一种基于融合滤波策略的电池SOC估计方法及系统与流程

一种基于融合滤波策略的电池soc估计方法及系统
技术领域
1.本发明属于电池soc估计相关技术领域，尤其涉及一种基于融合滤波策略的电池soc估计方法及系统。


背景技术：

2.本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
3.坚定支持和大力发展以电动汽车为代表的新能源汽车产业是解决能源危机和环境污染问题的关键途径，已成为世界各国政府的普遍共识。相比其他电池，锂离子电池由于具有能量密度高、循环寿命长、无记忆效应等诸多优点，已成为电动汽车和储能领域的首选。荷电状态(state of charge,soc)作为电池内部的关键状态之一，反映了剩余电量的水平，对其精确估计不仅能够防止过充、过放以及起火、爆炸等危险事故的发生，而且能够延长电池寿命，提高电池利用的效率和水平。然而，soc作为隐含状态量，无法直接测量得到，通常需要借助电池模型(等效电路模型、电化学模型等)，并利用其他方法进行估算和预测。其中，以扩展卡尔曼滤波器(extended kalman filter,ekf)和无迹卡尔曼滤波器(unscented kalman filter,ukf)为代表的卡尔曼滤波器方法由于具有在线、闭环、自修正、估计精度较高等优点在电池管理系统(battery management system,bms)中受到较为广泛的应用。然而，此方法取得较高估计精度的前提是需要一个比较精确的电池模型，否则估计精度将难以保证，严重情况下甚至发散，其估计效果的最优性是以牺牲鲁棒性和稳定性为代价的。与之不同，由变结构理论和滑模概念发展而来的平滑变结构滤波器(smooth variable structure filter,svsf)虽然具有很强的鲁棒性和稳定性，但在模型匹配度较高时，仍不能取得理想的soc估计结果。


技术实现要素：

4.为克服上述现有技术的不足，本发明提供了一种基于融合滤波策略的电池soc估计方法及系统，有机融合两种方法的优势，提出一种兼顾准确性和鲁棒性的电池soc估计方法。在兼顾准确性和鲁棒性的同时，具有实现简单、计算量小、占用内存空间少等优点。
5.为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：一种基于融合滤波策略的电池soc估计方法，其特征在于，包括：
6.基于测试试验获得不同soc处的开路电压ocv，确定ocv-soc的映射关系；
7.初始化电池等效模型的rc参数及soc；
8.根据ocv-soc的映射关系及soc确定开路电压ocv，利用优化算法求解电池等效模型的离散域回归方程，在线辨识当前时刻的rc参数；
9.基于当前时刻的rc参数及更新的电池系统状态空间表达式，利用卡尔曼滤波器和平滑变结构滤波器的融合滤波策略估计出电池当前的soc。
10.本发明的第二个方面提供一种基于融合滤波策略的电池soc估计系统，包括：
11.映射关系确定模块：基于测试试验获得不同soc处的开路电压ocv，确定ocv-soc的映射关系；
12.初始化模块：初始化电池等效模型的rc参数及soc；
13.rc参数辨识模块：根据ocv-soc的映射关系及soc确定开路电压ocv，利用优化算法求解电池等效模型的离散域回归方程，在线辨识当前时刻的rc参数；
14.soc估计模块：基于当前时刻的rc参数及更新的电池系统状态空间表达式，利用卡尔曼滤波器和平滑变结构滤波器的融合滤波策略估计出电池当前的soc。
15.本发明的第三个方面提供一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成上述方法所述的步骤。
16.本发明的第四个方面提供一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成上述方法所述的步骤。
17.以上一个或多个技术方案存在以下有益效果：
18.本发明充分研究不同方法的工作原理，有机融合两种方法的优势，提出一种兼顾准确性和鲁棒性的电池soc估计方法。在兼顾准确性和鲁棒性的同时，具有实现简单、计算量小、占用内存空间少等优点，因而有望受到bms及相关领域工业界和学术界的广泛关注和应用，具有广阔的应用前景。
