本发明涉及锂离子电池健康管理领域，具体涉及一种基于无迹粒子滤波算法的锂离子电池荷电状态在线估计方法。
背景技术：
锂离子电池以其单体输出电压高、循环寿命长、自放电率低、能量密度大、无环境污染等优点广泛应用于消费类电子、电动汽车、通信储能基站等领域，并逐渐扩展至航空、航天、航海等军事领域。尤其是在空间卫星应用方面，锂离子电池可大大降低载荷的重量和体积，较传统的镍氢电池和镍铬电池具有巨大优势，已经成为了第三代卫星储能电池。作为卫星在地影期运行的唯一能量来源，锂离子电池的安全可靠运行是保证卫星等空间飞行器在轨运行的前提。因此，针对面向空间应用的锂离子电池管理已经成为了研究的热点。荷电状态(stateofcharge,soc)估计是锂离子电池健康管理的核心内容之一，其在线实时估计可以预计系统的运行时间，并制定合理的电池充放电策略，对于保障系统的安全运行具有重要意义。而soc估计对于空间应用，可以对锂离子电池或航天器电源子系统的能源分配和优化管理，提供重要的参考。但是，锂离子电池本身具有的强非线性特征给soc的精确估计带来了巨大的挑战，因此，开发能适应于复杂电池系统的soc估计方法是当前电池管理的一个技术难点。目前，锂离子电池soc的估计方法主要有安时积分法、开路电压法、卡尔曼滤波法、扩展卡尔曼滤波法(extendedkalmanfiltering,ekf)和神经网络等方法。安时积分法实现简单，也是目前绝大多数对精度要求不高场合下所采用的估计方法，但是其在长期的估计过程中存在累计误差，且初始soc不能确定；开路电压法需要长时间的电池静置，大多是用于实验室条件下测试应用，不能实时在线估计soc；卡尔曼滤波算法只适用于线性系统，对于电池这一非线性系统滤波精度不高，甚至发散；扩展卡尔曼滤波算法对非线性系统具有一定的适应性，但是对电池这一强非线性系统仍然存在一定的缺陷，存在稳定性下降，甚至发散的问题；神经网络法可以实现soc的在线估计，但是需要大量的测试数据集作为支撑，即对训练数据集的完备性要求较高。与此同时，粒子滤波系列算法，如无迹粒子滤波算法(unscentedparticlefilter,upf)对非线性非高斯的复杂系统具有良好的适应性，在电池状态估计和寿命预测领域具有广阔的应用前景。技术实现要素：本发明的目的是为了解决现有锂离子电池soc估计方法存在的估计精度低、稳定性差和对训练数据集的完备性要求较高的问题，从而提供一种面向空间应用的锂离子电池荷电状态的在线估计方法。本发明所述的一种面向空间应用的锂离子电池荷电状态的在线估计方法，该方法包括：步骤一、建立电池等效电路模型；步骤二、进行模型参数辨识，并考虑模型参数与soc间的变化关系，建立模型参数插值表；步骤三、基于步骤二辨识的模型参数，给电路模型施加电流激励信号，判断电压响应误差是否在允许的范围内，如果判断结果为是，则进行步骤四，否则返回步骤二；步骤四、建立荷电状态估计系统的状态空间方程；步骤五、采用步骤四的建立的状态空间方程，基于upf算法进行当前时刻电池荷电状态soc的在线估计；步骤六：根据当前时刻的荷电状态soc估计值，结合步骤二中建立的模型参数插值表更新模型参数，并将更新的模型参数用于下一时刻荷电状态的估计中。优选的是，步骤一所述的电池等效电路模型为一阶rc电路模型，包含的模型参数有欧姆内阻r0，极化电阻rp、极化电容cp和电源电动势em；极化电容与极化电阻并联，形成并联rc支路，该支路的一端接负载，该支路的另一端串联欧姆内阻后连接电源的高电势端，电源的低电势端连接负载。优选的是，步骤四所建立的状态空间方程中考虑了电池在充放电过程中库伦效率参数的变化，并将库伦效率作为状态量的一个维度进行实时的滤波更新，状态空间方程的表达式为：xk＝ak-1xk-1+bk-1uk-1+wk-1yk＝ckxk-dkuk+f(sock)+vk其中，xk为k时刻的系统状态量，uk-1为k-1时刻的系统控制量，wk-1为k-1时刻的系统过程噪声，ak-1和bk-1分别为k-1时刻的系统状态量和系统控制量对应的状态转移变换矩阵；yk为k时刻的系统观测量，em＝f(sock)，em值根据模型参数插值表查得，sock为k时刻的soc，vk为k时刻的量测噪声，ck为k时刻的系统状态量对应的状态量和观测量间的变换矩阵，dk为k时刻的系统控制量对应的状态量和观测量间的变换矩阵。优选的是，yk＝[ut,k]，ck＝[0-10]，dk＝[r0]，vk＝[vk]其中，up,k为k时刻并联rc支路的端电压，ts为采样时间间隔，τ＝rp*cp为时间常数，cn为电池最大容量，ηk为电池k时刻的库伦效率，ut,k为k时刻的负载端电压，il,k为k时刻的负载端电流，wk-1,1、wk-1,2和wk-1,3分别表示状态量η、up和soc对应的过程噪声。