一种基于神经网络的锂电池SOC观测方法与流程

本发明一种电池观测方法，尤其是涉及了一种基于神经网络的锂电池soc观测方法。

背景技术：

节能与环保已经成为当今中国以至于全世界努力的目标。其中，锂电池的广泛应用成为了时代的一种标致。

锂电池是将储存的化学能转化为电能的装置。因为他们的高电能密度性、设计随意性、以及低费用，现在锂电池广泛应用在各个场合，比如电子通讯设备、混合电动汽车等。然而，如果没有好好对锂电池进行管理，锂电池的寿命和效用会大大降低。所以，一个能够时刻监测电池状态、保证电池平稳运行的bms(电池管理系统)对于一个锂电池非常重要。

为了能够尽可能地提高电池的表现并延长电池寿命，soc(荷电状态)是bms中需要监测的一个最为重要状态。soc即是剩余电量。不准确的soc测量可能造成电池的过充或过放。

技术实现要素：

为了解决背景技术中存在的问题，针对锂电池的soc难以直接测量问题，本发明公开了一种锂电池的荷电状态(soc)观测方法。

本发明所采用的技术方案包括以下步骤：

1)利用锂电池特性，建立锂电池等效电路模型的拓扑结构及其模型公式；

2)通过对已知电池参数的电池进行测试，获得锂电池等效电路模型的模型参数；

3)用锂电池等效电路模型，使用基于径向基神经网络的状态观测器对锂电池的剩余电量soc进行估测。

所述步骤1)建立锂电池等效电路模型的拓扑结构具体为：

soc观测器属于算法，进行观测运算的时候需要先在观测器中建立锂电池模型从而进行估计，故发明首先需要对锂电池的状态进行模拟，建立一个有效的锂电池模型。因此，本发明采用第一副回路和第二副回路来描述电池的状态，如图1，左边的为第一副回路，右边的是第二副回路。第一副回路获得仿真soc以及电池剩余的工作时长，第二副回路获得短时反应以及电池的v-i曲线。

针对每个电池，采用第一副回路和第二副回路来描述电池的状态：第一副回路包括并联在电池两端的放电电阻rsd、电容cb和电流源ib，通过电容cb和电流源ib获得电池剩余的工作时长和电池的soc；第二副回路包括串联在电池的开路电压voc、电阻r0、由电阻rs和电容cs构成的rc回路以及由电阻rf和电容cf构成的rc回路，通过两组rc回路获得电池的短时反应以及电池的v-i曲线。

考虑到模型误差和未知干扰，所述锂电池等效电路模型采用以下公式表示：

y＝cx

其中，表示x的导数，x是状态向量，x＝[soc,vf,vs,vb]^t，soc代表电池的剩余容量，满足soc∈[0,1]，vs代表短期瞬态响应的电压值，vf代表长期瞬态响应的电压值，vb代表电池的最终电压，ib为外部电流；a()表示电池soc的状态转移，g()表示外部电流影响，表示误差函数；并且y＝vb；

所述a()、g()和分别采用以下公式计算：

其中，ψ(x,ib)是可预测干扰量，c＝[0001]，h1(x1)、h2(x1)和h3(x1)分别表示短期瞬态响应方程、长期瞬态响应方程以及总瞬态响应方程，g1(x1)、g2(x1)、g3(x1)和g4(x1)表示第一、第二、第三、第四中间电量，x1表示上一瞬间的x，即x的前值；

所述h1(x1)、h2(x1)、h3(x1)，g1(x1)、g2(x1)、g3(x1)和g4(x1)分别采用以下公式计算：

其中，cb指的是电容cb的电容值，等效为电池的电容值，rsd是放电电阻rsd的电阻值，r0是指电阻r0的电阻值；rs(soc),cs(soc),rf(soc)、r0(soc)和cf(soc)分别代表rs,cs,rf,r0,cf随soc变化的实时值。

拓扑结构中的rc回路(rs,cs)和(rf,cf)代表电池的短期瞬态响应的rc电路参数值，长期的瞬态相应的rc电路参数值。

所述步骤2)锂电池等效电路模型参数获取具体为：

用现有已知剩余容量的锂电池进行实验得到锂电池等效电路模型参数：

2.a)对于电池的内阻r0，将已知剩余容量的锂电池进行间歇性放电，让电池放电数秒，测量电流和电池电压，然后静置数秒，静置时间和放电时间相同，测量开环电压，重复上面工作数次，得到得到电池的内阻r0，计算公式为：

其中，u0表示从开环到有外部电流情况下锂电池电压变化值，ib表示外部电流；

2.b)对于电池的内阻r0以外的其他参数，电池的内阻r0以外的其他参数具体为rs,cs,rf,r0,cf，都会随soc变化，采用以下方式进行实验并拟合获得：

先进行实验获得剩余电量soc与开路电压ocv关系曲线；

然后将电池串联电阻不断放电，实时记录电压电流并拟合获得v-i曲线，然后通过拟合获得其他参数各自与soc关系函数，得到rc回路中各个参数值。

获得v-i曲线后，具体是通过下面公式进行拟合其他参数各自与soc关系函数：

vs＝rsib

其中，t是拟合自变量时间，τs表示短期瞬态反应周期，τs＝rscs，τf表示长期瞬态反应周期，τf＝rfcf；vb、vf和vs分别表示电池电压、电池长期瞬态响应电压和短期瞬态响应。

