基于小模型误差准则扩展卡尔曼滤波的电池soc估计方法

基于小模型误差准则扩展卡尔曼滤波的电池soc估计方法
【专利摘要】本发明公开了一种基于小模型误差准则扩展卡尔曼滤波的电池SOC估计方法，首先，基于AIC准则建立了一种变阶数的RC模型，为SOC的精确估计打下良好基础；其次，在不同工况下离线获取电池端电压、电流以及对应的模型误差等数据，并建立基于模糊神经网络的模型误差预测模型；然后，在滤波中基于该神经网络在线预测模型误差，只有当预测的误差较小时才对状态估计进行测量更新，从而克服了由于模型误差和系统噪声统计特性不确定引起滤波发散的问题；解决了由于电池端电压跳变造成SOC估计波动的问题。该算法能有效消除由于模型误差造成的滤波估计误差，并且能适用于电池在各种复杂工况下的动态过程。
【专利说明】基于小模型误差准则扩展卡尔曼滤波的电池SOC估计方法【技术领域】
[0001]本发明涉及一种基于小模型误差准则扩展卡尔曼滤波的电池SOC估计方法。
【背景技术】
[0002]车载动力电池作为电动汽车的关键部件，其性能对整车的动力性、经济性和安全性至关重要，是制约电动汽车规模发展的关键因素。为最大限度地发挥动力电池的性能并延长电池的使用寿命，对电池进行有效管理至关重要，而准确获得电池的荷电状态(Stateof charge, S0C)是电池管理最核心的技术。电池SOC估计是判断电池是否过充过放，是否需要均衡或更换某一单体电池的重要依据。因此，提高电池SOC估计精度，对于提高电池使用效率、延长电池循环寿命以及保障电池安全可靠，有着重要的意义。
[0003]目前常用的电池SOC估计方法可以分为以下四类:①基于安时计量的估计方法，主要有放电实验法和Ah计量法；②基于电池表征参数测量值的估计方法，主要有开路电压法和内阻法；③基于经验 方程和数学模型的估计方法，主要有线性模型法、神经网络法、模糊逻辑法、支持向量机法和相关向量机法；④基于电池等效电路模型的估计方法，主要有卡尔曼滤波法、观测器法和粒子滤波法。近几年新兴的基于电池等效电路模型的估计方法因其模型物理意义明确，易于参数辨识，已成为电池研究的热点。其中扩展卡尔曼滤波算法备受关注，它适应于电流波动比较剧烈的SOC估计，非常适合应用在电动汽车上。但是，该方法高度依赖于精确的电池模型，并且系统噪声必须服从高斯白噪声分布。由于对电池特性的了解不全面，或为计算方便而将模型简化，加之精确的噪声先验统计特性很难获得，所以往往会导致滤波性能变差甚至严重影响状态估计的精度，在初始估计值不准确时很可能导致滤波无法收敛。因此，实时预测模型误差并对测量噪声模型进行修正十分必要。另一方面，电池等效电路模型的状态方程通常具有包括SOC在内的多个状态空间变量，而这些状态变量均是SOC的函数,都与模型输出存在一定的关系，因此对于同一个模型输出值可能存在多个SOC解，有可能导致SOC估计偏离真值。

【发明内容】

[0004]本发明为了解决上述问题，公开了一种基于小模型误差准则扩展卡尔曼滤波(SMECEKF)的电池SOC估计方法，该方法首先基于AIC准则(Akaike InformationCriterion,赤池信息量准则)建立了一种变阶数的RC模型，为SOC的精确估计打下良好基础；其次，在不同工况下离线获取电池端电压、电流以及对应的模型误差数据，并建立基于模糊神经网络的模型误差预测模型。然后，在滤波中基于该神经网络在线预测模型误差，只有当预测的误差较小时才对状态估计进行测量更新，从而克服了由于模型误差和系统噪声统计特性不确定引起滤波发散的问题。另一方面，针对系统状态变量的选取，只将SOC作为状态空间变量，提高了算法的收敛速度和估计精度。同时，引入滤波增益系数，优化滤波增益矩阵，解决了由于电池端电压跳变造成SOC估计波动的问题。该算法能有效消除由于模型误差造成的滤波估计误差，并且能适用于电池在各种复杂工况下的动态过程。[0005]为了实现上述目的，本发明采用如下技术方案:
[0006]一种基于小模型误差准则扩展卡尔曼滤波的电池SOC估计方法，包括以下步骤:
[0007]S1.建立一种基于AIC准则的变阶数RC电池等效电路模型，即针对锂电池在充放电初期和末期电压急剧变化的特性提出应选择三阶RC模型，而针对SOC在20%?80%的平台期间电压变化平稳的特性应选择二阶RC模型，为SOC估计提供一个精确且简练的电池模型；
[0008]S2.在不同工况下离线获取电池的端电压、电流数据，与模型输出值比较获得对应的模型误差数据；并根据模型误差的大小模糊化为I和O的开关变量；
[0009]S3.将模糊化的模型误差作为样本训练神经网络，建立基于模糊神经网络的模型误差预测模型；
[0010]S4.电池静置至少8个小时，将SOC作为唯一的状态空间变量；
[0011]S5.扩展卡尔曼滤波器初始化和时间更新:状态估计更新、误差协方差更新；
[0012]S6.在滤波过程中基于建立的模糊神经网络在线预测模糊化的模型误差Flag，并对其进行解模糊；根据解模糊结果，建立测量噪声修正模型；
[0013]S7.根据步骤6的测量噪声修正模型判断模型误差是否满足条件，如果满足条件引进滤波增益系数，计算卡尔曼增益矩阵；
[0014]S8.进行状态测量更新和误差协方差测量更新；
[0015]S9.得到第k步的估计结果，并与SOC真值进行比较，验证SMECEKF算法的有效性，并转到步骤5。
[0016]所述步骤I中，基于AIC准则的变阶数RC等效电路模型包括运行时间电路和1-V特性电路；所述运行时间电路包括电池的自放电电阻Rd、电容Cq和电流控制电流源电路，电阻Rd与电容Cq并联在电流控制电流源的受控源两端，独立电源的一端接地；所述1-V特性电路包括两路支路，每个支路包括三组一个电容与一个电阻并联组成的RC回路，且每个支路的两组RC回路并联有切换开关；所述1-V特性电路包括欧姆内阻&、电化学极化内阻札、电化学极化电容C1、浓差极化内阻R2、浓差极化电容C2、变阶数内阻R3、变阶数电容C3、切换开关Q1、S1、Q2、S2和电流控制电流源、电压控制电压源电路，其中:电压控制电压源电路的受控源的正极连接两路，一路连接二极管Dd后连接电阻Rld、电阻R2d、电阻R3d、电阻Rtxi后连接电池的正极，一路反接二极管D。后连接电阻Rlc;、电阻R2。、电阻R3。、电阻R。。后连接电池的正极，电容Cld并联在电阻Rld两端，切换开关Q2和电容C2d并联在电阻R2d两端，切换开关Q1和电容C3d并联在电阻R3d两端，电容Clc;并联在电阻Rlc;两端，切换开关S2和电容C2。并联在电阻R2。两端，切换开关S1和电容C3。并联在电阻R3。两端，电压控制电压源电路的受控源正、负极之间的电压为电池开路电压OCV。
[0017]所述运行时间电路和1-V特性电路通过一个流控电流源和一个压控电压源建立联系，当对电池进行充放电时，负载电流ibat通过流控电流源对电容Cq进行充放电，从而改变Cq存储的电量，表征电池SOC的变化，Cq两端电压OCV也随之变化，进而控制1-V特性电路的压控电压源OCV = f (SOC)随SOC的变化而变化；负载电流ibat对电容Cq进行放电时，icQ两端电压OCV达到放电终止电压时即可获得电池总的运行时间。
[0018]所述切换开关Qp S1以及Q2、S2都断开时，变阶数RC模型为三阶RC模型；所述切换开关QpS1闭合，Q2、S2断开时，变阶数RC模型为二阶RC模型；所述切换开关QpS1闭合，Q2> S2也闭合时，变阶数RC模型为一阶RC模型。
