CN116298904A - 一种基于分数阶多新息双无迹卡尔曼滤波联合估计锂电池soc和soh的方法 - Google Patents
一种基于分数阶多新息双无迹卡尔曼滤波联合估计锂电池soc和soh的方法 Download PDFInfo
- Publication number
- CN116298904A CN116298904A CN202310039806.0A CN202310039806A CN116298904A CN 116298904 A CN116298904 A CN 116298904A CN 202310039806 A CN202310039806 A CN 202310039806A CN 116298904 A CN116298904 A CN 116298904A
- Authority
- CN
- China
- Prior art keywords
- state
- fractional order
- soc
- parameter
- estimation
- 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
- 238000001914 filtration Methods 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 title claims abstract description 23
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 14
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 23
- 230000002068 genetic effect Effects 0.000 claims abstract description 6
- 230000009897 systematic effect Effects 0.000 claims abstract description 4
- 238000005070 sampling Methods 0.000 claims description 22
- 238000002474 experimental method Methods 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 12
- 238000005259 measurement Methods 0.000 claims description 9
- 230000003068 static effect Effects 0.000 claims description 8
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 claims description 6
- 239000003990 capacitor Substances 0.000 claims description 6
- 230000009977 dual effect Effects 0.000 claims description 6
- 229910001416 lithium ion Inorganic materials 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000035772 mutation Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 108090000623 proteins and genes Proteins 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 239000002131 composite material Substances 0.000 claims description 3
- 238000009396 hybridization Methods 0.000 claims description 3
- 230000010287 polarization Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000010348 incorporation Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 241000364483 Lipeurus epsilon Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010280 constant potential charging Methods 0.000 description 1
