基于强跟踪自适应修正的强鲁棒电动汽车锂离子电池SOC和SOH联合估计

基于强跟踪自适应修正的强鲁棒电动汽车锂离子电池soc和soh联合估计
技术领域
1.本发明涉及一种基于强跟踪自适应修正的强鲁棒电动汽车锂离子电池soc和soh联合估计，该方法针对锂离子电池soc值和soh值的精确估算目标，提出了一种强跟踪双自适应性扩展卡尔曼滤波方法，通过将渐消因子和自适应滤波器引入扩展卡尔曼滤波器中，使系统具有跟踪突变和连续估计修改噪声统计特性的能力，克服了扩展卡尔曼算法估算精度不高的问题；针对扩展卡尔曼算法不具有跟踪突变的能力及噪声统计特性固定不变而导致的估算不精确问题，基于强跟踪自适应修正的强鲁棒电动汽车锂离子电池soc和soh联合估计将强跟踪滤波器和自适应滤波器引入扩展卡尔曼滤波器中，增强以卡尔曼为基础的观测数据比例，修改以卡尔曼为基础的噪声统计特性，保证估算值的高精确度，防止可能存在的误差发散以扩展卡尔曼算法追踪错误的情况；在电池等效电路模型基础上运用强跟踪双自适应性扩展卡尔曼算法实现锂离子电池soc和soh估算模型的建立和soc值和soh值的数学迭代运算；该方法是一种基于现代控制理论的锂离子电池状态估算方法，属于新能源测控领域。
2.

背景技术：

3.在锂离子电池组的整个生命周期中，电池管理系统（battery management system，bms）对核心参数soc和soh的监控和调节将影响应急动力输出的效果和安全性；因此，实时监测参数的变化，并基于此保障锂离子电池组的工作性能是非常必要的；由于bms中的成组soc和soh估算技术尚不成熟，使用过程中存在的安全隐患严重制约了锂离子电池组的发展；对于锂离子电池组而言，可靠的bms管理依靠准确的soc和soh值；在以上两值已知的情况下，不仅对其进行可靠能量管理和安全控制，而且还避免锂离子电池组的提前损坏，延长其使用寿命；因此，精确估算soc和soh值，对保障锂离子电池组的工作性能及其能量和安全管理至关重要；锂离子电池组的soc和soh估算模型构建和精确估算值得获取，已成为其能量和安全管理的核心问题；锂离子电池组由具有高能量密度和闭路电压的钴酸锂电池单体组合构成，其安全性受到所处工作状态的影响；soc表征了锂离子电池组的剩余容量，soh表征了锂离子电池组的健康状态，是为电池管理系统最基本也是最重要的两个关键参数；此外，锂离子电池组的充放电过程包含复杂电能、化学能和热能转换等环节，过充电和过放电现象易引发安全事故，精确soc和soh估算在防止过充电和过放电中起着重要作用；在锂离子电池组的应用中，其安全性依然是最为关注的问题，soc和soh估算是其安全使用的基础和前提；锂离子电池组采用电池单体级联结构，满足了辅助动力供能过程中的容量和电压需求；然而，由于无法避免的材料和工艺差异，单体间不一致现象客观存在且无法避免；并且，该现象会随着循环次数的增加越来越明显，这就使得单体间不一致性的表达与修正成为成组soc和soh估算的重要组成部分，同时也给成组soc和soh精确估算带来了巨大的挑战；由于电动汽车工作环境具有强烈的非线性特征，要求使用精度高、追踪能力强的
soc和soh估算方法对电动汽车锂离子电池进行实时状态监测及安全控制。
