一种锂离子电池荷电状态联合估算方法

1.本发明属于锂离子电池技术领域，应用于锂离子电池管理系统，具体涉及一种锂离子电池荷电状态联合估算方法。


背景技术：

2.锂离子电池凭借循环寿命长、能量密度高、无污染等优点被广泛应用于新能源存储中，是执行“双碳”目标的重要助力。其中，精确估算荷电状态(state of charge，soc)是实现有效电池管理的前提条件，但锂离子电池内部的电化学反应复杂多变，其soc无法直接测量获取，仅能基于电池相关物理量通过一定方法估算获得。
3.目前，soc估算方法主要分为三类：直接测量法、数据驱动法以及基于模型的方法。直接测量法主要包括安时积分法与开路电压法。这两种方法简单易行，但都存在较大的缺陷。安时积分法在应用过程中存在累积误差的干扰，而开路电压法要求充足的静置时间，难以进行实时估计。数据驱动法包括神经网络与支持向量机等。该类方法无需考虑电池内部的动态特性，可以基于电池电流、电压等相关参数直接预测soc，缺点是需要大量的数据进行训练且具有较高的硬件要求。基于模型的方法因为计算量适中，对参数扰动及初值不准有校正作用而成为各大高校soc估算研究热点之一。粒子滤波与滑模观测器是基于模型法中的常用算法，滑模观测器计算量小，抗参数扰动鲁棒性好，其缺陷在于离散的开关特性容易导致系统的抖振现象，尤其是在电流剧烈变化及含有高频噪声的时候，抖振现象进一步加剧，从而影响电池soc的估算精度。粒子滤波算法实质是利用贝叶斯准则获得状态的最小方差估算，其基于蒙特卡洛方法，采用随机粒子进行加权递归获取样本均值以代替贝叶斯估算中的积分运算。粒子滤波算法对噪声特性无要求，因此在复杂的噪声环境下具有较高精度，该算法的主要缺陷是存在粒子退化、贫化问题。


