一種基於神經網絡的鋰電池SOC觀測方法與流程
2023-12-01 00:53:06 2
本發明一種電池觀測方法，尤其是涉及了一種基於神經網絡的鋰電池soc觀測方法。
背景技術：
節能與環保已經成為當今中國以至於全世界努力的目標。其中，鋰電池的廣泛應用成為了時代的一種標緻。
鋰電池是將儲存的化學能轉化為電能的裝置。因為他們的高電能密度性、設計隨意性、以及低費用，現在鋰電池廣泛應用在各個場合，比如電子通訊設備、混合電動汽車等。然而，如果沒有好好對鋰電池進行管理，鋰電池的壽命和效用會大大降低。所以，一個能夠時刻監測電池狀態、保證電池平穩運行的bms(電池管理系統)對於一個鋰電池非常重要。
為了能夠儘可能地提高電池的表現並延長電池壽命，soc(荷電狀態)是bms中需要監測的一個最為重要狀態。soc即是剩餘電量。不準確的soc測量可能造成電池的過充或過放。
技術實現要素：
為了解決背景技術中存在的問題，針對鋰電池的soc難以直接測量問題，本發明公開了一種鋰電池的荷電狀態(soc)觀測方法。
本發明所採用的技術方案包括以下步驟：
1)利用鋰電池特性，建立鋰電池等效電路模型的拓撲結構及其模型公式；
2)通過對已知電池參數的電池進行測試，獲得鋰電池等效電路模型的模型參數；
3)用鋰電池等效電路模型，使用基於徑向基神經網絡的狀態觀測器對鋰電池的剩餘電量soc進行估測。
所述步驟1)建立鋰電池等效電路模型的拓撲結構具體為：
soc觀測器屬於算法，進行觀測運算的時候需要先在觀測器中建立鋰電池模型從而進行估計，故發明首先需要對鋰電池的狀態進行模擬，建立一個有效的鋰電池模型。因此，本發明採用第一副迴路和第二副迴路來描述電池的狀態，如圖1，左邊的為第一副迴路，右邊的是第二副迴路。第一副迴路獲得仿真soc以及電池剩餘的工作時長，第二副迴路獲得短時反應以及電池的v-i曲線。
針對每個電池，採用第一副迴路和第二副迴路來描述電池的狀態：第一副迴路包括並聯在電池兩端的放電電阻rsd、電容cb和電流源ib，通過電容cb和電流源ib獲得電池剩餘的工作時長和電池的soc；第二副迴路包括串聯在電池的開路電壓voc、電阻r0、由電阻rs和電容cs構成的rc迴路以及由電阻rf和電容cf構成的rc迴路，通過兩組rc迴路獲得電池的短時反應以及電池的v-i曲線。
考慮到模型誤差和未知幹擾，所述鋰電池等效電路模型採用以下公式表示：
y＝cx
其中，表示x的導數，x是狀態向量，x＝[soc,vf,vs,vb]t，soc代表電池的剩餘容量，滿足soc∈[0,1]，vs代表短期瞬態響應的電壓值，vf代表長期瞬態響應的電壓值，vb代表電池的最終電壓，ib為外部電流；a表示電池soc的狀態轉移，g表示外部電流影響，表示誤差函數；並且y＝vb；
所述a、g和分別採用以下公式計算：
其中，ψ(x,ib)是可預測幹擾量，c＝[0001]，h1(x1)、h2(x1)和h3(x1)分別表示短期瞬態響應方程、長期瞬態響應方程以及總瞬態響應方程，g1(x1)、g2(x1)、g3(x1)和g4(x1)表示第一、第二、第三、第四中間電量，x1表示上一瞬間的x，即x的前值；
所述h1(x1)、h2(x1)、h3(x1)，g1(x1)、g2(x1)、g3(x1)和g4(x1)分別採用以下公式計算：