4.针对soc和soh估算的必要性和紧迫性需求，相关研究机构和高校，如麻省理工学院、宾州州立大学、美国南卡大学、英国利兹大学、英国罗伯特高登大学、美国国家可再生能源室、美国莱登能源公司、德国英飞凌科技公司、清华大学、北京航空航天大学、北京理工大学、北京交通大学、重庆大学、中国科学技术大学和哈尔滨工业大学等，针对soc和soh估算展开了大量研究并进行了深入的探索；国内外很多期刊，如journal of power sources、applied energy、ieee transactions on power systems和电源技术等，设立了针对性很强的栏目用于相关研究成果展示；针对锂离子电池的soc和soh估算问题，目前国内外相关研究工作者取得了巨大研究进展；如hu等所述，现在主要有安时积分法（ampere hour，ah）、开路电压法（open circuit voltage，ocv）、卡尔曼滤波及其扩展算法、粒子滤波法（particle filter，pf）和神经网络法（neural network，nn）等；由于受充放电电流、温度、内阻、自放电和老化等诸多因素的影响，锂离子电池性能变化将会对soc和soh估算精度产生明显的影响，尚无通用的方法实现soc和soh值的精确估算；加上成组工作过程中单体间一致性得影响，锂离子电池组仍然缺少有效的soc和soh估算方法；目前实际应用的soc估算通过基本的安时积分方法实现，但是估算误差较大，并且受到诸多因素的影响使得累积效应明显；目前实际应用的soh估算通过容量定义法及内阻定义法实现；针对锂离子电池组的soc和soh估算研究，上述相关研究提供了思路参考；在此基础上进行电动汽车工况下的soc和soh估算方法探索，实现对锂离子电池组的有效soc估算；同时，针对电动汽车成组应用，需要考虑组内各电池单体平衡状态进行soc和soh估算，进而利用bms进行有效能量管理；构建具有参数修正和调节能力的soc和soh估算模型，运用基于等效电路模型的参数估算理论，成为soc和soh估算发展的趋势，在提高精度和降低计算量间寻求最佳平衡点，不断优化和改进估算方法。
5.现有锂离子电池组bms应用中，基于安时积分和开路电压的soc估算方法，未能准确表征soc估算中存在的累积误差，并且不能结合当前状态进行参数修正；通过现有soc和soh估算方法分析，基于强跟踪自适应修正的强鲁棒电动汽车锂离子电池soc和soh联合估计，把闭路电压和电流作为实时输入参量，在soc和soh估算过程中考虑锂离子电池组的工况信息，克服了传统soc和soh估算方法实时修正不足所造成的误差较大和估算结果发散等缺点；同时针对扩展卡尔曼算法不具有跟踪突变的能力及噪声统计特性固定不变而导致的估算不精确问题，基于强跟踪自适应修正的强鲁棒电动汽车锂离子电池soc和soh联合估计将强跟踪滤波器和自适应滤波器引入扩展卡尔曼滤波器中，增强以卡尔曼为基础的观测数据比例，修改以卡尔曼为基础的噪声统计特性，保证估算值的高精确度，防止可能存在的误差发散以扩展卡尔曼算法追踪错误的情况。针对锂离子电池组的soc和soh估算问题，结合实际电动汽车电池处理方法和迭代计算过程的优势分析，提出强跟踪双自适应性扩展卡尔曼滤波方法并开展迭代计算方法研究，实现了soc和soh估算模型的构建与实验验证。


技术实现要素：

6.本发明的目的是克服现有锂离子电池组soc和soh估算方法在电动汽车的复杂工作环境下的不足，提供一种基于强跟踪自适应修正的强鲁棒电动汽车锂离子电池soc和soh联合估计，解决在电动汽车的复杂工作环境下锂离子电池成组应用中soc和soh值精确估算
问题。
7.本发明主要用于求取锂离子电池组soc和soh估算，通过将渐消因子和自适应滤波器引入扩展卡尔曼滤波器中，使系统具有跟踪突变和连续估计修改噪声统计特性的能力，克服了扩展卡尔曼算法估算精度不高的问题，并防止可能存在的误差发散以追踪错误情况。
8.本发明是基于锂离子电池组动力应用需求和工作特性实验分析，结合现代控制理论研究思想，基于强跟踪自适应修正的强鲁棒电动汽车锂离子电池soc和soh联合估计，具有较强的适用性；针对在电动汽车复杂工作环境下锂离子电池组soc和soh值精确估算目标，本发明防止可能出现可能存在的误差发散以追踪错误情况，实现了成组soc和soh估算的数学描述，提高了计算可靠性；本发明可为电动汽车应用场景下的锂离子电池组soc和soh估算模型的建立和soc和soh值计算提供方法参考，具有计算简洁、适应性好和精度高的优点。
