基于自适应无迹卡尔曼滤波的蓄电池荷电状态估算方法
【专利摘要】本发明公开了基于自适应无迹卡尔曼滤波的蓄电池荷电状态估算方法，包括：通过HPPC试验对蓄电池性能进行测试，获得蓄电池HPPC测试数据；基于获得的蓄电池HPPC测试数据，进行参数辨识，得到蓄电池模型参数；基于得到的蓄电池模型参数，通过AUKF算法，估算蓄电池SOC。本发明所述基于自适应无迹卡尔曼滤波的蓄电池荷电状态估算方法，可以克服现有技术中人工劳动量大、实时性差、操作难度大和测算精度低等缺陷，以实现人工劳动量小、实时性好、操作难度小和测算精度高的优点。
【专利说明】基于自适应无迹卡尔曼滤波的蓄电池荷电状态估算方法
【技术领域】
[0001]本发明涉及汽车电池【技术领域】，具体地，涉及基于自适应无迹卡尔曼滤波的蓄电池荷电状态估算方法。
【背景技术】
[0002]近些年来动力电池发展异常迅猛，而与之相对应的却是电池管理技术发展的严重滞后，这也导致蓄电池管理技术成为制约电动汽车发展的重要因素。由于管理技术的不完善，电动汽车用动力电池长期处于过充或过放电状态，电池性能随着使用逐渐变差，导致电池成本过高。因此，SOC精确估计显得尤为重要，但是SOC不是可以直接测量的物理量，电池本身是封闭的电化学反应，电动汽车运行时伴随着电流的剧烈变化呈现很强的非线性导致SOC估算困难。
[0003]现有技术包括放电试验法、安时积分法、开路电压法、神经网络法、卡尔曼滤波法等多种方法。放电试验法是公认的比较可靠的SOC测量方法，通过一段时间负载放电来测量S0C;安时积分法是最常用的方法，它是根据SOC的定义，将电池作为“黑箱”，采集电流直接对电流进行积分得到SOC ;开路电压法是最准确的方法，利用开路电压和SOC—一对应的关系，通过不断静置，得到电池的开路电压，进而通过查表得到电池SOC神经网络法是在大量训练数据和合适训练算法下实施的SOC预测；卡尔曼滤波算法在近几年使用广泛，利用建立的数学模型，将SOC作为一状态变量，通过上一时刻和本时刻值的不断“修正一更新”得到SOC的最优无偏估计。
[0004]基于扩展卡尔曼滤波的蓄电池荷电状态估算，扩展卡尔曼滤波算法采集电动汽车运行时电池的电压、电流及温度，以传感器电流、温度为输入量，在建立电池数学模型的基础上进行估算。具体步骤如下:
⑴在不同温度和SOC对电池进行充放电试验，通过静置获得电池开路电压，数据拟合得到开路电压与SOC的函数关系。
[0005]⑵通过《FreedomCAR电池试验手册》中的HPPC试验对电池性能进行测试获得数据，经过参数辨识得到电池模型参数。
[0006]⑶建立电池的状态空间模型，离散化得到离散模型，以采集温度、电流为输入量，将SOC作为一状态变量代入扩展卡尔曼滤波算法进行估算进而得到SOC测量值。
[0007]现有测量方法的不足之处:
⑴放电实验法得到SOC比较可靠，但是放电试验法是一种完全离线的测量方法，而且对电动汽车而言需要备用电池组，成本增加过多。测量需要笨重的充放电机，放电时间长，需要专门看护。
[0008]⑵安时法可以在线测量，使用简便。但安时法会随着时间的积累导致误差的不断积累，进而会导致下次估算的初值不精确，并且需要存储大量数据。
[0009]⑶开路电压法，使用简便，但需要电池组进行间歇静置，需要一定时间离线，无法满足电动汽车实时性要求。[0010]⑷神经网络法，估算较为精确，但需要大量训练数据和合适的训练算法，训练数据不易获得，合适的训练算法不以寻求，并且神经网络需要存储大量数据，增加硬件成本。
[0011](5)卡尔曼滤波算法比较适合电动汽车剧烈运行的工况，但传统卡尔曼滤波只适合线性系统，对电池使用过程中呈现的强烈非线性不在适用。
[0012](6)扩展卡尔曼滤波方法采用一阶泰勒技术近似，可以用来估算电池荷电状态，但扩展卡尔曼滤波采用的是将非线性系统近似等价于一个线性时变系统的线性化方法，这样不免产生线性化误差，并且扩展卡尔曼滤波方法需要求解系统的雅可比矩阵，求解算法复杂，运算速度慢，不利于硬件实现。
[0013](7)扩展卡尔曼滤波算法的有效实施，必须依靠电池模型的精确建立，电动汽车运行时，电池伴随剧烈的化学反应，电路参数也会随着电池的使用发生变化，这种变化必然导致SOC估算不精确。
[0014]在实现本发明的过程中，发明人发现现有技术中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】
