尔曼滤波的车载锂电池状态估计方法 - Google Patents

基于改进遗传无迹卡尔曼滤波的车载锂电池状态估计方法 Download PDF

Info

Publication number
CN111856282B
CN111856282B CN201910317198.9A CN201910317198A CN111856282B CN 111856282 B CN111856282 B CN 111856282B CN 201910317198 A CN201910317198 A CN 201910317198A CN 111856282 B CN111856282 B CN 111856282B
Authority
CN
China
Prior art keywords
lithium battery
open
circuit voltage
current
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
CN201910317198.9A
Other languages
English (en)
Other versions
CN111856282A (zh
Inventor
谢长君
房伟
麦立强
陈伟
曾春年
黄亮
***
熊斌宇
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.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
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 Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN201910317198.9A priority Critical patent/CN111856282B/zh
Publication of CN111856282A publication Critical patent/CN111856282A/zh
Application granted granted Critical
Publication of CN111856282B publication Critical patent/CN111856282B/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]
    • G01R31/374—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] with means for correcting the measurement for temperature or ageing
    • 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
    • G01R31/388—Determining ampere-hour charge capacity or SoC involving voltage measurements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/15—Correlation function computation including computation of convolution operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Artificial Intelligence (AREA)
  • Genetics & Genomics (AREA)
  • Physiology (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Operations Research (AREA)
  • Tests Of Electric Status Of Batteries (AREA)
  • Secondary Cells (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明提供一种基于改进遗传无迹卡尔曼滤波的车载锂电池状态估计方法，在锂电池恒流放电的情况下对锂电池的开路电压、电流进行采样；根据二阶RC等效电路模型建立锂电池的状态空间方程，计算开路电压估计值；使用卡尔曼滤波算法，对二阶RC等效电路模型进行估计并实时更新；利用改进的遗传算法寻求最优噪声协方差矩阵；使用无迹卡尔曼滤波算法，通过开路电压估计值对电池状态进行估计，得到当前开路电压估计值；然后通过锂电池开路电压与SOC的关系，输出当前开路电压估计值对应的SOC估计值。本发明解决了锂电池内部电化学反应造成的***状态变量非线性化严重的问题，提高了估计的实时性和精确性。

