一種基於雙時間尺度濾波算法的動力電池SOC估算方法

2023-08-05 07:30:50

一種基於雙時間尺度濾波算法的動力電池soc估算方法
技術領域
1.本發明屬於動力電池狀態估計的技術領域。更具體地，本發明涉及一種融合擴展卡爾曼濾波算法(ekf)與分數階的多信息的無跡卡爾曼濾波算法(fomiukf)的雙時間尺度的濾波算法。


背景技術：

2.新能源汽車在汙染物排放和環境保護方面有著先天優勢，目前世界各國大力扶持發展新能源汽車的目的，就是要解決日趨嚴重的環境問題。
3.近年來，伴隨著新能源汽車產業迅猛發展，我國新能源汽車產量迅速增長，這同時也帶動了動力電池需求量大幅增加。其中，鋰離子電池因其具有高比能量、低自放電率及長壽命的特點，是目前最具實用價值的電動汽車用動力電池。
4.然而，伴隨著新能源汽車行業快速發展而帶來的是其安全問題，也呈快速增長的趨勢。以熱失控為特徵的鋰離子電池系統的安全性事故時有發生，給人民的人身和財產安全帶來了巨大威脅。
5.對於動力電池而言，其安全性與電池的狀態有著密切聯繫，而且相關研究也表明：對電池安全性有影響的部分性能參數的估計也與電池狀態估計有著一定聯繫；所以對電池的狀態進行精準的估計具有必要性。
6.電池狀態估算主要為剩餘電量評估，也即電池荷電狀態(state of charge，soc)的估算，soc是無量綱的參數，與單位制無關，是不可直接測量的物理量。soc估算是指系統基於從電池上採集到的電池電壓、電流以及溫度等信息對電池的剩餘電量進行估計。
7.對於soc估算，目前尚無完全統一的定義，通常被認為是剩餘電量與電池額定容量之比。準確的soc估計值可以提供準確的電池能量狀態信息，避免在使用過程中突然間斷電引發安全問題或者導致意外損失。
8.但是，鋰離子電池的充放電過程是一個極其複雜的化學反應過程，加之工作環境的複雜多變，導致對於soc準確估測的難度較大。
9.目前，國內外學者已研究出多種soc的估算方法，常見的有：安時積分法、開路電壓法、神經網絡法、卡爾曼濾波法等。其中一些方法因為複雜度和資源佔用較大己經被淘汰，如阻抗普法、電解質物理性質測試法等。
10.雖然有一些估算方法得到了推廣應用，但實質上並沒有解決上述存在的問題，特別是安全問題，始終是影響新能源汽車發展的重要問題。