- 238000010277 constant-current charging Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
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]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
-
- 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
-
- 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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- 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
- G06F17/13—Differential equations
-
- 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
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Operations Research (AREA)
- Molecular Biology (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Probability & Statistics with Applications (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种基于分数阶多新息双无迹卡尔曼滤波联合估计锂电池SOC和SOH的方法,首先建立分数阶二阶RC等效电路模型,提高了端电压估计的准确性,并利用遗传算法辨识得到分数阶模型的参数;基于分数阶模型,提出了多新息双无迹卡尔曼滤波器估计动力电池的剩余电量和健康状态,不仅解决了非线性问题线性化所带来的***误差的问题,而且使用过去一段时间的观测值来对下一时刻的状态进行补偿,提高了剩余电量估计和健康状态估计的估计精度和鲁棒性。本发明所提出方法能够实时估计动力电池剩余电量和健康状态,收敛性好,估计精度高,计算量小,具有良好的应用场景。
Description
技术领域
本发明涉及新能源汽车电池管理技术领域,尤其涉及一种基于分数阶多新息双无迹卡尔曼滤波联合估计锂电池SOC和SOH的方法。
背景技术
电池管理***作为新能源汽车的核心控制部件,是车辆在全工况、全寿命周期下安全可靠行驶的保障。其中,剩余电量(State Of Charge,SOC)估计和健康状态(State OfHealth,SOH)估计的准确估计是电池管理***的重中之重,也是被学者所关注的热点。如果不能准确估计动力电池组的SOC和SOH,将无法保证行车安全,甚至将导致重大事故的发生。
动力电池的SOC和SOH的准确估计是一个需要迫切解决的问题。然而,动力电池是一种强非线性***,动力电池的SOC和SOH无法用任何仪器直接测量得到,只能通过测量的电流和电压间接计算并估计。开路电压结合安时积分法常被用来估计SOC,该算法操作简单方便,然而开路电压校正需要满足电池组经过长时间静置的条件,该条件不容易被满足。另外,由于电流采样存在误差,长时间使用安时积分将会使该算法的误差增大。SOC的不准确计算或估计势必也会给SOH的估计带来误差。因此,需要设计一种闭环算法来估计动力电池的SOC和SOH。
在之前的研究中,基于等效电路模型的双扩展卡尔曼滤波(Dual ExtendedKalman Filter,DEKF)用来去实现动力电池的状态估计。过去基于等效电路模型大多是基于整数解模型,然而动力电池具有分数阶特性,分数阶模型能更好的模拟动力电池的动静态特性,从而可以得到更高精度的状态估计。另外扩展卡尔曼滤波(Extended KalmanFilter,EKF)在估计动力电池状态过程中,将非线性问题线性化,给动力电池建模带来误差,影响了动力电池状态估计精度。
发明内容
针对上述问题,本发明提出一种基于分数阶多新息双无迹卡尔曼滤波联合估计锂电池SOC和SOH的方法,可以对动力电池剩余电量和健康状态进行估计,能够提高建模精度,并且解决非线性问题误差影响。
为了实现上述目的,本发明采用以下技术方案:
一种基于分数阶多新息双无迹卡尔曼滤波联合估计锂电池SOC和SOH的方法,包括:
步骤1:建立分数阶二阶RC等效电路模型,根据建立的分数阶二阶RC等效电路模型,建立考虑***的状态干扰和输出干扰项的状态方程和输出方程;
步骤2:获取待检测锂离子电池型号和运行参数,利用容量实验,脉冲实验和工况实验,对锂电池的开路电压、电流进行采样;初始化电池开路电压与剩余电量SOC,获取常温下的电池开路电压与剩余电量SOC的关系;
步骤3:通过放电电压降得到欧姆内阻,通过遗传算法辨识分数阶模型的参数;
步骤4:基于步骤3得出的分数阶模型构造考虑***的状态干扰和输出干扰项参数估计方程,进而构造状态估计和参数估计的联合状态方程;
步骤5:基于步骤4得到的联合状态方程设计基于分数阶模型的多新息双无迹卡尔曼滤波(FOMIUKF+UKF)算法;
步骤6:采集电流电压值,采用设计的基于分数阶模型的多新息双无迹卡尔曼滤波算法对剩余电量SOC和健康状态SOH进行联合估计。
进一步地,所述步骤1包括:
步骤1.1:建立动力电池的分数阶二阶RC模型:将电阻R0、R1、R2依次串联在电池包UOC的输出端,并将电容C1与电阻R1并联,电容C2与电阻R2并联;
步骤1.2:将上述分数阶二阶RC模型表示为如下的分数阶微分方程组;
状态方程:
输出方程:
UT=UOC(SOC)-R0IT-U1-U2 (2)
其中,Uoc表示理想电压源,与SOC存在非线性关系;R0表示欧姆内阻,U1和U2为极化电压,R1和R2为极化内阻,C1和C2为分数阶电容,m和n分别表示分数阶电容C1和C2的阶数,Qn表示电池的最大可用容量,IT表示电路中电流大小;
步骤1.3:根据Grunwald-Letnikov定义,阶数为α的变量展开写成:
将式(1)、(2)和(3)转化为状态更新方程:
其中,x=[U1,U2,SOC]T,y=UT,u=IT,h(x)=UOC(SOC),xk表示在k时刻的状态,xk+1表示在k+1时刻的状态,uk表示在k时刻的输入电流,以及
其中τ1=R1C1,τ2=R2C2为两个RC环的时间常数,k表示某一随机时刻;
步骤1.4:加入干扰项,得到:
其中,wk和vk分别为***的状态干扰项和输出干扰项。
进一步地,所述步骤2包括:
步骤2.1:进行电池的静态容量测试,对电池进行先恒流再恒压充电,充满以后再进行标准的放电试验,得到电池的静态容量;
步骤2.2:进行复合脉冲测试,在一定工况下恒流进行充放电,用matlab处理实验数据得到离线参数辨识初始数据;
步骤2.3:进行OCV-SOC测试,得到常温下的电池开路电压OCV和SOC之间的关系,拟合出开路电压和SOC的关系曲线。
进一步地,所述步骤3包括:
步骤3.1:由放电电压降得到R0的内阻:
其中,ΔU为放电电压降;
步骤3.2:对初始数据进行编码,转换成一组48位二进制码,二进制码表示个体的基因;
步骤3.3:当对前的种群进行“杂交”,交换部分的二进制码,产生的新个体即为子代,随机在子代中基因中产生“变异”;
步骤3.4:将经过杂交和变异的子代进行解码,得到R0,R1,C1,R2,C2及分数阶次的数值;
步骤3.5:设置的参数优化目标函数为:
其中,M为被测数据组的长度,优化的目标是使测量得到的输出Yr(j)与分数阶模型预测的输出Ye(j)之间差值的平方和最小;
步骤3.6:将R0,R1,C1,R2,C2的数值代入到设置的计算函数中,若端电压的计算值和预测值小于设置的电压阈值时,作为模型辨识的参数;
步骤3.7:若步骤3.6不满足,将步骤3中产生的子代进行精英选择,重新循环操作,直至存在个体符合适应性条件。
进一步地,所述步骤4包括:
步骤4.1:构造参数估计的状态空间方程:
加入干扰项,得到:
其中,z=[R0QN]T,g(zk,IT)表示以参数值为自变量、以电流为输入的端电压观测值,wwk和vvk分别为参数***的状态干扰项和输出干扰项;
步骤4.2:构造状态估计和参数估计的联合状态空间方程:
其中,表示参数值的***噪声,/>表示参数值的测量噪声,wm,I表示状态值的***噪声,vm,I表示状态值的测量噪声,y和yy都表示端电压,m表示长时间尺度;l∈[0,L],表示短时间尺度;xm,L=xm+1,0。
进一步地,所述步骤5包括:
步骤5.1:在短时间尺度上,构造一组采样点;
其中,L为状态向量的长度,权重值计算如下所示:
其中,α为比例因子,决定了采样点的分布范围;ki表示采样点的自由度;β表示用于融入状态变量的先验信息;
步骤5.2:先验状态值更新:使用过去窗口大小为M的状态和输入电流计算下一时刻先验状态值:
步骤5.3:计算状态估计的***方差预测值:
其中,Q是***噪声协方差矩阵;
步骤5.4:更新观测值和观测方差预测值:
步骤5.5:更新状态值的协方差和卡尔曼增益:
步骤5.6:更新后验状态值和后验状态误差协方差:
Pm,l=Pxx-Kam,lPxy T (22)
步骤5.7:重复步骤5.1~步骤5.6,直到在短时间尺度内l=LL;
步骤5.8:在参数估计中,构造一组采样点:
其中,L为参数向量的长度,权重值计算如下所示:
其中,α为比例因子,决定了采样点的分布范围;ki表示采样点的自由度;β表示用于融入参数变量的先验信息;
步骤5.9:更新先验参数值
步骤5.10:计算参数估计的***方差预测值
其中,Qz是参数的***噪声协方差矩阵;
步骤5.11:更新观测方差预测值
步骤5.12:更新参数协方差和参数估计的卡尔曼增益
步骤5.13:更新后验参数值和后验状态误差协方差
与现有技术相比,本发明具有的有益效果:
本发明采用了分数阶多新息双无迹卡尔曼滤波估计动力电池的剩余电量和健康状态,比较现有的其他算法能提高动力电池状态估计精度。分数阶模型的建立提高了建模精度,可以更好的模拟动力电池的动静态特性,为动力电池精确的状态估计打下基础。双无迹卡尔曼滤波可以解决传统双扩展卡尔曼滤波在非线性问题线性化过程中的误差,可以有效提高***建模精度,提高动力电池的状态估计精度。另外,多新息算法的引入考虑了过去一段时间的观测值对下一时刻状态的影响,对最终的结果可以起到平稳滤波作用,提高了算法的鲁棒性。该估计方法估计精度高,收敛性好,适用于电动汽车剩余电量和健康状态的估计,具有良好的应用场景。
附图说明
图1为本发明实施例的一种基于分数阶多新息双无迹卡尔曼滤波联合估计锂电池SOC和SOH的方法***框图;
图2为本发明实施例分数阶二阶RC等效电路模型简图;
图3为本发明实施例遗传算法参数辨识流程图;
图4为本发明实施例FOMIUKF+UKF算法流程图;
图5为SOH估算的精度图;
图6为不同算法下SOC估算精度图。
具体实施方式
下面结合附图和具体的实施例对本发明做进一步的解释说明:
本发明的一种基于分数阶多新息双无迹卡尔曼滤波联合估计锂电池SOC和SOH的方法,通过识别电池型号及基本参数,使用新威高性能电池检测***进行电池容量实验、脉冲实验和OCV-SOC实验,利用simulink工具搭建分数阶二阶RC等效模型,遗传算法模型和卡尔曼滤波,无迹卡尔曼滤波,多新息分数阶无迹卡尔曼滤波估计联合无迹卡尔曼滤波估计SOC和SOH的模型。利用实验数据在simulink中进行在环仿真,对比不同方法的估算精度。
该方法具体步骤如图1框图所示,包括:
S1:建立分数阶二阶RC等效电路模型,根据建立的分数阶二阶RC等效电路模型,建立考虑***的状态干扰和输出干扰项的状态方程和输出方程;
S2:获取待检测锂离子电池型号和运行参数,利用容量实验,脉冲实验和工况实验,对锂电池的开路电压、电流进行采样;初始化电池开路电压与剩余电量SOC,获取常温下的电池开路电压与剩余电量SOC的关系;
S3:通过放电电压降得到欧姆内阻,通过遗传算法辨识分数阶模型的参数;
S4:基于S3得出的分数阶模型构造考虑***的状态干扰和输出干扰项参数估计方程,进而构造状态估计和参数估计的联合状态方程;
S5:基于S4得到的联合状态方程设计基于分数阶模型的多新息双无迹卡尔曼滤波(FOMIUKF+UKF)算法;
S6:采集电流电压值,采用设计的基于分数阶模型的多新息双无迹卡尔曼滤波算法对剩余电量SOC和健康状态SOH进行联合估计。
进一步地,S1包括:
S11:建立动力电池的分数阶二阶RC模型:将电阻R0、R1、R2依次串联在电池包UOC的输出端,并将电容C1与电阻R1并联,电容C2与电阻R2并联;
S12:将上述分数阶二阶RC模型表示为如下的分数阶微分方程组;
状态方程:
输出方程:
UT=UOC(SOC)-R0IT-U1-U2 (2)
其中,Uoc表示理想电压源,与SOC存在非线性关系;R0表示欧姆内阻,U1和U2为极化电压,R1和R2为极化内阻,C1和C2为分数阶电容,m和n分别表示分数阶电容C1和C2的阶数,Qn表示电池的最大可用容量,IT表示电路中电流大小;
根据Grunwald-Letnikov定义,阶数为α的变量展开写成:
S13:将式(1)、(2)和(3)转化为状态更新方程:
其中,x=[U1,U2,SOC]T,y=UT,u=IT,h(x)=UOC(SOC),xk表示在k时刻的状态,xk+1表示在k+1时刻的状态,uk表示在k时刻的输入电流,以及
其中τ1=R1C1,τ2=R2C2为两个RC环的时间常数,k表示某一随机时刻;
S14:加入干扰项,得到:
其中,wk和vk分别为***的状态干扰项和输出干扰项;
具体地,S2中,识别电池说明书基本参数,如标称容量,标称电压,内阻,标准充放电电流,最大持续充放电电流,最大脉冲放电电流(10s),放电截至电压,充放电温度。
进一步地,S2包括:
S21:使用新威高性能电池测量***进行电池的静态容量测试,对电池进行先恒流再恒压充电,充满以后再进行标准的放电试验,得到电池的静态容量;
S22:使用新威高性能电池测量***进行复合脉冲测试,在一定工况下恒流进行充放电,用matlab处理实验数据得到离线参数辨识初始数据;
S23:使用新威高性能电池测量***进行OCV-SOC测试,电池单体的开路电压是指电池在没有电流通过时的电压,得到常温下的电池开路电压OCV和SOC之间的关系,拟合出开路电压和SOC的关系曲线。
进一步地,如图3所示,S3包括:
S31:由放电电压降得到R0的内阻:
其中,ΔU为放电电压降;
S32:对初始数据进行编码,转换成一组48位二进制码,二进制码表示个体的基因;
S33:当对前的种群进行“杂交”,交换部分的二进制码,产生的新个体即为子代,为了防止辨识的参数落入局部最优解范围,随机在子代中基因中产生“变异”;
S34:将经过杂交和变异的子代进行解码,得到R0,R1,C1,R2,C2及分数阶次的数值;
S35:设置的参数优化目标函数为:
其中,M为被测数据组的长度,优化的目标是使测量得到的输出Yr(j)与分数阶模型预测的输出Ye(j)之间差值的平方和最小;
S36:将R0,R1,C1,R2,C2的数值代入到计算函数中,若端电压的计算值和预测值小于8mv时,作为模型辨识的参数;
S37:若S36不满足,将S3中产生的子代进行精英选择,重新循环操作,直至存在个体符合适应性条件。
进一步地,S4包括:
S41:构造参数估计的状态空间方程:
加入干扰项,得到:
其中,z=[R0QN]T,g(zk,IT)表示以参数值为自变量、以电流为输入的端电压观测值,wwk和vvk分别为参数***的状态干扰项和输出干扰项;
S42:构造状态估计和参数估计的联合状态空间方程:
其中,表示参数值的***噪声,/>表示参数值的测量噪声,wm,l表示状态值的***噪声,vm,l表示状态值的测量噪声,y和yy都表示端电压,m表示长时间尺度,l∈[0,L],表示短时间尺度。另外,xm,L=xm+1,0;
进一步地,如图4所示,S5包括:
S51:在短时间尺度上,构造一组采样点;
其中,L为状态向量的长度,本实施例中状态向量长度为3,权重值计算如下所示:
其中,取α=0.1,ki=0,β=2。α为比例因子,决定了采样点的分布范围;ki表示采样点的自由度;β表示用于融入状态变量的先验信息;
S52:先验状态值更新:使用过去窗口大小为M的状态和输入电流计算下一时刻先验状态值:
S53:计算状态估计的***方差预测值:
其中,Q是***噪声协方差矩阵;
S54:更新观测值和观测方差预测值:
S55:更新状态值的协方差和卡尔曼增益:
S56:更新后验状态值和后验状态误差协方差
Pm,l=Pxx-Kam,lPxy T (22)
S57:重复步骤S51~S56,直到在短时间尺度内l=LL:
S58:在参数估计中,构造一组采样点;
其中,L为参数向量的长度,本实施例中参数向量长度为2,权重值计算如下所示:
其中,取α=0.01,ki=0,β=2。α为比例因子,决定了采样点的分布范围;ki表示采样点的自由度;β用于融入参数变量的先验信息;
S59:更新先验参数值:
S510:计算参数估计的***方差预测值
其中,Qz是参数的***噪声协方差矩阵;
S511:更新观测方差预测值
S512:更新参数协方差和参数估计的卡尔曼增益
S513:更新后验参数值和后验状态误差协方差
S6:使用新威高性能电池检测***电流电压数据,采用设计的基于分数阶模型的多新息双无迹卡尔曼滤波(FOMIUKF+UKF)算法进行剩余电量SOC和健康状态SOH的联合估计,SOH结果如图5所示。另外,为验证本发明效果,分别采用EKF,UKF,FOUKF观测器进行对比实验,对比估算的精度,各算法/观测器的SOC结果如图6所示。
综上,基于分数阶模型的多新息双无迹卡尔曼滤波算法的设计完成,该算法能够提高模型估计的精度,更加准确地估计端电压,从而减小建模误差,提高状态估计的精度,使得对剩余电量和健康状态的估计更加接近真实值。所提出的联合估计方法,考虑到了车载实际应用情况下,对计算量较低的要求,具有良好的应用前景。
以上所示仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (6)
1.一种基于分数阶多新息双无迹卡尔曼滤波联合估计锂电池SOC和SOH的方法,其特征在于,包括:
步骤1:建立分数阶二阶RC等效电路模型,根据建立的分数阶二阶RC等效电路模型,建立考虑***的状态干扰和输出干扰项的状态方程和输出方程;
