基于扩展卡尔曼滤波的蓄电池荷电状态估算方法
【技术领域】：
[0001] 本发明涉及一种基于扩展卡尔曼滤波的蓄电池荷电状态估算方法，涉及电力系统 蓄电池技术领域。
【背景技术】：
[0002] 阀控铅酸蓄电池作为电力可靠供应的最后防线，在备用电力系统中发挥着重要作 用。由于长期处于浮充，且缺乏维护，蓄电池会随着使用性能逐渐变差。电力系统中的蓄电 池是串联使用的，电池间的性能差异将会导致充放电时的电压分配不均，从而无法保证每 节蓄电池达到规范的充放电，进一步加速蓄电池的老化，降低整组电池的可靠性。因此，掌 握每节蓄电池，尤其较差蓄电池的SOC是至关重要的。
[0003] 现有的蓄电池 SOC估算技术主要包括放电试验法、安时积分法、开路电压法、神经 网络法、卡尔曼滤波法等。放电试验法是目前公认的最可靠的SOC估算方法，但其作为一种 完全离线的测量方法，一般需要较长的时间，而且蓄电池离线后无法保证后备电源的可靠 供应，同时该方法的测试需要专门看护。安时积分法需要不断累积充放电过程中的电流，即 使很小的电流测量误差，经过长期的累积后也会造成很大的SOC估算误差。开路电压法，需 要电池组经过较长时间的离线搁置，无法实现在线估算S0C。神经网络法，需要大量的训练 样本和测试样本，而且对训练样本的要求较高，其估算误差很大程度上受训练样本和训练 方法的影响。传统的卡尔曼滤波法只适用于线性系统，对电池使用过程中所呈现的非线性 不适用。
[0004] 在本发明实现过程中，现有技术至少存在人工劳动量大、实时性差、操作难度大和 精度低等缺陷。
【发明内容】
：
[0005] 为解决上述技术问题中的不足，本发明提出了一种基于扩展卡尔曼滤波（EKF)的 蓄电池荷电状态估算方法。
[0006] 本发明采用的技术方案是：
[0007] ①数据采集，对蓄电池进行阶段式放电，同时获取放电过程数据。
[0008] ②函数拟合，基于①中的测试数据，通过参数辨识，获得开路电压（OCV)和荷电状 态（SOC)的函数关系式OCV = F(SOC)。
[0009] ③辨识模型参数，基于①中各阶段的测试数据，通过参数辨识，获得各放电阶段蓄 电池模型参数。
[0010] ④在线估算S0C，基于③中第一放电阶段的蓄电池模型参数，通过EKF算法，在线 估算蓄电池 SOC。
[0011] ⑤在线修正蓄电池模型参数，定期对蓄电池进行内阻测试，由所测内阻值选取③ 中某放电阶段的蓄电池模型参数作为新的蓄电池模型参数，通过EKF算法，在线估算蓄电 池 S0C。
[0012] 其中具体的：包括如下步骤：
[0013] a.通过阶段式放电对蓄电池进行性能测试，获取放电测试过程中的放电电流及单 体电压数据；
[0014] b.基于步骤a所得的测试数据，获得开路电压-荷电状态的函数关系式；
[0015] c.基于步骤a所得的测试数据，进行参数辨识，获得各放电阶段的蓄电池模型参 数；
[0016] d.基于步骤b所得的函数关系式和步骤c所得的第一放电阶段的蓄电池模型参 数，通过EKF算法，估算蓄电池 SOC ;
[0017] e.基于步骤d所得的S0C，进行温度补偿后，得到最终的SOC ;
[0018] f.定期对蓄电池进行内阻测试，由测得的内阻值，选择步骤c中相应放电阶段下 的蓄电池模型参数；
[0019] g.通过步骤d和步骤e，得到最新的SOC。
[0020] 步骤a，具体包括：
[0021] 将蓄电池离线后搁置Ih后以0.1 ClO放电Ih ;依此循环至累计放电时长，达IOh或 放电电压达截止电压时停止放电后搁置Ih ;同时采集整个放电过程的放电电流及蓄电池 单体电压，数据采集的时间间隔为lmin。
[0022] 步骤b，具体包括：
[0023] 采用最小二乘法辨识出开路电压-荷电状态函数关系式F(SOC)，过程如下：
[0024] F (SOC) = a。I afSOC I a2*S0C21 a3*S0C3 卜.I aN*S0CN (I)
[0025]
[0026]
[0027]
[0028] 式⑴（2) (3) (4)中：S0C。为初始荷电状态；SOC^各阶段放电后的荷电状态； 0CV。为初始开路电压；OCV i为各阶段放电后的开路电压；a i为式（1)中的系数；N为放电阶 段数；i = 1，2,3，"·，Ν
[0029] 步骤c，具体包括：
[0030] 选用蓄电池 Thevenin -阶等效模型，通过改进的最小二乘法辨识出蓄电池模型 参数，其过程如下：
[0031]
[0032] 式（5)中：yk:k时刻的开路电压OCVk与蓄电池单体电压V k之差，由放电电流I， 放电时长估算出S0C，然后对应到F(SOC)求出0CVk;I k:k时刻的放电电流；a i，β。，β 1:系 数，标量；X :系数矩阵；ak:k时刻的测量矩阵；P k:k时刻的中间变量矩阵；Kk:k时刻的中间 变量矩阵；Xk:k时刻的系数矩阵。
