一种基于AFFRLS-ASRUKF融合算法的船用锂离子电池SOC在线估算方法

摘要: 本发明涉及锂离子电池状态监测与船舶电池管理,具体而言,尤其涉及一种基于affrls-asrukf融合算法的船用锂离子电池soc在线估算方法。背景技术:1、随着绿...
一种基于AFFRLS-ASRUKF融合算法的船用锂离子电池SOC在线估算方法

本发明涉及锂离子电池状态监测与船舶电池管理,具体而言,尤其涉及一种基于affrls-asrukf融合算法的船用锂离子电池soc在线估算方法。

背景技术:

1、随着绿色航运技术的发展,电动船舶及小型电动无人艇逐渐成为智能航运的重要发展方向。锂离子电池因具有能量密度高、循环寿命长及绿色环保等优点,被广泛应用于船舶动力系统中。

2、然而,船用锂离子电池长期工作于复杂动态工况下,受航速变化、推进负载波动、风浪扰动及环境温度变化影响,电池模型参数具有明显时变特性。同时,船用环境中的高湿度、高盐雾及长期无人值守运行特点,也对电池管理系统的可靠性与实时性提出更高要求。

3、荷电状态 soc 是反映电池剩余可用容量的重要状态参数,但由于 soc 无法直接测量,通常需要基于电池模型与状态估计算法进行间接推算。传统安时积分法存在累积误差大、初值依赖强等问题;常规卡尔曼滤波方法则易受模型参数失配及噪声不确定影响。

4、因此,亟需提出一种能够同时兼顾模型参数在线更新与 soc 高精度估算的融合方法,以提高船用锂离子电池 soc 在线估算精度与系统鲁棒性。

技术实现思路

1、根据上述提出船用锂电池在复杂动态工况下模型参数时变、噪声统计特性不确定以及 soc 估算精度不足等技术问题,提供一种基于affrls-asrukf融合算法的船用锂离子电池soc在线估算方法。本发明在多种动态工况及不同温度条件下均具有较高估算精度,可广泛应用于小型电动无人艇、电动船舶及船用储能系统的电池管理系统中。

2、本发明采用的技术手段如下:

3、一种基于affrls-asrukf融合算法的船用锂离子电池soc在线估算方法,包括:

4、s1、采集锂离子电池充放电过程中的端电压、工作电流及表面温度数据,并进行数字滤波与数据预处理;

5、s2、建立锂离子电池二阶rc等效电路模型,包括欧姆内阻、电化学极化支路及浓差极化支路,并基于低倍率充放电实验数据构建soc-ocv函数关系;

6、s3、基于建立的二阶rc等效电路模型,并依据预处理后的端电压和电流数据,采用自适应变遗忘因子递推最小二乘算法affrls对模型参数进行在线辨识,实时更新欧姆内阻、极化电阻及极化电容参数;

7、s4、将辨识得到的模型参数代入二阶rc等效电路模型,构建以荷电状态soc及两个极化支路的极化电压为状态变量的离散状态空间方程,并基于sage-husa自适应噪声估计机制的自适应平方根无迹卡尔曼滤波算法asrukf,结合预处理后的端电压和电流数据,对锂离子电池soc进行在线递推估算;

8、s5、在每个采样周期内,将在线辨识得到的模型参数实时反馈至离散状态空间方程中,交替执行affrls参数辨识与asrukf状态估算,实现模型参数与soc状态的协同更新;

9、s6、输出锂离子电池soc估算结果,并应用于船用电池管理系统bms的能量管理与安全保护。

10、进一步地,步骤s1,包括:

11、s11、在锂离子电池单体或模组正负极端布置电压传感器,在充放电回路中串联电流传感器,并在电池表面布置温度传感器,以预设采样频率同步采集电池端电压、充放电电流及表面温度数据,同时记录各通道数据对应的时间戳;

12、s12、对采集的端电压、电流及温度数据分别进行数字滤波处理,采用低通滤波器滤除高频采样噪声与电磁干扰,保留有效工况信号;

13、s13、基于统计阈值方法对滤波后的数据进行异常值检测与剔除,识别并修正因传感器瞬时故障或通信丢包导致的野值,对缺失数据点采用线性插值进行补齐;

14、s14、基于温度传感器的标定参数及实时测量的电池表面温度,对端电压和电流数据进行温度漂移补偿,消除因环境温度变化引起的传感器测量偏差;

15、s15、依据各通道数据的时间戳进行时间对齐与同步整合,构建包含统一时间序列的电压、电流、温度数据集;

16、s16、基于同步整合后的电流数据,采用安时积分法计算电池初始荷电状态值,并将所述初始荷电状态值作为状态估计的初始输入。

17、进一步地,步骤s2,包括:

18、s21、建立包含欧姆内阻、电化学极化支路及浓差极化支路的锂离子电池二阶rc等效电路模型,其中欧姆内阻表征电池本体电阻特性,电化学极化支路表征电化学反应极化过程,浓差极化支路表征锂离子固相扩散极化过程;

19、s22、根据电路定律建立两个极化支路极化电压的动态微分方程,并采用数值积分方法进行离散化,得到相邻采样时刻间极化电压与电流的递推关系;

20、s23、基于安时积分原理建立荷电状态soc的离散状态方程,以额定容量为基准,通过电流对时间的积分确定相邻采样时刻间的soc变化量;

21、s24、联立欧姆压降、极化电压及开路电压,建立以端电压为输出的观测方程,其中开路电压由待确定的soc-ocv函数关系给出;

22、s25、在预设恒温环境下采用低倍率恒流充放电实验,在充放电方向转换的间歇静置阶段采集电池端电压作为开路电压,并同步记录对应的soc值,获取ocv-soc离散数据点集;

23、s26、对获取的ocv-soc离散数据点集进行平滑处理,识别并剔除因实验噪声或电压采集波动导致的局部异常数据点;

24、s27、采用多项式拟合方法对处理后的ocv-soc数据点进行曲线拟合,建立soc-ocv函数模型,确定多项式拟合系数,并将soc-ocv函数模型代入观测方程中,从而得到包含完整状态空间方程与观测方程的锂离子电池二阶rc等效电路模型。

25、进一步地,步骤s3,包括:

26、s31、将锂离子电池二阶rc等效电路模型的观测方程转化为最小二乘回归形式,确定包含欧姆内阻、极化电阻及极化电容相关特征的待辨识参数向量,并构建由历史端电压和电流数据组成的回归向量;

27、s32、设置参数估计初始值、估计误差协方差矩阵初始值及遗忘因子初始值,建立affrls算法的迭代计算基础;

28、s33、在每个采样时刻,基于预处理后的端电压和电流数据,计算模型预测端电压与实际测量端电压之间的预测误差;

29、s34、构建基于预测误差的遗忘因子动态调节函数,根据预测误差的大小实时调整遗忘因子取值,当预测误差增大时增大遗忘因子以抑制旧数据影响,当预测误差减小时减小遗忘因子以增强新数据权重;

30、s35、基于调整后的遗忘因子计算增益矩阵,更新待辨识参数向量及估计误差协方差矩阵,得到当前采样时刻的模型参数辨识结果;

31、s36、从更新后的参数向量中提取欧姆内阻、电化学极化电阻、电化学极化电容、浓差极化电阻及浓差极化电容的辨识值,作为当前采样时刻的模型参数输出。

32、进一步地,步骤s4,包括:

33、s41、基于辨识得到的欧姆内阻、极化电阻及极化电容参数,更新离散状态空间方程中的状态转移矩阵和观测矩阵,得到与当前模型参数匹配的状态方程及观测方程;

34、s42、设置状态向量估计值及状态协方差矩阵平方根因子的初始值或递推初值,并设置过程噪声协方差矩阵与观测噪声协方差矩阵的平方根因子初值;

35、s43、根据状态维度及预设缩放参数,采用比例对称采样策略生成围绕当前状态估计值的sigma点集,并计算各sigma点对应的一阶权重系数和二阶权重系数;

36、s44、将sigma点集代入离散状态方程进行状态预测传播,得到预测sigma点集,并基于一阶权重系数加权计算预测状态均值;

37、s45、基于平方根形式对预测sigma点集进行中心化处理,通过正交三角分解更新预测状态协方差矩阵的cholesky因子,确保协方差矩阵的半正定性;

38、s46、将预测sigma点集代入观测方程,计算各点对应的预测观测值,并基于一阶权重系数加权计算预测观测均值,进而基于预处理后的实际测量端电压计算新息向量;

39、s47、引入新息向量,基于sage-husa自适应估计器利用新息序列的统计特性在线估计过程噪声协方差矩阵和观测噪声协方差矩阵,并更新其平方根因子,以适应噪声统计特性的时变特征;

40、s48、基于平方根形式计算新息协方差矩阵的平方根因子及卡尔曼增益矩阵,利用卡尔曼增益矩阵对预测状态均值进行修正,得到更新后的状态估计值,并同步更新状态协方差矩阵的平方根因子;

41、s49、从更新后的状态向量中提取荷电状态soc估计值,作为当前采样时刻的soc在线估算结果输出。

42、进一步地,步骤s5,包括:

43、s51、在每个采样周期起始时刻,获取预处理后的当前时刻端电压和电流数据,作为本周期affrls参数辨识与asrukf状态估算的输入数据;

44、s52、基于当前时刻数据先执行affrls算法,更新二阶rc等效电路模型的欧姆内阻、极化电阻及极化电容参数,得到当前采样时刻的模型参数辨识值;

45、s53、对模型参数辨识值进行有效性判断与边界约束,检查各参数是否在预设物理合理范围内,若辨识值超出边界范围则采用上一时刻有效参数值或边界限幅值进行修正,防止异常参数传递导致状态估计发散;

46、s54、将经过边界约束后的模型参数辨识值实时传递至asrukf算法,更新其离散状态空间方程中的状态转移矩阵和观测矩阵,使状态空间模型与当前电池实际特性相匹配;

47、s55、基于更新后的状态空间模型及所述当前时刻端电压数据,执行asrukf的时间更新和测量更新,得到当前采样时刻的soc及极化电压状态估计值;

48、s56、将当前采样时刻的soc状态估计值反馈至下一采样周期的affrls算法,用于计算开路电压及预测端电压,使模型参数辨识与soc状态估计在相邻采样周期间形成双向信息传递与迭代更新;

49、s57、进入下一采样周期,重复执行步骤s51至步骤s56,实现模型参数与soc状态的持续在线协同更新。

50、进一步地,步骤s6,包括:

51、s61、提取当前采样时刻荷电状态soc估算值,并计算相邻采样时刻间的soc变化率,生成包含soc估算值、极化电压状态及估算时间戳的状态信息包;

52、s62、通过can总线或rs485通信协议将状态信息包实时传输至船用电池管理系统bms主控制器,实现soc估算数据与bms控制层的交互;

53、s63、bms主控制器基于soc估算值执行能量管理策略,包括根据剩余电量动态调整推进系统充放电功率限制、估算剩余航行里程、优化多电池模组间的能量分配;

54、s64、bms主控制器基于soc估算值执行分级安全保护策略,包括:

55、当soc高于预设充电截止阈值时,切断充电回路执行过充保护;当soc低于预设放电截止阈值时,切断放电回路执行过放保护;当soc低于深度放电预警阈值时,触发声光报警并记录故障日志;

56、s65、bms主控制器将soc估算值与采集的电池温度、端电压及工作电流数据进行多源信息融合,联合评估电池当前健康状态与可用容量,为电池维护与更换决策提供数据支撑;

57、s66、将soc估算结果及关联状态信息应用于小型电动无人艇、电动船舶及船用储能系统的电池管理系统,以支持船用复杂动态工况下的能量管理与长期无人值守运行安全。

58、较现有技术相比,本发明具有以下优点:

59、1、本发明提供的一种基于affrls-asrukf融合算法的船用锂离子电池soc在线估算方法,通过与自适应变遗忘因子递推最小二乘算法affrls对二阶rc等效电路模型的欧姆内阻、极化电阻及极化电容参数进行在线辨识,实现了锂电池模型参数随船用动态工况变化的实时更新,显著提高了电池模型对复杂工况的适应能力。

60、2、本发明提供的一种基于affrls-asrukf融合算法的船用锂离子电池soc在线估算方法,通过与引入sage-husa自适应噪声估计机制的自适应平方根无迹卡尔曼滤波算法asrukf对soc进行在线递推估算,实现了过程噪声协方差矩阵与观测噪声协方差矩阵的在线自适应更新,显著提高了soc估算在噪声统计特性不确定工况下的鲁棒性。

61、3、本发明提供的一种基于affrls-asrukf融合算法的船用锂离子电池soc在线估算方法,通过采用平方根协方差矩阵进行递推运算,实现了滤波过程中协方差矩阵半正定性的数值保证,显著提高了算法在长时间在线递推运算下的数值稳定性。

62、4、本发明提供的一种基于affrls-asrukf融合算法的船用锂离子电池soc在线估算方法,通过将affrls在线辨识的模型参数实时输入asrukf的状态空间模型,实现了模型参数辨识与soc状态估计在同一采样周期内的协同更新,显著降低了动态工况下soc估算误差,提高了在线估算精度与动态跟踪能力。

63、5、本发明提供的一种基于affrls-asrukf融合算法的船用锂离子电池soc在线估算方法,通过建立包含欧姆内阻、电化学极化支路及浓差极化支路的二阶rc等效电路模型,并基于实验数据构建soc-ocv函数关系,实现了对船用锂离子电池动态端电压响应特性的准确表征,为复杂工况下soc在线估算提供了可靠的模型基础。

64、基于上述理由本发明可在小型电动无人艇、电动船舶及船用储能系统等领域广泛推广。