基于自適應無跡卡爾曼濾波的蓄電池荷電狀態(tài)估算方法
【專利摘要】本發(fā)明公開了基于自適應無跡卡爾曼濾波的蓄電池荷電狀態(tài)估算方法，包括：通過HPPC試驗對蓄電池性能進行測試，獲得蓄電池HPPC測試數(shù)據(jù)；基于獲得的蓄電池HPPC測試數(shù)據(jù)，進行參數(shù)辨識，得到蓄電池模型參數(shù)；基于得到的蓄電池模型參數(shù)，通過AUKF算法，估算蓄電池SOC。本發(fā)明所述基于自適應無跡卡爾曼濾波的蓄電池荷電狀態(tài)估算方法，可以克服現(xiàn)有技術中人工勞動量大、實時性差、操作難度大和測算精度低等缺陷，以實現(xiàn)人工勞動量小、實時性好、操作難度小和測算精度高的優(yōu)點。
【專利說明】基于自適應無跡卡爾曼濾波的蓄電池荷電狀態(tài)估算方法
【技術領域】
[0001]本發(fā)明涉及汽車電池【技術領域】，具體地，涉及基于自適應無跡卡爾曼濾波的蓄電池荷電狀態(tài)估算方法。
【背景技術】
[0002]近些年來動力電池發(fā)展異常迅猛，而與之相對應的卻是電池管理技術發(fā)展的嚴重滯后，這也導致蓄電池管理技術成為制約電動汽車發(fā)展的重要因素。由于管理技術的不完善，電動汽車用動力電池長期處于過充或過放電狀態(tài)，電池性能隨著使用逐漸變差，導致電池成本過高。因此，SOC精確估計顯得尤為重要，但是SOC不是可以直接測量的物理量，電池本身是封閉的電化學反應，電動汽車運行時伴隨著電流的劇烈變化呈現(xiàn)很強的非線性導致SOC估算困難。
[0003]現(xiàn)有技術包括放電試驗法、安時積分法、開路電壓法、神經(jīng)網(wǎng)絡法、卡爾曼濾波法等多種方法。放電試驗法是公認的比較可靠的SOC測量方法，通過一段時間負載放電來測量S0C;安時積分法是最常用的方法，它是根據(jù)SOC的定義，將電池作為“黑箱”，采集電流直接對電流進行積分得到SOC ;開路電壓法是最準確的方法，利用開路電壓和SOC—一對應的關系，通過不斷靜置，得到電池的開路電壓，進而通過查表得到電池SOC神經(jīng)網(wǎng)絡法是在大量訓練數(shù)據(jù)和合適訓練算法下實施的SOC預測；卡爾曼濾波算法在近幾年使用廣泛，利用建立的數(shù)學模型，將SOC作為一狀態(tài)變量，通過上一時刻和本時刻值的不斷“修正一更新”得到SOC的最優(yōu)無偏估計。
[0004]基于擴展卡爾曼濾波的蓄電池荷電狀態(tài)估算，擴展卡爾曼濾波算法采集電動汽車運行時電池的電壓、電流及溫度，以傳感器電流、溫度為輸入量，在建立電池數(shù)學模型的基礎上進行估算。具體步驟如下:
⑴在不同溫度和SOC對電池進行充放電試驗，通過靜置獲得電池開路電壓，數(shù)據(jù)擬合得到開路電壓與SOC的函數(shù)關系。
[0005]⑵通過《FreedomCAR電池試驗手冊》中的HPPC試驗對電池性能進行測試獲得數(shù)據(jù)，經(jīng)過參數(shù)辨識得到電池模型參數(shù)。
[0006]⑶建立電池的狀態(tài)空間模型，離散化得到離散模型，以采集溫度、電流為輸入量，將SOC作為一狀態(tài)變量代入擴展卡爾曼濾波算法進行估算進而得到SOC測量值。
[0007]現(xiàn)有測量方法的不足之處:
⑴放電實驗法得到SOC比較可靠，但是放電試驗法是一種完全離線的測量方法，而且對電動汽車而言需要備用電池組，成本增加過多。測量需要笨重的充放電機，放電時間長，需要專門看護。
