一種SOC估計方法技術

本發明專利技術公開了一種鋰電池SOC估計方法，將每次測量的輸出值和模型估計得到的輸出值的殘差及各狀態sigma點估算的輸出值殘差的加權和作為新息來估計當前時刻的噪聲協方差，讓其隨時間而更新，實時反饋，能夠讓原本固定不變的噪聲協方差隨時間而更新，實時反饋，從而提高精度，對初始值具有較好的魯棒性，遞推計算過程中能夠較快的收斂到正確值，且估算精度高，動態性能好，計算量小，方便實現。

【技術實現步驟摘要】
一種SOC估計方法
本專利技術涉及動力電池管理領域，特別涉及一種SOC估計方法。
技術介紹
近年來，隨著空氣質量的日益惡化以及石油資源的漸趨匱乏，新能源汽車，尤其是純電動汽車成為當今世界各大汽車公司的開發熱點。動力電池組作為電動汽車的關鍵部件，動力電池SOC被用來直接反應電池的剩余電量，是整車控制系統制定最優能量管理策略的重要依據，動力電地SOC值的準確估計對于提高電池安全可靠性、提高電池能量利用率、延長電池壽命具有重要意義。目前，常用的SOC估計方法主要有開路電壓法、安時積分法、卡爾曼濾波法和神經網絡法等。開路電壓法，根據OCV-SOC關系，單獨使用到適用于電動汽車的駐車狀態，不能在線、動態估算。通常，開路電壓法用于為其它估計方法提供SOC的初始值。安時積分方法的基本原理：安時積分法具有成本低、測量方便等優點，缺點為需要借助其它方法獲得SOC初始值；電流測量精度對SOC估計精度具有決定性影響；積分過程的累積誤差無法消除。神經網絡法具有良好的非線性映射能力，理論上動力電池的非線性特性能夠較好的由神經網絡映射，但其需要大量的數據進行訓練，使用復雜，訓練數據和訓練方法對估計精度的影響較大。卡爾曼濾波法(KF，KalmanFilter)應用在線性系統中，核心思想是對動態系統的狀態做出最小均方意義上的最優估計，卡爾曼濾波的優點在于誤差糾正能力較強，不足在于估計精度對電池模型的準確性依賴較高。近年來在非統性系統中衍生出擴展卡爾曼濾波與無跡卡爾曼濾波等算法。擴展卡爾曼濾披(EKF)對非線性函數的Taylor展開式進行一階線性化截斷，忽略其余高階頂，從而將非線性問題轉化為線性，可以將卡爾曼線性濾波算法應用于非線性系統中。這樣一來，解決了非線性問題。然而該種方法也帶來了兩個缺點，其一是當強非線性時EKF違背局部線性假設，Taylor展開式中被忽略的高階項帶來大的誤差時，EKF算法可能會使濾波發散；另外，由于EKF在線性化處理時需要用雅克比矩陣，其繁瑣的計算過程導致該方法實現相對困難。無跡卡爾曼濾波(UKF)是一種新型的濾波估計算法。UKF以UT變換為基礎，摒棄了對非線性函數進行線性化的傳統做法，采用卡爾曼線性濾波框架，對于一步預測方程，使用無跡(UT)變換來處理均值和協方差的非線性傳遞。UKF沒有線性化忽略高階項，因此非線性分布統計量的計算精度較高。但是傳統的無跡卡爾曼濾波算法協方差看作常量，不能滿足噪聲實時更新的特性，從而對精度產生了一定的影響。
技術實現思路
本專利技術的目的是在普通UKF算法的基礎上進行改進，將每次測量的輸出值和模型估計得到的輸出值的殘差及各狀態sigma點估算的輸出值殘差的加權和作為新息來估計當前時刻的噪聲協方差，讓其隨時間而更新，實時反饋，從而提高精度。為實現上述目的，本專利技術提供的技術方案為：一種SOC估計方法，包括以下步驟，S1、建立鋰電池組在t時刻的SOC方程：其中ki為充放電倍率補償系數，kt為溫度補償系數，kc為循環次數補償系數，CN為電池實際可用容量；S2、對鋰電池進行等效電路建模，采用二階RC電路建立為等效電路模型，該等效電路模型包括依次串聯的一電壓源Voc、一內阻R以及兩個時間常數不同的RC并聯環路；S3、建立SOC的狀態方程：其中：S4、根據步驟S3建立的狀態方程，更新狀態方程估計的時間為S5、更新均方差時間為S6、先驗估計系統輸出為S7、計算濾波增益矩陣；S8、根據步驟S4更新的狀態方程估計時間、步驟S6的系統輸出先驗估計、步驟S7的濾波增益矩陣來估計最優的狀態為S9、根據步驟S5更新的均方差時間、步驟S7的濾波增益矩陣來估計均方誤差為S10、建立過程噪聲和測量噪聲更新方程，其中μk和yk|k-1，i分別是測量輸出量的殘差和各sigma點估算得到的測量輸出量的殘差。具體的，步驟S4狀態方程的建立方法為：S41、確定初始狀態為S42、對S41中的初始狀態進行擴維：其中Q、R是協方差矩陣，是對稱的矩陣，而且對角線上是各個維度上的方差；S43、對S42中的擴展狀態計算均值：對S42中的擴展狀態計算方差：S44、選取2L+1個采樣點，其中Sample＝{zi，Xk-1，i}，i＝0，1，2…，2L+1；Xk-1，i為所選粒子，zi是相應的加權值。具體的，步驟S44粒子點按如下方式選取：對應的加權系數為：其中λ為比例系數，滿足λ＝α2(L+t)-L，z(m)、z(c)分別是粒子點均值和方差相對應的加權值；而表示(L+λ)PX，k-1的平方根矩陣的第i列。具體的，步驟S10建立的過程噪聲和測量噪聲更新方程，將每次測量的輸出值的殘差μk和模型估計得到的輸出值的殘差yk及各狀態sigma點估算的輸出值殘差yk|k-1，i的加權和作為新息來估計當前時刻的噪聲協方差，讓其隨時間而更新，實時反饋，從而提高精度。本專利技術有益效果在于能夠讓原本固定不變的噪聲協方差隨時間而更新，實時反饋，從而提高精度，對初始值具有較好的魯棒性，遞推計算過程中能夠較快的收斂到正確值，且估算精度高，動態性能好，計算量小，方便實現。附圖說明圖1是本專利技術等效電路模型示意圖。具體實施方式參照附圖1介紹本專利技術的具體實施方式。非線性離散時間系統狀態方程和觀測方程的一般形式為ωk的為系統噪聲，vk為觀測噪聲，對于UKF，其迭代方程是基于特定選取的一組采樣點來進行的，采樣點的選取依據是要使其均值和方差與狀態變量的期望均值和方差保持一致，然后這些點通過非線性系統模型進行傳遞，產生一系列的預測點群，最后通過對這些點群的均值和方差進行糾正，便可以估計出期望的均值和方差，UKF迭代之前，先將狀態變量擴展為原始狀態、過程噪聲和測量噪聲三者的疊加。對于鋰電池，由安時積分法可得在t時刻電池組的SOC為：其中ki為充放電倍率補償系數，kt為溫度補償系數，kc為循環次數補償系數，CN為電池實際可用容量。根據非線性離散時間系統狀態方程和觀測方程的一般形式以及得到狀態方程：Uk＝Ek-IkR-Us，k-Up，k+v(k)＝F(SOCk)-IkR-Us，k-Up，k+v(k)其中：根據附圖1的電路模型：xk＝[SOCk，Us，k，Up，k]為系統的原始狀態；yk為原始輸出，對應電路模型中的Uk；uk為控制量，對應電路模型中的IK，且令ψ＝[y1，y2，…，yk]，然后進行無跡卡爾曼濾波運算。先進行狀態估計時間的更新：基于上一時刻狀態最優估計得到擴展狀態的均值和方差，據此選擇(2L+1)個采樣點，最后將采樣點通過狀態方程進行變換并完成狀態預測。初始化，確定初始狀態：狀態擴維：其中，Q、R是協方差矩陣，是對稱的矩陣，而且對角線上是各個維度上的方差。擴展狀態均值：擴展狀態方差：選取采樣點：Sample＝{zi，Xk-1，i}，i＝0，1，2…，2L+1；其中Xk-1，i為所選粒子，zi是相應的加權值。粒子點按如下方式選取：對應的加權系數為：λ為比例系數，滿足：λ＝α2(L+t)-L，z(m)、z(c)分別是粒子點均值和方差相對應的加權值；而表示(L+λ)PX，k-1的平方根矩陣的第i列；參數t滿足t≥0以保證方差矩陣為正定，一般默認t＝0；α控制粒子分布距離，且滿足10-2≤α≤1，在此取α＝1；β于減小高階項誤差，對以正態分布最優取β＝2。分析采樣點又可分為和三本文檔來自技高網...

