CN113075569A - 一种基于噪声自适应粒子滤波的电池荷电状态估计方法和装置 - Google Patents
一种基于噪声自适应粒子滤波的电池荷电状态估计方法和装置 Download PDFInfo
- Publication number
- CN113075569A CN113075569A CN202110166492.1A CN202110166492A CN113075569A CN 113075569 A CN113075569 A CN 113075569A CN 202110166492 A CN202110166492 A CN 202110166492A CN 113075569 A CN113075569 A CN 113075569A
- Authority
- CN
- China
- Prior art keywords
- soc
- state
- particle
- charge
- 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.)
- Pending
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]
- G01R31/385—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
- 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]
- G01R31/389—Measuring internal impedance, internal conductance or related variables
-
- 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]
- G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
一种基于噪声自适应粒子滤波的电池荷电状态估计方法和装置,获取以固定周期采样的单体数据,选择特征单体进行参数辨识和状态跟踪;对标准的粒子滤波算法进行参数初始化,按照目标状态预估值和初始噪声协方差获取SOC初始状态粒子集合;进行SOC值的一步预测,结合粒子的端电压估计偏差来指导序贯重要性采样,更新归一化权重;加权计算得到SOC的预测值,并依据归一化权重随机重采样完成粒子集合更新和新粒子集合量测偏差记录;确定自适应过程噪声标准差范围,用于下一循环预测;循环执行完成基于噪声自适应粒子滤波的电池SOC估计。解决了传统的粒子滤波法应用于SOC估计时需多次试错来确定过程噪声方差大小的缺陷。
Description
技术领域
本发明涉及电动汽车电池管理技术领域,特别涉及一种基于噪声自适应粒子滤波的电池荷电状态估计方法和装置。
背景技术
随着能源短缺和环境污染压力的增加,纯电动汽车和混合动力汽车在生活中的普及速度大大加快。电池荷电状态SOC(State of Charge)作为电动汽车的关键状态参数之一,对其进行准确估计是保障车辆正常运行的重要手段。汽车在长期连续运行时,往往会带来较大的Ah累积偏差,需要加入更复杂的预测算法来提高荷电状态SOC实时估计的精度。然而,车载端电池管理***BMS考虑到成本压力和技术难度,通常只能完成实施性比较好的算法。
智能网联汽车的快速发展为这一矛盾提供了解决思路,可以通过云平台数据对电池进行状态评估和校准。但是云平台数据有着大采样间隔的特点,从而会在荷电状态SOC的一步预测值中引入了新的Ah积分偏差,同时增加了基于该数据的电池模型参数辨识和状态跟踪的不确定性。
粒子滤波方法是运用随机采样点来近似***随机变量的概率密度函数,以样本均值代替积分运算,从而获得状态的最小方差估计,被广泛用于荷电状态SOC估计研究中。但是,传统的粒子滤波方法将过程噪声进行固定化,如果噪声方差取值过小则不能有效地收敛偏差,如果噪声方差取值过大则容易引入明显的噪声干扰。在应用于大采样间隔的云平台数据时,状态过程噪声干扰更加明显,采用固定噪声的粒子滤波法往往需要多次试错来确定方差大小,应用不便且难以稳定地跟踪预测电池荷电状态SOC。
发明内容
本发明为了解决传统的固定过程噪声的粒子滤波法应用于荷电状态SOC估计时需要多次试错来确定过程噪声方差大小的缺陷,所述缺陷包括耗费时间,且偏小容易导致不收敛,偏大导致状态跟踪不稳定,进而导致状态跟踪效果差、预测鲁棒性降低的问题,提出一种基于噪声自适应粒子滤波的电池荷电状态估计方法和装置。
为了解决上述技术问题,本发明提供了一种基于噪声自适应粒子滤波的电池荷电状态估计方法,包括以下步骤:
步骤1:获取以固定的采样周期采样的电池组的所有单体的电压、电流和温度数据,对所述数据进行预处理,选择电压常为最低的单体作为特征单体进行参数辨识和状态跟踪;
步骤2:对标准的粒子滤波算法进行参数初始化,按照目标状态预估值和初始噪声协方差获取荷电状态SOC初始状态粒子集合;
步骤3:进行荷电状态SOC值的一步预测,结合粒子的端电压估计偏差来指导序贯重要性采样,更新粒子归一化权重;
步骤4:按照所述归一化权重加权计算得到荷电状态SOC的预测值,并依据粒子的归一化权重进行随机重采样完成粒子集合的更新和新粒子集合量测偏差的记录;