步骤2:获取待检测锂离子电池型号和运行参数,利用容量实验,脉冲实验和工况实验,对锂电池的开路电压、电流进行采样;初始化电池开路电压与剩余电量SOC,获取常温下的电池开路电压与剩余电量SOC的关系;
步骤3:通过放电电压降得到欧姆内阻,通过遗传算法辨识分数阶模型的参数;
步骤4:基于步骤3得出的分数阶模型构造考虑***的状态干扰和输出干扰项参数估计方程,进而构造状态估计和参数估计的联合状态方程;
步骤5:基于步骤4得到的联合状态方程设计基于分数阶模型的多新息双无迹卡尔曼滤波算法;
步骤6:采集电流电压值,采用设计的基于分数阶模型的多新息双无迹卡尔曼滤波算法对剩余电量SOC和健康状态SOH进行联合估计。
2.根据权利要求1所述的一种基于分数阶多新息双无迹卡尔曼滤波联合估计锂电池SOC和SOH的方法,其特征在于,所述步骤1包括:
步骤1.1:建立动力电池的分数阶二阶RC模型:将电阻R0、R1、R2依次串联在电池包UOC的输出端,并将电容C1与电阻R1并联,电容C2与电阻R2并联;
步骤1.2:将上述分数阶二阶RC模型表示为如下的分数阶微分方程组;
状态方程:
输出方程:
UT=UOC(SOC)-R0IT-U1-U2(2)
其中,Uoc表示理想电压源,与SOC存在非线性关系;R0表示欧姆内阻,U1和U2为极化电压,R1和R2为极化内阻,C1和C2为分数阶电容,m和n分别表示分数阶电容C1和C2的阶数,Qn表示电池的最大可用容量,IT表示电路中电流大小;
步骤1.3:根据Grunwald-Letnikov定义,阶数为α的变量展开写成:
将式(1)、(2)和(3)转化为状态更新方程:
其中,x=[U1,U2,SOC]T,y=UT,u=IT,h(x)=UOC(SOC),xk表示在k时刻的状态,xk+1表示在k+1时刻的状态,uk表示在k时刻的输入电流,以及
其中τ1=R1C1,τ2=R2C2为两个RC环的时间常数,k表示某一随机时刻;
步骤1.4:加入干扰项,得到:
其中,wk和vk分别为***的状态干扰项和输出干扰项。
3.根据权利要求1所述的一种基于分数阶多新息双无迹卡尔曼滤波联合估计锂电池SOC和SOH的方法,其特征在于,所述步骤2包括:
步骤2.1:进行电池的静态容量测试,对电池进行先恒流再恒压充电,充满以后再进行标准的放电试验,得到电池的静态容量;
步骤2.2:进行复合脉冲测试,在一定工况下恒流进行充放电,用matlab处理实验数据得到离线参数辨识初始数据;
步骤2.3:进行OCV-SOC测试,得到常温下的电池开路电压OCV和SOC之间的关系,拟合出开路电压和SOC的关系曲线。
4.根据权利要求1所述的一种基于分数阶多新息双无迹卡尔曼滤波联合估计锂电池SOC和SOH的方法,其特征在于,所述步骤3包括:
步骤3.1:由放电电压降得到R0的内阻:
其中,ΔU为放电电压降;
步骤3.2:对初始数据进行编码,转换成一组48位二进制码,二进制码表示个体的基因;
步骤3.3:当对前的种群进行“杂交”,交换部分的二进制码,产生的新个体即为子代,随机在子代中基因中产生“变异”;
步骤3.4:将经过杂交和变异的子代进行解码,得到R0,R1,C1,R2,C2及分数阶次的数值;
步骤3.5:设置的参数优化目标函数为:
其中,M为被测数据组的长度,优化的目标是使测量得到的输出Yr(j)与分数阶模型预测的输出Ye(j)之间差值的平方和最小;
步骤3.6:将R0,R1,C1,R2,C2的数值代入到设置的计算函数中,若端电压的计算值和预测值小于设置的电压阈值时,作为模型辨识的参数;
步骤3.7:若步骤3.6不满足,将步骤3中产生的子代进行精英选择,重新循环操作,直至存在个体符合适应性条件。
5.根据权利要求2所述的一种基于分数阶多新息双无迹卡尔曼滤波联合估计锂电池SOC和SOH的方法,其特征在于,所述步骤4包括:
步骤4.1:构造参数估计的状态空间方程:
加入干扰项,得到:
其中,z=[R0QN]T,g(zk,IT)表示以参数值为自变量、以电流为输入的端电压观测值,wwk和vvk分别为参数***的状态干扰项和输出干扰项;
步骤4.2:构造状态估计和参数估计的联合状态空间方程:
6.根据权利要求1所述的一种基于分数阶多新息双无迹卡尔曼滤波联合估计锂电池SOC和SOH的方法,其特征在于,所述步骤5包括:
步骤5.1:在短时间尺度上,构造一组采样点;
其中,L为状态向量的长度,权重值计算如下所示:
其中,α为比例因子,决定了采样点的分布范围;ki表示采样点的自由度;β表示用于融入状态变量的先验信息;
步骤5.2:先验状态值更新:使用过去窗口大小为M的状态和输入电流计算下一时刻先验状态值:
步骤5.3:计算状态估计的***方差预测值:
其中,Q是***噪声协方差矩阵;
步骤5.4:更新观测值和观测方差预测值:
步骤5.5:更新状态值的协方差和卡尔曼增益:
步骤5.6:更新后验状态值和后验状态误差协方差:
Pm,l=Pxx-Kam,lPxy T(22)步骤5.7:重复步骤5.1~步骤5.6,直到在短时间尺度内l=LL;
步骤5.8:在参数估计中,构造一组采样点:
其中,L为参数向量的长度,权重值计算如下所示:
其中,α为比例因子,决定了采样点的分布范围;ki表示采样点的自由度;β表示用于融入参数变量的先验信息;
步骤5.9:更新先验参数值
步骤5.10:计算参数估计的***方差预测值
其中,Qz是参数的***噪声协方差矩阵;
步骤5.11:更新观测方差预测值
步骤5.12:更新参数协方差和参数估计的卡尔曼增益
步骤5.13:更新后验参数值和后验状态误差协方差
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310039806.0A CN116298904A (zh) | 2023-01-11 | 2023-01-11 | 一种基于分数阶多新息双无迹卡尔曼滤波联合估计锂电池soc和soh的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310039806.0A CN116298904A (zh) | 2023-01-11 | 2023-01-11 | 一种基于分数阶多新息双无迹卡尔曼滤波联合估计锂电池soc和soh的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116298904A true CN116298904A (zh) | 2023-06-23 |
Family
ID=86787758
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310039806.0A Pending CN116298904A (zh) | 2023-01-11 | 2023-01-11 | 一种基于分数阶多新息双无迹卡尔曼滤波联合估计锂电池soc和soh的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116298904A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117110895A (zh) * | 2023-10-19 | 2023-11-24 | 武汉船用电力推进装置研究所(中国船舶集团有限公司第七一二研究所) | 一种船用锂离子动力电池剩余能量估计方法、设备及介质 |
CN117686937A (zh) * | 2024-02-02 | 2024-03-12 | 河南科技学院 | 一种用于电池***内单体电池的健康状态估计方法 |
-
2023
- 2023-01-11 CN CN202310039806.0A patent/CN116298904A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117110895A (zh) * | 2023-10-19 | 2023-11-24 | 武汉船用电力推进装置研究所(中国船舶集团有限公司第七一二研究所) | 一种船用锂离子动力电池剩余能量估计方法、设备及介质 |
CN117110895B (zh) * | 2023-10-19 | 2024-01-05 | 武汉船用电力推进装置研究所(中国船舶集团有限公司第七一二研究所) | 一种船用锂离子动力电池剩余能量估计方法、设备及介质 |
CN117686937A (zh) * | 2024-02-02 | 2024-03-12 | 河南科技学院 | 一种用于电池***内单体电池的健康状态估计方法 |
CN117686937B (zh) * | 2024-02-02 | 2024-04-12 | 河南科技学院 | 一种用于电池***内单体电池的健康状态估计方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ling et al. | State-of-charge and state-of-health estimation for lithium-ion batteries based on dual fractional-order extended Kalman filter and online parameter identification | |
Li et al. | A practical lithium-ion battery model for state of energy and voltage responses prediction incorporating temperature and ageing effects | |