技术实现要素：

4.针对上述现有技术存在的问题，本发明提供了一种锂离子电池荷电状态联合估算方法，该方法通过联合滑模观测器与粒子滤波算法进行锂离子电池荷电状态估算，采用滑模观测器优化粒子滤波算法的粒子退化或贫化问题，通过粒子滤波对噪声特性无要求的特点增强滑模观测器的抗噪声能力。
5.为实现上述目的，本发明提供了如下方案：本发明提供了一种锂离子电池荷电状态联合估算方法，包括如下步骤：
6.步骤1、建立锂离子电池的二阶rc等效电路模型：采集开路电压数据与荷电状态数据，基于所述等效电路模型，获取不同状态下的电池模型参数；
7.步骤2、获取电池模型状态空间方程：基于基尔霍夫定律，利用所述等效电路模型与电池模型参数，获取模型状态空间方程；
8.步骤3、联合估算：基于所述模型状态空间方程，采用联合滑模观测器的粒子滤波算法估算锂离子电池荷电状态。
9.优选地，所述步骤3具体包括：
10.步骤3.1：初始化粒子与权值
[0011][0012][0013]
其中，v为粒子初始分布协方差，rand表示均值为0，方差为1的正态分布的随机数，n为粒子总数；
[0014]
步骤3.2：基于滑模观测器更新粒子，得到k时刻的状态先验值更新方程为
[0015][0016]
其中，f()为系统状态方程，l，r为滑模观测器增益矩阵，z表示系统选取的滑模面，此处为系统观测值y与测量值y之差；
[0017]
步骤3.3：基于系统观测方程更新k时刻的粒子权值更新方程为
[0018][0019]
其中，r为系统观测噪声协方差；
[0020]
步骤3.4：对粒子权值进行归一化：
[0021]
步骤3.5：粒子重采样，得到新的粒子集合重置粒子权值
[0022]
步骤3.6：系统状态估计：
[0023]
步骤3.7：更新系统观测值：其中h()为系统观测方程。
[0024]
优选地，所述的一种锂离子电池荷电状态联合估算方法，其特征在于，所述估算方法还包括循环执行步骤3.1至步骤3.7，实时估算电池荷电状态值。
[0025]
本发明公开了以下技术效果：
[0026]
本发明提出的一种锂离子电池荷电状态联合估算方法能够有效增强算法对系统参数扰动与额外噪声干扰的鲁棒性，并提升soc估算精度。
附图说明
[0027]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0028]
图1为本发明公开的一种锂离子电池荷电状态估算方法的流程框图示意。
[0029]
图2为锂离子电池二阶rc等效电路模型。
[0030]
图3为25℃美国联邦城市驾驶工况电流。
[0031]
图4为25℃美国联邦城市驾驶工况下三种算法(粒子滤波算法pf、滑模观测器smo、
本发明提出的联合滑模观测器的粒子滤波算法pmo)的soc估算误差示意图。
[0032]
图5为25℃美国联邦城市驾驶工况下存在采样噪声干扰的三种算法(粒子滤波算法pf、滑模观测器smo、本发明提出的联合滑模观测器的粒子滤波算法pmo)soc估算误差示意图。
具体实施方式
[0033]
下面将结合附图和具体实施例对本发明作更进一步的说明。但应当理解的是，本发明可以以各种形式实施，以下在附图中出示并且在下文中描述的一些示例性和非限制性实施例，并不意图将本发明限制于所说明的具体实施例。
[0034]
参见图1，图1为本发明实施例的一种锂离子电池荷电状态联合估算方法，包括如下步骤：
[0035]
步骤1、建立锂离子电池的二阶rc等效电路模型：采集开路电压数据与荷电状态数据，基于所述等效电路模型，获取不同状态下的电池模型参数。
[0036]
步骤1中锂离子电池的二阶rc等效电路模型如图2所示，由一个受控电压源、两个rc环节和一个欧姆内阻r0串联组成，受控电压源表示电池开路电压，rc环节(r1、c1、r2、c2)为极化内阻与极化内容，用于模拟电池电化学极化与浓差极化，电池欧姆内阻用于模拟电池欧姆极化过程。
[0037]
步骤1具体按照以下步骤实施：
[0038]
步骤1.1、静置法通过对满电状态电池以一恒定倍率间断性进行放电并充分静置(以10％soc为间隔)，获取电池的开路电压u
oc
与soc数据；
[0039]
步骤1.2、采用最小二乘法拟合开路电压u
oc
与soc间的关系，使用9阶多项式u
oc
＝a1*soc9+a2*soc8+a3*soc7+a4*soc6+a5*soc5+a6*soc4+a7*soc3+a8*soc2+a9*soc+a
10
进行拟合，获得开路电压u
oc
与soc间的函数关系；
[0040]
步骤1.3、根据电池脉冲放电瞬间的突变电压值除以突变电流值计算得到欧姆内阻；
[0041]
步骤1.4、通过公式获得电化学极化时间常数τ1、浓差极化时间常数τ2；通过公式得到电化学极化内阻r1,、浓差极化电阻r2，所述电化学极化时间常数τ1与所述电化学极化内阻r1的比值为第一极化电容c1，所述浓差极化时间常数τ2与所述浓差极化内阻r2的比值为第二极化电容c2；其中，u1为第一rc环节的端电压，u2为第二rc环节的端电压，u
oc
为电池的开路电压，i为电池的工作电流，u为电池的端电压；
[0042]
步骤1.5、根据不同的荷电状态执行所述步骤1.3至步骤1.4，得到不同荷电状态下电池模型参数。
[0043]
步骤2、获取电池模型状态空间方程：基于基尔霍夫定律，通过所述等效电路模型和所述电池模型参数，得到模型状态空间方程。
[0044]
步骤2所建立的模型状态空间方程，包括状态方程和观测方程，如下：
[0045][0046]
uk＝u
oc,k-u
1,k-u
2,k-r0ik+vk[0047]
其中，t为采样周期，wk为过程噪声，vk为测量噪声，cn为电池额定容量，soc表示电池荷电状态，k代表当前时刻迭代计算步数。
[0048]
状态空间方程可以简化为：
[0049]
xk＝ax
k-1
+bi
k-1
+w
k-1
[0050]
uk＝u
oc,k-u
1,k-u
2,k-r0ik+vk[0051]
其中，
[0052]
步骤3、联合估算：基于所述模型状态空间方程，使用联合滑模观测器的粒子滤波算法估算锂离子电池荷电状态。
[0053]
步骤3具体按照以下步骤实施：
[0054]
步骤3.1、设置状态变量初始值x0，滑膜观测器增益矩阵l，r，粒子初始分布协方差v以及测量噪声协方差r初始值；
[0055]
步骤3.2、根据当前电池的荷电状态soc，计算电池模型参数；
[0056]
步骤3.3：初始化粒子与权值
[0057][0058][0059]
其中，rand表示均值为0，方差为1的正态分布的随机数，n为粒子总数；
[0060]
步骤3.4：基于滑模观测器更新粒子，得到k时刻的状态先验值更新方程为
[0061][0062]
其中，f()为系统状态方程，z表示系统选取的滑模面，此处为系统观测值y与测量值y之差；
[0063]
步骤3.5：基于系统观测方程更新k时刻的粒子权值更新方程为
[0064][0065]
步骤3.6：对粒子权值进行归一化：
[0066]
步骤3.7：粒子重采样，得到新的粒子集合重置粒子权值
[0067]
步骤3.8：系统状态估计：
[0068]
步骤3.9：更新系统观测值：其中h()为系统观测方程。
[0069]
步骤3.10、循环步骤3.2至3.9，实时估算锂离子电池荷电状态。
[0070]
为了验证本发明估算soc的效果，以松下公司生产额定容量3.4ah的三元锂离子电池ncr18650b作为研究对象，进行模拟工况实验。模拟工况为25℃下美国联邦城市驾驶工况(federal urban driving schedule,fuds),充放电电流如图3所示。其中，电池模型仅选用50％soc时的模型参数以验证算法对系统参数扰动的鲁棒性。
[0071]
图4为25℃fuds工况下三种算法(粒子滤波算法pf、滑模观测器smo、本发明提出的联合滑模观测器的粒子滤波算法pmo)的soc估算误差示意图，可以看出，相比于pf算法与smo算法，pmo算法在全soc放电周期内均表现出较高的soc估算精度，其soc估算平均误差在1％以内。在fuds工况16000s～18000s内，电池电量较低，电池模型精度下降，此时pmo算法的soc估算误差仍保持在1％以内，证明所提方法能够有效提升算法对系统参数扰动的鲁棒性。
[0072]
图5为25℃fuds工况下存在采样噪声干扰的三种算法(粒子滤波算法pf、滑模观测器smo、本发明提出的联合滑模观测器的粒子滤波算法pmo)soc估算误差示意图，其中算法电流与电压输入端叠加采样噪声均值为0.02，方差为1*10^(-2)。可以看出，在采样噪声干扰下，pmo算法仍保持着优于pf算法与smo算法的估算精度，证明所提方法能够有效提升算法对系统噪声干扰的鲁棒性。
[0073]
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。