步骤5:确定自适应的过程噪声标准差范围,用于下一循环的荷电状态SOC的一步预测;
步骤6:在数据长度内,循环执行上述步骤3~5,完成基于噪声自适应粒子滤波的电池荷电状态SOC估计。
进一步地,所述采样周期是10s。
进一步地,所述对所述数据进行预处理具体为:提取所有单体的电压、电流和温度的采样点数据,剔除及修复异常的数据。
进一步地,所述初始化的参数包括过程噪声方差Q、量测噪声方差R和按照初始噪声协方差P进行先验分布p(X0)抽取得到的荷电状态SOC初始粒子,其中,量测噪声方差R根据电压传感器精度进行设置,X0代表0时刻的状态,p(X0)表示了先验分布概率,初始噪声协方差P的取值要在3σ范围内能够覆盖到可能的荷电状态SOC真值,其中,σ是标准差。
进一步地,所述进行荷电状态SOC值的一步预测,结合粒子的端电压估计偏差来指导序贯重要性采样,更新粒子权重,具体包括:
(1)按照Ah积分原理和戴维宁等效电路模型,得到电池荷电状态SOC估计的状态方程和量测方程,其中,
所述量测方程为:Vk+1=UOC(SOCk+1)-R0,k+1Ik+1-U1,k+1+vk;
其中,η是充放电效率,I为电流输入,Cn为电池容量,Δt为采样间隔,V为端电压输出,Uoc为开路电压,R0为欧姆内阻,U1为极化电压,ωk和vk分别代表过程噪声和量测噪声,k和k+1表示时刻;
进一步地,所述按照所述归一化权重加权计算得到荷电状态SOC的预测值,并依据粒子的归一化权重进行随机重采样完成粒子集合的更新和新粒子集合量测偏差的记录,具体为:
进一步地,所述确定自适应的过程噪声标准差范围,用于下一循环的荷电状态SOC的一步预测,具体包括:
(1)导入不同温度下的荷电状态SOC随开路电压的波动函数δ(soc),其中:
δ(soc)=Δsoc/Δocv;
δ(soc)即波动函数,其表示荷电状态SOC在不同的SOC阶段每mv电压变化引起的荷电状态值的波动,Δsoc指荷电状态SOC的变化量,Δocv指开路电压变化量;
(2)将过程噪声的取值和更新后的粒子集的状态跟踪偏差建立联系,确定过程噪声方差Qk+1满足:
(3)确定Qk+1的下限,具体包括:
按照电池的最大允许放电电流Imax计算ΔSOCmax,其中:
ΔSOCmax=Imax·Δt/Cn;
Imax代表电池的最大允许放电电流,ΔSOCmax代表最大放电电流下可能引起的单步SOC积分偏差,△t表示采样间隔,Cn表示电池容量;
则按照3σ原则,过程噪声方差的最小取值应满足:
sqrt(Qk+1)>=ΔSOCmax/3;
(4)确定Qk+1的上限,其中,Qk+1<=Q0,Q0是过程噪声初值;
(5)综合上述步骤得到过程噪声方差Qk+1取值满足:
(6)代入方差为Qk+1的过程噪声用于下一循环的SOC一步预测。
本发明还提供了一种基于噪声自适应粒子滤波的电池荷电状态估计装置,所述装置包括数据获取单元、初始状态粒子集合获取单元、一步预测和更新单元、更新和记录单元、范围确定单元和估计单元;
所述数据获取单元,用于获取以固定的采样周期采样的电池组的所有单体的电压、电流和温度数据,对所述数据进行预处理,选择电压常为最低的单体作为特征单体进行参数辨识和状态跟踪;
所述初始状态粒子集合获取单元,用于对标准的粒子滤波算法进行参数初始化,按照目标状态预估值和初始噪声协方差获取荷电状态SOC初始状态粒子集合;
所述一步预测和更新单元,用于进行荷电状态SOC值的一步预测,结合粒子的端电压估计偏差来指导序贯重要性采样,更新粒子归一化权重;
所述更新和记录单元,用于按照所述归一化权重加权计算得到荷电状态SOC的预测值,并依据粒子的归一化权重进行随机重采样完成粒子集合的更新和新粒子集合量测偏差的记录;
所述范围确定单元,用于确定自适应的过程噪声标准差范围,用于下一循环的荷电状态SOC的一步预测;
所述估计单元,用于在数据长度内,循环执行所述一步预测和更新单元、更新和记录单元和范围确定单元所执行的功能,完成基于噪声自适应粒子滤波的电池荷电状态SOC估计。
进一步地,所述采样周期是10s。
进一步地,所述对所述数据进行预处理具体为:提取所有单体的电压、电流和温度的采样点数据,剔除及修复异常的数据。
进一步地,所述初始化的参数包括过程噪声方差Q、量测噪声方差R和按照初始噪声协方差P进行先验分布p(X0)抽取得到的荷电状态SOC初始粒子,其中,量测噪声方差R根据电压传感器精度进行设置,X0代表0时刻的状态,p(X0)表示了先验分布概率,初始噪声协方差P的取值要在3σ范围内能够覆盖到可能的荷电状态SOC真值,其中,σ是标准差。
进一步地,所述进行荷电状态SOC值的一步预测,结合粒子的端电压估计偏差来指导序贯重要性采样,更新粒子权重,具体包括:
(1)按照Ah积分原理和戴维宁等效电路模型,得到电池荷电状态SOC估计的状态方程和量测方程,其中,
所述量测方程为:Vk+1=UOC(SOCk+1)-R0,k+1Ik+1-U1,k+1+vk;
其中,η是充放电效率,I为电流输入,Cn为电池容量,Δt为采样间隔,V为端电压输出,Uoc为开路电压,R0为欧姆内阻,U1为极化电压,ωk和vk分别代表过程噪声和量测噪声,k和k+1表示时刻;
进一步地,所述按照所述归一化权重加权计算得到荷电状态SOC的预测值,并依据粒子的归一化权重进行随机重采样完成粒子集合的更新和新粒子集合量测偏差的记录,具体为:
进一步地,所述确定自适应的过程噪声标准差范围,用于下一循环的荷电状态SOC的一步预测,具体包括:
(1)导入不同温度下的荷电状态SOC随开路电压的波动函数δ(soc),其中:
δ(soc)=Δsoc/Δocv;
δ(soc)即波动函数,其表示荷电状态SOC在不同的SOC阶段每mv电压变化引起的荷电状态值的波动,Δsoc指荷电状态SOC的变化量,Δocv指开路电压变化量;
(2)将过程噪声的取值和更新后的粒子集的状态跟踪偏差建立联系,确定过程噪声方差Qk+1满足:
(3)确定Qk+1的下限,具体包括:
按照电池的最大允许放电电流Imax计算ΔSOCmax,其中:
ΔSOCmax=Imax·Δt/Cn;
Imax代表电池的最大允许放电电流,ΔSOCmax代表最大放电电流下可能引起的单步SOC积分偏差,△t表示采样间隔,Cn表示电池容量;
则按照3σ原则,过程噪声方差的最小取值应满足:
sqrt(Qk+1)>=ΔSOCmax/3;
(4)确定Qk+1的上限,其中,Qk+1<=Q0,Q0是过程噪声初值;
(5)综合上述步骤得到过程噪声方差Qk+1取值满足:
(6)代入方差为Qk+1的过程噪声用于下一循环的SOC一步预测。
本发明还提供了一种电子设备,所述电子设备包括:
存储装置;
一个或多个处理器;
所述存储装置用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现所述的方法。
本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序被执行时,实现所述的方法。
本发明与现有技术相比具有以下显著有效效果:
第一:针对粒子滤波算法中采用固定过程噪声应用于SOC估计时需要多次试错来确定过程噪声方差大小的缺陷(耗费时间,且偏小容易导致不收敛,偏大导致状态跟踪不稳定),进而导致状态跟踪效果差、预测鲁棒性降低的问题,提出一种噪声自适应调整方法进行过程噪声的范围确定,通过离线测量不同温度下的开路电压曲线,进行多项式拟合并求取波动函数,将SOC波动与电池模型端电压偏差通过离线开路电压曲线联系起来,构建了直接的自适应噪声取值关系,避免了经验值的束缚,具有明显的合理性。
第二:自适应噪声调整方法根据噪声覆盖范围不能过大设置了噪声取值上限,根据数据采样间隔带来的确定Ah偏差设置了噪声取值下限,基于算法原理和数据特点进行了噪声范围限定,避免了偶然偏差带来的干扰,考虑更加全面,更能贴合状态跟踪过程。
附图说明
图1为本发明实施例的方法流程图;
图2为本发明实施例的SOC随电压偏差的波动函数曲线;
图3为本发明实施例的工况电流;
图4为本发明实施例的噪声自适应调整结果;
图5为本发明实施例的SOC预测结果;
图6为本发明实施例的SOC预测偏差;
图7为本发明实施例的装置模块组成图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
粒子滤波方法运用随机采样点来近似***随机变量的概率密度函数,以样本均值代替积分运算,从而获得状态的最小方差估计。在进行粒子初始化分布和一步预测后,通常在粒子能够覆盖到的范围内,均能快速有效跟踪真值,传统的粒子滤波方法根据大量统计数据或经验选择固定的过程噪声大小,不易得到最佳噪声取值。结合荷电状态SOC随电压波动情况及已知的数据波动性,可以利用状态估计偏差自适应调整噪声方差以指导粒子分布。因此理论上,该噪声自适应粒子滤波能够有效地提高荷电状态SOC估计稳定性。
基于上述理论,本发明提出了一种基于噪声自适应粒子滤波的电池荷电状态估计方法。首先,获取以固定采样周期采样的电池组的所有单体的电压、电流和温度数据,选择电压常为最低的单体作为特征单体进行参数辨识和状态跟踪,按照传统粒子滤波算法进行参数初始化;其次,进行粒子一步预测和基于电池模型的参数辨识,从而利用量测电压指导重要性采样过程,获得权值分配;接着,按照权重加权计算得到荷电状态SOC预测值,并依据粒子权重进行随机重采样完成粒子集合的更新,在此记录新粒子集合量测偏差用于噪声调整;最后,根据离线获得的不同温度下开路电压曲线关系和当前温度,代入离线关系函数得到更新后的过程噪声方差,进入下一循环预测过程。
实施例一:
参见图1,本发明的实施例一提供了一种基于噪声自适应粒子滤波的电池荷电状态估计方法,所述方法包括以下步骤:
步骤1:获取以固定的采样周期采样的电池组的所有单体的电压、电流和温度数据,对所述数据进行预处理,选择电压常为最低的单体作为特征单体进行参数辨识和状态跟踪;
本发明的研究对象为FTP行驶工况电流激励下的串联电池组的数据,所述采样周期是10s。提取所有单体的电压、电流和温度的采样点数据,剔除及修复异常的数据,进行统计分析选择电压常为最低的单体作为特征单体作为后续算法应用对象,所述电压常为最低的单体是指按照统计学概率来计算,在放电工况下串联电池组的所有单体中电压值为最低出现次数最多的单体。
步骤2:对标准的粒子滤波算法进行参数初始化,按照目标状态预估值和初始噪声协方差获取荷电状态SOC初始状态粒子集合;
所述初始化的参数包括过程噪声方差Q、量测噪声方差R和按照初始噪声协方差P进行先验分布p(X0)抽取得到的荷电状态SOC初始粒子。其中,量测噪声方差R根据电压传感器精度进行设置,X0代表0时刻的状态,p(X0)表示了先验分布概率,初始噪声协方差P的取值要在3σ范围内能够覆盖到可能的荷电状态SOC真值,其中,σ是标准差,3σ指的是目标量符合正态分布规律,如果连续估计中通常累积偏差不大于10%,则可以选取P为0.01,围绕当前先验荷电状态SOC估计值进行分布范围内的粒子初始化。
