一种高效能的无人机锂离子电池荷电状态估计系统及方法与流程

本发明属于电池管理技术领域。

背景技术：

锂离子电池因其质量轻、能量密度大、输出电压高等优点广泛应用于消费电子、电动汽车、无人机等领域。在无人机领域，锂离子电池可大大降低其供电系统的重量和体积。作为无人机执行任务时的唯一能量来源，锂离子电池需为无人机所有设备供电，因此锂离子电池管理已成为无人机管理的关键技术。锂离子电池荷电状态(stateofstate，soc)是电池管理最关键的参数之一，soc既可以反映锂离子电池剩余能量的信息，也可以用于评估电池的可靠性。对锂离子电池soc的准确估计是保证无人机安全可靠地执行任务的前提，因此准确评估无人机锂离子电池soc具有十分重要的意义。

然而，现有无人机执行任务时，仅实现锂离子电池的电压以及电流的采集，缺少对其荷电状态的估计。与此同时，由于无人机对其控制设备的重量、体积、功耗都有特殊要求，其数据采集均通过嵌入式模块实现。所以采用嵌入式模块实现无人机锂离子电池荷电状态评估这一技术亟待解决。

技术实现要素：

本发明是为了填补无人机锂离子电池荷电状态评估的空白，现提供一种高效能的无人机锂离子电池荷电状态估计系统及方法。

一种高效能的无人机锂离子电池荷电状态估计系统，包括：数据采集单元和数据处理单元；

数据采集单元：用于采集无人机飞行过程中锂离子电池的状态数据，状态数据包括电压信号和电流信号；

数据处理单元：用于根据状态数据估计锂离子电池的荷电状态，该数据处理单元包括以下模块：

训练模块：利用状态数据建立训练数据集、并对支持向量机模型进行训练，

观测值获得模块：将k时刻的电压信号和电流信号代入训练后的支持向量机模型，获得k时刻的荷电状态zk并作为卡尔曼滤波观测值，

预测值获得模块：根据卡尔曼滤波的状态转移方程获得k时刻电池荷电状态的预测值

荷电状态获得模块：利用卡尔曼滤波观测值zk、k时刻的卡尔曼滤波增益kgk和k时刻电池荷电状态的预测值估计k时刻电池荷电状态估计值sock。

一种高效能的无人机锂离子电池荷电状态估计方法，包括以下步骤：

数据采集步骤：采集无人机飞行过程中锂离子电池的状态数据，状态数据包括电压信号和电流信号；

训练步骤：利用状态数据建立训练数据集、并对支持向量机模型进行训练，

观测值获得步骤：将k时刻的电压信号和电流信号代入训练后的支持向量机模型，获得k时刻的荷电状态zk并作为卡尔曼滤波观测值，

预测值获得步骤：根据卡尔曼滤波的状态转移方程获得k时刻电池荷电状态的预测值

荷电状态获得步骤：利用卡尔曼滤波观测值zk、k时刻的卡尔曼滤波增益kgk和k时刻电池荷电状态的预测值估计k时刻电池荷电状态估计值sock。

本发明基于嵌入式控制器，设计了一种高效能的无人机锂离子电池荷电状态估计嵌入式系统及方法，具有体积小、重量轻、功耗低等优点，可用于无人机执行任务过程中的锂离子电池数据采集和soc估计。与现有技术相比，除实现电压电流采集等基本功能外，本发明还实现了锂离子电池soc得在线估计。本发明采用卡尔曼滤波(kf)和支持向量机(svm)融合的方法实现锂离子电池的soc在线估计，弥补了传统soc估计方法精度较低的不足。同时，即使在soc初值未知的情况下，亦可实现soc的准确估计。本发明提出一种高效能的锂离子电池荷电状态估计系统及方法，具有小型化、低功耗、精度高等优点，用于实现无人机执行任务过程中电池荷电状态的准确估计。

附图说明

图1为具体实施方式一所述的一种高效能的无人机锂离子电池荷电状态估计系统的结构示意图；

图2为数据处理单元ip核及各功能接口结构示意图；

图3基于kf-svm的soc估计方法原理框图；

图4为无噪声情况下soc估计结果曲线图；

图5为无噪声情况下soc估计误差曲线图；

图6为40db噪声情况下soc估计结果曲线图；

图7为40db噪声情况下soc估计误差曲线图；

图8为50db噪声情况下soc估计结果曲线图；

图9为50db噪声情况下soc估计误差曲线图；

图10为60db噪声情况下soc估计结果曲线图；

图11为60db噪声情况下soc估计误差曲线图；

图12为soc初值为1时的实验结果曲线图；

图13为soc初值为0.8时的实验结果曲线图。

具体实施方式

具体实施方式一：参照图1至图3具体说明本实施方式，本实施方式所述的一种高效能的无人机锂离子电池荷电状态估计系统，包括：数据采集单元、数据处理单元和数据存储单元。

数据采集单元：用于采集无人机飞行过程中锂离子电池的状态数据，状态数据包括电压信号和电流信号；具体的，数据采集单元包括以下子模块：实验模块：用于模拟无人机飞行过程中锂离子电池的充放电过程；采集模块：用于采集上述充放电过程中锂离子电池的电压信号和电流信号。

