基于FOMIAUKF算法的电池SOC预测方法及电池管理系统

本发明涉及锂电池，尤其涉及一种基于fomiaukf算法的电池soc预测方法及电池管理系统。

背景技术：

1、随着传统汽车数量的急剧增加，能源过度消耗和环境污染等问题也愈加凸显。因此，近年来，安全、清洁、高效的新能源汽车正迅速崛起。与此同时，相关技术也经历了快速的演进。锂电池作为一种具有高能量密度、优异充放电性能、轻巧便携、长寿命且环保的能源媒介，已经在新能源汽车领域广泛应用。

2、电池管理系统(bms)在新能源汽车中的重要性日益凸显。其职责涵盖了对电池组的电压、电流和温度进行时刻监测，以避免电池组的过充、过放和过流，从而确保锂电池组的安全性，使其能够更有效地发挥功效，延长使用寿命。在新能源兴起初期，由于资源受限，bms面临一系列挑战，如测量信息参数不全面、数据采集间隔较长，以及缺乏实时性状态检查，难以对电池真实使用状态进行全面分析研究。

3、目前市场上现有的锂离子电池虽然在电池管理系统的检测精度、耐久性和可靠性等方面取得了一定的进步，但在电池荷电状态的估算、均衡控制及热管理等方面仍缺少系统的设计与研究。其中电池荷电状态soc的估算精度对车辆的安全使用、电池寿命的延长及充电时间的决策具有重要影响。当前国内外普遍使用的soc估算方法有安时积分法、开路电压法和卡尔曼滤波法等，各种方法均有利弊。

4、其中，无迹卡尔曼滤波法(ukf)在电池管理系统中用于估算电池soc时，通过选择一组sigma points来准确捕捉非线性系统特性，进行状态预测和测量更新。其优点在于适用于非线性系统，通过无迹采样点避免了对非线性函数的泰勒展开，提高了估计的准确性。然而，ukf的计算复杂度相对较高，可能对系统实时性产生一定影响。此外，其性能对sigmapoints的选择和系统噪声的处理较为敏感，需要仔细调节参数。

技术实现思路

1、技术目的：针对现有技术中的缺陷，本发明公开了一种基于fomiaukf算法的电池soc预测方法及电池管理系统，延续无迹卡尔曼滤波法估算电池soc的思路，在此基础上融合自适应和多新息理论，提出了分数阶多新息自适应无迹卡尔曼滤波算法(fomiaukf)来提高soc的估算精度。

2、技术方案：为实现上述技术目的，本发明采用以下技术方案。

3、一种基于fomiaukf算法的电池soc预测方法，包括以下步骤：

4、步骤1、在二阶rc等效模型的基础上建立分数阶锂电池模型，获得分数阶锂电池模型的状态空间离散系统方程和测量方程；

5、步骤2、进行混合动力脉冲特性测试，采集电池放电数据，拟合出开路电压和soc的关系表达式；

6、步骤3、采取wso-lm混合算法进行参数辨识，得到分数阶锂电池模型的参数，即电池内阻r0、极化内阻r1和r2、极化电容c1和c2；得到参数辨识后的分数阶锂电池模型；

7、步骤4、将开路电压和soc的关系表达式作为soc真值，对参数辨识后的分数阶锂电池模型采用分数阶多新息自适应无迹卡尔曼滤波算法，即fomiaukf算法，计算误差，获得锂电池组soc预测值。

8、本发明还公开了一种基于fomiaukf算法的电池管理系统，包括包括锂电池电池组、电池管理芯片、中央控制单元、电压检测模块、温度检测模块、电流检测模块、电池保护和均衡电路；

9、锂电池电池组包括若干锂电池，锂电池电池组与电池管理芯片连接，电池管理芯片与电压检测模块、温度检测模块、电流检测模块连接，电池管理芯片以及电压检测模块、温度检测模块、电流检测模块实现对锂电池电池组的电压检测、温度检测和电流检测；

