一种基于粒子滤波算法的电池荷电状态的估计方法与流程
本发明涉及一种电池荷电状态的估计方法，尤其是涉及一种基于粒子滤波算法的电池荷电状态的估计方法。
背景技术：
随着资源压力越来越大，对绿色生态环境的呼吁越来越强烈，蓄电池以其高比容量，长循环寿命，清洁无污染等优点被广泛应用到各个领域。其中，蓄电池荷电状态(stateofcharge，soc)对蓄电池的实际使用具有十分重要的意义。在实际应用中，由于单体蓄电池的电压或者容量不足，常需要将电池单体串并联形成电池组，而形成的电池组在实际使用中和单体电池相比，无论是使用寿命还是电池性能发挥上都有很大的差距，这主要是因为制造工艺和使用环境等使电池组单体存在明显的不一致，导致电池组性能出现大幅衰减。因此，为了延长电池组的循环使用寿命和使其长期保持良好的性能，需要对电池组的一致性进行研究。
提高蓄电池的使用寿命，除了改进生产技术，使用管理也是一个很重要的环节。蓄电池智能管理系统设计的优劣在很大程度上制约着系统的整体性能，一个较好的蓄电池管理系统，能够使蓄电池与负载相匹配，使负载以最高效率工作，同时又能控制蓄电池、电容的使用量最小。而蓄电池智能管理系统的核心部分是蓄电池soc的准确估算。soc估算准确与否，将直接影响到蓄电池管理系统的决策和控制，进而影响蓄电池性能的正常发挥。soc是蓄电池智能管理系统中能量分配的重要依据之一。智能管理系统要根据蓄电池soc、负载功率需求等来采取相应控制策略进行能量的合理分配。如果soc估算不准确，将会导致能量管理系统失调，使得蓄电池在大功率工况之前没有足够的储备，或者在蓄电池和电容有足够电量储备的情况下，管理系统却向负载发出连续运转的指令，从而造成功率浪费。
现有技术利用电压来判断蓄电池充放电状态，不仅存在较大误差，甚至在某些场合下会出现误判，导致维护费用较高，且无法实现有效的蓄电池实时智能化管理。
技术实现要素：
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于粒子滤波算法的电池荷电状态的估计方法。
本发明的目的可以通过以下技术方案来实现：
一种基于粒子滤波算法的电池荷电状态的估计方法，包括下列步骤：
s1：利用r-c基本元器件构建电池特性电路；
s2：结合电池特性电路，创建基于thevenin模型的电池状态空间模型；
s3：对基于thevenin模型的电池状态空间模型增加零阶保持器，获取改进的电池状态空间模型；
s4：利用带遗忘因子的最小二乘法，获取改进的电池状态空间模型的相关参数值；
s5：根据相关参数值获取离散时间状态空间模型，利用粒子滤波算法对离散时间状态空间模型进行soc估计。
优选地，所述的基于thevenin模型的电池状态空间模型的电气关系的表达式为：
式中，i(s)为电流，r0为电池内的串联电阻，c1为与r0串联的电容，r1为与c1并联的电阻，u0(s)为输出电压。
令：
b＝r0
c＝-r0e-θt
则改进的电池状态空间模型的表达式为：
u(k)＝au0(k-1)+bi(k)+ci(k-1)
式中，u0(k)为迭代上一轮的开路电压，u(k)为迭代本轮的电池端电压，i(k)为电池充放电电流。
优选地，获取改进的电池状态空间模型的相关参数值包括电池内的串联电阻r0、与r0串联的电容c1以及与c1并联的电阻r1，其表达式分别为：
r0＝b
r1＝(ab+c)/(1-a)
离散时间状态空间模型的表达式为：
其中，s(t)为t时刻电池的荷电状态，离散时间状态空间模型的输入量为电流i(k)，输出量为端电压v(k)，状态变量x(k)＝s(k)/uc(k)，z(k)＝z1(k)/z2(k)为输入量对系统状态变量的干扰，z1(k)为过程噪声，z2(k)为观测噪声，v(k)为电池端电压的测量噪声，k为迭代次数。
优选地，利用粒子滤波算法对离散时间状态空间模型进行soc估计的具体步骤包括：
501)对迭代次数k进行初始化，并随机获取粒子集；
502)根据获取的粒子集，利用离散时间状态空间模型获取新的粒子集；
503)获取观测值，对新的粒子集通过观测过程获取观测值的预测值；
504)获取观测值与各个预测值之间的误差，并计算粒子的权重；
505)对粒子的权重做归一化处理；
506)利用重采样对粒子群生成新的样本分布，获取输出估计值，将输出估计值作为估算的soc值。
优选地，粒子的权重wi的表达式为：
式中，r为观测噪声的预估值，yk为观测值，yi,k为第k轮的i个粒子对应的观测估计值。
优选地，输出估计值
式中，n为粒子个数，wk(i)为第k轮的i个粒子的权重，xk(i)为第k轮的i个粒子的估计值。