19.本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
20.构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
21.图1为本发明实施例一中thevenin模型电路图；
22.图2是本发明实施例一中svsf的实际轨迹和估计轨迹的示意图；
23.图3是本发明实施例一中ekf和svsf融合的实现原理示意图。
具体实施方式
24.应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
25.需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。
26.在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
27.实施例一
28.本实施例公开了一种基于融合滤波策略的电池soc估计方法，包括：
29.步骤1：基于测试试验获得不同soc处的开路电压(open circuit voltage,ocv)，确定ocv-soc的映射关系；
30.步骤2：初始化电池等效模型的rc参数及soc；
31.步骤3：根据ocv-soc的映射关系及soc确定开路电压ocv，利用优化算法求解电池等效模型的离散域回归方程，在线辨识当前时刻的rc参数；
32.步骤4：基于当前时刻的rc参数及更新的电池系统状态空间表达式，利用卡尔曼滤波器和平滑变结构滤波器的融合滤波策略估计出电池当前的soc，估计过程是不断循环进行的，当执完此步骤后，接着继续执行步骤3。
33.具体的，如图1所示，以thevenin模型开展研究，令e
l
(s)＝u
t
(s)-u
oc
(s)，其传递函数可以表示为：
[0034][0035]
利用双线性变换方法，将系统的传递函数从s域变换到z域，可得其离散传递函数为：
[0036][0037]
式中，ts表示采样时间。
[0038]
将公式(2)写为如下所示的回归形式：
[0039][0040]
其中，下标k表示k时刻，θk＝[b1,b2,b3]
t
。
[0041]
利用最小二乘法或者粒子群优化、遗传算法等群体智能优化算法求取θk的解。进一步，thevenin模型中的rc参数可以求解为：
[0042][0043]
式中，和分别表示ro、r
p
、c
p
和b1、b2、b3的估计值。
[0044]
列出电池系统的状态空间表达式。图1所示thevenin模型的状态空间表达式可以写为
[0045][0046]
式中，u
p,k
表示k时刻，电阻r
p
和电容c
p
两端的极化电压；i
l,k
表示k时刻流过电池的电流，定义放电为正，充电为负；sk表示k时刻电池的soc；η表示库伦效率；cn表示电池的可利用容量；u
t
表示电池的端电压；xk是状态向量；yk是输出向量；uk是输入向量；g(x
k+1
,u
k+1
)是非线性测量函数；ak和bk分别是状态空间表达式的系统矩阵和输入矩阵；u
oc
表示电池的开
路电压，是soc的函数，可以写为：
[0047][0048]
式中，di表示多项式系数；m表示多项式阶数，其具体数值取决于不同类型电池在不同健康状态下的开路电压曲线。
[0049]
本实施例提出融合滤波策略，估计电池soc，可以兼顾估计的准确性和鲁棒性，提高soc估计的可靠性，所提策略可以实现卡尔曼滤波器类方法(包括但不限于ekf、ukf)与svsf方法的融合，以ekf与svsf的融合为例进行分析，具体阐述如下：
[0050]
对于模型不精确的系统，ekf方法由于对模型具有较高的依赖性，通常估计误差较大，甚至发散，而svsf则可以通过使用非连续的增益切换使得估计的系统状态逐渐收敛到实际系统轨迹附近(存在子空间内)，如图2所示，从而保证估计的鲁棒性和稳定性。同时，不连续增益的频繁切换通常会造成较大的抖动，可以通过引入时变平滑边界层，对增益进行修正来解决。
[0051]
svsf方法估计电池soc的具体计算过程为
[0052]
时间更新阶段：
[0053]
1、更新先验状态
[0054][0055]
式中，为k时刻状态xk的先验估计值，为(k-1)时刻状态x