[0008]⑵安時法可以在線測量，使用簡便。但安時法會隨著時間的積累導致誤差的不斷積累，進而會導致下次估算的初值不精確，并且需要存儲大量數(shù)據(jù)。
[0009]⑶開路電壓法，使用簡便，但需要電池組進行間歇靜置，需要一定時間離線，無法滿足電動汽車實時性要求。[0010]⑷神經(jīng)網(wǎng)絡法，估算較為精確，但需要大量訓練數(shù)據(jù)和合適的訓練算法，訓練數(shù)據(jù)不易獲得，合適的訓練算法不以尋求，并且神經(jīng)網(wǎng)絡需要存儲大量數(shù)據(jù)，增加硬件成本。
[0011](5)卡爾曼濾波算法比較適合電動汽車劇烈運行的工況，但傳統(tǒng)卡爾曼濾波只適合線性系統(tǒng)，對電池使用過程中呈現(xiàn)的強烈非線性不在適用。
[0012](6)擴展卡爾曼濾波方法采用一階泰勒技術近似，可以用來估算電池荷電狀態(tài)，但擴展卡爾曼濾波采用的是將非線性系統(tǒng)近似等價于一個線性時變系統(tǒng)的線性化方法，這樣不免產(chǎn)生線性化誤差，并且擴展卡爾曼濾波方法需要求解系統(tǒng)的雅可比矩陣，求解算法復雜，運算速度慢，不利于硬件實現(xiàn)。
[0013](7)擴展卡爾曼濾波算法的有效實施，必須依靠電池模型的精確建立，電動汽車運行時，電池伴隨劇烈的化學反應，電路參數(shù)也會隨著電池的使用發(fā)生變化，這種變化必然導致SOC估算不精確。
[0014]在實現(xiàn)本發(fā)明的過程中，發(fā)明人發(fā)現(xiàn)現(xiàn)有技術中至少存在人工勞動量大、實時性差、操作難度大和精度低等缺陷。
【發(fā)明內(nèi)容】
[0015]本發(fā)明的目的在于，針對上述問題，提出基于自適應無跡卡爾曼濾波的蓄電池荷電狀態(tài)估算方法，以實現(xiàn)人工勞動量小、實時性好、操作難度小和測算精度高的優(yōu)點。
[0016]為實現(xiàn)上述目的，本發(fā)明采用的技術方案是:基于自適應無跡卡爾曼濾波的蓄電池荷電狀態(tài)估算方法，包括:
a、通過HPPC試驗對蓄電池性能進行測試，獲得蓄電池HPPC測試數(shù)據(jù)；
b、基于獲得的蓄電池HPPC測試數(shù)據(jù)，進行參數(shù)辨識，得到蓄電池模型參數(shù)；
C、基于得到的蓄電池模型參數(shù)，通過AUKF算法，估算蓄電池S0C。
[0017]進一步地，在步驟a之前，還包括:
對蓄電池特性進行測試，獲得蓄電池基本信息；以及，
基于獲得的蓄電池基本信息，建立蓄電池的數(shù)學模型。
[0018]進一步地，所述對蓄電池特性進行測試，獲得蓄電池基本信息的操作，具體包括: 對蓄電池組充滿電即SOC=I，利用恒溫箱在不同溫度下對蓄電池組進行恒流放電測試，
每當蓄電池SOC下降10%，將蓄電池靜置半小時后，測量蓄電池兩端開路電壓OCV ；
將不同SOC和溫度T下的數(shù)據(jù)導入MATLAB中，經(jīng)過二維數(shù)據(jù)擬合處理，得到OCV與SOC和T的函數(shù)關系:0CV=f (SOC, T)。
[0019]進一步地,所述步驟b,具體包括:
bl、通過混合動力脈沖能力特性測試試驗，對電池測試獲得試驗數(shù)據(jù),選擇PNGV作為等效電路模型，經(jīng)過最小二乘辨識得到等效電路模型參數(shù)與SOC和T的函數(shù)關系；
