一种多参数修正的动力电池SOC估计方法及估计系统与流程

一种多参数修正的动力电池soc估计方法及估计系统
技术领域
[0001]
本发明属于新能源舰艇技术领域，具体涉及一种多参数修正的动力电池soc估计方法及估计系统。


背景技术：

[0002]
近年来，随着船舶业的快速发展，纯电动舰艇成为新能源舰艇的重要组成部分之一，在国内舰艇总量的占比逐年升高。然而以动力电池为基础的纯电动舰艇仍面临诸多难题，如动力电池管理问题。采用串联或并联形式连接的动力电池组在实际运行时难以管理，在各种复杂工况下动力电池老化问题、极端工况与安全边界问题等制约着纯电动舰艇的推广应用，全生命周期下动力电池的高效管理也是电池管理的难题。
[0003]
动力电池soc(state of charge)表征了动力电池剩余可用容量，其准确度影响动力电池安全使用边界、充放电控制等多种基础功能，从而对动力电池全生命周期管理具有重要影响。提高动力电池soc估算精度十分重要。目前，在电池管理系统中的soc估算主要通过各种滤波算法完成，依靠预先标定的参数写入电池管理系统中，难以随全生命周期与使用环境自适应变更。因此，实现各类参数的自适应修正，提高动力电池soc估计精度具有重要应用意义。