附图说明
9.图1 是本发明锂离子电池组soc和soh联合估算模型结构示意图。
10.图2 是本发明锂离子电池组soc和soh联合估算迭代过程示意图。
具体实施方式
11.以下将对本发明的基于强跟踪自适应修正的强鲁棒电动汽车锂离子电池soc和soh联合估计结合附图作进一步的详细描述；本发明针对锂离子电池成组应用时的soc和soh估算问题，提出了一种锂离子电池组基于强跟踪自适应修正的强鲁棒电动汽车锂离子电池soc和soh联合估计，通过间歇式老化程度测定和实时校准计算处理过程，实现了锂离子电池成组soc和soh估算的有效表征；基于强跟踪自适应修正的强鲁棒电动汽车锂离子电池soc和soh联合估计在容量归一化表征的基础上，通过老化状态对电量的影响系数计算获得老化因素影响的数学表达；基于强跟踪自适应修正的强鲁棒电动汽车锂离子电池soc和soh联合估计在定期测定校准基础上，通过额定容量与循环次数相关值的同步获取和修正，获得叠加循环次数修正的函数关系；基于强跟踪自适应修正的强鲁棒电动汽车锂离子电池soc和soh联合估计在老化影响系数和循环次数修正计算的基础上，结合两因素影响的叠加计算处理，获得老化过程对额定容量影响修正的计算方法；该方法在充分考虑锂离子电池成组工作基础上，结合soc和soh估算的建立，实现对锂离子电池组老化过程特性的数学表达，构造基于强跟踪自适应修正的强鲁棒电动汽车锂离子电池soc和soh联合估计方案；为了更好的体现本发明，在本实施例中仅以锂离子电池组为例进行说明，但本领域技术人员应该熟知，根据本发明的技术思想可以实现多种锂离子电池组的基于强跟踪自适应修正的强鲁棒电动汽车锂离子电池soc和soh联合估计；以下对锂离子电池组基于强跟踪自适应修正的强鲁棒电动汽车锂离子电池soc和soh联合估计的实现步骤进行详细说明。
12.针对提髙soc和soh估算精度目标，基于泰勒级数展开对锂离子电池组的非线性特征进行描述，以便于运用卡尔曼滤波算法进行soc估计；结合锂离子电池组的状态空间模型，基于强跟踪双自适应性扩展卡尔曼的迭代计算，实现soc和soh值的迭代计算，在用于跟踪锂离子电池组输出电压时，平均估算误差为0.005v，最大估算误差为0.01v；在第一个扩
展卡尔曼滤波器中，引入了强跟踪滤波器和自适应滤波器，通过把soc作为其状态方程中的变量，输出闭路电压作为观测方程的变量，构建状态方程和观测方程表达式；soc(k)为状态变量，是k时刻的soc值；u
l
(k)为工作电压输出观测变量；状态方程系数a
x
为系统矩阵，b
x
为控制输入矩阵；c
x
为系统观测矩阵，初始值为[0 0 1]；系统噪声参数w
x
(k)和观测噪声参数v
x
(k)均为高斯白噪声，协方差分别为q
x
和r
x
；u
l
(k)为考虑测量误差v
x
(k)影响的电压信号输出；通过迭代计算，从上一个状态值soc(k-1)、输入信号i(k)和测量信号u
l
(k)计算出卡尔曼模型的估算值soc(k)；对于不同时刻的k值，具有高斯白噪声w
x
(k)的随机向量soc和具有高斯白噪声v
x
(k)的观测变量u
l
(k)构成离散时间非线性系统；在第二个扩展卡尔曼滤波器中，通过把电池容量作为其状态方程中的变量，输出闭路电压作为观测方程的变量，构建状态方程和观测方程表达式；c(k)为状态变量，是k时刻的容量值；u
l
(k)为工作电压输出观测变量；状态方程系数ac为系统矩阵，bc为控制输入矩阵；cc为系统观测矩阵，初始值为0；系统噪声参数wc(k)和观测噪声参数vc(k)均为高斯白噪声，协方差分别为qc和rc；u