本发明的一种面向空间应用的锂离子电池荷电状态的在线估计方法，在建立的电池等效模型中考虑soc变化对模型参数的影响，并基于upf算法实现soc的在线估计。本发明的方法可以适用于多种电池工况和多种不确定环境下的soc在线估计，且具有估计精度高、稳定性好的优点。附图说明图1是本发明的一种面向空间应用的锂离子电池荷电状态的在线估计方法流程图；图2是电池等效电路模型原理图；图3是用于模型参数辨识的hppc工况电流图；图4是用于模型参数辨识的hppc工况电压图；图5是辨识得到的模型参数与soc间的变化关系曲线；(a)是r0与soc间的变化关系曲线，(b)是rp与soc间的变化关系曲线，(c)是cp与soc间的变化关系曲线，(d)是em与soc间的变化关系曲线；图6是soc初始值不确定条件下的ccd工况估计结果图；(a)是soc估计值曲线，(b)是估计误差曲线；图7是soc初始值不确定条件下的hppc工况估计结果图；(a)是soc估计值曲线，(b)是估计误差曲线；图8是存在电流测量噪声条件下的ccd工况估计结果图；(a)是soc估计值曲线，(b)是估计误差曲线；图9是存在电流测量噪声条件下的hppc工况估计结果图；(a)是soc估计值曲线，(b)是估计误差曲线；图10是ccd工况下两种不同的方法的估计结果对比图；(a)是soc估计值曲线，(b)是估计误差曲线；图11是hppc工况下两种不同的方法的估计结果对比图；(a)是soc估计值曲线，(b)是估计误差曲线。具体实施方式下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，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。基于本发明中的实施例，本领域普通技术人员在没有作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，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。一种面向空间应用的锂离子电池荷电状态的在线估计方法，该方法包括：步骤一、建立电池等效电路模型；该等效电路模型包含的参数有欧姆内阻r0，极化电阻rp，极化电容cp和电动势em；步骤二、在matlab/simulink软件下搭建模型参数辨识环境，进行模型参数辨识，并考虑模型参数与soc间的变化关系，建立模型参数插值表；以hppc工况电流作辨识环境的激励，hppc工况电压作为辨识环境的响应输出。步骤三、电路模型评估，即基于步骤二辨识的电路模型参数，给电路模型施加电流激励信号，判断电压响应误差是否在允许的范围内，如果判断结果为是，则进行步骤四，否则返回步骤二；给模型施加相同的电流激励信号，比较模型的响应电压与参考电压(真实电压)，电压响应误差不超过22mv。因此，所建立的电路模型及其参数辨识结果对电池具有很好的表征能力，可以应用于后续的soc估计中。步骤四、建立的状态空间方程中考虑了电池在充放电过程中库伦效率参数的变化，并将库伦效率作为状态量的一个维度进行实时的滤波更新，状态空间方程的表达式为：xk＝ak-1xk-1+bk-1uk-1+wk-1(1)yk＝ckxk-dkuk+f(sock)+vk(2)其中，xk为k时刻的系统状态量，uk-1为k-1时刻的系统控制量，wk-1为k-1时刻的系统过程噪声，ak-1和bk-1分别为k-1时刻的系统状态量和系统控制量对应的状态转移变换矩阵；yk为k时刻的系统观测量，em＝f(sock)，em值根据模型参数插值表查得，sock为k时刻的soc，vk为k时刻的量测噪声，ck为k时刻的系统状态量对应的状态量和观测量间的变换矩阵，dk为k时刻的系统控制量对应的状态量和观测量间的变换矩阵。由于考虑了电池在充放电过程中库伦效率参数的变化，并将库伦效率作为状态量的一个维度进行实时的滤波更新，因此有效的提升了soc的估计性能。详细推导过程如下：若假定并联rc支路的端电压为up，负载端电压和电流分别为ut和il，则一阶rc电池模型包含的电路方程有：ut＝em-up-ilr0(3)方程离散化为：ut,k＝em,k-il,kr0-up,k(5)其中，ts为采样时间间隔，τ＝rp*cp为时间和常数。同时，由安时积分法可得荷电状态soc的离散递推方程为：其中，cn为电池最大容量，通常取电池的额定容量，η为电池库伦效率。