Description

基于改进遗传无迹卡尔曼滤波的车载锂电池状态估计方法
技术领域
本发明属于车载锂电池领域，更具体地，涉及一种基于改进遗传无迹卡尔曼滤波的车载锂电池状态估计方法。
背景技术
锂离子电池以其循环寿命长、自放电率小、能量高、无记忆效应等优点被广泛应用在电动汽车领域。为了保障锂离子电池安全、可靠、高效地运行，需要精确估计电池的工作状态，并准确建立电池管理***。其中锂离子电池的荷电状态(SOC)直接反映剩余电量的多少，只有准确地估计电池SOC才能避免锂离子电池过充过放行为，使电池保持良好的工作状态。
目前，国内外对锂离子电池SOC的估计方法主要包括如下几种：1)开路电压法(OCV)，利用开路电压与SOC的非线性关系，通过测量开路电压获取SOC值，该方法在测量过程中需将电池长时间静置，不适合SOC的在线估计；2)安时积分法(CC)，在已知初值下对电流作积分处理，该方法对SOC初值具有极高要求，同时忽略了电流检测时产生的累积误差和电池老化导致容量衰减造成的影响；3)电化学阻抗谱法(EIS)，通过交流阻抗谱寻找锂离子电池的欧姆-极化内阻与SOC的关系，该方法稳定性差，检测复杂，运行时间长，实时监测中应用较少；4)卡尔曼滤波(KF)，以等效模型为基础，利用观测数据对状态估计进行修正，该算法对模型精度要求较高，不适合非线性***；5)扩展卡尔曼(EKF)，通过对非线性函数做线性化处理，再利用Kalman滤波完成对目标的估计，计算过程中由于方差矩阵的非正定性，会导致估计值发散；6)无迹卡尔曼(UKF)，摒弃非线性函数做线性化处理，利用无迹变换处理均值与协方差的非线性传递问题，该方法对非线性分布的统计量具有较高精度；7)粒子滤波(PF)，利用离散的粒子集近似描述***随机变量的概率密度，能较精确地表达观测量与控制量的后验概率分布问题；8)神经网络法(NN)，对非线性***具有较强处理能力，但需训练大量数据，同时估计误差受训练数据和训练方法的影响较大；9)滑模观测法(SMO)，该方法可以有效解决非线性模型对状态估计的影响，但频繁切换控制状态将导致***出现抖振。
在锂离子电池实际工作过程中，环境温度、循环次数、检测精度等因素对锂离子电池的状态估计具有重要的影响。在实际应用中常常出现因***非线性而导致估计值发散问题以及单纯利用粒子滤波算法因粒子数较少出现粒子匮乏现象。
发明内容
本发明要解决的技术问题是：提供一种基于改进遗传无迹卡尔曼滤波的车载锂电池状态估计方法，提高估计精度。
本发明为解决上述技术问题所采取的技术方案为：一种基于改进遗传无迹卡尔曼滤波的车载锂电池状态估计方法，其特征在于：它包括以下步骤：
S1、在锂电池恒流放电的情况下，对锂电池的开路电压、电流进行采样；
S2、根据二阶RC等效电路模型，建立锂电池的状态空间方程，利用S1采样的电流，采用状态空间方程计算开路电压估计值；比较采样的开路电压和计算的开路电压估计值；
S3、使用卡尔曼滤波算法，通过S2计算的开路电压估计值与测量值，对所述的二阶RC 等效电路模型进行估计并实时更新；
S4、通过对不同SOC值的锂电池恒流充放电，静止一段时间后测量开路电压，拟合得到锂电池开路电压与SOC的关系；
S5、利用改进的遗传算法寻求最优噪声协方差矩阵；
S6、采用S5得到的最优噪声协方差矩阵，使用无迹卡尔曼滤波算法，通过S2得到的开路电压估计值对电池状态进行估计，得到当前开路电压估计值；然后通过S4得到的锂电池开路电压与SOC的关系，输出当前开路电压估计值对应的SOC估计值。
按上述方法，所述的S1具体包括：
选取一致性相同的车载锂电池组在常温下，进行充放电实验，选取锂电池的平均电压值作为有效数据；
防止锂电池过放电，设置放电截止电压；
设置锂电池恒流放电倍率，并以固定采样周期对锂电池的开路电压、电流进行采样。
按上述方法，所述的S3具体为：
3-1、根据锂电池的二阶RC等效电路模型，由基尔霍夫定律得到***传递函数；
3-2、对传递函数进行双线性变换，在固定采样周期的条件下，选取状态方程和观测方程；
3-3、通过卡尔曼滤波算法对状态变量进行在线估计，再利用z的逆变换得到二阶RC等效电路模型中各参数的辨识值。