步骤3:进行荷电状态SOC值的一步预测,结合粒子的端电压估计偏差来指导序贯重要性采样,更新粒子归一化权重;
所述进行荷电状态SOC值的一步预测,结合粒子的端电压估计偏差来指导序贯重要性采样,更新粒子权重,具体包括:
(1)按照Ah积分原理和戴维宁等效电路模型,得到电池荷电状态SOC估计的状态方程和量测方程,其中,
所述量测方程为:Vk+1=UOC(SOCk+1)-R0,k+1Ik+1-U1,k+1+vk。
其中,η是充放电效率,I为电流输入,Cn为电池容量,Δt为采样间隔,V为端电压输出,Uoc为开路电压,R0为欧姆内阻,U1为极化电压,ωk和vk分别代表过程噪声和量测噪声,k和k+1表示时刻;
(4)根据电池端电压量测值yk+1得到各粒子权重进行归一化得到各粒子的归一化权重p指的概率分布,其中,上述表示的是模型端电压输出,是所构建的量测方程的在线辨识参数代入后的仿真量,指代电池两端电压的仿真量,而上述y代表的是电池两端电压的真实测量值,由传感器测得,是真实值。
步骤4:按照所述归一化权重加权计算得到荷电状态SOC的预测值,并依据粒子的归一化权重进行随机重采样完成粒子集合的更新和新粒子集合量测偏差的记录;
所述按照权重加权计算得到荷电状态SOC的预测值,并依据粒子的归一化权重进行随机重采样完成粒子集合的更新和新粒子集合量测偏差的记录,具体为:
步骤5:确定自适应的过程噪声标准差范围,用于下一循环的荷电状态SOC的一步预测;
所述确定自适应的过程噪声标准差范围,用于下一循环的荷电状态SOC的一步预测,具体包括:
(1)导入不同温度下的荷电状态SOC随开路电压的波动函数δ(soc),其中:
δ(soc)=Δsoc/Δocv;
δ(soc)即波动函数,其表示荷电状态SOC在不同的SOC阶段每mv电压变化引起的荷电状态值的波动,Δsoc指荷电状态SOC的变化量,Δocv指开路电压变化量。
不同温度下的开路电压曲线由离线测得,对开路电压进行4阶多项式拟合,求一阶偏导并取反得到不同荷电状态SOC阶段每mv电压变化引起的荷电状态SOC波动。
其中,10℃下该类型电池的波动函数如图2所示。
(2)确定过程噪声方差Qk+1的范围;
所述确定过程噪声方差Qk+1的范围,包括:
考虑到粒子范围的波动性,将过程噪声的取值和更新后的粒子集的状态跟踪偏差建立联系,确定过程噪声方差Qk+1满足:
(3)确定Qk+1的下限;
由于数据的采样周期为10s,在荷电状态SOC估计算法应用中会引入明显的单步Ah偏差,按照电池的最大允许放电电流Imax计算ΔSOCmax,其中:
ΔSOCmax=Imax·Δt/Cn;
其中,Imax代表电池的最大允许放电电流,ΔSOCmax代表最大放电电流下可能引起的单步SOC积分偏差,△t是采样间隔,Cn表示电池容量。
则按照3σ原则,过程噪声方差的最小取值应满足:
sqrt(Qk+1)>=ΔSOCmax/3
(4)确定Qk+1的上限;
粒子滤波算法中,过程噪声取值越大,则低状态跟踪的波动性通常越强,因此需要限定Qk+1的取值上限,而在实际应用中针对具体对象经过少数几次试错获取的过程噪声初值Q0是一个较为合理的经验范围,所以在此设置过程噪声方差的最大取值应满足:
Qk+1<=Q0;
其中Q0是过程噪声初值。
(5)综合上述步骤得到过程噪声方差Qk+1取值满足
(6)代入方差为Qk+1的过程噪声用于下一循环的SOC一步预测。
步骤6:在数据长度内,循环执行上述步骤3~5,完成基于噪声自适应粒子滤波的电池荷电状态SOC估计。
所述数据长度指的是需要进行连续状态估计的数据段长度,即有多少个时刻,采样数目L,k=0,1,…,L。
以下是本实施例的试验结果:
实施例中所选择的研究对象为FTP行驶工况电流激励下的电池组,采样周期为10s,放电电流如图3所示。设定Q0=0.0001(σ=0.01)应用于实例中,按照步骤3~5进行状态跟踪可获得的Qk+1取值自适应调整效果如图4所示,提出的N-APF算法荷电状态SOC估计效果和绝对偏差如图5、图6所示。
综上步骤所述,本实施例提出了一种基于噪声自适应粒子滤波的电动汽车电池SOC估计方法。实施例中效果表明,该方法能够有效地动态调整过程噪声大小,从而在存在不确定噪声环境下降低状态跟踪的波动性,保证大间隔采样条件下的SOC估计稳定性。
实施例二:
参见图7,本发明的实施例二提供了一种基于噪声自适应粒子滤波的电池荷电状态估计装置,所述装置包括数据获取单元、初始状态粒子集合获取单元、一步预测和更新单元、更新和记录单元、范围确定单元和估计单元;
所述数据获取单元,用于获取以固定的采样周期采样的电池组的所有单体的电压、电流和温度数据,对所述数据进行预处理,选择电压常为最低的单体作为特征单体进行参数辨识和状态跟踪;
本发明的研究对象为FTP行驶工况电流激励下的串联电池组的数据,所述采样周期是10s。提取所有单体的电压、电流和温度的采样点数据,剔除及修复异常的数据,进行统计分析选择电压常为最低的单体作为特征单体作为后续算法应用对象,所述电压常为最低的单体是指按照统计学概率来计算,在放电工况下串联电池组的所有单体中电压值为最低出现次数最多的单体。