[0015]本发明的目的在于，针对上述问题，提出基于自适应无迹卡尔曼滤波的蓄电池荷电状态估算方法，以实现人工劳动量小、实时性好、操作难度小和测算精度高的优点。
[0016]为实现上述目的，本发明采用的技术方案是:基于自适应无迹卡尔曼滤波的蓄电池荷电状态估算方法，包括:
a、通过HPPC试验对蓄电池性能进行测试，获得蓄电池HPPC测试数据；
b、基于获得的蓄电池HPPC测试数据，进行参数辨识，得到蓄电池模型参数；
C、基于得到的蓄电池模型参数，通过AUKF算法，估算蓄电池S0C。
[0017]进一步地，在步骤a之前，还包括:
对蓄电池特性进行测试，获得蓄电池基本信息；以及，
基于获得的蓄电池基本信息，建立蓄电池的数学模型。
[0018]进一步地，所述对蓄电池特性进行测试，获得蓄电池基本信息的操作，具体包括: 对蓄电池组充满电即SOC=I，利用恒温箱在不同温度下对蓄电池组进行恒流放电测试，
每当蓄电池SOC下降10%，将蓄电池静置半小时后，测量蓄电池两端开路电压OCV ；
将不同SOC和温度T下的数据导入MATLAB中，经过二维数据拟合处理，得到OCV与SOC和T的函数关系:0CV=f (SOC, T)。
[0019]进一步地,所述步骤b,具体包括:
bl、通过混合动力脉冲能力特性测试试验，对电池测试获得试验数据,选择PNGV作为等效电路模型，经过最小二乘辨识得到等效电路模型参数与SOC和T的函数关系；
b2、根据数据拟合和参数辨识得到的函数关系，将SOC作为一状态变量，建立蓄电池的状态空间模型如下:
【权利要求】
1.基于自适应无迹卡尔曼滤波的蓄电池荷电状态估算方法，其特征在于，包括: a、通过HPPC试验对蓄电池性能进行测试，获得蓄电池HPPC测试数据； b、基于获得的蓄电池HPPC测试数据，进行参数辨识，得到蓄电池模型参数； C、基于得到的蓄电池模型参数，通过AUKF算法，估算蓄电池SOC。
2.根据权利要求1所述的基于自适应无迹卡尔曼滤波的蓄电池荷电状态估算方法，其特征在于，在步骤a之前，还包括: 对蓄电池特性进行测试，获得蓄电池基本信息；以及， 基于获得的蓄电池基本信息，建立蓄电池的数学模型。
3.根据权利要求2所述的基于自适应无迹卡尔曼滤波的蓄电池荷电状态估算方法，其特征在于，所述对蓄电池特性进行测试，获得蓄电池基本信息的操作，具体包括: 对蓄电池组充满电即SOC=I，利用恒温箱在不同温度下对蓄电池组进行恒流放电测试，每当蓄电池SOC下降10%，将蓄电池静置半小时后，测量蓄电池两端开路电压OCV ； 将不同SOC和温度T下的数据导入MATLAB中，经过二维数据拟合处理，得到OCV与SOC和T的函数关系:0CV=f (SOC, T)。
4.根据权利要求1-3中任一项所述的基于自适应无迹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b，具体包括: bl、通过混合动力脉冲能力特性测试试验，对电池测试获得试验数据,选择PNGV作为等效电路模型，经过最小二乘辨识得到等效电路模型参数与SOC和T的函数关系； b2、根据数据拟合和参数辨识得到的函数关系，将SOC作为一状态变量，建立蓄电池的状态空间模型如下:
5.根据权利要求4所述的基于自适应无迹卡尔曼滤波的蓄电池荷电状态估算方法，其特征在于，在步骤bl中，所述经过最小二乘辨识得到等效电路模型参数与SOC和T的函数关系的操作中，得到的函数关系包括:内阻= f (S0C,T)o
6.根据权利要求1-3中任一项所述的基于自适应无迹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C，具体包括: 根据步骤b得到的状态空间模型，设置合适的AUKF估算算法； 结合设置的AUKF估算算法，利用MATLAB的RTW工具将算法模型自动生成代码，进行硬件在环仿真，并将生成的代码结合到电池硬件核心控制器TMS320F2812 DSP中实现蓄电池的荷电状态估算。
7.根据权利要求6所述的基于自适应无迹卡尔曼滤波的蓄电池荷电状态估算方法，其特征在于，所述电池硬件核心控制器，具体包括型号为TMS320F2812的DSP。
【文档编号】G01R31/36GK103744026SQ201310702816
【公开日】2014年4月23日 申请日期:2013年12月19日 优先权日:2013年12月19日
【发明者】刘胜永, 张兴, 李 昊 申请人:广西科技大学