按上述方法，所述的S4具体为：
4-1、将锂电池充分放/充电并静置一段时间；
4-2、再对锂电池进行等间隔恒流脉冲充/放电实验，每次脉冲实验后静置，并测量锂电池的端电压；
4-3、多次实验获取各阶段锂电池组的电压平均值；
4-4、通过实验获取一致性相同的锂电池组的电压平均值作为单个锂电池的开路电压，拟合函数。
按上述方法，所述的S5具体为：
5-1、选择染色体编码方式，按照所选编码方式随机生成初始种群；
5-2、判断是否满足收敛条件，一般判断是否达到迭代次数，若满足执行5-6，不满足执行步骤5-3；
5-3、使用逆二分法选择交叉个体；
5-4、利用改进的交叉概率算法对所选交叉个体进行交叉操作。
5-5、选择变异，返回5-2；
5-6、输出最优解。
按上述方法，所述的S6具体包括：
6-1、对电池电化学过程分析，列出***的状态方程和测量方程；
6-2、各状态量初始值计算；
6-3、建立Sigma点；
6-4、更新状态方程；
6-5、更新测量方程；
6-6、重复上述步骤6-2至6-5。
本发明的有益效果为：
1、通过采用S5和S6，***噪音和观测噪音协方差矩阵Qw和Rv在每次迭代过程中都能得到较好的修正以获得稳定的估计结果，无迹卡尔曼滤波算法较好的解决了锂离子电池内部电化学反应造成的***状态变量非线性化严重的问题，从而使得SOC估计精度相对于传统方法大大提高。
2、由于采用了步骤S5，应用逆二分法对交叉个体进行选择，使用全新的概率算法以区别较优个体和较差个体的改进的遗传算法，从而降低了遗传算法操作的盲目性，有利于优秀基因的保留和较差基因的淘汰。
附图说明
图1为本发明的流程图。
图2为二阶RC等效电路模型示意图。
图3为参数辨识曲线图。
图4为开路电压与SOC关系曲线图。
图5为改进的遗传算法流程图。
图6为脉冲充放电电流测试条件充放电电流与时间关系曲线图。
图7为不同初值设定下SOC估计曲线图。
图8为不同初值这设定下SOC估计误差曲线图。
图9为UDDS循环工况电流曲线图。
图10为不同算法的SOC估计曲线图。
图11为不同算法的SOC估计误差曲线图。
具体实施方式
下面结合具体实例对本发明做进一步说明。
本发明提供一种基于改进遗传无迹卡尔曼滤波的车载锂电池状态估计方法，如图1所示，它包括以下步骤：
S1、在锂电池恒流放电的情况下，对锂电池的开路电压、电流进行采样。
本实施例中，S1具体包括以下子步骤：
(1-1)选取一致性相同的，电池单体额定容量40Ah的磷酸铁锂离子电池组在常温下，进行充放电实验，选取锂电池的平均电压值作为有效数据；
(1-2)防止锂电池过放电，通过软件设置放电截止电压；
(1-3)编程设置电子负载实现电池1/5C的恒流放电倍率，并以1s为采样周期对锂电池的开路电压、电流进行采样。
S2、根据二阶RC等效电路模型，建立锂电池的状态空间方程，利用S1采样的电流，采用状态空间方程计算开路电压估计值；比较采样的开路电压和计算的开路电压估计值。
具体包括以下子步骤：
(2-1)首先建立基于电流与充放电方向的二阶RC等效电路模型如图2所示，该模型包含一个电压控制电压源Uoc，表征荷电状态与开路电压的非线性关系；R0为电池的欧姆内阻； Rs，Cs为电池电化学极化电阻与电容，表征短时间的电路极化响应；Rl，Cl为电池浓度极化电阻与电容，表征长时间的电路极化响应；Ic为工作电流；Vc为电池端电压；
(2-2)根据二阶RC等效电路模型，建立锂离子电池的状态空间方程：
Figure BDA0002033502600000041
Vc＝Voc(SOC)-Vs-Vl-R0Ic(k)；②
其中：T为采样时间，CN为电池容量，k为离散时间变量；下同；
(2-3)结合状态空间方程①和②根据采样电流值，得到开路电压估计值；
(2-4)比较估计值与测量值。
S3、使用卡尔曼滤波算法，通过S2计算的开路电压估计值与测量值，对所述的二阶RC 等效电路模型进行估计并实时更新。
具体包括以下子步骤：
(3-1)：根据锂离子电池的二阶RC等效电路模型，由基尔霍夫定律，可得***传递函数：
Figure BDA0002033502600000051
