一种基于参数自适应的电池模型的SOC估计方法与流程

本发明涉及一种基于参数自适应的电池模型的SOC估计方法。

背景技术：

锂电池的荷电状态(SOC)估计是电池管理系统(BMS)的核心技术之一，准确、实时的在线估计有助于提高电池使用寿命，同时关系到电动车的安全驾驶。电动车行驶的路况不定，且SOC不可直接测量，且同时受温度，使用时长等多因素影响，这给SOC的估计造成极大的困难。现在工程设备中常用的是安时积分法配合开路电压法提高估算精度，但两者结合依然未能解决累计误差和在车况中难以校正的问题。

技术实现要素：

本发明要解决的技术问题是：提供一种基于参数自适应的电池模型的SOC估计方法，用于车载系统实时在线估计电池参数，通过粒子群算法优化模型参数，提高SOC估计的精确度。

为实现上述目的，本发明采用的技术方案如下：

一种基于参数自适应的电池模型的SOC估计方法，包括以下步骤：

(1)选用锂电池二阶戴维南模型作为静态电池等效电路模型，在20℃下对锂电池进行恒流充放电实验，实时采集工况下电池端电压和电流数据，并记录时间，根据电池模型离散状态方程，选取递归最小二乘法指数拟合锂电池端电压对脉冲电流的响应曲线，进而求出此状态下的模型参数，所述二阶戴维南模型离散状态方程和输出方程如下：

离散状态方程为输出方程为U_t＝OCV(soc_t)-R₀I_t-U_1,t-U_2,t+v_t；

其中，U_t表示锂电池的端电压，端电压需辨识且分别为U_1,t和U_2,t，I_t表示锂电池的工作电流，R₀表示锂电池的等效内阻，OCV表示等效电压源，R₁、C₁以及R₂、C₂分别表示两个RC回路，用于描述锂电池的荷电变化以及扩散现象；Δt为采样周期且取值是1s；W_1,t、W_2,t和W_3,t表示过程噪声，V_t表示测量噪声，过程噪声和测量噪声均为高斯白噪声；

(2)将所得模型参数利用粒子群算法建立适应度函数并优化该模型参数，利用优化后的模型参数在线更新电池模型参数，之后建立动态电池模型，所述适应度函数如下：

其中，R₀为内阻，R₁和R₂为极化电阻，C₁和C₂为极化电容；

(3)利用建立的动态电池模型建立UKF-SOC观测器，改进UKF的噪声估计，再将采集得到的电压和电流数据输入UKF-SOC观测器，在线估计电池SOC。

与现有技术相比，本发明具有以下有益效果：

本发明针对电池工作环境的复杂性引入仿生算法，利用粒子群算法，对电池模型参数进行优化，同时将蚁群算法信息素挥发概念引入卡尔曼滤波器，降低噪声，提高电池荷电状态估计精度。

附图说明

图1为本发明的SOC估计原理框图。

图2为本发明开路电压与荷电状态关系曲线图。

图3为本发明锂电池二阶戴维南电路模型图。

图4为本发明SOC估计曲线图。

图5为本发明SOC误差曲线图。

具体实施方式

下面结合附图说明和实施例对本发明作进一步说明，本发明的方式包括但不仅限于以下实施例。

实施例

如图1-5所示，一种基于参数自适应的电池模型的SOC估计方法，包括以下步骤：

(1)选用锂电池二阶戴维南模型作为静态电池等效电路模型，在20℃下对锂电池进行恒流充放电实验，实时采集工况下电池端电压和电流数据，并记录时间，根据电池模型离散状态方程，选取递归最小二乘法指数拟合锂电池端电压对脉冲电流的响应曲线，进而求出此状态下的模型参数，所述二阶戴维南模型离散状态方程和输出方程如下：