技術實現要素：

11.本發明提供一種基於雙時間尺度濾波算法的動力電池soc估算方法，其目的是提高動力電池的soc估算精度，提高電池的安全性。
12.為了實現上述目的，本發明採取的技術方案為：
13.本發明的基於雙時間尺度濾波算法的動力電池soc估算方法，其過程為：
14.步驟1、開始，構建包含系統狀態和系統參數的非線性離散系統；
15.步驟2、初始化；
16.步驟3、數據採集；
17.步驟4、計算分數階模型參數，然後分別同時進入步驟5和步驟9；
18.步驟5、宏觀ekf濾波器方程初始化；
19.步驟6、時間更新，然後分別進入下一步驟，以及將信號發送至步驟10；
20.步驟7、測量更新；再分別進入步驟8、返回步驟6；
21.步驟8、參數輸出，進入步驟13；
22.步驟9、微觀fomiukf濾波器方程初始化；
23.步驟10、時間更新；
24.步驟11、測量更新，然後分別進入下一步驟，以及將信號發送至步驟7；
25.步驟12、soc輸出，然後分別進入下一步驟，以及返回步驟10；
26.步驟13、數據存儲；
27.步驟14、結束。
28.在所述的步驟1中，如下式所示：
[0029][0030]
其中，x
k，l
為系統在t
k，l
時刻的狀態，t
k，l
＝t
k，0
+l
×
t(1≤l≤h)，t為相鄰兩個測量點之間的固定採樣間隔，k為針對系統參數的宏觀時間尺度，l為針對系統狀態的微觀時間尺度，同時為了方便計算定義了x
k，l
＝xk·
h+l
，u
k，l
為t
k，l
的外部輸入矩陣，y
k，l
為t
k，l
的系統觀測，ω
k，l
和ρ
k，l
分別為狀態和模型參數的過程噪聲，ν
k，l
為測量噪聲，h為時間尺度的分離水平，x
k+1，0
＝x
k，h
，θk為第k個尺度下的參數矩陣，θk＝θ
k，0：h-1
。
[0031]
在所述的步驟2中，其初始化如下式所示：
[0032][0033][0034]
在所述的步驟6中，宏觀時間尺度參數濾波器進行時間更新，估計k時刻先驗參數估計值和參數協方差矩陣
[0035]
在所述的步驟10中，微觀時間尺度濾波器對狀態估計進行時間更新，l∈{1，...，h}；
[0036]
1)、計算採樣點：
[0037]
[0038][0039]
其中：α＝0.01，β＝2，ki＝3-l。
[0040]
2)、將sigma點向後傳遞得新的sigma點集：
[0041][0042]
3)、狀態估計和協方差矩陣時間更新：
[0043][0044][0045]
在所述的步驟11中，微觀時間尺度濾波器對狀態估計進行測量校正；
[0046]
1)、更新觀測值和觀測方差預測值
[0047][0048][0049][0050][0051]
2)、計算狀態最優估計和誤差協方差矩陣p
k-1，l
[0052][0053][0054][0055]
λ1≥(λ2+λ3+
…
+λr)
[0056][0057]
p
k-1，l
＝p
xx，l/l-1-k
k-1，l
p
xy，l/l-1kk-1，lt
[0058]
當1
→
h，進行時間尺度變換；
[0059][0060]yk，0
＝y
k-1，h
，u
k，0
＝u
k-1，h
[0061]
在所述的步驟7中，宏觀時間尺度參數濾波器進行測量校正；
[0062][0063]
其中：
[0064][0065]
考慮到系統狀態可能是系統參數的函數，所以在求解時需要對總函數求偏導，具體遞歸方程如下所示：
[0066][0067][0068]
[0069][0070]
本發明採用上述技術方案，採用融合擴展卡爾曼濾波算法(ekf)與分數階的多信息的無跡卡爾曼濾波算法(fomiukf)的雙時間尺度的濾波算法，力求進一步提高電池狀態的估算準確性，提高動力電池的安全性。
附圖說明
[0071]
附圖所表達的內容及圖中的標記作簡要說明：
[0072]
圖1是本發明所用電池等效模型結構示意圖；
[0073]
圖2是本發明設計的雙時間尺度濾波算法流程示意圖。
具體實施方式
[0074]
下面對照附圖，通過對實施例的描述，對本發明的具體實施方式作進一步詳細的說明，以幫助本領域的技術人員對本發明的發明構思、技術方案有更完整、準確和深入的理解。
[0075]
