基于自适应衰减无迹卡尔曼的锂电池SOC估算方法

技术领域

本发明涉及新能源领域，具体是基于自适应衰减无迹卡尔曼的锂电池SOC估算方法。

背景技术

在锂离子电池组的整个生命周期中，电池管理系统(Battery ManagementSystem，BMS)对核心参数SOC的监控和调节将影响应急动力输出的效果和安全性；因此，实时监测该参数的变化，并基于此保障锂离子电池组的工作性能是非常必要的；由于BMS中的成组SOC估算技术尚不成熟，使用过程中存在的安全隐患严重制约了锂离子电池组的发展；对于锂离子电池组而言，可靠的BMS管理依靠准确的SOC值；在该值已知的情况下，不仅对其进行可靠能量管理和安全控制，而且还避免锂离子电池组的提前损坏，延长其使用寿命；因此，精确估算SOC值，对保障锂离子电池组的工作性能及其能量和安全管理至关重要；锂离子电池组的SOC估算模型构建和精确估算值得获取，已成为其能量和安全管理的核心问题；锂离子电池组由具有高能量密度和闭路电压的钴酸锂电池单体组合构成，其安全性受到所处工作状态的影响；SOC表征了锂离子电池组的剩余容量，是为电池管理系统最基本也是最重要的的一个关键参数；此外，锂离子电池组的充放电过程包含复杂电能、化学能和热能转换等环节，过充电和过放电现象易引发安全事故，精确SOC估算在防止过充电和过放电中起着重要作用；在锂离子电池组的应用中，其安全性依然是最为关注的问题，SOC估算是其安全使用的基础和前提；锂离子电池组采用电池单体级联结构，满足了辅助动力供能过程中的容量和电压需求；然而，由于无法避免的材料和工艺差异，单体间不一致现象客观存在且无法避免；并且，该现象会随着循环次数的增加越来越明显，这就使得单体间不一致性的表达与修正成为成组SOC估算的重要组成部分，同时也给成组SOC精确估算带来了巨大的挑战。

发明内容

本发明的目的在于克服现有技术的不足，提供基于自适应衰减无迹卡尔曼的锂电池SOC估算方法，包括：

通过间歇式老化程度测定和实时校准计算处理过程，实现了锂离子电池成组SOC估算的容量归一化表征；

在容量归一化表征的基础上，通过老化状态对电量的影响系数计算获得老化因素影响的老化影响系数；

在定期测定校准基础上，通过额定容量与循环次数相关值的同步获取和修正，获得叠加循环次数修正的函数关系；

在老化影响系数和循环次数修正计算的基础上，结合两因素影响的叠加计算处理，获得老化过程对额定容量影响修正的老化过程特性；构造基于自适应衰减无迹卡尔曼的锂离子电池组SOC估算模型，通过自适应衰减无迹卡尔曼的锂离子电池组SOC估算模型得到锂离子电池组SOC估算值。

进一步的，所述的构造基于自适应衰减无迹卡尔曼的锂离子电池组SOC估算模型，包括：

根据电路模型，建立起电池端电压与电流的关系：

U

其中，U

建立k时刻电池端电压U

其中Δt为采样时间间隔，τ

对不同时刻k，SOC估算包括融合高斯白噪声w(k)的随机状态变量SOC，以及融入高斯白噪声v(k)的观测随机变量U

进一步的，不同时刻k的估算包括以下步骤：

锂电池的非线性系统离散状态空间方程为：

式中，w

初始化X

进一步的，基于UT变换的无迹卡尔曼滤波估计锂电池SOC，包括如下过程：

计算采样点，采用Sigma点对称采样策略，得到x点的Sigma点集，以及其对应的均值加权值

式中，α，β是常数；自适应调节因子r＝α

时间更新，根据状态方程式计算状态更新得到：

X

计算预测状态值：

计算状态预测值的协方差：

根据状态方程式计算测量更新得到：

Y

计算预测测量值：

计算测量估计

计算X

测量更新，计算卡尔曼增益矩阵：

更新状态得到：

更新误差协方差得到；

在UKF算法的基础之上引入衰减因子，组成带有衰减记忆效应的无迹卡尔曼滤波器。

本发明的有益效果是：本发明是基于锂离子电池组动力应用需求和工作特性实验分析，结合现代控制理论研究思想，基于自适应衰减无迹卡尔曼算法的锂离子电池组SOC估算方法，具有较强的适用性；针对锂离子电池组SOC值精确估算目标，本发明建立改进PNGV等效电路模型，在PNGV模型基础上，增加了一个并联RC环节，两个RC环节对应了锂电池阻抗谱中的两个极点，更准确地描述锂电池的极化现象，考虑了电池状态和工作条件对模型参数的影响，能够更准确的描述电池的特性。针对无迹卡尔曼在非线性程度较强时，协方差更新时容易出现负定矩阵的情况，并且受初始值影响较大，系统噪声较为明显。在数据采集过程中噪声统计特性未知，会导致卡尔曼滤波法的估计精度降低，甚至会引起发散，导致滤波结果不稳定产生较大的误差，因此引入衰减因子与自适应调节因子，组成带有衰减记忆效应的自适应无迹卡尔曼滤器；本发明可为不同应用场景下的锂离子电池组SOC估算模型的建立和SOC值计算提供方法参考，具有计算简洁、适应性好和精度高的优点。

附图说明

图1为基于自适应衰减无迹卡尔曼的锂电池SOC估算方法的示意图；

图2为改进PNGV等效电路模型示意图；

图3为AF-UKF算法流程图。

具体实施方式

下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。

为了使本发明的目的，技术方案及优点更加清楚明白，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，即所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。需要说明的是，术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。

而且，术语“包括”，“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程，方法，物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程，方法，物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程，方法，物品或者设备中还存在另外的相同要素。