[0033] cl.初始化
[0034]
[0035] 式（6)中：V。:第一阶段放电瞬间的蓄电池单体电压；E3X3:3X3单位矩阵；T S:采 样周期，单位s。
[0036] c2.参数辨识过程
[0037]
[0038] 以式（7)进行递推直到k = 30为止，所得到的a i，β。，β舴为辨识的最终结果。
[0039] c3.计算 R、Rf、Cf
[0040]
[0041] 由式⑶计算出R、Rf、Cf。
[0042] R、Rf、Cf是随着蓄电池的剩余容量发生变化的，因此该过程辨识各放电阶段的R、 Rf、Cf，用于模型的在线修正。
[0043] 步骤d，具体包括：
[0044] 以蓄电池的荷电状态S0C、电容Cf上的电压U。为状态变量，电流I为输入量，单体 电压V为输出量，得出式（9):
[0045]
[0046]
[0047] Vk= F(SOCk)-Ucjk-RIk (10)
[0048] 式（9) (10)中：T :采样间隔，单位s ;Qn:蓄电池额定容量；I k:k时刻采集的电流 值，放电时为负，充电时为正；Tf:时间常数，取值为τ f= RfCf; η :充电效率，当一段定电 流η为0.65,当二段定电流充电η为0.8,当二段定电流、定电压充电η为0.85,当放电 时η为1。
[0049] 对式（10)线性化后，结合卡尔曼滤波算法得到如下矩阵：
[0051] 递推过程如下：
[0052] dl.初始化
[0053]
[0054] 其中：G :观测噪声协方差；
[0055] d2·状态预测矩阵
[0056] Xkr =AXk !+BUcjkl (11)
[0057] d3.预测值误差协方差
[0058] Pkr =APklA1 (12)
[0059] d4.输出预测
[0060] Yk1 =F (SOCkr )-Ucjk-RIk (13)
[0061] d5.最优滤波增益矩阵
[0062] Lk=P1/ CT(CPk' CT+DO)T) 1 (14)
[0063] d6.状态最优估计矩阵
[0064] Xk=Xk，+Lk (V V ) (15)
[0065] d7·最优估计误差协方差
[0066] Pk= (E2x2-LkC) Pkr (16)。
[0067] 步骤e，具体包括：
[0068] 通过式（17)，得出最终的SOC ;
[0069] SOC = SOCk (I |KT (T T。） (17)
[0070] 式（17)中：KT:温度系数，取为0.08;T:当前内阻所对应的环境温度；T。:①中放电 过程所对应的环境温度。
[0071] 步骤f，具体包括：
[0072] Π .对蓄电池采用大电流放电技术测取蓄电池内阻值W ;
[0073] f2.由所测的内阻值对比步骤W中各放电阶段的R值，取W与R相差最小的放 电阶段的模型参数作为当前的蓄电池模型参数实现模型的修正。
[0074] 本发明的有益效果是：
[0075] 可快速准确的在线估算蓄电池 S0C，可实施性高，同时弥补了现有SOC估算方法的 不足。
【附图说明】
[0076] 图1是蓄电池放电过程中的电压-时间曲线；
[0077] 图2是蓄电池放电过程中的电流-时间曲线；
[0078] 图3是蓄电池一阶等效模型电路原理图。
【具体实施方式】
[0079] 本发明包括如下步骤：
[0080] a.通过阶段式放电对蓄电池进行性能测试，获取放电测试过程中的放电电流及单 体电压数据；
[0081] b.基于步骤a所得的测试数据，获得开路电压-荷电状态的函数关系式；
[0082] c.基于步骤a所得的测试数据，进行参数辨识，获得各放电阶段的蓄电池模型参 数；
[0083] d.基于步骤b所得的函数关系式和步骤c所得的第一放电阶段的蓄电池模型参 数，通过EKF算法，估算蓄电池 SOC ;
[0084] e.基于步骤d所得的S0C，进行温度补偿后，得到最终的SOC ;
[0085] f.定期对蓄电池进行内阻测试，由测得的内阻值，选择步骤c中相应放电阶段下 的蓄电池模型参数；
[0086] g.通过步骤d和步骤e，得到最新的SOC。
[0087] 2、根据权利要求1所述的基于扩展卡尔曼滤波的蓄电池荷电状态估算方法，其特 征在于，所述步骤a，具体包括：
[0088] 将蓄电池离线后搁置Ih后以0.1 ClO放电Ih ;依此循环至累计放电时长，达IOh或 放电电压达截止电压时停止放电后搁置Ih ;同时采集整个放电过程的放电电流及蓄电池 单体电压，数据采集的时间间隔为lmin。
[0089] 3、根据权利要求1所述的基于扩展卡尔曼滤波的蓄电池荷电状态估算方法，其特 征在于，所述的步骤b，具体包括：
[0090] 采用最小二乘法辨识出开路电压-荷电状态函数关系式F(SOC)，过程如下：<