[0019]所述电容Cq表示电池的可用容量，Cq = 3600.Ca1i.f!.f2，CAh为用安时为单位的电池容量，和f2分别是电池循环寿命和温度的修正因子。
[0020]所述电流控制电流源的受控源的电流为电池的端电流ibat，当电池进行充放电时负载电流ibat通过电流控制电流源对电容Cq进行充放电，改变电容Cq中存储的电量，从而表征电池SOC的变化。
[0021]所述电流控制电流源的受控源两端的电压为电池开路电压0CV，所述开路电压OCV与SOC存在非线性关系，具体关系式为:
[0022]
【权利要求】
1.一种基于小模型误差准则扩展卡尔曼滤波的电池SOC估计方法，其特征是:包括以下步骤: . 51.建立一种基于AIC准则的变阶数RC电池等效电路模型，即针对锂电池在充放电初期和末期电压急剧变化的特性提出应选择三阶RC模型，而针对SOC在20%~80%的平台期间电压变化平稳的特性应选择二阶RC模型，为SOC估计提供一个精确且简练的电池模型； . 52.在不同工况下离线获取电池的端电压、电流数据，与模型输出值比较获得对应的模型误差数据；并根据模型误差的大小模糊化为I和O的开关变量； . 53.将模糊化的模型误差作为样本训练神经网络，建立基于模糊神经网络的模型误差预测模型； .54.电池静置至少8个小时，将SOC作为唯一的状态空间变量； . 55.扩展卡尔曼滤波器初始化和时间更新:状态估计更新、误差协方差更新； . 56.在滤波过程中基于建立的模糊神经网络在线预测模糊化的模型误差Flag，并对其进行解模糊；根据解模糊结果，建立测量噪声修正模型； . 57.根据步骤6的测量噪声修正模型判断模型误差是否满足条件，如果满足条件引进滤波增益系数，计算卡尔曼增益矩阵； . 58.进行状态测量更新和误差协方差测量更新； . 59.得到第k步的估计结果，并与SOC真值进行比较，验证SMECEKF算法的有效性，并转到步骤5。
2.如权利要求1所述的一种基于小模型误差准则扩展卡尔曼滤波的电池SOC估计方法，其特征是:所述步骤I中，基于AIC准则的变阶数RC等效电路模型包括运行时间电路和1-V特性电路；所述运行时间电路包括电池的自放电电阻Rd、电容Cq和电流控制电流源电路，电阻Rd与电容Cq并联在电流控制电流源的受控源两端，独立电源的一端接地；所述1-V特性电路包括两路支路，每个支路包括三组一个电容与一个电阻并联组成的RC回路，且每个支路的两组RC回路并联有切换开关；所述1-V特性电路包括欧姆内阻％、电化学极化内阻1^、电化学极化电容C1、浓差极化内阻民、浓差极化电容(:2、变阶数内阻R3、变阶数电容C3、切换开关Q1、S1、Q2、S2和电流控制电流源、电压控制电压源电路，其中:电压控制电压源电路的受控源的正极连接两路，一路连接二极管Dd后连接电阻Rld、电阻R2d、电阻R3d、电阻Rtxi后连接电池的正极，一路反接二极管D。后连接电阻Rlc;、电阻R2。、电阻R3。、电阻R。。后连接电池的正极，电容Cld并联在电阻Rld两端，切换开关Q2和电容C2d并联在电阻R2d两端，切换开关Q1和电容C3d并联在电阻R3d两端，电容Clc;并联在电阻Rlc;两端，切换开关S2和电容C2。并联在电阻R2。两端，切换开关S1和电容C3。并联在电阻R3。两端，电压控制电压源电路的受控源正、负极之间的电压为电池开路电压OCV ； 所述切换开关Qp S1以及Q2、S2都断开时，变阶数RC模型为三阶RC模型；所述切换开关％、S1闭合，Q2, S2断开时，变阶数RC模型为二阶RC模型；所述切换开关Qp S1闭合，Q2,S2也闭合时，变阶数RC模型为一阶RC模型； 所述电容Cq表示电池的可用容量，Cq = 3600.CAh..f2，CAh为用安时为单位的电池容量，fl和f2分别是电池循环寿命和温度的修正因子； 所述电流控制电流源的受控源的电流为电池的端电流ibat，所述电流控制电流源的受控源两端的电压为电池开路电压OCV，所述开路电压OCV与SOC存在非线性关系，具体关系式为:
3.如权利要求1所述的一种基于小模型误差准则扩展卡尔曼滤波的电池SOC估计方法，其特征是:所述步骤I中，AIC准则表示为:
AIC = 2m-21n(L) (2) 式中，m是模型未知参数的个数，L为似然函数； 假设模型误差服从独立正态分布，那么AIC准则改写为:
AIC = 2m+nln(RSS/n) (3) 式中，η为实验获得的 数据个数，RSS为残差平方和，其值表述为:
4.如权利要求1所述的一种基于小模型误差准则扩展卡尔曼滤波的电池SOC估计方法，其特征是:所述步骤2中，模型误差数据模糊化的具体方法如下:模糊化规则为当模型误差大于等于0.001V，令模糊化的模型误差Flag等于I ;当模型误差小于0.001V，令Flag等于O。
5.如权利要求1所述的一种基于小模型误差准则扩展卡尔曼滤波的电池SOC估计方法，其特征是:所述步骤3中，使用神经网络预测模糊化的模型误差的目的就是为了逼近函数:
Flag = g(Ubat, ibat) (5) 式中，Flag为模糊化的模型误差，Ubat为电池端电压，ibat为电池端电流，所述神经网络使用多层感知器MLP网络逼近上述关系，使用基于数值最优化理论的Levenberg-Marquardt算法确定网络自由参数。
6.如权利要求1所述的一种基于小模型误差准则扩展卡尔曼滤波的电池SOC估计方法，其特征是:所述步骤5中，卡尔曼滤波器的初始化为， 状态初始化:
i0 =E(X0) (6) 误差协方差初始化:
Po = E [(Xq — -?0) (X0 - XqY] I 7) 所述步骤5中，卡尔曼滤波器的状态估计更新为:
\ =/(?-^? y) + wk (8)误差协方差更新为:
7.如权利要求1所述的一种基于小模型误差准则扩展卡尔曼滤波的电池SOC估计方法，其特征是:所述步骤6中，所述解模糊为当预测的第k时刻的模糊化模型误差Flagk大于等于0.5时，认为该时刻的模型误差大，模型精度低，不可用来更新SOC估计；当预测的Flagk小于0.5时，认为该时刻的模型误差小，模型精度高，用来更新SOC估计； 所述步骤6中，测量噪声修正模型表述为:
8.如权利要求1所述的一种基于小模型误差准则扩展卡尔曼滤波的电池SOC估计方法，其特征是:所述步骤6中，当预测的模型误差大于等于0.5时，状态估计取决于过程模型，即令Rk等于一个无穷大的值，从而避免了由于过大的模型误差造成的状态估计误差；当预测的模型误差小于0.5时，让状态估计取决于测量模型，即令Rk等于一个较小的值，对状态估计进行实时校正，从而提闻了状态估计的精度和收敛速度。
9.如权利要求1所述的一种基于小模型误差准则扩展卡尔曼滤波的电池SOC估计方法，其特征是:所述步骤7中，具体方法为:若Flagk > 0.5，则令测量噪声协方差Rk = c?，滤波增益Kk = O ;否则Flagk〈0.5，引入滤波增益系数 ，优化滤波增益矩阵，引入滤波增益系数 后的增益表述为:
10.如权利要求1所述的一种基于小模型误差准则扩展卡尔曼滤波的电池SOC估计方法，其特征是:所述步骤8中，状态测量更新为:

【文档编号】G01R31/36GK103941195SQ201410186625
【公开日】2014年7月23日 申请日期:2014年5月5日 优先权日:2014年5月5日
【发明者】张承慧, 商云龙, 崔纳新 申请人:山东大学