设时间常数如下：Ts＝RsC,Tl＝RlCl,a＝TsTl,b＝RsTl+RlTs+R0(Ts+Tl),c＝R0+Rs+Rl,d＝Ts+Tl则有：
Figure BDA0002033502600000052
(3-2)：令
Figure BDA0002033502600000053
由双线性变换得到：
Figure BDA0002033502600000054
其中：
Figure BDA0002033502600000055
Figure BDA0002033502600000056
在固定采样周期为T的条件下，选取状态方程和观测方程：
θ＝[k1,k2,k3,k4,k5]T
y(k)＝-k1·y(k-1)-k2·y(k-1)+k3·I(k)+k4·I(k-1)+k5·I(k-2)
(3-3)：通过卡尔曼滤波算法对状态变量进行在线估计，再利用z的逆变换得到等效电路模型中各参数的辨识值。通过对一致性相同的磷酸铁锂离子电池组进行放电实验，选取锂离子电池的平均电压值作为有效数据，对其中100组电压采用KF算法进行参数进行辨识。其参数辨识曲线如图3所示。可知，在整个100次连续放电阶段，电池的欧姆内阻R0变化较小；极化电阻Rs，Rl与极化电容Cs，Cl的变换趋势相反，当极化电阻增加时，极化电容减小。
S4、通过对不同SOC值的锂电池恒流充放电，静止一段时间后测量开路电压，拟合得到锂电池开路电压与SOC的关系。
具体包括以下子步骤：
(4-1)：将锂离子电池充分放/充电并静置一段时间；
(4-2)：再对电池进行10个等间隔恒流脉冲充/放电实验，每次脉冲实验后静置3小时，测量电池的端电压，此刻的端电压可近似为开路电压；
(4-3)：多次实验获取各阶段锂离子电池组的平均值；
(4-4)：通过实验获取一致性相同的锂离子电池组均值电压作为单体电池的开路电压值，利用5阶拟合函数。辨识开路电压与荷电状态的关系曲线如图4所示。高阶拟合的开路电压与SOC关系如下：
Voc＝15.4647SOC5-44.9905SOC4+49.5110SOC3-25.1893SOC2+5.8724SOC+2.7669；
S5、利用改进的遗传算法寻求最优噪声协方差矩阵。
如图5所示，具体包括以下子步骤：
(5-1)：选择染色体编码方式，按照所选编码方式随机生成初始种群；
(5-2)：判断是否满足收敛条件，一般判断是否达到迭代次数，若满足执行步骤(5-6)，不满足执行步骤(5-3)；
(5-3)：使用逆二分法选择交叉个体：将染色体集合内的n个个体随机均分至n/2个集合内。对集合内部的染色体进行交叉操作产生子代染色体。随机选择两个子代染色体集合进行结合，生成n/4个结合，并标记各染色体来自哪个集合。对集合内部来自不同集合的染色体进行配对交叉操作。随机选择两个子代染色体集合进行结合，生成n/8个结合，并标记各染色体来自哪个集合。按照前述操作不断进行，直至最后合并为一个集合。；
(5-4)：利用改进的交叉概率算法对所选交叉个体进行交叉操作：
Figure BDA0002033502600000061
其中，Pe0为基准交叉概率，可根据实际情况在0.85～0.95之间取值；Fbest为当前种群中最优个体适应度值；
Figure BDA0002033502600000062
为当前种群平均适应度值；F为进入交叉配对操作个体的适应度值。
(5-5)：选择变异，返回步骤(5-2)；
(5-6)：输出最优解。
S6、采用S5得到的最优噪声协方差矩阵，使用无迹卡尔曼滤波算法，通过S2得到的开路电压估计值对电池状态进行估计，得到当前开路电压估计值；然后通过S4得到的锂电池开路电压与SOC的关系，输出当前开路电压估计值对应的SOC估计值。
具体包括以下子步骤：
(6-1)：列出***的状态方程和测量方程：
Xk＝f(Xk-1,Uk)+Wk
Yk＝g(Xk-1)+Vk
k为当前所处时刻f(Xk-1,Uk)为非线性***状态转移方程，g(Xk-1)为非线性测量方程， Xk为状态变量，Uk为已知输入，Yk为测量信号；Wk为过程噪声，Vk为测量噪声。我们假定Wk和Vk是不相关的均值均为零的高斯白噪声，其协方差分别为Qw和Rv。