技术实现要素：

[0004]
本发明为解决公知技术中存在的技术问题，提供一种多参数修正的动力电池soc估计方法及估计系统，采用基础滤波架构为基础，结合多种参数自适应方法实现较好的适用性soc估计。
[0005]
本发明的第一目的是提供一种多参数修正的动力电池soc估计方法，包括：
[0006]
s1：对动力电池进行充放电测试；具体为：以采样间隔δt为间隔对动力电池外特性进行采样，获取电池端电压ut，电流i和温度t；
[0007]
s2：基于测试获得的数据建立动力电池二阶等效电路模型，建立系统模型对应的离散方程；
[0008]
s3：采用智能优化算法对动力电池等效电路模型参数进行辨识，获取系统模型对应的模型内参数；
[0009]
s4：基于滤波算法对动力电池soc进行估计；
[0010]
s5：在s4进行过程中，按一定的间隔对模型参数进行修正，修正方法为：短时域内修正滤波器参数，长时域内修正动力电池容量。
[0011]
优选地，所述离散方程为：
[0012][0013]
上式中：
[0014]
r
o
为所述动力电池的欧姆内阻；
[0015]
r
p
为所述动力电池的电化学极化电阻；
[0016]
c
p
为所述动力电池的电化学极化电容；
[0017]
r
d
为所述动力电池的浓差极化电阻；
[0018]
c
d
为所述动力电池的浓差极化电容；
[0019]
u
l
为所述动力电池的端电压；
[0020]
i
l
为所述动力电池的电流；
[0021]
u
p
为所述动力电池的电化学极化电压；
[0022]
u
d
为所述动力电池系统在k时刻的浓差极化电压；
[0023]
所转化成的系统状态空间方程如下所示：
[0024][0025]
优选地，所述动力电池等效电路模型参数包括：动力电池电化学极化内阻、电化学极化电容、浓差极化电阻、浓差极化电容，以及欧姆内阻；将待辨识参数表示为下述向量形式：
[0026]
x＝[r
o r
p c
p r
d c
d
]
t
。
[0027]
优选地，在s3中使用的参数辨识算法，使用粒子群优化算法完成；下式为算法状态更新方程
[0028]
v
k+1
＝ω
i
v
k
+c1rand1[p
opt，k-x
k
]+c2rand2[g
opt，k-x
k
]
[0029]
x
k+1
＝x
k
+v
k
[0030]
式中：v是粒子群优化速度；x是当前优化解；ω
i
是惯性权重；c1和c2是学习率因子；p
opt
和g
opt
是优化函数。
[0031]
优选地，使用模型拟合的端电压曲线与实际的电压曲线之间的均方误差，参数辨识算法使用过程如下：
[0032]
s3.1：初始化参数，指定算法内参数，给定待辨识向量初始参数，按高斯概率分布以初始参数为均值随机生成一定数量的粒子；
[0033]
s3.2：对每个粒子，按当前辨识参数迭代拟合端电压曲线，与真实采样曲线比对计算方差作为优化函数；
[0034]
s3.3：对所有粒子，计算其当前时刻的个体最优解与群体最优解；
[0035]
s3.4：计算每个粒子的更新速度，计算更新后状态，作为下一时刻迭代的初值；
[0036]
s3.5：重复进行s3.2-s3.4，直至拟合误差小于目标值或迭代次数达到上限。
[0037]
优选地，s4具体为：
[0038]
建立滤波器系统方程为：
[0039][0040]
其中：η为充电效率，ts为系统采样间隔，c为当前电池容量；
[0041]
用于滤波器观测的状态方程为：
[0042]
u
t
＝u
ocv-u
p-u
d-u
ohm
[0043]
用于滤波器的状态空间矩阵为：
[0044][0045][0046][0047]
优选地，在s5中，使用的模型参数包括：动力电池模型参数，滤波器模型参数。
[0048]
优选地，在s5中：
[0049]
采用sage-husa算法对滤波器模型过程噪声与量测噪声参数进行自适应修正；
[0050]
采用双滤波器联合估计算法对动力电池模型参数与动力电池soc进行联合估计实现自适应修正；
[0051]
采用累计安时数修正方式对动力电池当前容量、充电效率进行自适应修正。
[0052]
本发明的第二目的是提供一种多参数修正的动力电池soc估计系统，至少包括：
[0053]
测试模块：对动力电池进行充放电测试；具体为：以采样间隔δt为间隔对动力电池外特性进行采样，获取电池端电压ut，电流i和温度t；
[0054]
构建模块：基于测试获得的数据建立动力电池二阶等效电路模型，建立系统模型对应的离散方程；
[0055]
辨识模块：采用智能优化算法对动力电池等效电路模型参数进行辨识，获取系统模型对应的模型内参数；
[0056]
估计模块：基于滤波算法对动力电池soc进行估计；
[0057]
修正模块：在s4进行过程中，按一定的间隔对模型参数进行修正，修正方法为：短时域内修正滤波器参数，长时域内修正动力电池容量。
[0058]
本发明具有的优点和积极效果是：
[0059]
1、本发明提供的动力电池soc估计方法，综合考虑在实际使用过程中存在的各类干扰因素并采取相应的自适应算法进行修正，算法具有极高的鲁棒性，可应对实际动力电池soc估计过程中存在的各类干扰因素。
[0060]
2、本发明提供的动力电池soc估计方法，采用模型仿真与滤波修正结合的方式，提高了机理形式下动力电池soc估计精度，并适用于实际运行中存在的各种干扰。
[0061]
3、本发明使用了不同时间尺度的修正方法，降低了在实际使用时对嵌入式系统的计算需求，降低计算量并保证模型精度。
附图说明
[0062]
图1是本发明优选实例中动力电池二阶等效电路图。
具体实施方式
[0063]
为能进一步了解本发明的发明内容、特点及功效，兹例举以下实施例，并配合附图详细说明如下：
[0064]
在本发明的描述中，需要理解的是，术语“上”、“下”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
[0065]
如图1所示，
[0066]
本发明的技术方案为：
[0067]
一种多参数修正的动力电池soc估计方法，采用基础滤波架构为基础，结合多种参数自适应方法实现较好的适用性soc估计算法。包括如下步骤：
[0068]
步骤1：对动力电池进行充放电测试，以采样间隔δt为间隔对动力电池外特性进行采样，获取电池端电压ut，电流i和温度t。
[0069]
步骤2：基于测试获得的数据建立动力电池二阶等效电路模型，建立系统模型对应的离散方程。
