双多新息自适应无迹卡尔曼联合估算SOC与SOH方法技术

本发明专利技术公开了一种双多新息自适应无迹卡尔曼联合估算SOC与SOH方法，针对SOC估计、SOH估计精度不足问题，对所选择的锂电池等效电路模型利用FFRLS方法进行参数辨识，基于多新息理论、自适应理论，提出采用双多新息自适应无迹卡尔曼方法对锂电池SOC与SOH进行联合估计，即采用两个多新息无迹卡尔曼滤波器，前者用来估计SOC，后者用来估计模型参数以及电池容量，相互迭代，最后得到SOC值和SOH值；本发明专利技术在考虑电池老化因素、噪声因素影响的情况下，提出采用DMIAUKF方法对锂电池SOC与SOH进行联合估计，在一定程度上缓解电池老化因素、噪声因素对锂电池SOC估计的影响，提高状态估计的准确性与实时性，也保障了能量管理系统的可靠性与安全性。安全性。安全性。

【技术实现步骤摘要】
双多新息自适应无迹卡尔曼联合估算SOC与SOH方法


[0001]本专利技术涉及新能源测控领域，具体涉及一种双多新息自适应无迹卡尔曼联合估算SOC与SOH方法。

技术介绍

[0002]锂电池因其功率密度、能量密度较高，也被广泛应用于电动汽车，但就目前来说，锂电池等蓄电池的技术发展尚未能完全满足新能源汽车对动力源的需求，在电池持续性充放电、电池的续航里程、电池的功率密度、电池极端温度下工作等多方面还有待进一步提升。近几年，科研人员不断创新锂电池，提高其在能量密度和实用寿命上的性能指标，使得锂电池在电动汽车使用的安全性以及续航里程上大幅度提高。但是，仅以锂电池作为纯电动汽车的唯一动力源时，会出现严重影响电池内部结构，迫使锂电池寿命减少的情况，如锂电池的大功率放电、需求功率不稳定或突变以及长时间工作下引起的锂电池温度突变；并且，以锂电池为单一能量源，缺少储存能量的装置，使得汽车制动产生的能量无法及时回收，造成能量的浪费。
[0003]在锂离子电池组的整个生命周期中，电池管理系统(Battery Management System，BMS)对核心参数SOC的监控和调节将影响应急动力输出的效果和安全性；因此，实时监测该参数的变化，并基于此保障锂离子电池组的工作性能是非常必要的；由于BMS中的成组SOC估算技术尚不成熟，使用过程中存在的安全隐患严重制约了锂离子电池组的发展；对于锂离子电池组而言，可靠的BMS管理依靠准确的SOC值；在该值已知的情况下，不仅对其进行可靠能量管理和安全控制，而且还避免锂离子电池组的提前损坏，延长其使用寿命；因此，精确估算SOC值，对保障锂离子电池组的工作性能及其能量和安全管理至关重要；锂离子电池组的SOC估算模型构建和精确估算值得获取，已成为其能量和安全管理的核心问题；锂离子电池组由具有高能量密度和闭路电压的钴酸锂电池单体组合构成，其安全性受到所处工作状态的影响；SOC表征了锂离子电池组的剩余容量，是为电池管理系统最基本也是最重要的的一个关键参数；此外，锂离子电池组的充放电过程包含复杂电能、化学能和热能转换等环节，过充电和过放电现象易引发安全事故，精确SOC估算在防止过充电和过放电中起着重要作用；在锂离子电池组的应用中，其安全性依然是最为关注的问题，SOC估算是其安全使用的基础和前提；锂离子电池组采用电池单体级联结构，满足了辅助动力供能过程中的容量和电压需求；然而，由于无法避免的材料和工艺差异，单体间不一致现象客观存在且无法避免；并且，该现象会随着循环次数的增加越来越明显，这就使得单体间不一致性的表达与修正成为成组SOC估算的重要组成部分，同时也给成组SOC精确估算带来了巨大的挑战。