选取电池库伦效率η、荷电状态soc和极化电压up作为系统的状态量，可在线检测负载电压ut为系统的观测量，则相应的状态空间方程为：其中，wk-1,1、wk-1,2和wk-1,3分别表示状态量η、up和soc的过程噪声；vk为量测噪声。若记：yk＝[ut,k]，ck＝[0-10]，dk＝[r0]，vk＝[vk]则上述状态空间方程可表示为：xk＝ak-1xk-1+bk-1uk-1+wk-1(10)yk＝ckxk-dkuk+f(sock)+vk(11)其中，em＝f(sock)，em值可根据建立的模型参数插值表查得。步骤五、采用步骤四的状态空间方程，基于upf算法进行当前电池荷电状态soc的在线估计：步骤五一：初始化设定upf算法粒子数目n，状态量初始值和噪声方差等，并初始化粒子分布及其协方差矩阵。基于初始时刻(零时刻)的分布p(x0)，随机产生n个粒子{x0(i)+}及对应的协方差矩阵{p0(i)+}，i＝1,2,...,n，并根据初始soc给出初始模型参数r0，rp，cp和em；步骤五二：计算每个粒子sigma点分布其中，为生成的sigma点矩阵，为系统状态量和噪声的增广矩阵，为状态量和噪声的增广协方差矩阵，l为状态量的维数，λ为常量。w和q分别为状态噪声矩阵和方差，v和r为量测噪声矩阵和方差。步骤五三：时间更新其中，为系统状态量的一步更新值，为k-1时刻状态量估计值，为k-1时刻状态量过程噪声，ak-1和bk-1为状态转移变换矩阵，uk-1为系统控制量；为状态量一步预测值，和为权值常量；为协方差一步预测值；为观测量的一步更新值，ck和dk为状态量和观测量间的变换矩阵，f(·)表示soc与电动势em间的函数关系；为观测量的一步预测值。步骤五四：量测更新其中，为量测方差矩阵；为状态量与量测间的协方差矩阵；kk为卡尔曼滤波增益；为k时刻的系统状态估计值；更新的协方差矩阵。步骤五五：权值计算与归一化其中，qi为每个粒子的权值，为归一化的粒子权值，yk为k时刻的系统观测量。步骤五六：粒子重采样其中，和为原有的粒子及其协方差矩阵，和重采样生成的粒子及其协方差矩阵，为0～1间的随机数。步骤五七：soc估计其中，sock为k时刻的soc估计结果，为每个粒子对应的soc估计值，为状态量的第二个维度值。步骤六、根据步骤五七得到的k时刻的估计结果sock，结合模型参数插值表更新模型参数r0，rp，cp和em，并用于下一时刻的soc估计中；重复步骤五二至步骤六，进行电池荷电状态soc的估计，直至估计循环结束。实验验证：采用本发明的方法作两种不同电池工况(ccd和hppc)、两种不确定条件下(soc初始值不确定，存在电流测量噪声)的soc估计实验，并与ekf方法进行对比。(1)soc初始值不确定图6是ccd工况时的估计结果，图7是hppc工况时的估计结果；根据实验结果得到初始soc0＝0.85时的详细估计性能如表1所示。表1初始soc0＝0.85时的估计结果实验得出，在soc初始值不确定的条件下，两种工况下的最大估计误差均在5％以内，平均估计误差小于2％，且收敛(误差小于1％)响应时间不超过120s，即采用的估计方法在soc初始值不确定的条件下仍然具有良好的估计性能和收敛性。(2)存在电流测量噪声图8是ccd工况时的估计结果，图9是hppc工况时的估计结果；根据实验结果得到存在电流噪声条件下的soc估计详细性能如表2所示。表2电流噪声下soc估计结果可以得出，当电流检测存在一定噪声干扰的情况下，两种工况的最大估计误差均不超过5％，平均误差在2％以内，即此时仍然具有良好的估计性能。(3)方法对比图10是ccd工况下两种不同的方法的估计结果对比图，图11是hppc工况下两种不同的方法的估计结果对比图，详细的估计性能对比见表3和表4。表3ccd工况估计性能对比方法最大误差平均误差均方根误差ekf0.04970.01940.0225upf0.02030.00820.0098表4hppc工况估计性能对比方法最大误差平均误差均方根误差ekf0.06480.01500.0207upf0.01310.00300.0038从实验结果可以得出，在两种不同的工况条件下，upf算法在估计最大误差，平均误差和均方根误差这三个评估指标上均优于ekf算法。此外，upf算法在整个soc变化过程中均能保持很高的估计精度和良好的稳定性，而ekf算法在电池放电末期估计结果具有较大的偏差，甚至有“发散”的趋势，即算法的稳定性在明显下降。因此，所提出的soc在线估计方法具有良好的估计精度和稳定性。当前第1页12