10、电压检测模块、温度检测模块、电流检测模块通过i2c通讯方式与中央控制单元连接，用于将锂电池电池组的电压检测、温度检测和电流检测结果反馈至中央控制单元；所述中央控制单元用于实现以上任一所述的一种基于fomiaukf算法的电池soc预测方法，根据锂电池电池组的电压检测、温度检测和电流检测结果进行电池soc测量；中央控制单元通过电池保护和均衡电路与锂电池电池组连接，确保各单体电池的容量和性能保持一致。

11、有益效果：

12、1、本发明延续无迹卡尔曼滤波法估算电池soc的思路，在此基础上融合自适应和多新息理论，提出了分数阶多新息自适应无迹卡尔曼滤波算法(fomiaukf)来提高soc的估算精度；

13、2、本发明选用wso-lm混合算法进行参数辨识，相较于传统的最小二乘法拥有更高的模型精度；

14、3、本发明根据提出的fomiaukf算法设计了相应的电池管理系统，并验证了该bms系统信息采集的精度和可行性。

技术特征：

1.一种基于fomiaukf算法的电池soc预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于fomiaukf算法的电池soc预测方法，其特征在于：所述步骤1中在分数阶模型方面选择二阶rc等效模型作为锂电池等效电路模型，包括开路电压uoc、端电压vo、电池内阻r0、极化内阻r1和r2、极化电容c1和c2；极化内阻r1上与极化电容c1并联，极化内阻r2与极化电容c2并联，开路电压为uoc依次与电池内阻r0、并联后的极化内阻r1与极化电容c1、并联后的极化内阻r2与极化电容c2连接；分数阶锂电池模型的状态空间离散系统方程和测量方程为：

3.根据权利要求2所述的一种基于fomiaukf算法的电池soc预测方法，其特征在于：所述步骤3包括：基于分数阶锂电池模型以及已知的开路电压uoc和soc函数关系，采用wso-lm混合算法进行参数辨识，其中，战争策略优化算法wso会以随机方式生成一个初始种群，其中每个个体包括七个基因组，即r0、r1、r2、c1、c2、α、β，这七个基因组即为电池模型参数；对于每个个体，进行适应度检查，并选择适应度高的个体进行交叉和变异，以生成新的种群，在战争策略优化算法wso中加入levenberg-marquardt算子，lm算法的模型参数修正表达式为：

4.根据权利要求3所述的一种基于fomiaukf算法的电池soc预测方法，其特征在于：步骤4包括以下步骤：

5.一种基于fomiaukf算法的电池管理系统，其特征在于：包括包括锂电池电池组、电池管理芯片、中央控制单元、电压检测模块、温度检测模块、电流检测模块、电池保护和均衡电路；

6.根据权利要求5所述的一种基于fomiaukf算法的电池管理系统，其特征在于：中央控制单元采用stm32f103c的主控芯片，电池管理芯片的型号为bq76930，电压检测模块中，采用mp9486a降压芯片对电池组进行dc-dc降压处理。

7.根据权利要求6所述的一种基于fomiaukf算法的电池管理系统，其特征在于：在电流检测模块中，电池管理芯片的srn、srp两引脚间设计一个电流敏感电阻rsns，在电流敏感电阻rsns和srn、srp两个引脚之间加入rc滤波电路顺序电流检测。

技术总结
本发明公开一种基于FOMIAUKF算法的电池SOC预测方法及电池管理系统，方法包括：通过建立分数阶锂电池模型，获得状态空间离散系统方程和测量方程；然后，通过混合动力脉冲特性测试，采集电池放电数据，拟合出开路电压与SOC的关系表达式；采用WSO‑LM混合算法进行参数辨识，获得相应的模型参数；引入分数阶多新息自适应无迹卡尔曼滤波FOMIAUKF算法，估算锂电池组SOC值，并进行误差分析。本发明电池管理系统SOC精度误差在0.2％以内，远优于国家标准QC/T897‑2011的规定。

技术研发人员：卞海红,张智源,唐鑫
受保护的技术使用者：南京工程学院
技术研发日：
技术公布日：2024/7/29