【技術保護點】
一種SOC估計方法，其特征在于，包括以下步驟，S1、建立鋰電池組在t時刻的SOC方程：

【技術特征摘要】
1.一種SOC估計方法，其特征在于，包括以下步驟，S1、建立鋰電池組在t時刻的SOC方程：其中ki為充放電倍率補償系數，kt為溫度補償系數，kc為循環次數補償系數，CN為電池實際可用容量；S2、對鋰電池進行等效電路建模，采用二階RC電路建立為等效電路模型，該等效電路模型包括依次串聯的一電壓源Voc、一內阻R以及兩個時間常數不同的RC并聯環路；S3、建立SOC的狀態方程：其中：S4、根據步驟S3建立的狀態方程，更新狀態方程估計的時間為S5、更新均方差時間為S6、先驗估計系統輸出為S7、計算濾波增益矩陣；S8、根據步驟S4更新的狀態方程估計時間、步驟S6的系統輸出先驗估計、步驟S7的濾波增益矩陣來估計最優的狀態為S9、根據步驟S5更新的均方差時間、步驟S7的濾波增益矩陣來估計均方誤差為S10、建立過程噪聲和測量噪聲更新方程，其中，μk和yk|k-1，i分別是測量輸出量的殘差和各各狀態sigma點估算得到的測量輸出量的殘差。2.根據權利要求1所述的一種SOC估計方法，其特征在于，步驟S4狀態方程的建...

【專利技術屬性】
技術研發人員：劉厚德，康龍云，王書彪，郭向偉，饒華兵，辛創，張誠，
申請(專利權)人：東莞市德爾能新能源股份有限公司，
類型：發明
國別省市：廣東,44