CN108196200B (zh) | 一种锂电池健康和荷电状态的联合模拟评估方法 | |
Kwak et al. | Parameter identification and SOC estimation of a battery under the hysteresis effect | |
Huang et al. | A model-based state-of-charge estimation method for series-connected lithium-ion battery pack considering fast-varying cell temperature | |
CN110488194B (zh) | 一种基于电化学阻抗模型的锂电池soc估算方法及其*** | |
Takyi‐Aninakwa et al. | A strong tracking adaptive fading‐extended Kalman filter for the state of charge estimation of lithium‐ion batteries | |
He et al. | State-of-charge estimation of lithium ion batteries based on adaptive iterative extended Kalman filter | |
CN116298904A (zh) | 一种基于分数阶多新息双无迹卡尔曼滤波联合估计锂电池soc和soh的方法 | |
Ye et al. | State-of-charge estimation with adaptive extended Kalman filter and extended stochastic gradient algorithm for lithium-ion batteries | |
CN105203963B (zh) | 一种基于开路电压滞回特性的荷电状态的估计方法 | |
Jiang et al. | Data-based fractional differential models for non-linear dynamic modeling of a lithium-ion battery | |
Qiuting et al. | State of health estimation for lithium-ion battery based on D-UKF | |
CN111426957A (zh) | 一种模拟车辆工况动力电池荷电状态soc估算优化方法 | |
CN112858916A (zh) | 一种基于模型与数据驱动融合的电池包荷电状态估计方法 | |
CN116125278A (zh) | 一种基于lstm-ekf算法的锂电池soc估计方法和*** | |
CN114779107A (zh) | 一种考虑温度影响的锂离子电池soc估计方法 | |
CN114114038A (zh) | 一种全寿命全温度下锂电池soc及可用容量联合估计方法 | |
CN111060822B (zh) | 一种基于模型切换及融合的荷电状态估计方法 | |
CN112946481A (zh) | 基于联合h∞滤波的滑模观测器锂离子电池soc估计方法及电池管理*** | |
CN115656848A (zh) | 一种基于容量修正的锂电池soc估算方法 | |
Surya et al. | Hybrid electrical circuit model and deep learning-based core temperature estimation of lithium-ion battery cell | |
Priya et al. | State of charge estimation of lithium‐ion battery based on extended Kalman filter and unscented Kalman filter techniques | |
Naguib et al. | Comparative Study between equivalent circuit and recurrent neural network battery voltage models | |
CN114861545A (zh) | 基于rnn神经网络与多参数约束的锂电池sop在线估算方法 |
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 |