其中，cb指的是電容cb的電容值，等效為電池的電容值，rsd是放電電阻rsd的電阻值，r0是指電阻r0的電阻值；rs(soc),cs(soc),rf(soc)、r0(soc)和cf(soc)分別代表rs,cs,rf,r0,cf隨soc變化的實時值。
拓撲結構中的rc迴路(rs,cs)和(rf,cf)代表電池的短期瞬態響應的rc電路參數值，長期的瞬態相應的rc電路參數值。
所述步驟2)鋰電池等效電路模型參數獲取具體為：
用現有已知剩餘容量的鋰電池進行實驗得到鋰電池等效電路模型參數：
2.a)對於電池的內阻r0，將已知剩餘容量的鋰電池進行間歇性放電，讓電池放電數秒，測量電流和電池電壓，然後靜置數秒，靜置時間和放電時間相同，測量開環電壓，重複上面工作數次，得到得到電池的內阻r0，計算公式為：
其中，u0表示從開環到有外部電流情況下鋰電池電壓變化值，ib表示外部電流；
2.b)對於電池的內阻r0以外的其他參數，電池的內阻r0以外的其他參數具體為rs,cs,rf,r0,cf，都會隨soc變化，採用以下方式進行實驗並擬合獲得：
先進行實驗獲得剩餘電量soc與開路電壓ocv關係曲線；
然後將電池串聯電阻不斷放電，實時記錄電壓電流並擬合獲得v-i曲線，然後通過擬合獲得其他參數各自與soc關係函數，得到rc迴路中各個參數值。
獲得v-i曲線後，具體是通過下面公式進行擬合其他參數各自與soc關係函數：
vs＝rsib
其中，t是擬合自變量時間，τs表示短期瞬態反應周期，τs＝rscs，τf表示長期瞬態反應周期，τf＝rfcf；vb、vf和vs分別表示電池電壓、電池長期瞬態響應電壓和短期瞬態響應。
所述步驟2.b)中進行實驗獲得剩餘電量soc與開路電壓ocv關係曲線具體為：
先對鋰電池進行放電，記錄鋰電池的放電數據，通過安時法得到鋰電池的總電量，然後充滿電後再第二次放電，直到準確測量電池的總電量，使得誤差在1％之內；
然後將電池充滿電，靜置一段時間(大於半小時)後，獲得電池開路電壓ocv，在電池測試平臺中將電池以額定電流進行第三次放電，獲得剩餘電量soc及其對應的每塊電池的開路電壓ocv，從而繪製ocv和soc之間的離散關係曲線f(·)。
由實際鋰電池測試獲得的電池的電壓電流參數輸入到擬合後的曲線中，獲得鋰電池等效電路模型的拓撲結構的各個模型參數
所述步驟3)具體為：
在得到鋰電池等效電路模型及其模型參數後，構建以下公式表示的基於徑向基神經網絡的鋰電池狀態觀測器，用構建的鋰電池狀態觀測器對鋰電池的剩餘電量soc進行估測計算：
其中，l表示觀測器的初始增益矩陣，l＝[l1,l2,l3,l4]t，l1、l2、l3、l4分別表示為設定的增益矩陣參數，t表示矩陣轉置；是狀態向量x的觀測量，是可預測幹擾量ψ的觀測量，滿足wt是權重向量，wt＝[w1,w2,…,wn]，w1,w2,…,wn是神經元權重係數，n表示神經網絡的神經節個數，是輸入向量，是觀測者激勵函數。
實際計算過程經收斂性證明，得知基於徑向基的神經網絡狀態觀測器能夠實現收斂，可知本發明可實現有效觀測。
本發明的觀測方法基於鋰電池等效電路模型，應用基於徑向基神經網絡的鋰電池狀態觀測器，能夠準確地觀測得到的鋰電池soc(剩餘電量)，比現有的方法更準確。