以下结合实施例对本发明的特征和性能作进一步的详细描述。

如图1所示，基于自适应衰减无迹卡尔曼的锂电池SOC估算方法，包括：

通过间歇式老化程度测定和实时校准计算处理过程，实现了锂离子电池成组SOC估算的容量归一化表征；

在容量归一化表征的基础上，通过老化状态对电量的影响系数计算获得老化因素影响的老化影响系数；

在定期测定校准基础上，通过额定容量与循环次数相关值的同步获取和修正，获得叠加循环次数修正的函数关系；

在老化影响系数和循环次数修正计算的基础上，结合两因素影响的叠加计算处理，获得老化过程对额定容量影响修正的老化过程特性；构造基于自适应衰减无迹卡尔曼的锂离子电池组SOC估算模型，通过自适应衰减无迹卡尔曼的锂离子电池组SOC估算模型得到锂离子电池组SOC估算值。

所述的构造基于自适应衰减无迹卡尔曼的锂离子电池组SOC估算模型，包括：

根据电路模型，建立起电池端电压与电流的关系：

U

其中，U

建立k时刻电池端电压U

其中Δt为采样时间间隔，τ

对不同时刻k，SOC估算包括融合高斯白噪声w(k)的随机状态变量SOC，以及融入高斯白噪声v(k)的观测随机变量U

不同时刻k的估算包括以下步骤：

锂电池的非线性系统离散状态空间方程为：

式中，w

初始化X

基于UT变换的无迹卡尔曼滤波估计锂电池SOC，包括如下过程：

计算采样点，采用Sigma点对称采样策略，得到x点的Sigma点集，以及其对应的均值加权值

式中，α，β是常数；自适应调节因子r＝α

时间更新，根据状态方程式计算状态更新得到：

X

计算预测状态值：

计算状态预测值的协方差：

根据状态方程式计算测量更新得到：

Y

计算预测测量值：

计算测量估计

计算X

测量更新，计算卡尔曼增益矩阵：

更新状态得到：

更新误差协方差得到；

在UKF算法的基础之上引入衰减因子，组成带有衰减记忆效应的无迹卡尔曼滤波器。

具体的，该方法在充分考虑锂离子电池成组工作基础上，结合SOC估算的建立，实现对锂离子电池组老化过程特性的数学表达，构造基于自适应衰减无迹卡尔曼的锂离子电池组SOC估算方案；为了更好的体现本发明，在本实施例中仅以锂离子电池组为例进行说明，但本领域技术人员应该熟知，根据本发明的技术思想可以实现多种锂离子电池组的基于自适应衰减无迹卡尔曼的锂离子电池组SOC估算；以下对锂离子电池组基于自适应衰减无迹卡尔曼的锂离子电池组SOC估算方法的实现步骤进行详细说明。

针对提髙SOC估算精度目标，使用无迹变换来处理均值和协方差的非线性传递问题，以便于运用卡尔曼滤波算法进行SOC估计；结合锂离子电池组的状态空间模型，基于自适应衰减无迹卡尔曼的迭代计算，实现SOC值的迭代计算，在用于跟踪锂离子电池组输出电压时，输出电压最大误差为0.0482V；在恒温实验条件下，且忽略电流影响，模型的元件参数是关于电池SOC的函数。

根据电路模型，建立起电池端电压与电流的关系如式(1)所示。

U

其中，U

这里的Δt为采样时间间隔，τ

针对不同时刻k，该SOC估算过程包括融合高斯白噪声w(k)的随机状态变量SOC，以及融入高斯白噪声v(k)的观测随机变量U

按照卡尔曼的递推公式，根据新数据和前一状态的估计值，再借助系统本身的状态转移方程，得出当前时刻的状态估计值。锂电池的非线性系统离散状态空间方程如式(4)所示。

式中，w

初始化X

根据状态变量的统计量x

(1)计算采样点

采用Sigma点对称采样策略，得到x点的Sigma点集，以及其对应的均值加权值

式中，α，β是常数；自适应调节因子r＝α

(2)时间更新

根据状态方程式计算状态更新得到式(8)。

X

计算预测状态值如式(9)所示。

计算状态预测值的协方差如式(10)所示。

根据状态方程式计算测量更新得到式(11)。

Y

计算预测测量值如式(12)所示。

计算测量估计

计算X

(3)测量更新

计算卡尔曼增益矩阵如式(15)所示。

更新状态得到式(16)。

更新误差协方差得到式(17)。

在UKF算法的基础之上引入衰减因子，组成带有衰减记忆效应的无迹卡尔曼滤波器。这种算法与传统UKF算法的主要不同之处是在公式(10)的基础上增加了衰减因子S，使得公式(10)转换成公式(18)。

衰减因子S的选取对滤波结果有较大影响，滤波精度会随着S的增大而减少，有时甚至会引起滤波发散。因此为有效提升滤波效果、提高系统稳定性，还需引入自适应调节因子。

传统UKF算法受初始值影响较大，此外，系统噪声同样也会影响滤波结果。因此，为了减少这些影响，自适应调节相关的协方差矩阵，可以在一定程度上改变其在滤波过程的作用。定义

对协方差矩阵公式(13)、式(14)、式(17)进行修正得到式(20)。

当UKF算法初始值存在误差或系统存在异常扰动时，自适应因子α

综上所述，本发明针对锂离子电池组精确SOC估算目标，综合考虑估算精度和计算复杂度及算法的稳定性，提出基于自适应衰减无迹卡尔曼的锂离子电池组SOC估算方法，在充分考虑锂离子电池成组工作基础上，结合SOC估算模型的建立，实现对锂离子电池组SOC估算的迭代计算，为锂离子电池组SOC估算和工作状态实时监测提供基础。

以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。