一种提升锂离子电池荷电状态估算鲁棒性的融合方法
文献发布时间：2023-06-19 16:04:54
技术领域
本发明属于锂离子电池技术领域，应用于锂离子电池管理系统，具体涉及一种提升锂离子电池荷电状态估算鲁棒性的融合方法。
背景技术
锂离子电池的荷电状态(State of charge,SOC)是判断电池状态的重要依据之一。精确估算电池SOC可以为电池管理系统均衡策略的制定提供有效帮助，从而延长电池整体寿命，提高电池的安全性。但锂离子电池内部的电化学反应复杂多变，其SOC无法直接测量获取，仅能基于电池相关物理量通过一定方法估算获得。
扩展卡尔曼滤波因其较高的精度和较低的复杂度，被广泛应用于锂离子电池SOC估算中，但电池工作的初始状态是不固定的，当电池初始SOC与算法自定初始状态相差较大时，算法在运行初期收敛速度较慢。此外，扩展卡尔曼滤波算法在应用过程中假定系统噪声为恒定不变的理想状态，导致其难以适应系统环境的复杂变化。
发明内容
针对上述现有技术存在的问题，本发明提供了一种提升锂离子电池荷电状态估算鲁棒性的融合方法，该方法通过融合PID控制对扩展卡尔曼滤波算法中进行改进，提升扩展卡尔曼滤波算法在估算锂离子电池SOC过程中的鲁棒性。
为实现上述目的，本发明提供了如下方案：本发明提供了一种提升锂离子电池荷电状态估算鲁棒性的融合方法，包括如下步骤：
步骤1、建立锂离子电池的二阶RC等效电路模型：采集开路电压数据与荷电状态数据，基于所述等效电路模型，获取不同状态下的电池模型参数；
步骤2、获取电池模型状态空间方程：基于基尔霍夫定律，通过所述等效电路模型和电池模型参数，得到模型状态空间方程；
步骤3、初步估算：基于所述模型状态空间方程，使用扩展卡尔曼滤波算法初步估算锂离子电池荷电状态；
步骤4、获取限值：基于所述初步估算结果，使用开窗估计法获取用于修正环节切换判断的限值；
步骤5、融合估算：使用融合PID控制的扩展卡尔曼滤波算法估算电池荷电状态。
优选地，所述步骤4中限值为使用开窗估计法在初步估算结果下获取的最大电压累积误差。
优选地，所述开窗估计法计算公式为：
其中，err
优选地，所述步骤5中融合PID控制的扩展卡尔曼滤波算法为使用电压累积误差基于PID控制原理参与修正最优状态变量估计值
优选地，所述经修正后的状态变量估计值
判断电压累积值err
未超限：
其中。H
本发明公开了以下技术效果：
与现有技术相比，本发明提供了一种提升锂离子电池荷电状态估计鲁棒性的融合方法，该方法通过在扩展卡尔曼滤波算法中融合PID控制，提升了算法在存在SOC初值误差时的收敛速度，增强了算法抑制噪声的能力。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明公开的一种提升锂离子电池荷电状态估算鲁棒性的融合方法的流程框图示意。
图2为锂离子电池二阶RC等效电路模型。
图3为25℃美国联邦城市驾驶工况电流。
图4-1、4-2分别为25℃美国联邦城市驾驶工况下初始SOC准确，电压信号未加入噪声两种算法(扩展卡尔曼滤波算法EKF、本发明提出的融合PID控制的扩展卡尔曼滤波算法PID-EKF)的SOC估算结果及估算误差示意图。
图5-1、5-2分别为25℃美国联邦城市驾驶工况下初始SOC不准确，电压信号未加入噪声两种算法(扩展卡尔曼滤波算法EKF、本发明提出的融合PID控制的扩展卡尔曼滤波算法PID-EKF)的SOC估算结果及估算误差示意图。
图6-1、6-2分别为25℃美国联邦城市驾驶工况下初始SOC不准确，电压信号加入非高斯分布噪声两种算法(扩展卡尔曼滤波算法EKF、本发明提出的融合PID控制的扩展卡尔曼滤波算法PID-EKF)的SOC估算结果及估算误差示意图。
具体实施方式
下面将结合附图和具体实施例对本发明作更进一步的说明。但应当理解的是，本发明可以以各种形式实施，以下在附图中出示并且在下文中描述的一些示例性和非限制性实施例，并不意图将本发明限制于所说明的具体实施例。