所述初始状态粒子集合获取单元,用于对标准的粒子滤波算法进行参数初始化,按照目标状态预估值和初始噪声协方差获取荷电状态SOC初始状态粒子集合;
所述初始化的参数包括过程噪声方差Q、量测噪声方差R和按照初始噪声协方差P进行先验分布p(X0)抽取得到的荷电状态SOC初始粒子。其中,量测噪声方差R根据电压传感器精度进行设置,X0代表0时刻的状态,p(X0)表示了先验分布概率,初始噪声协方差P的取值要在3σ范围内能够覆盖到可能的荷电状态SOC真值,其中,σ是标准差,3σ指的是目标量符合正态分布规律,如果连续估计中通常累积偏差不大于10%,则可以选取P为0.01,围绕当前先验荷电状态SOC估计值进行分布范围内的粒子初始化。
所述一步预测和更新单元,用于进行荷电状态SOC值的一步预测,结合粒子的端电压估计偏差来指导序贯重要性采样,更新粒子归一化权重;
所述进行荷电状态SOC值的一步预测,结合粒子的端电压估计偏差来指导序贯重要性采样,更新粒子权重,具体包括:
(1)按照Ah积分原理和戴维宁等效电路模型,得到电池荷电状态SOC估计的状态方程和量测方程,其中,
所述量测方程为:Vk+1=UOC(SOCk+1)-R0,k+1Ik+1-U1,k+1+vk。
其中,η是充放电效率,I为电流输入,Cn为电池容量,Δt为采样间隔,V为端电压输出,Uoc为开路电压,R0为欧姆内阻,U1为极化电压,ωk和vk分别代表过程噪声和量测噪声,k和k+1表示时刻;
(4)根据电池端电压量测值yk+1得到各粒子权重进行归一化得到各粒子的归一化权重p指的概率分布,其中,上述表示的是模型端电压输出,是所构建的量测方程的在线辨识参数代入后的仿真量,指代电池两端电压的仿真量,而上述y代表的是电池两端电压的真实测量值,由传感器测得,是真实值。
所述更新和记录单元,用于按照所述归一化权重加权计算得到荷电状态SOC的预测值,并依据粒子的归一化权重进行随机重采样完成粒子集合的更新和新粒子集合量测偏差的记录;
所述按照权重加权计算得到荷电状态SOC的预测值,并依据粒子的归一化权重进行随机重采样完成粒子集合的更新和新粒子集合量测偏差的记录,具体为:
所述范围确定单元,用于确定自适应的过程噪声标准差范围,用于下一循环的荷电状态SOC的一步预测;
所述确定自适应的过程噪声标准差范围,用于下一循环的荷电状态SOC的一步预测,具体包括:
(1)导入不同温度下的荷电状态SOC随开路电压的波动函数δ(soc),其中:
δ(soc)=Δsoc/Δocv;
δ(soc)即波动函数,其表示荷电状态SOC在不同的SOC阶段每mv电压变化引起的荷电状态值的波动,Δsoc指荷电状态SOC的变化量,Δocv指开路电压变化量。
不同温度下的开路电压曲线由离线测得,对开路电压进行4阶多项式拟合,求一阶偏导并取反得到不同荷电状态SOC阶段每mv电压变化引起的荷电状态SOC波动。
其中,10℃下该类型电池的波动函数如图2所示。
(2)确定过程噪声方差Qk+1的范围;
所述确定过程噪声方差Qk+1的范围,包括:
考虑到粒子范围的波动性,将过程噪声的取值和更新后的粒子集的状态跟踪偏差建立联系,确定过程噪声方差Qk+1满足:
(3)确定Qk+1的下限;
由于数据的采样周期为10s,在荷电状态SOC估计算法应用中会引入明显的单步Ah偏差,按照电池的最大允许放电电流Imax计算ΔSOCmax,其中:
ΔSOCmax=Imax·Δt/Cn;
其中,Imax代表电池的最大允许放电电流,ΔSOCmax代表最大放电电流下可能引起的单步SOC积分偏差,△t是采样间隔,Cn表示电池容量。
则按照3σ原则,过程噪声方差的最小取值应满足:
sqrt(Qk+1)>=ΔSOCmax/3
(4)确定Qk+1的上限;
粒子滤波算法中,过程噪声取值越大,则低状态跟踪的波动性通常越强,因此需要限定Qk+1的取值上限,而在实际应用中针对具体对象经过少数几次试错获取的过程噪声初值Q0是一个较为合理的经验范围,所以在此设置过程噪声方差的最大取值应满足:
Qk+1<=Q0;
其中Q0是过程噪声初值。
(5)综合上述步骤得到过程噪声方差Qk+1取值满足
(6)代入方差为Qk+1的过程噪声用于下一循环的SOC一步预测。
所述估计单元,用于在数据长度内,循环执行所述一步预测和更新单元、更新和记录单元和范围确定单元所执行的功能,完成基于噪声自适应粒子滤波的电池荷电状态SOC估计。
所述数据长度指的是需要进行连续状态估计的数据段长度,即有多少个时刻,采样数目L,k=0,1,…,L。
本发明还提供了一种电子设备,所述电子设备包括:存储装置;一个或多个处理器;所述存储装置用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如上所述的方法。
本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序被执行时,实现如上所述的方法。
本领域普通技术人员可以理解上述方法中的全部或部分步骤可通过程序来指令相关硬件完成,所述程序可以存储于计算机可读存储介质中,如只读存储器、磁盘或光盘等,存储于可读存储介质中的程序可以被处理器执行来完成上述方法对应的功能。可选地,上述实施例的全部或部分步骤也可以使用一个或多个集成电路来实现。相应地,上述实施例中的各模块/单元可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
