一种基于变分贝叶斯CKF的应急灯电池SOC估计方法与流程

本发明涉及锂电池技术领域，具体地，涉及一种基于变分贝叶斯CKF的应急灯电池SOC估计方法。

背景技术：

当火灾发生时，消防应急灯能有效引导被困人员疏散或展开灭火救援行动，从而降低了火灾带来的人身和财产损失。应急灯的电池管理是保障应急灯安全、长寿命正常使用的重要前提。电池的荷电状态(State of Charge，SOC)提供了电池的使用信息及续航能力，因此对电池SOC的精确估算是电池管理系统最重要的功能之一。

安时积分法是目前最常用的电池SOC估算方法，但该方法是一种开环的估计方法，如果电流测量值存在误差，则会使得误差累计放大；卡尔曼滤波法通过建立电池的状态空间模型，对SOC的初始误差有很强的修正作用，但需要假设模型噪声为零均值的高斯白噪声。在实际的情况中使用的电流传感器往往存在一定的电流漂移值，因此直接使用卡尔曼滤波方法会产生较大的估计误差。

技术实现要素：

针对现有应急灯电池SOC估计方法的不足，本发明首先建立了应急灯电池的噪声混合模型，然后以容积卡尔曼滤波(cubature Kalman filter，CKF)为基础，结合变分贝叶斯方法提供一种基于变分贝叶斯CKF的应急灯电池SOC估计方法。

为了实现上述目的，本发明采用如下技术方案：

一种基于变分贝叶斯CKF的应急灯电池SOC估计方法，包括以下步骤：

1、建立应急灯电池系统离散状态空间模型；

2、采用变分贝叶斯CKF对电池SOC进行估算。

所述的步骤1中的应急灯电池系统离散状态空间模型为：

x(k+1)＝F·x(k)+Γ·i(k)+w(k)

z(k)＝h[x(k)]+Φ·i(k)+v(k)

其中，

上式中，k为离散采样时刻，Δt为采样周期，上标“T”表示矩阵转置运算，Sc(k)为k时刻电池的荷电状态，θ(k)是电流漂移值，i(k)为k时刻的瞬时电流；ηc为库仑系数，Cn表示电池的标称容量，Vout(k)为k时刻电池的负载电压，Vo为电池充满电后的空载电压；p0、p1、p2、p3均为模型的待辨识参数；R0是电池的内阻；w(k)为过程噪声向量，其中w1(k)为系统噪声，wθ(k)为不可测的噪声干扰；v(k)为电池端电压测量噪声。w(k)和v(k)均是均值为零方差分别为Q(k)和R(k)的高斯白噪声。

