【技术实现步骤摘要】
本专利技术涉及电池sop估算，具体而言，涉及一种sage-husa自适应滤波多参数约束储能电池功率状态评估方法。
技术介绍
1、新能源装机容量正快速增长，运行模式面临空前机遇和挑战，新型储能技术是解决高比例可再生能源并网问题的关键。储能电池系统安全的智慧检测与保障，是分布式能源与储能行业革新的必然途径。
2、储能电池组是分布式系统中不可或缺的核心之一。内蒙古具有丰富的清洁能源，是国家重要能源和战略资源基地。由于受到单体间固有差异、工况复杂性、高度非线性与多耦合性等因素影响，储能电池系统的剩余循环寿命预估鲁棒性难以提高，导致性能变差、急剧老化甚至自燃等安全性问题频发。目前其在线监测与安全管理等方面仍面临诸多挑战，尚存在状态参数指标检测鲁棒性弱和循环寿命预估算法精确性低等问题，导致系统级电池管理策略不完善。随着电池系统的长期运行，单体间分散性也同步增大，降低了循环寿命等关键参数指标检测的鲁棒性。造成这些现象的直接原因在于单体间差异引起的局部关断或部分单体过充或过放电，根本原因在于缺乏对电池成组特性和运行机理的深度剖析因此，对于高集成度和高能量密度的储能电池系统，保证安全可靠性并进行实时监测是非常重要的。电池管理系统(battery management system，bms)相当于储能系统的大脑，其可以实时监测储能电池的健康状况、剩余电量等关键参量，对于储能电池组的安全运行与高效使用具有核心的重要作用。电池管理系统能在储能电池运行过程中实时测量电池的电压、电流，并监测温度等关键参量，还可以实时估算电池相关状态如功率状态(
3、针对sop的估算的必要性和紧迫性需求，相关研究机构和高校，如麻省理工学院、清华大学、北京航空航天大学和哈尔滨工业大学等，针对sop估算展开了大量研究并进行了深入的探索。然而，目前实际应用的sop估算误差较大，并且受到诸多因素的影响使得累积效应明显。
技术实现思路
1、本专利技术旨在至少解决现有技术中存在sop估算误差较大、计算方式复杂，累积效应明显的技术问题之一。
2、为此，本专利技术提供了一种sage-husa自适应滤波多参数约束储能电池功率状态评估方法。
3、本专利技术提供的一种sage-husa自适应滤波多参数约束储能电池功率状态评估方法，包括：
4、获取电池soc估算的关键模型参数；
5、根据所述关键模型参数建立扩展卡尔曼滤波的离散系统模型，所述离散系统模型包括状态转移矩阵、系统输入矩阵、系统输出矩阵、前馈矩阵、过程噪声和观测噪声；
6、利用h∞滤波算法基于博弈论思想定义代价函数，其中，代价函数的设置目的包括找到合适的系统状态变量估计值使代价函数最小化；
7、采用sage-husa自适应算法，通过噪声更新公式，实时校正过程噪声和观测噪声的统计特性，使得算法运行过程中噪声能够实时得到匹配更新；
8、根据实时更新的噪声和系统状态变量建立电池状态空间方程，根据建立的电池状态空间方程进行电池soc估算；
9、根据电池soc估算结果实现电池sop值的估算。
10、根据本专利技术上述技术方案的sage-husa自适应滤波多参数约束储能电池功率状态评估方法，还可以具有以下附加技术特征：
11、在上述技术方案中，根据所述关键模型参数建立的扩展卡尔曼滤波的离散系统模型为：
12、
13、其中，u(k)表示k时刻系统的输入方程；y(k)表示k时刻系统的输出方程；x(k)表示k时刻的系统状态变量；z(k)表示要估计的系统状态向量；矩阵l(k)用于估计每个工作时间的状态值；a(k)表示状态转移矩阵；b(k)表示系统输入矩阵；c(k)表示系统输出矩阵；d(k)表示前馈矩阵，w(k)表示高斯白噪声中的过程噪声，v(k)表示高斯白噪声中的观测噪声。
14、在上述技术方案中，所述状态转移矩阵、系统输入矩阵、系统输出矩阵和前馈矩阵的取值为：
15、
16、其中，t表示时间周期；τ1表示时间常数，其等于r1c1；τ2表示时间常数，等于r2c2；η表示电池库伦效率；r1表示二阶rc模型内第一电阻的阻值，r2表示二阶rc模型内第二电阻的阻值；c1表示二阶rc模型内第一电容的电容值，c2表示二阶rc模型内第二电容的电容值；qn表示电池当前容量，uoc表示开路电压，soc表示电池当前容量与电池额定容量的百分比，r0表示电路内阻，r0＝ra＝rb。
17、在上述技术方案中，利用h∞滤波算法基于博弈论思想定义的代价函数为：
18、
19、其中，j表示代价函数；表示k时刻系统状态变量估计值；x(0)表示系统状态变量的初始值；表示系统状态变量的初始估计值，p表示阶数为三的协方差矩阵；s(k)为三阶正定矩阵，根据先前的每个状态的重要程度设定；δ为设置的性能边界；q(k)表示过程噪声的协方差矩阵；r(k)表示观测噪声的协方差矩阵；