技术实现思路

[0004]针对上述存在的技术不足，本专利技术的目的是提供一种双多新息自适应无迹卡尔曼联合估算SOC与SOH方法，其能够解决电池老化反应、以及噪声误差对电池SOC估算带来的影
响。
[0005]为解决上述技术问题，本专利技术采用如下技术方案：
[0006]本专利技术提供一种双多新息自适应无迹卡尔曼联合估算SOC与SOH方法，利用两个独立的MIAUKF滤波器分别进行锂电池SOC的估计和锂电池SOH的估计，设定模型初始参数值后，实现电池SOC与SOH的联合估算，步骤包括：
[0007]步骤1、建立锂离子电池组SOC估算模型，电池状态空间模型如式(1)所示：
[0008][0009]其中，x
k
表示的是这个模型的状态变量，x
k
＝[SOC
k U
1,k U
2,k
]T
，SOC
k
、U
1,k
、U
2,k
分别为第k个采样点时刻电池的SOC和两个RC并联电路端电压，T表示的是采样间隔，τ为时间常数，C
N
表示的是锂电池的额定容量，C1表示锂电池极化电容，C2表示锂电池扩散电容，i
b,k
‑1表示的是第k
‑
1个采样点时刻锂电池的充放电电流，w
k
‑1表示的是过程噪声，U
b,k
表示的是观测变量，R0为电池欧姆内阻，U
oc,k
表示的是根据OCV与SOC的函数关系得到出的开路电压，v
k
表示的是测量噪声，w
k
‑1与v
k
表示为高斯白噪声；
[0010]步骤2、进行方法初始化：
[0011][0012]其中SOC0为利用开路电压法确定的初始值，P
xx,0
为状态估计的协方差初始值，Q表示过程噪声w
k
的协方差，R表示测量噪声v
k
的协方差；
[0013]步骤3、得出k
‑
1时刻的Sigma点：
[0014][0015]其中，n为状态变量维数，γ为尺度参数；
[0016]步骤4、将Sigma点代入非线性方程X
i,k/k
‑1＝f(Xk
‑
1,i
k
)求取下一步预测：
[0017]X
i,k/k
‑1＝f(X
k
‑1,i
k
)+w
k
‑1,(i＝1,...2n)
ꢀꢀ
(4)
[0018]状态变量的预测值：
[0019][0020]其中，权值系数W
im
为：
[0021][0022][0023]步骤5、状态变量的协方差更新：
[0024][0025]其中，权值系数为：
[0026][0027][0028]其中，α为散布程度因子，取值在0到1之间，β为权系数，在高斯分布中取β为2最优；
[0029]步骤6、观测变量更新：
[0030]Y
i,k/k
‑1＝g(X
i,k/k
‑1,i
k
)+v
k
‑1ꢀꢀ
(11)
[0031]经过加权求和的方法得出观测变量的均值和协方差：
[0032][0033][0034]状态变量与观测变量的联合协方差：
[0035][0036]步骤7、将卡尔曼滤波增益K
x,k
扩展为增益矩阵：
[0037]K
p,k
＝[K
x,k K
x,k
‑1ꢀ…ꢀ
K
x,k
‑
p+1
]ꢀꢀ
(15)
[0038]其中，K
x,k
为第k个采样点时刻卡尔曼滤波增益，K
p,k
为卡尔曼滤波增益矩阵；
[0039]卡尔曼滤波增益更新：
[0040][0041]其中，E
p,k
为多新息矩阵；
[0042]自适应滤波方法的循环迭代公式为：
[0043]Q
k
＝K本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种双多新息自适应无迹卡尔曼联合估算SOC与SOH方法，其特征在于：利用两个独立的MIAUKF滤波器分别进行锂电池SOC的估计和锂电池SOH的估计，设定模型初始参数值后，实现电池SOC与SOH的联合估算；具体步骤包括：步骤1、建立锂离子电池组SOC估算模型，电池状态空间模型如式(1)所示：其中，x
k
表示的是这个模型的状态变量，x
k
＝[SOC
k U
1,k U
2,k
]
T
，SOC
k
、U
1,k
、U
2,k
分别为第k个采样点时刻电池的SOC和两个RC并联电路端电压，T表示的是采样间隔，τ为时间常数，C
N
表示的是锂电池的额定容量，C1表示锂电池极化电容，C2表示锂电池扩散电容，i
b,k
‑1表示的是第k
‑
1个采样点时刻锂电池的充放电电流，w
k
‑1表示的是过程噪声，U
b,k
表示的是观测变量，R0为电池欧姆内阻，U
oc,k
表示的是根据OCV与SOC的函数关系得到出的开路电压，v
k
表示的是测量噪声，w
k
‑1与v
k
表示为高斯白噪声；步骤2、进行方法初始化：其中SOC0为利用开路电压法确定的初始值，P
xx,0
为状态估计的协方差初始值，Q表示过程噪声w
k
的协方差，R表示测量噪声v
k
的协方差；步骤3、得出k
‑
1时刻的Sigma点：其中，n为状态变量维数，γ为尺度参数；步骤4、将Sigma点代入非线性方程X
i,k/k
‑1＝f(Xk
‑
1,i
k
)求取下一步预测：X
i,k/k
‑1＝f(X
k
‑1,i
k
)+w
k
‑1,(i＝1,...2n)
ꢀꢀꢀꢀꢀꢀ
(4)
状态变量的预测值：其中，权值系数W
im
为：为：步骤5、状态变量的协方差更新：其中，权值系数为：其中，权值系数为：其中，α为散布程度因子，取值在0到1之间，β为权系数，在高斯分布中取β为2最优；步骤6、观测变量更新：Y
i,k/k
‑1＝g(X
i,k/k
‑1,i
k
)+v
k
‑1ꢀꢀꢀꢀꢀ
(11)经过加权求和的方法得出观测变量的均值和协方差：经过加权求和的方法得出观测变量的均值和协方差：状态变量与观测变量的联合协方差：步骤7、将卡尔曼滤波增益K
x,k
扩展为增益矩阵：K
p,k
＝[K
x,k K
x,k
‑1…
K
x,k
‑
p+1
]
ꢀꢀꢀꢀꢀꢀ
(15)其中，K
x,k
为第k个采样点时刻卡尔曼滤波增益，K
p,k
为卡尔曼滤波增益矩阵；卡尔曼滤波增益更新：其中，E
p,k
为多新息矩阵；自适应滤波方法的循环迭代公式为：Q
k
＝K
x,k
H
k
(K
x,k
)
T
ꢀꢀꢀꢀ
(17)

【专利技术属性】
技术研发人员：王颖杰，刘海媛，石玉，刘海强，鲁鹏飞，周海兰，张佳梦，刘飞龙，
申请(专利权)人：中国矿业大学，
类型：发明
国别省市：