l
(k)为考虑测量误差vc(k)影响的电压信号输出；通过迭代计算，从上一个状态值c(k-1)、输入信号i(k)和测量信号u
l
(k)计算出卡尔曼模型的估算值c(k)；对于不同时刻的k值，具有高斯白噪声wc(k)的随机向量c和具有高斯白噪声vc(k)的观测变量u
l
(k)构成离散时间非线性系统；通过把该估算框架应用于估算过程中，构建锂离子电池组soc和soh估算模型如图1所示。电池状态空间模型如下所示。（1）
[0013]
针对不同时刻k，该soc和soh估算过程包括融合高斯白噪声w
x
(k)和wc(k)的随机状态变量soc及c，以及融入高斯白噪声v
x
(k)的观测随机变量u
l
(k)；f(*)和m(*)分别是两个非线性状态方程，用于描述锂离子电池组的soc和容量状态；g(*)是一个非线性观测方程，用于描述输出闭路电压的特征；噪声矩阵w
x
(k)和wc(k)的方差分别使用q
x
和qc进行描述，噪声矩阵v
x
(k)的方差使用r
x
进行描述；在随机噪声的影响下，针对锂离子电池组soc和soh精确估算目标，不同时刻k的估算通过以下步骤实现。
[0014]
图1中，s1阶段表示状态方程的计算过程，s2阶段表示观测方程的计算过程；为了使卡尔曼算法应用于soc和soh估算，对非线性状态方程函数f(*)和观测方程函数g(*)作雅可比矩阵计算进行线性化处理。该方法的递归过程分为4个步骤，如下所示。
[0015]
1）：初始化强跟踪双自适应性扩展卡尔曼滤波方法，具体如式（2）所示：（2）2）：进行协方差的预测。当采用ekf算法估算电池容量和soc时，状态预测方程和协方差预测方程式如式（3）所示：
（3）式（3）中，λ为渐消因子，γ为噪声驱动矩阵，其中λ的计算方法如式（4）所示：（4）3）：计算锂离子电池soc的卡尔曼增益k
x
，然后更新电池soc的状态方程和协方差方程。相应的迭代计算过程如式（5）所示：（5）式（3）和式（5）中，q
x
和r
x
分别为系统的输入过程噪声以及观测噪声，由于加入了自适应滤波器，所以q
x
和r
x
的递归过程如下式（6）所示：（6）4）：计算锂离子电池电池容量的卡尔曼增益kc，然后更新电池容量的状态方程和协方差方程。相应的迭代计算过程如式（7）所示：（7）在锂离子电池组soc和容量估算过程中，其迭代过程如图2所示，通过以上一系列公式进行迭代，输出的soc(k)和c(k)分别为所求的soc和电池容量值。该方法基于卡尔曼算法框架实现迭代计算过程；在soc和电池容量估算的一步预测计算过程中，通过使用泰勒公式展开来解决soc和电池容量估算均值和方差的非线性转换问题，并在soc估算时加入了强
跟踪滤波器及自适应滤波器以减小soc估算误差；通过以上迭代计算过程，基于强跟踪自适应修正的强鲁棒电动汽车锂离子电池soc和soh联合估计实现了锂离子电池组的soc和soh估算模型构建。
[0016]
综上所述，本发明针对在电动汽车复杂工作环境下锂离子电池组精确soc和soh估算目标，综合考虑估算精度和计算复杂度及算法的稳定性，提出基于强跟踪自适应修正的强鲁棒电动汽车锂离子电池soc和soh联合估计方法，在充分考虑锂离子电池成组工作基础上，结合soc和soh估算模型的建立，实现对锂离子电池组soc和soh估算的迭代计算，为锂离子电池组soc和soh的联合估算和工作状态实时监测提供基础。
[0017]
本发明的以上实施例仅以锂离子电池组为例进行了基于强跟踪自适应修正的强鲁棒电动汽车锂离子电池soc和soh联合估计的说明，但可以理解的是，在不脱离本发明精神和范围下本领域技术人员可以对其进行任意的改变和变化。