应当理解的是,上述针对实施例的详细描述,并不能认为是对本发明专利保护范围的限制。本领域的普通技术人员在本发明的启示下,在不脱离本发明权利要求所保护的范围情况下,做出的替换或变形,均落入本发明的保护范围之内。
Claims (16)
1.一种基于噪声自适应粒子滤波的电池荷电状态估计方法,其特征在于,所述方法包括以下步骤:
步骤1:获取以固定的采样周期采样的电池组的所有单体的电压、电流和温度数据,对所述数据进行预处理,选择电压常为最低的单体作为特征单体进行参数辨识和状态跟踪;
步骤2:对标准的粒子滤波算法进行参数初始化,按照目标状态预估值和初始噪声协方差获取荷电状态SOC初始状态粒子集合;
步骤3:进行荷电状态SOC值的一步预测,结合粒子的端电压估计偏差来指导序贯重要性采样,更新粒子归一化权重;
步骤4:按照所述归一化权重加权计算得到荷电状态SOC的预测值,并依据粒子的归一化权重进行随机重采样完成粒子集合的更新和新粒子集合量测偏差的记录;
步骤5:确定自适应的过程噪声标准差范围,用于下一循环的荷电状态SOC的一步预测;
步骤6:在数据长度内,循环执行上述步骤3-5,完成基于噪声自适应粒子滤波的电池荷电状态SOC估计。
2.根据权利要求1所述的方法,其特征在于,所述采样周期是10s。
3.根据权利要求1所述的方法,其特征在于,所述对所述数据进行预处理具体为:提取所有单体的电压、电流和温度的采样点数据,剔除及修复异常的数据。
4.根据权利要求1-3之一所述的方法,其特征在于,所述初始化的参数包括过程噪声方差Q、量测噪声方差R和按照初始噪声协方差P进行先验分布p(X0)抽取得到的荷电状态SOC初始粒子,其中,量测噪声方差R根据电压传感器精度进行设置,X0代表0时刻的状态,p(X0)表示了先验分布概率,初始噪声协方差P的取值要在3σ范围内能够覆盖到可能的荷电状态SOC真值,其中,σ是标准差。
5.根据权利要求4所述的方法,其特征在于,所述进行荷电状态SOC值的一步预测,结合粒子的端电压估计偏差来指导序贯重要性采样,更新粒子权重,具体包括:
(1)按照Ah积分原理和戴维宁等效电路模型,得到电池荷电状态SOC估计的状态方程和量测方程,其中,
所述量测方程为:Vk+1=UOC(SOCk+1)-R0,k+1Ik+1-U1,k+1+vk;
其中,η是充放电效率,I为电流输入,Cn为电池容量,Δt为采样间隔,V为端电压输出,Uoc为开路电压,R0为欧姆内阻,U1为极化电压,ωk和vk分别代表过程噪声和量测噪声,k和k+1表示时刻;
7.根据权利要求6所述的方法,其特征在于,所述确定自适应的过程噪声标准差范围,用于下一循环的荷电状态SOC的一步预测,具体包括:
(1)导入不同温度下的荷电状态SOC随开路电压的波动函数δ(soc),其中:
δ(soc)=Δsoc/Δocv;
δ(soc)即波动函数,其表示荷电状态SOC在不同的SOC阶段每mv电压变化引起的荷电状态值的波动,Δsoc指荷电状态SOC的变化量,Δocv指开路电压变化量;
(2)将过程噪声的取值和更新后的粒子集的状态跟踪偏差建立联系,确定过程噪声方差Qk+1满足:
(3)确定Qk+1的下限,具体包括:
按照电池的最大允许放电电流Imax计算ΔSOCmax,其中:
ΔSOCmax=Imax·Δt/Cn;
Imax代表电池的最大允许放电电流,ΔSOCmax代表最大放电电流下可能引起的单步SOC积分偏差,△t表示采样间隔,Cn表示电池容量;
则按照3σ原则,过程噪声方差的最小取值应满足:
sqrt(Qk+1)>=ΔSOCmax/3;
(4)确定Qk+1的上限,其中,Qk+1<=Q0,Q0是过程噪声初值;
(5)综合上述步骤得到过程噪声方差Qk+1取值满足:
(6)代入方差为Qk+1的过程噪声用于下一循环的SOC一步预测。
8.一种基于噪声自适应粒子滤波的电池荷电状态估计装置,其特征在于,所述装置包括数据获取单元、初始状态粒子集合获取单元、一步预测和更新单元、更新和记录单元、范围确定单元和估计单元;
所述数据获取单元,用于获取以固定的采样周期采样的电池组的所有单体的电压、电流和温度数据,对所述数据进行预处理,选择电压常为最低的单体作为特征单体进行参数辨识和状态跟踪;
所述初始状态粒子集合获取单元,用于对标准的粒子滤波算法进行参数初始化,按照目标状态预估值和初始噪声协方差获取荷电状态SOC初始状态粒子集合;
所述一步预测和更新单元,用于进行荷电状态SOC值的一步预测,结合粒子的端电压估计偏差来指导序贯重要性采样,更新粒子归一化权重;
所述更新和记录单元,用于按照所述归一化权重加权计算得到荷电状态SOC的预测值,并依据粒子的归一化权重进行随机重采样完成粒子集合的更新和新粒子集合量测偏差的记录;
所述范围确定单元,用于确定自适应的过程噪声标准差范围,用于下一循环的荷电状态SOC的一步预测;
所述估计单元,用于在数据长度内,循环执行所述一步预测和更新单元、更新和记录单元和范围确定单元所执行的功能,完成基于噪声自适应粒子滤波的电池荷电状态SOC估计。
9.根据权利要求8所述的装置,其特征在于,所述采样周期是10s。
10.根据权利要求8所述的装置,其特征在于,所述对所述数据进行预处理具体为:提取所有单体的电压、电流和温度的采样点数据,剔除及修复异常的数据。