对前述电池等效模型进行电池自放电、电化学极化和浓度差极化等电化学过程分析，可以将模型分为以下两个部分：基于运行时间模型和基于电压-电流特性模型。其中，基于电压 -电流模型部分可以通过分析锂离子电池放电外特性获得，电池荷电状态值在0到1之间取。
基于前述电池等效模型，不难列出锂离子电池***的状态方程和测量方程如下：
Figure BDA0002033502600000071
Vc＝VOC+IcR0+Vs+Vl
其中电流Ic在充电时取正值，放电时取负值，Cq为锂离子电池的标称容量。
(6-2)：各状态量初始值计算：
Figure BDA0002033502600000072
Figure BDA0002033502600000073
式中k|k-1为基于k-1时刻对k时刻的估计值。
(6-3)：建立Sigma点：
Figure BDA0002033502600000074
Figure BDA0002033502600000081
(6-4)：更新状态方程：
Figure BDA0002033502600000082
Figure BDA0002033502600000083
(6-5)：更新测量方程：
Figure BDA0002033502600000084
Figure BDA0002033502600000085
Figure BDA0002033502600000086
(6-6)：重复上述四个，即可根据k-1时刻的状态值以及k时刻获取的观测值，就可以估算k时刻的最优状态估计值Xk。
如步骤(1-1)中所述分别设定SOC初始值为0.2、0.4、0.6条件下以脉冲充放电电流对锂离子电池进行试验，脉冲充放电实验如图6所示。其中图7、图8分别为脉冲充放电电流实验条件下，基于无迹粒子滤波算法的SOC估计值和估计误差曲线。可知，当初始值越接近真实值，收敛速度越快；即使初始设定值与真实值存在较大误差时，经过一段时间的修正与迭代也会很快地收敛到理论值附近；在脉冲电流工况下，当初始荷电状态较大时，经过200s左右的调整，能稳定跟踪理论值；当估计值稳定后，估计误差在±1.5％之间。
为进一步验证无迹粒子滤波算法在复杂工况下的跟踪性。本发明以美国小型电动轿车在 UDDS工况下功率需求值为行驶工况，然后将功率需求值按照一定的比例缩小到单体电池工作条件。以2次UDDS循环工况作为锂离子电池组充放电试验条件，其循环周期2792s，在该工况下将无迹粒子滤波算法与EKF、UKF、EPF进行对比仿真分析。其中，基于UDDS的循环工况电流如图9所示，实验过程中设置采样周期为1s。
图10和图11分别为UDDS循环工况下基于不同滤波算法获取的锂离子电池SOC估计值和估计误差曲线。图10可知在未知初始值情况下，利用无迹粒子滤波算法估计锂离子电池荷电状态在收敛速度与跟踪精度方面都明显优于其它的估计算法。在复杂的UDDS循环工况且初始估计误差较大情况下，收敛时间为250s左右；从图11可知该算法在UDDS循环工况下，估计值稳定后的跟踪精度小于2.0％。
本发明公开了一种基于改进遗传无迹卡尔曼滤波算法的车载锂离子电池状态估计方法，旨在精确估计锂离子电池的工作状态，对准确建立电池管理***，保证锂离子电池安全、可靠、高效运行具有重要意义。该方法首先通过锂离子电池充放电实验，使用卡尔曼滤波算法对等效模型进行辨识，建立二阶RC等效电路模型，进而使用无迹卡尔曼算法进行锂离子电池SOC估计(State of Charge估计，简称SOC估计)的同时，采用改进的遗传算法对无迹卡尔曼滤波算法迭代过程中的***噪声和观测噪声协方差进行优化。相比传统方法，本发明提出的方法解决了锂离子电池内部电化学反应造成的***状态变量非线性化严重的问题，显著提高了估计的实时性和精确性。
以上实施例仅用于说明本发明的设计思想和特点，其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施，本发明的保护范围不限于上述实施例。所以，凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰，均在本发明的保护范围之内。