本發明相比於化學電能機械模型和神經網絡模型，其中的等效電路模型不但能夠準確仿真出電池內部的狀態，而且有著較低計算複雜度和高適應性的特點，而且能夠應用到基於徑向基神經網絡的鋰電池狀態觀測器中。
本發明將鋰電池等效電路模型和電池外部電流輸入到觀測器中，能夠獲得鋰電池的soc估計值，該估計值與實際soc誤差相當小，與常用的擴展卡爾曼濾波器相比有更好的精度。
本發明的有益效果是：
本發明從電池的原理模型出發，準確確定了電池內部參數結構使得估測更加精準，而且神經網絡可以根據電池不同、需求精確度不同進行調整，可移植性比較好：
本發明能夠準確仿真出鋰電池的soc狀態，能將觀測得到的鋰電池soc誤差縮小到相當小的一個值。
附圖說明
圖1是電池等效電路模型的拓撲結構示意圖。
圖2是電池在通過實驗測試獲得模型參數中的放電電流結果圖。
圖3是鋰電池等效電路模型內部參數擬合結果圖。
圖4是soc與ocv關係擬合曲線圖。
圖5是鋰電池等效電路模型仿真與實際電路圖。
圖6是真實的soc結果、和採用本發明仿真進行觀測的結果、採用拓展kalman濾波方法的結果對比圖。
圖7是soc估計誤差對比圖。
具體實施方式
為證明基於徑向基的神經網絡狀態觀測器的效果，下用一個實例證明該技術方案的可行性。
採用上述方法的本發明的實施例及其實施過程如下：
1、構建鋰電池等效電路模型。
包括第一副迴路和第二副迴路，如圖1，左邊的為第一副迴路，右邊的是第二副迴路。第一副迴路獲得仿真soc以及電池剩餘的工作時長，第二副迴路獲得短時反應以及電池的v-i曲線。
針對每個電池，採用第一副迴路和第二副迴路來描述電池的狀態：第一副迴路包括並聯在電池兩端的放電電阻rsd、電容cb和電流源ib，通過電容cb和電流源ib獲得電池剩餘的工作時長和電池的soc；第二副迴路包括串聯在電池的開路電壓voc、電阻r0、由電阻rs和電容cs構成的rc迴路以及由電阻rf和電容cf構成的rc迴路，通過兩組rc迴路獲得電池的短時反應以及電池的v-i曲線。
2、電池選取
使用由一個ifp36130155-36ah鋰電池組進行實驗，這個鋰電池的標識電量為36ah，標識電壓為3.7v，截斷電壓為2.5v。實驗室溫度環境為20℃，溫度調節室用於保證電池的溫度在一個很小的範圍。對電流、電壓的採樣頻率設置為4hz。
2、電池參數確定
根據第二部分，對鋰電池不斷地進行相關測試，可以得到鋰電池的rc電路參數擬合效果如圖3，同時可以進行soc與ocv關係實驗得到關係的擬合曲線如圖4，將以上參數帶入模型建立仿真模型，對比鋰電池等效電路模型仿真與實際電路效果如圖5，可以看到該鋰電池等效電路模型能夠準確地確定鋰電池的狀態。
4、基於徑向基神經網絡的鋰電池狀態觀測器
根據鋰電池特點，可以設置徑向基神經網絡的神經節數量定為7。神經元的權重向量定為：
wt＝[0.01,0.01,0.01,0.01,0.01,0.01,0.01]
放電電流如圖2所示，振幅為12a，時長為1672s，佔空比為30％。
觀測器的初始soc設定為50％。
5、實驗結果
如圖6，可以看到真實的soc、基於徑向基神經網絡的狀態觀測器結果、拓展kalman濾波結果對比。圖中可見基於徑向基神經網絡的狀態觀測器結果效果明顯優於拓展kalman濾波結果。
如圖7，通過對比不同方法的誤差可得到，可以看出基於徑向基神經網絡的狀態觀測器具有更準確的效果。