11.根据权利要求8-10之一所述的装置,其特征在于,所述初始化的参数包括过程噪声方差Q、量测噪声方差R和按照初始噪声协方差P进行先验分布p(X0)抽取得到的荷电状态SOC初始粒子,其中,量测噪声方差R根据电压传感器精度进行设置,X0代表0时刻的状态,p(X0)表示了先验分布概率,初始噪声协方差P的取值要在3σ范围内能够覆盖到可能的荷电状态SOC真值,其中,σ是标准差。
12.根据权利要求11所述的装置,其特征在于,所述进行荷电状态SOC值的一步预测,结合粒子的端电压估计偏差来指导序贯重要性采样,更新粒子权重,具体包括:
(1)按照Ah积分原理和戴维宁等效电路模型,得到电池荷电状态SOC估计的状态方程和量测方程,其中,
所述量测方程为:Vk+1=UOC(SOCk+1)-R0,k+1Ik+1-U1,k+1+vk;
其中,η是充放电效率,I为电流输入,Cn为电池容量,Δt为采样间隔,V为端电压输出,Uoc为开路电压,R0为欧姆内阻,U1为极化电压,ωk和vk分别代表过程噪声和量测噪声,k和k+1表示时刻;
14.根据权利要求13所述的装置,其特征在于,所述确定自适应的过程噪声标准差范围,用于下一循环的荷电状态SOC的一步预测,具体包括:
(1)导入不同温度下的荷电状态SOC随开路电压的波动函数δ(soc),其中:
δ(soc)=Δsoc/Δocv;
δ(soc)即波动函数,其表示荷电状态SOC在不同的SOC阶段每mv电压变化引起的荷电状态值的波动,Δsoc指荷电状态SOC的变化量,Δocv指开路电压变化量;
(2)将过程噪声的取值和更新后的粒子集的状态跟踪偏差建立联系,确定过程噪声方差Qk+1满足:
(3)确定Qk+1的下限,具体包括:
按照电池的最大允许放电电流Imax计算ΔSOCmax,其中:
ΔSOCmax=Imax·Δt/Cn;
Imax代表电池的最大允许放电电流,ΔSOCmax代表最大放电电流下可能引起的单步SOC积分偏差,△t表示采样间隔,Cn表示电池容量;
则按照3σ原则,过程噪声方差的最小取值应满足:
sqrt(Qk+1)>=ΔSOCmax/3;
(4)确定Qk+1的上限,其中,Qk+1<=Q0,Q0是过程噪声初值;
(5)综合上述步骤得到过程噪声方差Qk+1取值满足:
(6)代入方差为Qk+1的过程噪声用于下一循环的SOC一步预测。
15.一种电子设备,其特征在于,所述电子设备包括:
存储装置;
一个或多个处理器;
所述存储装置用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1-7之一所述的方法。
16.一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序被执行时,实现如权利要求1-7之一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110166492.1A CN113075569A (zh) | 2021-02-04 | 2021-02-04 | 一种基于噪声自适应粒子滤波的电池荷电状态估计方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110166492.1A CN113075569A (zh) | 2021-02-04 | 2021-02-04 | 一种基于噪声自适应粒子滤波的电池荷电状态估计方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113075569A true CN113075569A (zh) | 2021-07-06 |
Family
ID=76609930
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110166492.1A Pending CN113075569A (zh) | 2021-02-04 | 2021-02-04 | 一种基于噪声自适应粒子滤波的电池荷电状态估计方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113075569A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113688568A (zh) * | 2021-08-20 | 2021-11-23 | 上海幻电信息科技有限公司 | 电池优化方法及云平台 |
CN114236401A (zh) * | 2021-12-20 | 2022-03-25 | 上海正泰电源***有限公司 | 一种基于自适应粒子群算法的电池状态估计方法 |
CN114252797A (zh) * | 2021-12-17 | 2022-03-29 | 华中科技大学 | 一种基于不确定性估计的锂电池剩余使用寿命预测方法 |
CN114236393B (zh) * | 2021-11-30 | 2023-07-07 | 上海瑞浦青创新能源有限公司 | 基于大数据的在线检测电池异常的方法及*** |
CN118011247A (zh) * | 2024-04-10 | 2024-05-10 | 太湖能谷(杭州)科技有限公司 | 铅碳电池荷电状态的估算方法和*** |
-
2021