所述步骤2.b)中进行实验获得剩余电量soc与开路电压ocv关系曲线具体为：

先对锂电池进行放电，记录锂电池的放电数据，通过安时法得到锂电池的总电量，然后充满电后再第二次放电，直到准确测量电池的总电量，使得误差在1％之内；

然后将电池充满电，静置一段时间(大于半小时)后，获得电池开路电压ocv，在电池测试平台中将电池以额定电流进行第三次放电，获得剩余电量soc及其对应的每块电池的开路电压ocv，从而绘制ocv和soc之间的离散关系曲线f(·)。

由实际锂电池测试获得的电池的电压电流参数输入到拟合后的曲线中，获得锂电池等效电路模型的拓扑结构的各个模型参数

所述步骤3)具体为：

在得到锂电池等效电路模型及其模型参数后，构建以下公式表示的基于径向基神经网络的锂电池状态观测器，用构建的锂电池状态观测器对锂电池的剩余电量soc进行估测计算：

其中，l表示观测器的初始增益矩阵，l＝[l1,l2,l3,l4]^t，l1、l2、l3、l4分别表示为设定的增益矩阵参数，t表示矩阵转置；是状态向量x的观测量，是可预测干扰量ψ的观测量，满足w^t是权重向量，w^t＝[w1,w2,…,wn]，w1,w2,…,wn是神经元权重系数，n表示神经网络的神经节个数，是输入向量，是观测者激励函数。

实际计算过程经收敛性证明，得知基于径向基的神经网络状态观测器能够实现收敛，可知本发明可实现有效观测。

本发明的观测方法基于锂电池等效电路模型，应用基于径向基神经网络的锂电池状态观测器，能够准确地观测得到的锂电池soc(剩余电量)，比现有的方法更准确。

本发明相比于化学电能机械模型和神经网络模型，其中的等效电路模型不但能够准确仿真出电池内部的状态，而且有着较低计算复杂度和高适应性的特点，而且能够应用到基于径向基神经网络的锂电池状态观测器中。

本发明将锂电池等效电路模型和电池外部电流输入到观测器中，能够获得锂电池的soc估计值，该估计值与实际soc误差相当小，与常用的扩展卡尔曼滤波器相比有更好的精度。

本发明的有益效果是：

本发明从电池的原理模型出发，准确确定了电池内部参数结构使得估测更加精准，而且神经网络可以根据电池不同、需求精确度不同进行调整，可移植性比较好：

本发明能够准确仿真出锂电池的soc状态，能将观测得到的锂电池soc误差缩小到相当小的一个值。

附图说明

图1是电池等效电路模型的拓扑结构示意图。

图2是电池在通过实验测试获得模型参数中的放电电流结果图。

图3是锂电池等效电路模型内部参数拟合结果图。

图4是soc与ocv关系拟合曲线图。

图5是锂电池等效电路模型仿真与实际电路图。

图6是真实的soc结果、和采用本发明仿真进行观测的结果、采用拓展kalman滤波方法的结果对比图。

图7是soc估计误差对比图。

具体实施方式

为证明基于径向基的神经网络状态观测器的效果，下用一个实例证明该技术方案的可行性。

采用上述方法的本发明的实施例及其实施过程如下：

1、构建锂电池等效电路模型。

包括第一副回路和第二副回路，如图1，左边的为第一副回路，右边的是第二副回路。第一副回路获得仿真soc以及电池剩余的工作时长，第二副回路获得短时反应以及电池的v-i曲线。

针对每个电池，采用第一副回路和第二副回路来描述电池的状态：第一副回路包括并联在电池两端的放电电阻rsd、电容cb和电流源ib，通过电容cb和电流源ib获得电池剩余的工作时长和电池的soc；第二副回路包括串联在电池的开路电压voc、电阻r0、由电阻rs和电容cs构成的rc回路以及由电阻rf和电容cf构成的rc回路，通过两组rc回路获得电池的短时反应以及电池的v-i曲线。

2、电池选取

使用由一个ifp36130155-36ah锂电池组进行实验，这个锂电池的标识电量为36ah，标识电压为3.7v，截断电压为2.5v。实验室温度环境为20℃，温度调节室用于保证电池的温度在一个很小的范围。对电流、电压的采样频率设置为4hz。

2、电池参数确定

根据第二部分，对锂电池不断地进行相关测试，可以得到锂电池的rc电路参数拟合效果如图3，同时可以进行soc与ocv关系实验得到关系的拟合曲线如图4，将以上参数带入模型建立仿真模型，对比锂电池等效电路模型仿真与实际电路效果如图5，可以看到该锂电池等效电路模型能够准确地确定锂电池的状态。

4、基于径向基神经网络的锂电池状态观测器

根据锂电池特点，可以设置径向基神经网络的神经节数量定为7。神经元的权重向量定为：

w^t＝[0.01,0.01,0.01,0.01,0.01,0.01,0.01]

放电电流如图2所示，振幅为12a，时长为1672s，占空比为30％。

观测器的初始soc设定为50％。

5、实验结果

如图6，可以看到真实的soc、基于径向基神经网络的状态观测器结果、拓展kalman滤波结果对比。图中可见基于径向基神经网络的状态观测器结果效果明显优于拓展kalman滤波结果。

如图7，通过对比不同方法的误差可得到，可以看出基于径向基神经网络的状态观测器具有更准确的效果。