与现有技术相比，本发明利用带遗忘因子的最小二乘法首先对创建的电池状态空间模型进行相关参数和特征值的获取，随后利用粒子滤波算法对蓄电池的soc进行估算，相比于现有技术的利用电压来判断蓄电池充放电状态，本发明的估算更加准确，可准确预测蓄电池的剩余容量，进而实现蓄电池智能管理系统的各项功能，避免蓄电池的使用不当，减少对蓄电池造成损害，延长蓄电池组使用寿命，降低维护费用。
附图说明
图1为一种基于粒子滤波算法的电池荷电状态的估计方法的流程示意图；
图2为本发明实施例中基于thevenin模型的电池状态空间模型图；
图3为粒子滤波算法流程图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
实施例
本发明涉及一种基于粒子滤波算法的电池荷电状态的估计方法，本实施例以估算蓄电池的soc为例进行说明，如图1所示，本发明方法包括下列步骤：
步骤一、利用r-c基本元器件构建蓄电池特性电路，模拟蓄电池充放电过程的反应；
步骤二、结合蓄电池特性电路，创建基于thevenin模型的电池状态空间模型；
步骤三、对基于thevenin模型的电池状态空间模型增加零阶保持器，获取改进的电池状态空间模型；
步骤四、利用带遗忘因子的最小二乘法，获取改进的电池状态空间模型的相关参数值；
步骤五、将电池的工作电压、充放电倍率、工作温度、电池内阻等参数中的一些作为电池模型的状态变量，利用步骤s3获取的相关参数值得到电池的输入和输出之间的关系，即获取离散时间状态空间模型，利用粒子滤波算法对离散时间状态空间模型进行soc估算。
如图1所示，根据thevenin模型的运算电路模型的电气关系，可以得到如下关系式：
式中，i(s)为电流，上式是一个连续系统的数学模型，需做离散化处理。给系统加上零阶保持器(零阶保持器的传递函数：g(s)＝(1-e-st)/s，其中t为釆样时间)，可得：
令：
化简后代入上式可得：
对上式进行z变换并化简得到离散系统数学模型如下式所示：
其对应的差分方程为式为：
令：
b＝r0
c＝-r0e-θt
可得：
u(k)＝au0(k-1)+bi(k)+ci(k-1)
上式为适合于计算机处理的蓄电池改进的数学模型，式中u0(k)、u0(k-1)、i(k)、i(k-1)均为可以直接测量的量，于是辨识过程中只需辨识出a、b和c这三个系数，再根据下式即可计算出r0、r1和c1。
r0＝b
r1＝(ab+c)/(1-a)
带遗忘因子的最小二乘法，是线性系统参数估计中最为常见的方法，其更新公式如下：
θ′(n+1)＝θ′(n)+k(n+1)[y[n+1]-φt(n+1)θ′(n)]
k(n+1)＝p(n)φ(n+1)[λ+φt(n+1)p(n)φ(n+1)]-1
上式中，0′(n+1)为迭代第n+1轮的参数估计矩阵，
根据带遗忘因子的最小二乘法获取r0、r1和c1后，利用粒子滤波算法估算蓄电池的soc时，对系统过程噪声和观测噪声没有任何要求。基于建立的蓄电池状态空间模型实现蓄电池的soc估算。令s(t)表示t时刻电池的荷电状态。
状态空间模型方程如下式所示：
v(k)＝f[s(k)]-r1i(k)-uc(k)+v(k)
式中，z1(k)为过程噪声，z2(k)为观测噪声。上述状态空间模型的输入量是电流i(k)，输出量是端电压v(k)，状态变量x(k)＝s(k)/uc(k)，z(k)＝z1(k)/z2(k)是一些不可测量的输入量对系统状态变量的干扰，v(k)是电池端电压的测量噪声，uc(k)为测量电压，k为迭代次数。
实现步骤如下：
(1)初始化：
令k＝0，由初始概率分布p(x0)随机产生n个粒子{x0，i}。
(2)状态预测：
基于生成的粒子集{x0，i}，每个粒子通过状态模型方程生成新的粒子集{x0，i}+。
(3)粒子权重计算和归一化：
当系统获得新的观测值yk，通过状态空间模型方程产生的粒子集{y0，i}+通过观测过程获得观测值的预测值{y0,i}+，通过观测值yk和各个粒子的预测值{y0,i}+之间的误差来求得粒子的权重wi，粒子权重的表达式如下：
然后进行归一化处理：
(4)重采样处理：
基于生成的新的随机样本分布，通过重采样的优胜劣汰使高概率的粒子被复制，而淘汰低概率粒子生成新的样本分布。本发明采用多项式重采样，重采样后的粒子权重均为1/n。输出估计值为：
式中，wk(i)为第k轮的i个粒子的权重，xk(i)为第k轮的i个粒子的估计值。
循环迭代重复，实现状态量xk的递推估计，将最终获取的输出估计值作为估算的蓄电池的soc值。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的工作人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
- 还没有人留言评论。精彩留言会获得点赞！