所述的步骤2中的基于变分贝叶斯CKF的电池SOC估计方法包括滤波器初始化、时间更新过程、测量更新过程、算法结束四部分组成。

3.1 滤波器初始化包括初始化系统状态误差协方差阵P(0|0)＝P(0)以及变分贝叶斯方法初始参数ρ、α(0)和β(0)。

3.2 时间更新过程，估算状态的预测估计值及其误差协方差阵P(k|k-1)；

3.3 测量更新过程，具体包括：

3.3.1 计算测量值的预测估计值

3.3.2 计算状态与测量值的互协方差矩阵Pxz(k|k)；

3.3.3 采用变分贝叶斯方法迭代计算测量噪声方差新息协方差Pzz(k|k-1)，增益阵K(k)、最优估计及其误差协方差P(k|k)，迭代过程如下：

(i)设置循环控制变量j的初值，令j＝0，并且给出迭代次数N的值，迭代循环开始；

(ii)计算测量噪声方差阵其中上标j表示第j次迭代时的值；

(iii)计算新息协方差阵和增益阵K^j(k)；

(iv)计算最优估计及其误差协方差P^j(k|k)；

(v)如果j<N，令j＝j+1；然后返回(ii),否则执行(vi)；

(vi)结束迭代过程，输出结果：P(k|k)＝P^N(k|k)；

3.3.4 选取状态估计的第一分量作为输出量；

3.4 判断滤波算法是否继续执行，若是，返回3.2；否则，结束算法。

本发明有益效果：

(1)电池状态模型中将电池SOC和电流漂移值进行扩维处理，从而实现了两者的同步估计，有效的排除电流漂移噪声对电池SOC值的干扰。

(2)利用变分贝叶斯方法对测量噪声方差进行迭代估计，能有效抑制测量方程噪声建模不准确引入的估计发散问题，提高了SOC估计精度和稳定性。

附图说明

图1为本发明方法流程图。

具体实施方式

下面结合附图和实施例对本发明做进一步说明。

如图1所示，一种基于变分贝叶斯CKF的应急灯电池SOC估计方法，包括以下步骤：

步骤1建立电池系统离散状态空间模型。

记k为离散时刻，Δt为采样周期，Sc(k)为k时刻电池的荷电状态，i(k)为k时刻的瞬时电流，θ(k)是电流漂移值；ηc为库仑系数(可通过电池充放电试验获得，放电情况下为1)，Cn表示电池的标称容量则电池SOC的状态方程为

利用一阶马尔可夫过程对漂移电流进行建模，有：

θ(k+1)＝θ(k)+wθ(k) (2)

其中，w1(k)和wθ(k)均为零均值的高斯白噪声。若令x(k)＝[Sc(k),θ(k)]^T，w(k)＝[w1(k),wθ(k)]^T，上标“T”表示矩阵转置运算，则电池系统的状态方程可写为

x(k+1)＝F·x(k)+Γ·i(k)+w(k) (3)

记Vout(k)为k时刻电池的负载电压，Vo为电池充满电后的空载电压；则输出方程为

Vout(k)＝V0(k)-R0[i(k)-θ(k)]-p0/Sc(k)-p1Sc(k)

(4)

+p2ln(Sc(k))+p3ln(1-Sc(k))+v(k)

其中，R0是电池的内阻，p0、p1、p2、p3均为模型的待辨识参数，这五个参数可以通过系统辨识方法获得；v(k)为电池端电压测量噪声，其均值为零方差R(k)。令z(k)＝Vout(k)，h[x(k)]＝Vo(k)-p0/Sc(k)-p1Sc(k)+p2ln(Sc(k))+p3ln(1-Sc(k))+R0θ(k)，Φ＝-R0，则离散观测方程可表示为

z(k)＝h[x(k)]+Φ·i(k)+v(k) (5)

式(3)和式(5)构成了应急灯电池系统的离散状态空间模型。

步骤2采用变分贝叶斯CKF对电池SOC进行估算。

假设系统过程噪声w(k)方差为Q(k)，测量噪声方差R(k)未知。系统初始状态独立于w(k)和v(k)。

下面，基于式(3)和(4)构成的系统模型，详述变分贝叶斯CKF对电池SOC估计的具体实施步骤：

步骤2.1设置滤波初始条件：P(0|0)＝P(0)以及变分贝叶斯方法初始参数ρ、α(0)和β(0)。

步骤2.2时间更新

2.2.1 计算积分点(i＝0,1,…,m)

其中，时刻状态的估计值，S(k-1|k-1)为P(k-1|k-1)的均方根矩阵。ξi为第i个容积积分点，m＝4为积分点个数。

2.2.2 计算传播后的积分点

2.2.3 计算状态预测估计值

2.2.4 计算平方根预测误差方差阵

步骤2.3量测更新

2.3.1 计算积分点(i＝0,1,…,m)

其中S(k|k-1)为P(k|k-1)的均方根矩阵。

2.3.2 计算传播后的积分点

zi(k|k-1)＝h(xi(k|k-1))+Φi(k) (11)

2.3.3 估计测量预测值

2.3.4 计算互协方差阵

2.3.5 迭代计算测量噪声方差

i)计算参数预测值

其中，

ii)迭代初始化，令j＝0，给出迭代次数N1的值，迭代循环开始

iii)计算第j次迭代的测量噪声方差阵

iv)计算第j次迭代的新息协方差和增益阵K^j(k)

v)计算第j次迭代的最优估计及其误差协方差P^j(k|k)

vii)判断迭代算法是否继续执行

1)如果j<N，令j＝j+1；更新迭代估计参数β^j(k)，然后返回iii)

其中，

2)如果j＝N,结束迭代，执行步骤2.3.6

2.3.6 最终估计结果为：P(k|k)＝P^N(k|k)。其中，选取状态估计的第一分量作为输出量即可得到电池SOC的实时状态估计值。

步骤2.4判断滤波算法是否继续执行，若是，返回步骤2.2；否则，结束算法。