[0070]
步骤3：采用智能优化算法对动力电池等效电路模型参数进行辨识，获取系统模型对应的模型内参数。
[0071]
步骤4：基于滤波算法对动力电池soc进行估计；
[0072]
步骤5：在步骤4进行过程中，按一定的较大间隔对模型参数进行修正，修正方法为：短时域内修正滤波器参数，长时修正动力电池容量。
[0073]
优选的，本发明可采用容积粒子滤波器进行soc估计。本发明所使用的改进容积粒子滤波器主要包括：
[0074]
(1)采用容积粒子滤波方法解决锂电池的非线性系统状态跟踪问题。建立的锂离子电池二阶等效电路模型具有较强的非线性过程。常规的卡尔曼滤波在非线性系统状态估算问题时精度较低，本发明基于贝叶斯估计，采用容积准则方法近似计算预测过程中的非
线性积分，从而获得较好的计算精度。
[0075]
(2)采用平方根滤波方法解决协方差矩阵失真问题。根据协方差矩阵定义，协方差矩阵在理论上是正定矩阵。但在计算过程中，常因噪声干扰、计算机舍入误差扥问题导致协方差矩阵出现非正定现象，进而导致滤波发散。本发明基于矩阵分解，采用qr分解方法将协方差矩阵分解为正定的平方根矩阵，保证了滤波收敛性。
[0076]
p＝x
t
x
[0077]
(3)采用自适应滤波法提高系统稳定性。系统的过程噪声与观测噪声是系统本身固有的、具有强不确定性与时变性的非先验信息。在滤波过程中采用错误的噪声值不仅会导致系统偏离真值，同时也可能导致系统发散。本发明采用sage-husa法对噪声进行自适应修正，有效修正噪声的协方差矩阵，提高了算法稳定性。
[0078]
如发明内容所述：
[0079]
如步骤2所述，所建立的动力电池系统模型采用二阶等效电路模型，得到对应的离散方程为：
[0080][0081]
上式中：
[0082]
r
o
为所述动力电池的欧姆内阻；
[0083]
r
p
为所述动力电池的电化学极化电阻；
[0084]
c
p
为所述动力电池的电化学极化电容；
[0085]
r
d
为所述动力电池的浓差极化电阻；
[0086]
c
d
为所述动力电池的浓差极化电容；
[0087]
u
l
为所述动力电池的端电压；
[0088]
i
l
为所述动力电池的电流；
[0089]
u
p
为所述动力电池的电化学极化电压；
[0090]
u
d
为所述动力电池系统在k时刻的浓差极化电压；
[0091]
所转化成的系统状态空间方程如下所示：
[0092][0093]
如步骤3所述：所需辨识的动力电池参数包括：动力电池电化学极化内阻、电化学极化电容、浓差极化电阻、浓差极化电容，以及欧姆内阻。将待辨识参数表示为下述向量形式：
[0094]
x＝[r
o r
p c
p r
d c
d
]
t
[0095]
优选地，在步骤三中使用的参数辨识算法，可使用粒子群优化算法完成。下式为算法状态更新方程
[0096]
v
k+1
＝ω
i
v
k
+c1rand1[p
opt，k-x
k
]+c2rand2[g
opt，k-x
k
]
[0097]
x
k+1
＝x
k
+v
k
[0098]
式中：v是粒子群优化速度；x是当前优化解；ω
i
是惯性权重；c1和c2是学习率因子；p
opt
和g
opt
是优化函数。在本专利中，我们使用模型拟合的端电压曲线与实际的电压曲线之间的均方误差。本专利使用的参数辨识算法使用过程如下：
[0099]
步骤3.1：初始化参数，指定算法内参数，给定待辨识向量初始参数，按高斯概率分布以初始参数为均值随机生成一定数量的粒子；
[0100]
步骤3.2：对每个粒子，按当前辨识参数迭代拟合端电压曲线，与真实采样曲线比对计算方差作为优化函数；
[0101]
步骤3.3：对所有粒子，计算其当前时刻的个体最优解与群体最优解；
[0102]
步骤3.4：按公式计算每个粒子的更新速度，计算更新后状态，作为下一时刻迭代的初值；
[0103]
步骤3.5：重复进行步骤3.2-3.4，直至拟合误差小于目标值或迭代次数达到上限。
[0104]
如步骤四所述：基于建立的动力电池二阶等效电路模型及辨识的参数，结合滤波算法进行soc估计。
[0105]
建立的滤波器系统方程为：
[0106][0107]
如上式所示：η为充电效率，ts为系统采样间隔，c为当前电池容量。
[0108]
用于滤波器观测的状态方程为：
[0109]
u
t
＝u
ocv-u
p-u
d-u
ohm
[0110]
用于滤波器的状态空间矩阵为：
[0111][0112][0113]
[0114]
如步骤5所述的模型参数修正方法，在本专利中使用的模型参数主要包括：动力电池模型参数，滤波器模型参数。因此在实际使用过程中需设计算法对该参数进行修正。如优选方案所述：
[0115]
采用sage-husa算法对滤波器模型过程噪声与量测噪声参数进行自适应修正；
[0116]
采用双滤波器联合估计算法对动力电池模型参数与动力电池soc进行联合估计实现自适应修正；
[0117]
采用累计安时数修正方式对动力电池当前容量、充电效率等进行自适应修正；
[0118]
如步骤5所述的模型参数修正方法，对各类参数修正具有不同的需求。模型参数过程噪声与量测噪声参数应在较短时间间隔内进行修正，参数自适应估计算法随soc估计同时进行，而动力电池容量、效率修正应在较长时间间隔内进行。三种修正方式应具有不同尺度的修正频率，如soc估计频率为1hz，则噪声修正频率为100hz，容量修正频率为1000hz。
[0119]
一种多参数修正的动力电池soc估计系统，包括：
[0120]
测试模块：对动力电池进行充放电测试；具体为：以采样间隔δt为间隔对动力电池外特性进行采样，获取电池端电压ut，电流i和温度t；
[0121]
构建模块：基于测试获得的数据建立动力电池二阶等效电路模型，建立系统模型对应的离散方程；
[0122]
辨识模块：采用智能优化算法对动力电池等效电路模型参数进行辨识，获取系统模型对应的模型内参数；
[0123]
估计模块：基于滤波算法对动力电池soc进行估计；
[0124]
修正模块：在s4进行过程中，按一定的间隔对模型参数进行修正，修正方法为：短时域内修正滤波器参数，长时域内修正动力电池容量。
[0125]
以上所述仅是对本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所做的任何简单修改，等同变化与修饰，均属于本发明技术方案的范围内。