参见图1，图1为本发明实施例的一种提升锂离子电池荷电状态估算鲁棒性的融合方法，包括如下步骤：
步骤1、建立锂离子电池的二阶RC等效电路模型：采集开路电压数据与荷电状态数据，基于所述等效电路模型，获取不同状态下的电池模型参数。
步骤1中锂离子电池的二阶RC等效电路模型如图2所示，由一个受控电压源、两个RC环节和一个欧姆内阻R
步骤1具体按照以下步骤实施：
步骤1.1、静置法通过对满电状态电池以一恒定倍率间断性进行放电并充分静置(以10％SOC为间隔)，获取电池的开路电压U
步骤1.2、采用最小二乘法拟合开路电压U
步骤1.3、根据电池脉冲放电瞬间的突变电压值除以突变电流值计算得到欧姆内阻；
步骤1.4、通过公式
步骤1.5、根据不同的荷电状态执行所述步骤1.3至步骤1.4，得到不同荷电状态下电池模型参数。
步骤2、获取电池模型状态空间方程：基于基尔霍夫定律，通过所述等效电路模型和电池模型参数，得到模型状态空间方程。
步骤2所建立的模型状态空间方程，包括状态方程和观测方程，如下：
U
其中，T为采样周期，w
状态空间方程可以简化为：
x
U
其中，
步骤3、初步估算：基于所述模型状态空间方程，使用扩展卡尔曼滤波算法初步估算锂离子电池荷电状态。
步骤3具体按照以下步骤实施：
步骤3.1、对所述模型观测方程在状态变量的估测值附近进行一阶泰勒展开，采用一阶近似并忽略其余高次项的方式实现系统的线性化：
U
其中，m为一阶泰勒展开产生的误差，可忽略不计；C为状态变量的输出矩阵；
步骤3.2、设置状态变量初始值x
步骤3.3、根据电池此时的SOC，结合步骤1中获得的不同SOC下电池模型参数，得到电池模型参数。对于不在对应关系内的荷电状态SOC值，采用四舍五入方法得到临近SOC对应的参数值代替；
步骤3.4、状态变量一步预测：
测量矩阵更新：
步骤3.5预测误差协方差矩阵：P
步骤3.6、卡尔曼滤波增益：H
步骤3.7、更新状态变量的最优估计值
P
步骤3.8、循环步骤3.3至3.7，实时估算锂离子电池荷电状态。
步骤4、获取限值：基于所述初步估算结果，使用开窗估计法获取用于修正环节切换判断的限值。
步骤4中限值为使用开窗估计法在初步估算结果下获取的最大电压累积误差。
开窗估计法计算公式为：
其中，err
步骤5、融合估算：使用融合PID控制的扩展卡尔曼滤波算法估算电池荷电状态。
PID算法结构简单、参数易于调整，是控制系统中的常用算法，其位置式离散方程如下：
其中，Out(k)为PID算法在k时刻的输出，e(k)为被控对象的实际值与目标值间的误差，K
步骤5具体按照以下步骤实施：
步骤5.1、执行步骤3.1。
步骤5.2、设置状态变量初始值x
步骤5.3、根据当前电池的荷电状态SOC，计算电池模型参数。
步骤5.4、执行步骤3.4至步骤3.6。
步骤5.5、判断电压累积值err
步骤5.6、依据步骤5.5判断结果更新状态变量的最优估计值。
超限：
未超限：
步骤5.7、更新电压累积误差err
P
步骤5.8、循环步骤5.3至步骤5.7，实时估算锂离子电池荷电状态。
为了验证本发明估算SOC的效果，以A123公司生产额定容量2.5Ah的磷酸铁锂电池ANR26650作为研究对象，进行模拟工况实验。模拟工况为25℃下美国联邦城市驾驶工况(Federal Urban Driving Schedule,FUDS),充放电电流如图3所示。由图4-1、4-2、5-1、5-2可知在无噪声干扰时，融合PID控制的扩展卡尔曼滤波的估算精度与收敛速度优于扩展卡尔曼滤波算法。由图6-1、6-2可知在对电压信号添加0.4N(0.01,1e-3)+0.3N(0.005,4e-3)混合高斯分布噪声后，融合PID控制的扩展卡尔曼滤波的估算精度与收敛速度仍优于扩展卡尔曼滤波算法。综合来看，融合PID控制的扩展卡尔曼滤波算法在面对非高斯分布的测量噪声与SOC初值误差时具有良好的鲁棒性。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。