如圖1所示是本發明的結構。圖2所示是本發明的基於雙時間尺度濾波算法的動力電池soc估算方法流程示意圖。為了解決現有技術存在的問題並克服其缺陷，實現提高動力電池的soc估算精度，提高電池的安全性的發明目的，本發明採取的技術方案為：
[0076]
如圖2所示，本發明的估算方法的過程如下：
[0077]
步驟1、開始，構建包含系統狀態和系統參數的非線性離散系統；
[0078]
步驟2、初始化；
[0079]
步驟3、數據採集；
[0080]
步驟4、計算分數階模型參數，然後分別同時進入步驟5和步驟9；
[0081]
步驟5、宏觀ekf濾波器方程初始化；
[0082]
步驟6、時間更新，然後分別進入下一步驟，以及將信號發送至步驟10；
[0083]
步驟7、測量更新；再分別進入步驟8、返回步驟6；
[0084]
步驟8、參數輸出，進入步驟13；
[0085]
步驟9、微觀fomiukf濾波器方程初始化；
[0086]
步驟10、時間更新；
[0087]
步驟11、測量更新，然後分別進入下一步驟，以及將信號發送至步驟7；
[0088]
步驟12、soc輸出，然後分別進入下一步驟，以及返回步驟10；
[0089]
步驟13、數據存儲；
[0090]
步驟14、結束。
[0091]
本發明的目的在於提供一種改進的雙時間尺度濾波算法的動力電池soc估算方法，以提高動力電池的soc估算精度。
[0092]
將估計算法進行衍變和融合是有效的提高估算精度的途徑，因此，本發明提出一種融合擴展卡爾曼濾波算法(ekf)與分數階的多信息的無跡卡爾曼濾波算法(fomiukf)的雙時間尺度的濾波算法，力求進一步提高電池狀態的估算的準確性，進而提高動力電池的安全性。
[0093]
具體地，上述技術方案主要包括以下內容：
[0094]
1、首先構建一個包含系統狀態和系統參數的非線性離散系統，如下式所示：
[0095][0096]
其中，x
k，l
為系統在t
k，l
時刻的狀態，t
k，l
＝t
k，0
+l
×
t(1≤l≤h)，t為相鄰兩個測量點之間的固定採樣間隔，k為針對系統參數的宏觀時間尺度，l為針對系統狀態的微觀時間尺度，同時為了方便計算定義了x
k，l
＝xk·
h+l
，u
k，l
為t
k，l
的外部輸入矩陣，y
k，l
為t
k，l
的系統觀測，ω
k，l
和ρ
k，l
分別為狀態和模型參數的過程噪聲，v
k，l
為測量噪聲，h為時間尺度的分離水平，x
k+1，0
＝x
k，h
，θk為第k個尺度下的參數矩陣，θk＝θ
k，0：h-1
。
[0097]
2、具體濾波步驟如下：
[0098]
(1)、初始化
[0099][0100][0101]
(2)、宏觀時間尺度參數濾波器進行時間更新，估計k時刻先驗參數估計值和參數協方差矩陣
[0102]
(3)、微觀時間尺度濾波器對狀態估計進行時間更新，l∈{1，...，h}；
[0103]
1)、計算採樣點：
[0104][0105][0106]
其中：α＝0.01，β＝2，ki＝3-l。
[0107]
2)、將sigma點向後傳遞得新的sigma點集：
[0108][0109]
3)、狀態估計和協方差矩陣時間更新：
[0110][0111][0112]
(4)、微觀時間尺度濾波器對狀態估計進行測量校正；
[0113]
1)、更新觀測值和觀測方差預測值
[0114][0115][0116][0117][0118]
2)、計算狀態最優估計和誤差協方差矩陣p
k-1，l
[0119][0120][0121][0122]
λ1≥(λ2+λ3+
…
+λr)
[0123][0124]
p
k-1，l
＝p
xx，l/l-1-k
k-1，l
p
xy，l/l-1kk-1，lt
[0125]
(5)、當l
→
h，進行時間尺度變換；
[0126][0127]yk，0
＝y
k-1，h
，u
k，0
＝u
k-1，h
[0128]
(6)、宏觀時間尺度參數濾波器進行測量校正；
[0129][0130]
其中：
[0131][0132]
考慮到系統狀態可能是系統參數的函數，所以在求解時需要對總函數求偏導，具體遞歸方程如下所示：
[0133][0134][0135][0136]
上面結合附圖對本發明進行了示例性描述，顯然本發明具體實現並不受上述方式的限制，只要採用了本發明的方法構思和技術方案進行的各種非實質性的改進，或未經改進將本發明的構思和技術方案直接應用於其它場合的，均在本發明的保護範圍之內。