实际应用时，通过霍尔传感器acs712和ti(texasinstrument)公司模数转换器ads1256实现电流、电压信号的采集；acs712可采集双方向电流信号，将充(放)电过程中的电流信号转换为电压信号，随后与电池电压信号一同输入至模数转换器ads1256转换为数字信号，完成采集。ads1256与数据处理单元之间通过spi总线接口实现数据传输。

数据处理单元：用于根据状态数据估计锂离子电池的荷电状态，还用于将锂离子电池的荷电状态转换为数字信号，并发送至数据存储单元；具体的，上述数据处理单元包括以下子模块：训练模块：利用状态数据建立训练数据集、并对支持向量机模型进行训练；观测值获得模块：将k时刻的电压信号和电流信号代入训练后的支持向量机模型，获得k时刻的荷电状态zk并作为卡尔曼滤波观测值；预测值获得模块：根据卡尔曼滤波的状态转移方程获得k时刻电池荷电状态的预测值荷电状态获得模块：利用卡尔曼滤波观测值zk、k时刻的卡尔曼滤波增益kgk和k时刻电池荷电状态的预测值估计k时刻电池荷电状态估计值sock。

实际应用时，数据处理单元采用xilinx公司的zynq7045控制数据采集单元并实现soc估计。按照功能需求编写程序，并通过jtag接口将程序固化到zynq7045，以实现数据采集的控制和soc估计。

数据存储单元：用于存储锂离子电池的状态数据和荷电状态。实际应用时，数据存储单元采用sd卡存储无人机锂离子电池的历史状态数据，同时存储数据处理单元输出的锂离子电池soc估计结果。使用txs02612实现sd卡接口与数据处理单元中zynq7045处理器之间的逻辑电平转换，以实现数据的读取与存储。

本实施例中还包括1路uart接口，用于模块整体功能调试、状态数据采集结果打印、soc估计结果显示以及配置信息显示。

进一步的，根据下式获得k时刻的卡尔曼滤波增益kgk：

其中，为k时刻的估计误差协方差、rk为k时刻的测量噪声协方差。

进一步的，根据下式获得k时刻电池荷电状态估计值sock：

具体实施方式二：本实施方式所述的一种高效能的无人机锂离子电池荷电状态估计方法，soc估计采用基于卡尔曼滤波(kalmanfilter，kf)和支持向量机(supportvectormachine，svm)融合的方法，估计步骤如下：

数据采集步骤：模拟无人机飞行过程中锂离子电池的充放电过程，采集该充放电过程中锂离子电池的电压信号和电流信号，使用模块采集实验过程中的电压和电流数据，并计算各时刻对应的soc，将锂离子电池的电压信号、电流信号和对应的soc作为训练状态数据。

训练步骤：利用状态数据建立训练数据集，该训练数据集中电压信号和电流信号作为输入序列x1和x2，

其中，n为输入序列长度，vn(n＝1,2,...,n)和in(n＝1,2,...n)分别表示电池的电压和电流；

训练数据集中soc作为输出序列y，

y＝[soc1,soc2,...,socn]

其中，socn(n＝1,2,...,n)表示电池soc；

将输入序列x1、x2和输出序列y代入svm模型中，对svm模型进行训练。

观测值获得步骤：由于在实际工作中，电池数据的采集会有噪声，因此将训练数据集中电池数据添加不同强度的噪声以模拟无人机锂离子电池数据实际采集情况。将k时刻的电池数据vk和ik代入训练后的svm模型中，得到k时刻电压、电流数据对应的输出结果zk＝svm(vk,ik)、并作为kf观测值，进行无人机锂离子电池soc的准确评估。

预测值获得步骤：根据kf的状态转移方程获得k时刻电池荷电状态的预测值所述kf的状态转移方程为：

其中，sock-1为k-1时刻电池荷电状态的估计值、δt为采样时间间隔、crate为锂离子电池的额定容量、wk为k时刻soc预测过程的噪声。

荷电状态获得步骤：首先，根据下式获得k时刻的卡尔曼滤波增益kgk：

其中，为k时刻的估计误差协方差、rk为k时刻的测量噪声协方差；

然后，利用卡尔曼滤波观测值zk、k时刻的卡尔曼滤波增益kgk和k时刻电池荷电状态的预测值来估计k时刻电池荷电状态估计值sock，具体公式如下：

数据存储步骤，具体为：将锂离子电池的荷电状态转换为数字信号，并进行存储；还能够存储锂离子电池的状态数据和荷电状态。

本实施方式中，在上述步骤之后，为了估计下一时刻的电池荷电状态，还需要通过下式来更新k+1时刻的估计误差协方差

其中，pk为k时刻的协方差，qk+1为k+1时刻的系统过程噪声协方差。

根据上述方法获得soc估计结果并绘制曲线，参照图4至图13。

表1soc结果评价指标

本实施方式为了实现无人机锂离子电池soc在线估计，模拟无人机实际运行工况获得电池数据(电压、电流)，使用svm构建电压、电流与电池soc之间的关系，考虑到实际测量过程中存在误差，采用卡尔曼滤波与svm融合的方法实现soc在线估计。与现有技术相比，在一定的误差范围内并且soc初值未知的情况下，基于数据驱动和物理模型融合的方法可实现soc的准确估计。