详情

原文传递基于自适应卡尔曼滤波法的动力锂电池SOC估算方法

专利名称：	基于自适应卡尔曼滤波法的动力锂电池SOC估算方法
摘要：	本发明公开了一种基于自适应卡尔曼滤波法的动力锂电池SOC估算方法，首先，根据锂离子电池的动态特性，建立电池的双极化等效电路模型；然后，通过混合脉冲功率性能测试获取数据，对模型特性参数进行辨识，并用最小二乘法拟合得到开路电压与SOC的关系曲线；接着，基于开路电压与SOC的关系曲线和DP模型的离散方程，建立状态方程和观测方程，并将状态方程和观测方程代入EFK算法得到系统矩阵；再运用改进的自适应扩展卡尔曼滤波算法对锂离子电池SOC进行估算。本发明的方法有效解决了在运用传统自适应卡尔曼滤波算法或EKF算法进行SOC估算时，滤波结果发散、运算不稳定的问题，且加快了SOC估算值向真值收敛的速度。
专利类型：	发明专利
国家地区组织代码：	湖北;42
申请人：	武汉理工大学
发明人：	康健强;秦鹏;王振新;熊松;朱国荣
专利状态：	有效
申请日期：	2019-06-27T00:00:00+0800
发布日期：	2019-11-01T00:00:00+0800
申请号：	CN201910567240.2
公开号：	CN110395141A
代理机构：	武汉科皓知识产权代理事务所(特殊普通合伙)
代理人：	罗飞
分类号：	B60L58/12(2019.01);B;B60;B60L;B60L58
申请人地址：	430070 湖北省武汉市洪山区珞狮路122号
主权项：	1.基于自适应卡尔曼滤波法的动力锂电池SOC估算方法，其特征在于，包括：步骤S1：根据锂离子电池的动态特性，建立电池的双极化等效电路模型：DP模型，并对DP模型进行离散化，得到DP模型的离散方程；步骤S2：通过混合脉冲功率性能测试获取数据，对双极化等效电路模型的特性参数进行辨识，其中，特性参数包括开路电压UOCV，采用最小二乘法拟合得到开路电压UOCV与SOC的关系曲线；步骤S3：基于开路电压UOCV与SOC的关系曲线和DP模型的离散方程，建立状态方程和观测方程，并将状态方程和观测方程代入EFK算法得到系统矩阵，其中，系统矩阵包括状态估计矩阵、误差协方差矩阵及测量矩阵；步骤S4：基于状态估计矩阵、误差协方差矩阵及测量矩阵、卡尔曼增益、过程噪声协方差以及量测噪声协方差的更新，运用改进的自适应扩展卡尔曼滤波算法对锂离子电池SOC进行估算。 2.如权利要求1所述的方法，其特征在于，步骤S1中DP模型的数学方程如下：式(1)中，UL为端电压，I为电流，R0为欧姆内阻，UP1、UP2分别为第一个RC电路和第二个RC电路的极化电压，CP1、CP2为极化电容，RP1、RP2为极化电阻；对以上方程(1)进行离散化得到的DP模型的离散方程为：式(2)中，放电方向为正，Ik为k时刻电流，UL(k)是k时刻电池端电压；UP1(k)、UP2(k)分别是k时刻在两个RC模块两端的极化电压，Δt为采样时间间隔。 3.如权利要求1所述的方法，其特征在于，DP模型的特性参数还包括欧姆内阻R0，极化电容CP1、CP2以及极化电阻RP1、RP2，步骤S2具体包括：步骤S2.1：将电池充分静置后电池的端电压近似为开路电压UOCV，辨识开路电压UOCV；步骤S2.2：根据电流接通瞬间出现的电压差值比上电流值得到R0，辨识欧姆内阻R0；步骤S2.3：根据脉冲放电静置40s阶段辨识出两个RC并联电路的时间常数τ1、τ2，此段端电压的表达式为：UL＝UOCV-Ae-t/τ1-Be-t/τ2，再进行指数拟合出τ1、τ2，根据脉冲放电10s阶段的总极化电压表达式：UP1+UP2＝UOCV-UL-IRO＝IRP1(1-e-t/τ1)+IRP2(1-e-t/τ2)计算出RP1、RP2，最后利用时间常数τ1、τ2和RP1、RP2的比值分别得出极化电容CP1、CP2；步骤S2.4：采用最小二乘法拟合UOCV与SOC值的关系时，用六阶多项式UOCV(soc)＝a1soc6+a2soc5+a3soc4+a4soc3+a5soc2+a6soc+a7进行拟合，获得开路电压UOCV与SOC值的函数关系。 4.如权利要求1所述的方法，其特征在于，步骤S3具体包括：步骤S3.1：基于开路电压UOCV与SOC的关系曲线和DP模型的离散方程，采用安时积分法选取极化电压UP1、UP2以及SOC作为状态变量，选取电池端电压UL作为观察变量，建立状态方程和观测方程：其中，SOCk表示k时刻荷电状态，Up1,k-1表示k-1时刻第一个RC电路的极化电压，表示与Up1,k-1对应的系统噪声，η为电池放电效率，CN为电池额定容量，Uocv(SOCk)表示开路电压UOCV的值；步骤S3.2：EKF算法中的系统方程和观测方程如下： zk＝Hkxk+yk+υk 式中，xk为状态变量，表示k-1时刻的状态转移矩阵，ωk-1表示k-1时刻的预测过程噪声，Uk-1表示k-1时刻的控制矩阵，zk表示k时刻的测量矩阵，Hk表示k时刻的转换矩阵，υk为测量噪声，ωk和υk都服从高斯分布，两者的协方差分别为Q和R，将状态方程和观测方程代入EFK算法，得到系统矩阵： Hk＝[-1 -1 0]，yk＝-IkR0+UOCV(SOCk) 其中，Ik表示k时刻的电流，R0表示电阻，yk表示测量控制变量。 5.如权利要求1所述的方法，其特征在于，步骤S4具体包括：步骤S4.1：设置遗忘因子b以及初始值SOC(0)、UP1(0)、UP2(0)、P(0)、Q(0)和R(0)；步骤S4.2：对状态估计矩阵、误差协方差矩阵及测量矩阵进行时间更新，状态估计时间更新方式为：误差协方差矩阵时间更新方式为：测量矩阵更新方式为：其中，表示k时刻的状态估计值、表示k-1时刻的状态转移矩阵、表示k-1时刻x的最优估计值，Uk-1表示k-1时刻的控制矩阵，Pk/k-1表示k时刻的误差协方差，Pk-1表示k-1时刻的误差协方差，Qk-1表示k-1时刻的过程噪声协方差，表示k时刻的测量矩阵，Hk表示k时刻的转换矩阵；步骤S4.3：计算卡尔曼增益Kk，其中，Rk表示k时刻的测量噪声协方差，步骤S4.4：更新得到当前时刻状态变量的最优估计值和协方差矩阵Pk；状态估计测量更新：误差协方差矩阵测量更新：Pk＝(I-KkHk)Pk/k-1，并将当前时刻得到的最优估计值和协方差矩阵Pk作为下一时刻的初始值；步骤S4.5：计算自适应因子dk，步骤S4.6：更新过程噪声协方差Q和量测噪声协方差R；其中，过程噪声协方差的更新方式为：量测噪声协方差的更新方式为：步骤S4.7：循环步骤S4.2至步骤S4.6：估算出全时段的SOC值。 6.如权利要求1所述的方法，其特征在于，步骤S4.5中遗忘因子b的取值范围为0.95-0.99。
所属类别：	发明专利