本发明属于控制技术领域。
背景技术:
面对日益严峻的能源和环境危机,电动汽车因其高效和清洁的优势成为当前研究特点。动力电池是电动汽车的核心部件,其电池管理系统主要包括数据采集通信、荷电状态(stateofcharge,soc)估计、健康状态(stateofhealth,soh)估计、剩余寿命预测、电池均衡、热管理等。其中,电池的soc和soh估计可以为电池的检测和诊断提供依据,有利于延长电池寿命,提高电动汽车的续航里程。
soc表示电池的剩余电量,是电池剩余电量与其额定电量的比值。
soh描述的是电池的老化状态,是电池当前最大可用容量与其额定容量的比值。
电池的soc和soh都不可以直接测量得到,需要基于电池的电流、电压和温度等数据间接估计得到。
目前,soc估计算法主要有安时积分法、开路电压法、卡尔曼滤波法、观测器法和神经网络法等,soh估计方法主要有观测器法、卡尔曼滤波法、粒子滤波法、支持向量机法和神经网络法等。现有的soh估计方法需要大量的电池老化过程中的数据,计算量大,实现困难,并且精度较低。对于soc和soh的估计,大多数电池管理系统对soc和soh分别设计估计器,占用较多资源。
技术实现要素:
本发明的目的是提出了一种联合估计动力电池系统soc与soh的方法,设计了双滑模观测器(dualslidemodeobserver,dsmo)进行电池soc和soh联合估计,实现了动力电池可用容量和soc在不确定性环境中的精确联合估计,使得估计结果更加稳定可靠。
本发明的步骤是:
步骤一:综合考虑电池建模的准确性和适用性,建立了电池戴维南等效电路模型,并在模型中考虑电池的容量衰减因子。
步骤二:基于所建立的电池模型,分析电池模型的可观测性。
步骤三:基于所建立的电池模型,进行了双滑模观测器的设计。电池观测系统的输入是充放电电流,用于soc估计的滑模观测器和soh估计的滑模观测器并行运行,参数互相调用,输出估计得到的soc、soh和端电压。
本发明等效电路模型的建立:
①电池的soc定义为:
其中,soc(0)为初始时刻的soc;η为电池充放电效率,一般取η=1;i为电池的充放电电流,假设充电时电流为正,放电时电流为负;q为电池容量,随着电池老化而变化;
电池的soc求导后,得:
电池等效电路模型中的rc环电压vs表示为:
其中,rs为电池rc环的电阻,cs为电池rc环的电容;
vs求导后,得:
电池等效电路模型中的端电压v表示为:
v=voc(soc)+vs+i·ri(5)
其中,开路电压和soc之间有固定的关系,用voc(soc)进行表示;ri为电池的内阻;
电池的开路电压voc(soc)可以表示为:
voc(soc)=k·soc+d(6)
其中,k和d是常数;
voc(soc)求导后,得:
端电压v求导后,得:
电池容量变化表示为:
q(t)=q0-α·t(9)
其中,q0是电池的初始额定容量,α是容量衰减因子;
q求导后,得:
②电池soh定义为:
取状态向量x=[socvs]t,系统输出y=v,系统输入u=i,则电池系统的状态空间方程表示为:
其中,
利用最小二乘法辨识出模型参数ri、rs、cs、α,在hppc脉冲测试工况下,基于测试得到数据,经过数据拟合,得到于ocv和soc之间关系的表达式。
本发明分析电池模型的可观测性:
①在电池模型中引入不确定性,得:
其中,δf1是由非线性容量项引起的不确定性,δf2是由未知非线性极化电压项引起的不确定性,δf3是由建模误差引起的不确定性,δf4是由未知非线性端电压项引起的不确定性;
电池系统的可观性矩阵为:
得到:
由于k≠0且
本发明观测器的设计:
①考虑容量衰减因子的电池等效电路模型的输出方程表示为:
soc滑模观测器的输出方程为:
其中,
定义:
②取滑模函数:
s(ev)=ev(19)
定义:
偏差系统方程为:
其中,
定义:
由于ocv和soc关系拟合为线性,因此
eoc=kesoc(23)
公式(21)可以表示为:
选择李雅普诺夫函数为:
到达滑模面后,由于
考虑容量衰减因子的电池等效电路模型的soc表示为:
soc的滑模观测器为:
其中,
③取滑模函数:
s(esoc)=esoc(29)
定义:
得到偏差系统方程为:
选择李雅普诺夫函数为:
到达滑模面后,由于
电压vs的滑模观测器为:
其中,λ2是增益矩阵;
④取滑模函数:
偏差系统方程为:
选择李雅普诺夫函数为:
⑦soh的滑模观测器为:
其中,
定义:
⑤取滑模函数:
s(eq)=eq(40)
偏差系统方程为:
选择李雅普诺夫函数为:
⑥基于安时积分法,得到:
其中,δfsoc是电池soc估计的不确定性。
根据公式(43),得到观测器方程:
其中,λ5是增益矩阵。
偏差系统方程为:
选择李雅普诺夫函数为:
⑦到达滑模面后,由于
因此,
soh的滑模观测器整理得:
本发明与现有技术相比本发明的有益效果是:
1、本发明建立容量衰减的电池等效电路模型,提高了模型的准确性。
2、本发明设计了双滑模观测器用于联合估算电池soc和soh。该方法考虑了锂离子电池在循环使用过程中的容量变化,提高了估算精度。
附图说明
图1是基于双滑模观测器的电池soc和soh联合估计流程图;
图2是建立的锂离子电池的一个rc环的等效电路模型图;电池可以等效为电压源、内阻、一阶rc串联的电路,内阻表征电池电解质、正负极等,rc环表征电池充放电时的电压渐变特征;
图3是由nedc速度工况转化的电流工况图;nedc工况是2000年颁布的欧洲循环驾驶法,包含市区工况和市郊工况。一个完整的nedc工况共计1180秒,由四个市区工况小循环和一个郊区工况组成,其中市区工况共780秒,最高车速50km/h;郊区工况400秒,最高车速120km/h,作为模型和仿真的输入;
图4是电池端电压估计曲线图;是基于nedc工况估计得到电池端电压,如虚线所示。为了进行对比分析,实线是电池端电压的参考曲线;
图5是电池端电压估计误差曲线图;是由图4的端电压参考值和端电压估计值做差得到的误差;
图6是基于dsmo的电池soc估计图;是基于nedc工况估计得到电池soc估计值,如虚线所示。为了进行对比分析,实线是电池soc的参考曲线;
图7是基于dsmo的电池soc估计误差图;由图6的电池soc参考值和估计值做差得到的误差;
图8是基于dsmo的电池容量估计图;是基于nedc工况估计得到电池容量估计值,如虚线所示。为了进行对比分析,实线是电池容量的参考曲线。电池soh值即为电池当前时刻容量与电池出厂时的额定容量的比值;
图9是基于dsmo的电池容量估计误差图;由图8的电池容量参考值和估计值做差得到的误差。
具体实施步骤
下面将结合附图对本发明作进一步详细描述:
本发明所选择的电池模型为用于电池soc和soh联合估计的电池等效电路模型,如图1所示。
电池的soc定义为:
其中,soc(0)为初始时刻的soc;η为电池充放电效率,一般取η=1;i为电池的充放电电流,假设充电时电流为正,放电时电流为负;q为电池容量,随着电池老化而变化。
电池的soc求导后,得:
根据基尔霍夫定律,电池等效电路模型中的rc环电压vs可以表示为:
其中,rs为电池rc环的电阻,cs为电池rc环的电容。
vs求导后,得:
电池等效电路模型中的端电压v可以表示为:
v=voc(soc)+vs+i·ri(5)