Claims (5)

1.一种基于改进遗传无迹卡尔曼滤波的车载锂电池状态估计方法，其特征在于：它包括以下步骤：
S1、在锂电池恒流放电的情况下，对锂电池的开路电压、电流进行采样；
S2、根据二阶RC等效电路模型，建立锂电池的状态空间方程，利用S1采样的电流，采用状态空间方程计算开路电压估计值；比较采样的开路电压和计算的开路电压估计值；
S3、使用卡尔曼滤波算法，通过S2计算的开路电压估计值与测量值，对所述的二阶RC等效电路模型进行估计并实时更新；
S4、通过对不同SOC值的锂电池恒流充放电，静止一段时间后测量开路电压，拟合得到锂电池开路电压与SOC的关系；
S5、利用改进的遗传算法寻求最优噪声协方差矩阵；
S6、采用S5得到的最优噪声协方差矩阵，使用无迹卡尔曼滤波算法，通过S2得到的开路电压估计值对电池状态进行估计，得到当前开路电压估计值；然后通过S4得到的锂电池开路电压与SOC的关系，输出当前开路电压估计值对应的SOC估计值；
所述的S5具体为：
5-1、选择染色体编码方式，按照所选编码方式随机生成初始种群；
5-2、判断是否满足收敛条件，判断是否达到迭代次数，若满足执行5-6，不满足执行步骤5-3；
5-3、使用逆二分法选择交叉个体：
将染色体集合内的n个个体随机均分至n/2个集合内；对集合内部的染色体进行交叉操作产生子代染色体；随机选择两个子代染色体集合进行结合，生成n/4个结合，并标记各染色体来自哪个集合；对集合内部来自不同集合的染色体进行配对交叉操作；随机选择两个子代染色体集合进行结合，生成n/8个结合，并标记各染色体来自哪个集合；按照前述操作不断进行，直至最后合并为一个集合；
5-4、利用改进的交叉概率算法对所选交叉个体进行交叉操作：
Figure FDA0003739381380000011
其中，Pe0为基准交叉概率，根据实际情况在0.85～0.95之间取值；Fbest为当前种群中最优个体适应度值；
Figure FDA0003739381380000012
为当前种群平均适应度值；F为进入交叉配对操作个体的适应度值；
5-5、选择变异，返回5-2；
5-6、输出最优解。
2.根据权利要求1所述的基于改进遗传无迹卡尔曼滤波的车载锂电池状态估计方法，其特征在于：所述的S1具体包括：
选取一致性相同的车载锂电池组在常温下，进行充放电实验，选取锂电池的平均电压值作为有效数据；
防止锂电池过放电，设置放电截止电压；
设置锂电池恒流放电倍率，并以固定采样周期对锂电池的开路电压、电流进行采样。
3.根据权利要求1所述的基于改进遗传无迹卡尔曼滤波的车载锂电池状态估计方法，其特征在于：所述的S3具体为：
3-1、根据锂电池的二阶RC等效电路模型，由基尔霍夫定律得到***传递函数；
3-2、对传递函数进行双线性变换，在固定采样周期的条件下，选取状态方程和观测方程；
3-3、通过卡尔曼滤波算法对状态变量进行在线估计，再利用z的逆变换得到二阶RC等效电路模型中各参数的辨识值。
4.根据权利要求1所述的基于改进遗传无迹卡尔曼滤波的车载锂电池状态估计方法，其特征在于：所述的S4具体为：
4-1、将锂电池充分放/充电并静置一段时间；
4-2、再对锂电池进行等间隔恒流脉冲充/放电实验，每次脉冲实验后静置，并测量锂电池的端电压；
4-3、多次实验获取各阶段锂电池组的电压平均值；
4-4、通过实验获取一致性相同的锂电池组的电压平均值作为单个锂电池的开路电压，拟合函数。
5.根据权利要求1所述的基于改进遗传无迹卡尔曼滤波的车载锂电池状态估计方法，其特征在于：所述的S6具体包括：
6-1、对电池电化学过程分析，列出***的状态方程和测量方程；
6-2、各状态量初始值计算；
6-3、建立Sigma点；
6-4、更新状态方程；
6-5、更新测量方程；
6-6、重复上述步骤6-2至6-5。
CN201910317198.9A 2019-04-19 2019-04-19 基于改进遗传无迹卡尔曼滤波的车载锂电池状态估计方法 Active CN111856282B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910317198.9A CN111856282B (zh) 2019-04-19 2019-04-19 基于改进遗传无迹卡尔曼滤波的车载锂电池状态估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910317198.9A CN111856282B (zh) 2019-04-19 2019-04-19 基于改进遗传无迹卡尔曼滤波的车载锂电池状态估计方法