- 2021-02-04 CN CN202110166492.1A patent/CN113075569A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113688568A (zh) * | 2021-08-20 | 2021-11-23 | 上海幻电信息科技有限公司 | 电池优化方法及云平台 |
CN114236393B (zh) * | 2021-11-30 | 2023-07-07 | 上海瑞浦青创新能源有限公司 | 基于大数据的在线检测电池异常的方法及*** |
CN114252797A (zh) * | 2021-12-17 | 2022-03-29 | 华中科技大学 | 一种基于不确定性估计的锂电池剩余使用寿命预测方法 |
CN114252797B (zh) * | 2021-12-17 | 2023-03-10 | 华中科技大学 | 一种基于不确定性估计的锂电池剩余使用寿命预测方法 |
CN114236401A (zh) * | 2021-12-20 | 2022-03-25 | 上海正泰电源***有限公司 | 一种基于自适应粒子群算法的电池状态估计方法 |
CN114236401B (zh) * | 2021-12-20 | 2023-11-28 | 上海正泰电源***有限公司 | 一种基于自适应粒子群算法的电池状态估计方法 |
CN118011247A (zh) * | 2024-04-10 | 2024-05-10 | 太湖能谷(杭州)科技有限公司 | 铅碳电池荷电状态的估算方法和*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113075569A (zh) | 一种基于噪声自适应粒子滤波的电池荷电状态估计方法和装置 | |
CN110457789B (zh) | 一种锂离子电池剩余寿命预测方法 | |
Lai et al. | A novel method for state of energy estimation of lithium-ion batteries using particle filter and extended Kalman filter | |
CN111679199B (zh) | 一种锂离子电池soc估计方法及装置 | |
Song et al. | A novel variable forgetting factor recursive least square algorithm to improve the anti-interference ability of battery model parameters identification | |
Xiong et al. | A set membership theory based parameter and state of charge co-estimation method for all-climate 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 | |
CN111722118B (zh) | 一种基于soc-ocv优化曲线的锂离子电池soc估计方法 | |
CN112415414A (zh) | 一种锂离子电池剩余使用寿命预测方法 | |
CN112858929B (zh) | 一种基于模糊逻辑与扩展卡尔曼滤波的电池soc估计方法 | |
CN111220920B (zh) | 基于h∞无迹卡尔曼滤波算法的退役锂离子电池荷电状态计算方法 | |
CN111781503B (zh) | 一种锂离子储能电池soc在线估算方法 | |
CN112269133B (zh) | 一种基于预充电路模型参数识别的soc估计方法 | |
CN112989690B (zh) | 一种混合动力汽车锂电池多时间尺度荷电状态估计方法 | |
CN111537903B (zh) | 一种基于hckf的电池soc估计方法 | |
CN113777510A (zh) | 一种锂电池荷电状态估计方法及装置 | |
CN112782594B (zh) | 考虑内阻的数据驱动算法估算锂电池soc的方法 | |
CN114441984A (zh) | 一种锂电池健康状态估计方法 | |
CN111044924B (zh) | 一种全工况电池剩余容量确定方法及*** | |
CN113625182A (zh) | 一种对电池状态进行在线估计的方法 | |
Takyi-Aninakwa et al. | An ASTSEKF optimizer with nonlinear condition adaptability for accurate SOC estimation of lithium-ion batteries | |
CN112946480B (zh) | 一种提高soc估计实时性的锂电池电路模型简化方法 | |
CN112415412A (zh) | 估算电池soc值的方法和装置及车辆、存储介质 | |
CN116224073A (zh) | 电池soc估计方法、装置、设备、电池模组及存储介质 | |
CN115480166A (zh) | 基于自适应无迹卡尔曼滤波的锂电池荷电状态估计方法 |
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 |