其中,开路电压(opencircuitvoltage,ocv)和soc之间有固定的关系,用voc(soc)进行表示;ri为电池的内阻。
电池的开路电压voc(soc)可以表示为:
voc(soc)=k·soc+d(6)
其中,k和d是常数。
voc(soc)求导后,得:
由于高电容及快速采样,端电压相对于电流的导数是可忽略的。因此,端电压v求导后,得:
由于电池的soh是通过电池当前可用最大容量的变化来体现的,电池容量变化可以表示为:
q(t)=q0-α·t(9)
其中,q0是电池的初始额定容量,α是容量衰减因子。
q求导后,得:
电池soh可以定义为:
取状态向量x=[socvs]t,系统输出y=v,系统输入u=i,则电池系统的状态空间方程可以表示为:
其中,
利用最小二乘法辨识出模型参数ri、rs、cs、α,在hppc脉冲测试工况下,基于测试得到数据,经过数据拟合,得到于ocv和soc之间关系的表达式,即voc(soc)=0.359·soc+3.643。
为了更好的表现电池系统特性,在电池模型中引入不确定性,得:
其中,δf1是由非线性容量项引起的不确定性,δf2是由未知非线性极化电压项引起的不确定性,δf3是由建模误差引起的不确定性,δf4是由未知非线性端电压项引起的不确定性。
设计滑模观测器的前提条件是系统可观,本文电池系统的可观性矩阵为:
计算得到:
由于k≠0且
考虑容量衰减因子的电池等效电路模型的输出方程可以表示为:
soc滑模观测器的输出方程为:
其中,
定义:
取滑模函数:
s(ev)=ev(19)
定义:
偏差系统方程为:
其中,
定义:
由于ocv和soc关系拟合为线性,因此
eoc=kesoc(23)
公式(21)可以表示为:
选择李雅普诺夫函数为:
当ev>0时,选取
到达滑模面后,由于
考虑容量衰减因子的电池等效电路模型的soc可以表示为:
soc的滑模观测器为:
其中,
取滑模函数:
s(esoc)=esoc(29)
定义:
得到偏差系统方程为:
选择李雅普诺夫函数为:
当esoc>0时,选取
到达滑模面后,由于
电压vs的滑模观测器为:
其中,λ2是增益矩阵。
取滑模函数:
偏差系统方程为:
选择李雅普诺夫函数为:
当
soh的滑模观测器为:
其中,
定义:
取滑模函数:
s(eq)=eq(40)
偏差系统方程为:
选择李雅普诺夫函数为:
当eq>0时,选取λ3>|δf3|,则
基于安时积分法,得到:
其中,δfsoc是电池soc估计的不确定性。
根据公式(43),得到观测器方程:
其中,λ5是增益矩阵。
偏差系统方程为:
选择李雅普诺夫函数为:
当esoc>0时,选取
到达滑模面后,由于
因此,
soh的滑模观测器整理得:
采用如图3所示的nedc工况进行仿真验证,nedc工况包括4个城市工况和1个快速工况,可以在一定程度上保证电池模型和双滑模观测器验证的准确性。电池端电压估计曲线如图4所示,电池端电压估计误差曲线如图5所示。估计得到的端电压跟踪性良好,其估计误差整体小于0.02v,证明了本文所建立的电池模型具有较高的精度,可用于电池soc和soh联合估计。
图6中比较了使用双滑模观测器得到soc估计值与安时积分法得到的soc参考值,电池soc估计误差如图7所示。双滑模观测器估计得到的soc具有一定的波纹,但其值十分接近于soc参考值,误差稳定在0.02以内,表明了双滑模观测器对于电池soc估计具有较高的精度。
双滑模观测器得到电池容量结果如图8所示,电池容量估计误差如图9所示。从容量估计结果可以看出,随着时间的增加,滑模观测器得到的电池容量估计误差稳定在0.01ah以内,即电池soh估计误差在4%以内,表明了双滑模观测器对于电池soh估计具有较高的精度。