技术领域
本发明涉及电池荷电状态估算领域,具体涉及一种基于参数在线估计的锂离子电池SOC估测算法。
背景技术
动力电池,作为电动汽车的主要能源,它的SOC是能源管理系统中最重要和最基础的参数之一;只有准确的SOC值估算才能进行合理的能源分配,从而更有效地利用有限能源;也能正确预测车辆的剩余行驶里程。SOC(State of Charge)的定义是电池的荷电状态,它是用来表示电池的剩余电量。准确电池荷电状态(SOC)是进行电动汽车能系统管理前提和先决条件。电池是一个复杂的非线性系统,用于电动车辆时,因电子设备繁多,噪声干扰复杂,难以得到准确的噪声统计;加之外部环境和内部环境参数变化随机性,使系统数学模型不够准确,产生模型误差,因此必须对电池荷电状态估计的抗干扰能力和自适应能力进行研究,提高估计的鲁棒性对电池荷电状态的有效性。
目前现有的SOC估算方法中,基于电流积分法的安时计量法容易形成累积误差;基于电池端电压测量的开路电压法和电动势法,需要电池长时间静置,无法实时估算SOC值;基于大量样本数据和神经网络模型的神经网络法,需要以大量的数据样本为依据提供可靠的训练方法;基于电池状态空间模型和递推方程的卡尔曼滤波方法,不能进行模型参数在线估计,SOC估算误差大。
发明内容
本发明的目的在于提供一种基于参数在线估计的锂离子电池SOC估测算法,解决传统锂离子电池SOC估测算法不能实现模型参数在线实时估计,SOC估算精度低,误差大的问题。
实现本发明目的的技术方案为:一种基于参数在线估计的锂离子电池SOC估测算法,包括以下步骤:
步骤1、建立戴维南锂离子电池模型;
步骤2、利用间歇放电静置法确定SOC-OCV的关系;
步骤3、离线状态下估计电池模型初始参数;
步骤4、利用扩展卡尔曼滤波EKF进行电池模型参数的辨识,利用Luenberger状态观测器观测SOC。
本发明与现有技术相比,其显著优点为:本发明利用扩展卡尔曼滤波EKF进行电池模型参数在线的实时辨识,利用Luenberger状态观测器观测SOC与一般的卡尔曼滤波算法相比减小了SOC估算误差。
附图说明
图1是本发明基于参数在线估计的锂离子电池SOC估测算法流程图。
图2是二阶戴维南锂离子电池模型图。
图3是间歇放电电流图。
图4是间歇放电电压图。
图5是锂离子电池放点结束端电压响应曲线示意图。
图6是SOC观测实验结果图。
具体实施方式
如图1所示,一种基于参数在线估计的锂离子电池SOC估测算法,包括以下步骤:
步骤1、建立戴维南锂离子电池模型;
步骤2、利用间歇放电静置法确定SOC-OCV的关系;
步骤3、离线状态下估计电池模型初始参数;
步骤4、利用扩展卡尔曼滤波EKF进行电池模型参数的辨识,利用Luenberger状态观测器观测SOC。
进一步的,锂离子电池模型为二阶戴维南模型。
进一步的,在离线状态下利用电池间歇放电结束后电压响应曲线计算电池模型的初始参数,初始参数包括电池欧姆内阻、两个RC并联电路的电阻和电容。
进一步的,利用扩展卡尔曼滤波EKF进行电池模型参数的辨识,利用Luenberger状态观测器观测SOC;具体为:
扩展卡尔曼滤波EKF的离散状态方程和输出方程如下式:
其中,w
状态转移矩阵:F=1,输入矩阵:u=i
扩展卡尔曼滤波EKF的估算过程如下:
步骤1,对状态向量R和状态向量估计误差协方差Q的初始值进行设定;
步骤2,状态预测矩阵:
其中,
步骤3,噪声协方差矩阵的传递:
P
其中,P
步骤4,求取卡尔曼系数:
K
其中,K
步骤5,更新状态:
V
其中,V
步骤6,噪声协方差矩阵的更新:
P
其中,I为单位矩阵,P
Luenberger状态观测器的状态方程和输出方程如下式:
其中,状态变量x=[U
输入量u=I,I为输出电流;
状态矩阵
控制矩阵B=[1/C
h(x)=E(soc)-U
下面结合附图对本发明算法做进一步的说明。
实施例
结合图2,建立二阶戴维南(Thevenin)锂离子电池模型,使用开路电压E(t)表示电压源,R表示电池的欧姆电阻,使用二阶阻容环路模拟电池的极化过程。
结合图3和图4,横坐标为时间,图3的纵坐标为放电电流,图4的纵坐标为开路电压,利用间歇放电静置法确定SOC-OCV的关系,首先将电池完全充电至100%SOC,其次,每10%SOC下使用负脉。电流对电池进行放电,然后静止1h以消除极化反应,最后求静置时的平均值以获得SOC-OCV曲线。脉冲放电电流设定为C/2,其放电时间宽度对应于一定量的电荷(即10%SOC)。
图5为锂离子电池放点结束端电压响应曲线示意图,(V
其中,R为欧姆电阻,I为输出电流,V
采用两个阻容环节叠加的方式模拟电池的极化过程。结合图2,Cs和Rs组成的RC并联电路时间常数较小,脉冲响应节点V
假设电池在(t
其中t
令τ
根据图2可得等效电路模型函数关系如下:
其中,E(t)为开路电压,U(t)为输出电压,i为输出电流;
扩展卡尔曼滤波EKF的离散状态方程和输出方程如下式:
其中,w
系数矩阵分别为,状态转移矩阵:F=1,输入矩阵:u=i
扩展卡尔曼滤波EKF的估算过程如下:
步骤1,对状态向量R和状态向量估计误差协方差Q的初始值进行设定;
步骤2,状态预测矩阵:
其中,
步骤3,噪声协方差矩阵的传递:
P
其中,P
步骤4,求取卡尔曼系数:
K
其中,K
步骤5,更新状态:
V
其中,V
步骤6,噪声协方差矩阵的更新:
P
其中,I为单位矩阵,P
Luenberger状态观测器的状态方程和输出方程如下式:
其中,状态变量x=[U
输入量u=I,I为输出电流
状态矩阵
控制矩阵B=[1/C
h(x)=E(soc)-U
实验结果图如图6所示,将真实SOC和扩展卡尔曼滤波EKF以及本发明的基于Luenberger状态观测器和EKF的锂离子电池SOC估测算法,结果表明本发明SOC估算偏差小,精度高。
机译: 合成例如声音的方法基于基于频率调制的合成算法的乐器涉及选择合成算法的参数值,其中通过选择的参数值来调整算法
机译: 用于锂离子电池的自适应电池参数提取和SOC估计
机译: 锂离子电池的自适应电池参数提取和SOC估计