Publications (2)

Publication Number Publication Date
CN111856282A CN111856282A (zh) 2020-10-30
CN111856282B true CN111856282B (zh) 2022-08-26

Family

ID=72951916

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910317198.9A Active CN111856282B (zh) 2019-04-19 2019-04-19 基于改进遗传无迹卡尔曼滤波的车载锂电池状态估计方法

Country Status (1)

Country Link
CN (1) CN111856282B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112710939A (zh) * 2020-12-18 2021-04-27 电子科技大学 一种功率器件的动态稳定性能评估方法
CN113138344B (zh) * 2021-04-23 2024-03-05 安徽理工大学 一种基于分数阶扩展卡尔曼滤波算法的soc估计方法
CN113381700B (zh) * 2021-06-29 2024-01-30 哈尔滨工业大学 一种高频无源rc积分放大器的rc参数设计方法
CN116203432B (zh) * 2023-03-23 2023-10-20 广东工业大学 基于cso优化的无迹卡尔曼滤波预测电池荷电状态的方法
CN116699415B (zh) * 2023-05-26 2024-06-11 云储新能源科技有限公司 一种动态可重构电池***电量估计方法、***及电子设备

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR3050278B1 (fr) * 2016-04-15 2018-03-30 Saft Procede de determination de la valeur de parametres relatifs a l’etat d’un accumulateur d’une batterie, batterie et systeme de gestion electronique d’une batterie
CN106019164A (zh) * 2016-07-07 2016-10-12 武汉理工大学 基于双重自适应无际卡尔曼滤波器的锂电池soc估计算法
KR20180084358A (ko) * 2017-01-17 2018-07-25 삼성전자주식회사 배터리 상태 추정 방법 및 장치
CN107390127A (zh) * 2017-07-11 2017-11-24 欣旺达电动汽车电池有限公司 一种soc估算方法
CN108872873A (zh) * 2018-06-29 2018-11-23 长沙理工大学 一种基于ga-aukf的磷酸铁锂动力电池荷电状态联合估算方法

Also Published As

Publication number Publication date
CN111856282A (zh) 2020-10-30

Similar Documents

Publication Publication Date Title
CN111856282B (zh) 基于改进遗传无迹卡尔曼滤波的车载锂电池状态估计方法
CN112526348B (zh) 一种基于多新息递推贝叶斯算法的电池模型参数辨识方法
Xiong et al. A novel practical state of charge estimation method: an adaptive improved ampere‐hour method based on composite correction factor
CN112615075B (zh) 电池快速充电方法及计算机设备
CN105425153B (zh) 一种估计电动车辆的动力电池的荷电状态的方法
CN108732508B (zh) 一种锂离子电池容量的实时估计方法
Sidhu et al. State of charge estimation of lithium-ion batteries using hybrid machine learning technique
CN108445422B (zh) 基于极化电压恢复特性的电池荷电状态估算方法
CN111781504A (zh) 一种锂离子动力电池老化状态识别与开路电压重构方法
CN111208438B (zh) 基于神经网络与无迹卡尔曼滤波器的锂电子电池剩余电量与传感器偏差协同估计的方法
Wang et al. Adaptive state-of-charge estimation method for an aeronautical lithium-ion battery pack based on a reduced particle-unscented kalman filter
Tan et al. Joint estimation of ternary lithium-ion battery state of charge and state of power based on dual polarization model
CN115494400B (zh) 一种基于集成学习的锂电池析锂状态在线监控方法
CN111428433A (zh) 基于混合滤波的锂离子电池状态计算方法
CN115389936A (zh) 一种数模混合驱动的锂电池持续峰值功率能力的在线预测方法
CN113484771A (zh) 一种锂离子电池宽温度全寿命soc及容量估计的方法
CN114720881A (zh) 一种基于改进初值带遗忘因子递推最小二乘法的锂电池参数辨识方法
CN112580289A (zh) 一种混合电容器功率状态在线估计方法及***
CN115327415A (zh) 基于限定记忆递推最小二乘算法的锂电池soc估算方法
CN115219918A (zh) 一种基于容量衰退组合模型的锂离子电池寿命预测方法
CN114740385A (zh) 一种自适应的锂离子电池荷电状态估计方法
CN114397578A (zh) 一种锂离子电池剩余电量估计方法
CN112698217B (zh) 基于粒子群优化算法的电池单体容量估计方法
CN112946480B (zh) 一种提高soc估计实时性的锂电池电路模型简化方法
CN113420444A (zh) 一种基于参数在线辨识的锂离子电池soc估计方法

Legal Events

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