k-1
的后验估计值。
[0056]
2、更新先验误差协方差矩阵
[0057][0058]
式中，为k时刻先验误差协方差矩阵的值，q
k-1
为(k-1)时刻过程噪声协方差矩阵的值，t表示转置操作。
[0059]
3、更新先验测量误差
[0060][0061]
式中，e
k|k-1
为由(k-1)时刻的状态预测的k时刻先验测量误差的值。
[0062]
增益计算阶段：
[0063]
4、计算时变平滑边界层(最优平滑边界层)矩阵
[0064][0065]
式中，γ为记忆率或收敛率，取值在0到1之间；rk为k时刻测量噪声协方差矩阵的值；|e
k|k-1
|表示对e
k|k-1
取绝对值；sk为k时刻新息协方差矩阵的值；ψk为k时刻时变平滑边界层矩阵的值。
[0066]
5、计算增益，计算公式为
[0067][0068]
式中，kk为k时刻的增益，为ck的伪逆，表示哈达玛积，diag(a)表示由向量a所含元素构成的对角矩阵，饱和函数sat(e
k|k-1
,ψk)的计算公式为
[0069][0070]
测量更新阶段：
[0071]
6、更新后验状态
[0072][0073]
7、更新后验误差协方差矩阵
[0074][0075]
式中，为k时刻后验误差协方差矩阵的值，i为单位矩阵。
[0076]
8、更新后验测量误差
[0077][0078]
式中，e
k|k
为k时刻后验测量误差的值。
[0079]
ekf方法估计电池soc的过程与svsf方法基本相同，唯一的区别在于增益计算方式的不同，ekf的增益计算公式为而svsf的增益计算公式为其他过程在此不再赘述。此外，由式(10)可知，时变平滑边界层ψk是e
k|k-1
、e
k-1|k-1
、和sk的函数，由于e
k|k-1
和e
k-1|k-1
决定了建模不确定性的水平，和sk分别与过程噪声和测量噪声密切相关，因此，时变平滑边界层实际上指示了建模不确定性和噪声扰动的水平，可由其判定当前模型不确定性的水平，并进一步实现ekf和svsf的融合。
[0080]
图3概括了ekf和svsf融合的实现原理，融合过程为：将施加在时变平滑边界层上的阈值门限定义为恒定平滑边界层(constant smoothing boundary layer，ψ
con
)，当ψk≥ψ
con
时，表明模型不确定性较大,则使用svsf的增益进行后验状态的更新，以保证估计的稳定性和鲁棒性；当ψk＜ψ
con
时，则使用ekf的增益进行后验状态的更新，以确保估计的精确性。
[0081]
通过上述分析可知，ekf和svsf融合估计电池soc的具体过程，可以总结为：
[0082]
时间更新阶段：
[0083]
1、更新先验状态
[0084][0085]
式中，为k时刻状态xk的先验估计值，为(k-1)时刻状态x
k-1
的后验估计值。
[0086]
2、更新先验误差协方差矩阵
[0087]
[0088]
式中，为k时刻先验误差协方差矩阵的值，q
k-1
为(k-1)时刻过程噪声协方差矩阵的值，t表示转置操作。
[0089]
3、更新先验测量误差
[0090][0091]
式中，e
k|k-1
为由(k-1)时刻的状态预测的k时刻先验测量误差的值。
[0092]
增益计算阶段：
[0093]
4、计算时变平滑边界层(最优平滑边界层)矩阵
[0094][0095]
式中，γ为记忆率或收敛率，取值在0到1之间；rk为k时刻测量噪声协方差矩阵的值；|e
k|k-1
|表示对e
k|k-1
取绝对值；sk为k时刻新息协方差矩阵的值；ψk为k时刻时变平滑边界层矩阵的值。
[0096]
5、设定恒定平滑边界层ψ
con
，根据ψk与ψ
con
的关系，选用不同的增益计算方法。具体计算公式为
[0097][0098]
式中，kk为k时刻的增益，为ck的伪逆，表示哈达玛积，diag(a)表示由向量a所含元素构成的对角矩阵，饱和函数sat(e
k|k-1
,ψk)的计算公式为
[0099][0100]
测量更新阶段：
[0101]
6、更新后验状态
[0102][0103]
7、更新后验误差协方差矩阵
[0104][0105]
式中，为k时刻后验误差协方差矩阵的值，i为单位矩阵。
[0106]
8、更新后验测量误差