离散状态方程为输出方程为U_t＝OCV(soc_t)-R₀I_t-U_1,t-U_2,t+v_t；

其中，U_t表示锂电池的端电压，端电压需辨识且分别为U_1,t和U_2,t，I_t表示锂电池的工作电流，R₀表示锂电池的等效内阻，OCV表示等效电压源，R₁、C₁以及R₂、C₂分别表示两个RC回路，用于描述锂电池的荷电变化以及扩散现象；Δt为采样周期且取值是1s；W_1,t、W_2,t和W_3,t表示过程噪声，V_t表示测量噪声，过程噪声和测量噪声均为高斯白噪声；

(2)将所得模型参数利用粒子群算法建立适应度函数并优化该模型参数，利用优化后的模型参数在线更新电池模型参数，之后建立动态电池模型，所述适应度函数如下：

其中，R₀为内阻，R₁和R₂为极化电阻，C₁和C₂为极化电容；

(3)利用建立的动态电池模型建立UKF-SOC观测器，改进UKF的噪声估计，再将采集得到的电压和电流数据输入UKF-SOC观测器，在线估计电池SOC。

下面采用具体的实例对本发明做进一步的阐述。

本发明选用锂电池二阶戴维南模型，其离散方程如下：

U_t＝F(soc_t)-R₀I_t-U_1,t-U_2,t+v_t。

其中，U_t表示锂电池的负载电压即端电压；I_t表示锂电池的工作电流；R₀表示锂电池的等效内阻；OCV表示等效电压源；R₁、C₁以及R₂、C₂表示两个RC回路，用于描述锂电池的荷电变化以及扩散现象，本发明端电压需辨识，分别为U_1,t和U_2,t；Δt为采样周期，在本发明中周期取值是1s；w和v分别表示过程噪声和测量噪声，且均为高斯白噪声。

模型参数辨识

在20℃下对锂电池进行恒流充放电实验，有上位机和监控软件实时采集并记录电池的工作数据电流、电压及SOC。由递归二乘法得到不同荷电状态下模型的基本参数。再通过PSO对模型参数进行优化，具体步骤如下：

由RLS得到基本模型参数

参数优化：初始化粒子群算法，粒子个数为40，由电池模型可知粒子维数为5，分别代表内阻R₀，极化电阻R₁和R₂，极化电容C₁和C₂，然后由RLS得到的模型参数确定粒子各维变化范围。

随机产生粒子初始位置x_ij和速度v_ij。

确定适应度函数，由状态方程U_t＝F(soc_t)-R₀I_t-U_1,t-U_2,t+v_t可得到适应度函数为：V(soc_t)，i_t，t均由实验记录仪读取，视为常数。

计算粒子适应度，获取最优值，判断是否达到迭代停止阈值，是则输出粒子位置值，即内阻，极化电阻，极化电容，否则更新粒子速度，以及粒子位置，继续迭代计算。通过粒子群算法，输出优化后的模型参数。

采取比例修正的采样策略计算采样点。

由电池模型可知维数是1，故有3个sigma点，

由输入变量的统计量，采取对称采样，得到相应加权系数；

时间与测量更新，时间更新为:

测量更新为：

变量和协方差修正后的估计值：

电池的状态空间方程：

U_t＝F(soc_t)-R₀I_t-U_1,t-U_2,t+v_t。

其中，电池状态初值状态误差协方差初值为电池状态估计值，P为状态误差协方差估计值，L为卡尔曼增益矩阵。

由于系统噪声未知，故将系统噪声的协方差阵视为常数并不妥善。故引如蚁群算法中信息素概念，并根据Sage-Husa基于观测的噪声次优无偏估计器动态更新系统噪声协方差：

式中K_k+1为增益更新参数；F_k为一个残差项，用于计算平均值和估计值的平均值之差。将两公式带入UKF方程中，对系统噪声进行估计。由此可输出SOC的最优估计。

本发明设计科学合理，能在线精确稳定地对电池参数进行估计。具备突出的实质性特点和显著的进步。

上述实施例仅为本发明的优选实施方式之一，不应当用于限制本发明的保护范围，但凡在本发明的主体设计思想和精神上作出的毫无实质意义的改动或润色，其所解决的技术问题仍然与本发明一致的，均应当包含在本发明的保护范围之内。