b2、根據(jù)數(shù)據(jù)擬合和參數(shù)辨識得到的函數(shù)關系，將SOC作為一狀態(tài)變量，建立蓄電池的狀態(tài)空間模型如下:
【權利要求】
1.基于自適應無跡卡爾曼濾波的蓄電池荷電狀態(tài)估算方法，其特征在于，包括: a、通過HPPC試驗對蓄電池性能進行測試，獲得蓄電池HPPC測試數(shù)據(jù)； b、基于獲得的蓄電池HPPC測試數(shù)據(jù)，進行參數(shù)辨識，得到蓄電池模型參數(shù)； C、基于得到的蓄電池模型參數(shù)，通過AUKF算法，估算蓄電池SOC。
2.根據(jù)權利要求1所述的基于自適應無跡卡爾曼濾波的蓄電池荷電狀態(tài)估算方法，其特征在于，在步驟a之前，還包括: 對蓄電池特性進行測試，獲得蓄電池基本信息；以及， 基于獲得的蓄電池基本信息，建立蓄電池的數(shù)學模型。
3.根據(jù)權利要求2所述的基于自適應無跡卡爾曼濾波的蓄電池荷電狀態(tài)估算方法，其特征在于，所述對蓄電池特性進行測試，獲得蓄電池基本信息的操作，具體包括: 對蓄電池組充滿電即SOC=I，利用恒溫箱在不同溫度下對蓄電池組進行恒流放電測試，每當蓄電池SOC下降10%，將蓄電池靜置半小時后，測量蓄電池兩端開路電壓OCV ； 將不同SOC和溫度T下的數(shù)據(jù)導入MATLAB中，經(jīng)過二維數(shù)據(jù)擬合處理，得到OCV與SOC和T的函數(shù)關系:0CV=f (SOC, T)。
4.根據(jù)權利要求1-3中任一項所述的基于自適應無跡卡爾曼濾波的蓄電池荷電狀態(tài)估算方法，其特征在于，所述步驟b，具體包括: bl、通過混合動力脈沖能力特性測試試驗，對電池測試獲得試驗數(shù)據(jù),選擇PNGV作為等效電路模型，經(jīng)過最小二乘辨識得到等效電路模型參數(shù)與SOC和T的函數(shù)關系； b2、根據(jù)數(shù)據(jù)擬合和參數(shù)辨識得到的函數(shù)關系，將SOC作為一狀態(tài)變量，建立蓄電池的狀態(tài)空間模型如下:
5.根據(jù)權利要求4所述的基于自適應無跡卡爾曼濾波的蓄電池荷電狀態(tài)估算方法，其特征在于，在步驟bl中，所述經(jīng)過最小二乘辨識得到等效電路模型參數(shù)與SOC和T的函數(shù)關系的操作中，得到的函數(shù)關系包括:內(nèi)阻= f (S0C,T)o
6.根據(jù)權利要求1-3中任一項所述的基于自適應無跡卡爾曼濾波的蓄電池荷電狀態(tài)估算方法，其特征在于，所述步驟C，具體包括: 根據(jù)步驟b得到的狀態(tài)空間模型，設置合適的AUKF估算算法； 結合設置的AUKF估算算法，利用MATLAB的RTW工具將算法模型自動生成代碼，進行硬件在環(huán)仿真，并將生成的代碼結合到電池硬件核心控制器TMS320F2812 DSP中實現(xiàn)蓄電池的荷電狀態(tài)估算。
7.根據(jù)權利要求6所述的基于自適應無跡卡爾曼濾波的蓄電池荷電狀態(tài)估算方法，其特征在于，所述電池硬件核心控制器，具體包括型號為TMS320F2812的DSP。
【文檔編號】G01R31/36GK103744026SQ201310702816
【公開日】2014年4月23日 申請日期:2013年12月19日 優(yōu)先權日:2013年12月19日
【發(fā)明者】劉勝永, 張興, 李 昊 申請人:廣西科技大學