[0107][0108]
式中，e
k|k
为k时刻后验测量误差的值。
[0109]
实施例二
[0110]
本实施例提供一种ukf和svsf融合估计电池soc的过程，具体为：
[0111]
1、生成关于状态向量的2n+1个样本点及相应的权重系数
[0112][0113]
式中，为状态向量x
k-1
的第i个σ样本点，和分别表示(k-1)时刻状态向量x
k-1
的后验估计值和误差协方差矩阵，表示(k-1)时刻下三角分解平方根矩阵的第i列，λ控制着σ样本点在均值附近的分情况，n为状态向量x
k-1
的维数。
[0114]
对应于样本点的均值权重系数和协方差矩阵权重系数可分别定义为：
[0115][0116]
式中，λ＝3α
2-n；α取值范围为10-4
到1；β为考虑x
k-1
先验信息的参数，对于高斯分布，其最优值为2。
[0117]
2、通过状态转移函数计算k时刻的一步模型预测值，并进一步计算状态向量的均值和协方差可以表示为：
[0118][0119]
式中，为k时刻先验误差协方差矩阵的值，q
k-1
为(k-1)时刻过程噪声协方差矩阵的值。
[0120]
3、由量测方程传播样本点计算先验测量误差e
k|k-1
,量测协方差矩阵以及状态和测量的交叉协方差矩阵可表示为：
[0121]
[0122]
式中，rk为k时刻测量噪声协方差矩阵的值。
[0123]
4、计算时变平滑边界层(最优平滑边界层)矩阵
[0124][0125]
式中，γ为记忆率或收敛率，取值在0到1之间；rk为k时刻测量噪声协方差矩阵的值；|e
k|k-1
|表示对e
k|k-1
取绝对值；s
u,k
为k时刻新息协方差矩阵的值；ψ
u,k
为k时刻时变平滑边界层矩阵的值。
[0126]
5、设定恒定平滑边界层ψ
con
，根据ψ
u,k
与ψ
con
的关系，选用不同的增益计算方法。具体计算公式为
[0127][0128]
式中，kk为k时刻的增益，为c
u,k
的伪逆，表示哈达玛积，diag(a)表示由向量a所含元素构成的对角矩阵，饱和函数sat(e
k|k-1
,ψ
u,k
)的计算公式为
[0129][0130]
6、更新后验状态后验误差协方差以及后验测量误差e
k|k
[0131][0132]
式中，为k时刻后验误差协方差矩阵的值，i为单位矩阵，e
k|k
为k时刻后验测量误差的值。
[0133]
实施例三
[0134]
本实施例的目的是提供一种基于融合滤波策略的电池soc估计系统，包括：
[0135]
映射关系确定模块：基于测试试验获得不同soc处的开路电压ocv，确定ocv-soc的映射关系；
[0136]
初始化模块：初始化电池等效模型的rc参数及soc；
[0137]
rc参数辨识模块：根据ocv-soc的映射关系及soc确定开路电压ocv，利用优化算法求解电池等效模型的离散域回归方程，在线辨识当前时刻的rc参数；
[0138]
soc估计模块：基于当前时刻的rc参数及更新的电池系统状态空间表达式，利用卡尔曼滤波器和平滑变结构滤波器的融合滤波策略估计出电池当前的soc。
[0139]
实施例四
[0140]
本实施例的目的是提供一种计算装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述方法的步骤。
[0141]
实施例五
[0142]
本实施例的目的是提供一种计算机可读存储介质。
[0143]
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时执行上述方法的步骤。
[0144]
以上三和四的装置中涉及的各步骤与方法实施例一相对应，具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质；还应当被理解为包括任何介质，所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本发明中的任一方法。
[0145]
本领域技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
[0146]
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。