20、其中，在基于博弈论思想定义代价函数的过程中，以自然界作为博弈对手，自然界会找到合适的x(0)、w(k)和v(k)使代价函数j最大化。
21、在上述技术方案中，h∞滤波算法中的迭代步骤包括：
22、x(k)＝a(k)x(k-1)+b(k)i(k)+ω(k)
23、p(k)＝a(k-1)p(k-1)at(k-1)+q(k-1)
24、k(k)＝p(k)[i-δs(k)p(k)+ct(k)r-1(k)c(k)p(k)]-1ct(k)r-1(k)
25、
26、p(k)＝p(k-1)[i-δs(k)p(k-1)+ct(k)r-1(k)c(k)p(k-1)]-1
27、其中，ω(k)表示过程噪声变量，表示阶数为三的状态矩阵；p(k)表示阶数为三的协方差矩阵；k(k)表示滤波增益矩阵，作为条件因子，调整先前的状态；
28、在迭代运算过程中，需要满足：
29、p(k)-δs(k)+ct(k)r-1c(k)>0。
30、在上述技术方案中，所述噪声更新公式包括：
31、
32、其中，dk表示指数加权；e(k)表示新息；σ表示遗忘因子，用于调整数据权重。
33、在上述技术方案中，所述根据实时更新的噪声和系统状态变量建立电池状态空间方程包括：
34、通过自适应噪声协方差矩阵，将人为设置的定值噪声进行自适应，建立电池系统的初始状态空间方程为：
35、
36、其中，i(k)表本文档来自技高网...
【技术保护点】
1.一种Sage-Husa自适应滤波多参数约束储能电池功率状态评估方法，其特征在于，包括：
2.根据权利要求1所述的Sage-Husa自适应滤波多参数约束储能电池功率状态评估方法，其特征在于，根据所述关键模型参数建立的扩展卡尔曼滤波的离散系统模型为：
3.根据权利要求2所述的Sage-Husa自适应滤波多参数约束储能电池功率状态评估方法，其特征在于，所述状态转移矩阵、系统输入矩阵、系统输出矩阵和前馈矩阵的取值为：
4.根据权利要求1所述的Sage-Husa自适应滤波多参数约束储能电池功率状态评估方法，其特征在于，利用H∞滤波算法基于博弈论思想定义的代价函数为：
5.根据权利要求4所述的Sage-Husa自适应滤波多参数约束储能电池功率状态评估方法，其特征在于，H∞滤波算法中的迭代步骤包括：
6.根据权利要求5所述的Sage-Husa自适应滤波多参数约束储能电池功率状态评估方法，其特征在于，所述噪声更新公式包括
7.根据权利要求1所述的Sage-Husa自适应滤波多参数约束储能电池功率状态评估方法，其特征在于，
8.根据权利要求1所述的Sage-Husa自适应滤波多参数约束储能电池功率状态评估方法，其特征在于，所述关键模型参数包括电压、电流、温度、历史数据、开路电压与SOC关系曲线、电池特性参数和电池模型参数辨识中的至少一种。
9.根据权利要求1所述的Sage-Husa自适应滤波多参数约束储能电池功率状态评估方法，其特征在于，获取电池SOC估算的关键模型参数的方法包括：
10.根据权利要求9所述的Sage-Husa自适应滤波多参数约束储能电池功率状态评估方法，其特征在于，所述二阶PNGV等效电路模型还用于获取电池系统电压电流限制的约束条件，所述电压电流限制的约束条件包括持续电压约束和持续电流约束，其中，所述持续电压约束包括充电电压限制和放电电压限制，所述持续电流约束包括充电电流限制和放电电流限制；
...【技术特征摘要】
1.一种sage-husa自适应滤波多参数约束储能电池功率状态评估方法，其特征在于，包括：
2.根据权利要求1所述的sage-husa自适应滤波多参数约束储能电池功率状态评估方法，其特征在于，根据所述关键模型参数建立的扩展卡尔曼滤波的离散系统模型为：
3.根据权利要求2所述的sage-husa自适应滤波多参数约束储能电池功率状态评估方法，其特征在于，所述状态转移矩阵、系统输入矩阵、系统输出矩阵和前馈矩阵的取值为：
4.根据权利要求1所述的sage-husa自适应滤波多参数约束储能电池功率状态评估方法，其特征在于，利用h∞滤波算法基于博弈论思想定义的代价函数为：
5.根据权利要求4所述的sage-husa自适应滤波多参数约束储能电池功率状态评估方法，其特征在于，h∞滤波算法中的迭代步骤包括：
6.根据权利要求5所述的sage-husa自适应滤波多参数约束储能电池功率状态评估方法，其特征在于，所述噪声更新公式包括
7...
【专利技术属性】
技术研发人员：王顺利，谢泓丘，高正清，刘广忱，刘雨洋，高海英，金思宇，田桂珍，张建伟，温素芳，张计科，
申请(专利权)人：内蒙古工业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。