logo资料库

基于扩展卡尔曼粒子滤波算法的锂电池SOC估计.pdf

第1页 / 共4页
第2页 / 共4页
第3页 / 共4页
第4页 / 共4页
资料共4页,全文预览结束
中国机械工程第26卷第3期2015年2月上半月 基于扩展卡尔曼粒子滤波算法的锂电池SOC 估计 赵又群暋周晓凤暋刘英杰 南京航空航天大学,南京,210016 摘要:锂电池荷电状态用来描述电池剩余电量的多少,进而反 映 电 动 汽 车 的 续 驶 里 程,是 电 池 管 理 系统中的核心参数。电池循环次数、瞬间大电流以及温度等因素都会使电池特性发生变化,使用扩展卡 尔曼滤波算法对电池荷电状态进行估计,会有较大的误差甚至导致算 法 不 收 敛。为 了 有 效 地 抑 制 发 散 以及噪声的影响,基于锂电池混合噪声模型,应用扩展卡尔曼粒子滤波算法对锂电池荷电状态和电流漂 移噪声进行同步估计。最后根据充放电试验数据进行仿真分析,结果证明了该算法的优越性。 关键词:锂电池;荷电状态;混合噪声模型;扩展卡尔曼粒子滤波 中图分类号:U463暋暋暋暋暋暋DOI:10.3969/j.issn.1004 132X.2015.03.019 SOCEstimationforLi飊IonBatteryBasedonExtendedKalmanParticleFilter CollegeofEnergyandPowerEngineering,NanjingUniversityof ZhaoYouqun暋ZhouXiaofeng暋LiuYingjie AeronauticsandAstronautics,Nanjing,210016 Abstract:Asthekeyparameterforpowerbatterymanagement,theSOCofLi飊ionbatteryde灢 scribedtheresidualcapacity,andindicatedtheremainderdrivingrangeofelectricvehicles.Thecycles, instantaneoushighcurrent,abnormaltemperaturesandotherfactorswouldchangecellcharacteristics, whichmightintroducelargererrorsevendivergenceovertimeiftheextendedKalmanfilteralgorithm wereappliedtotheSOCestimation.Tosuppressthedivergenceandnoise,thispaperproposedameth灢 odbasedonEKPFalgorithmtorealizeaccurateSOCandthecurrentdriftestimationontheLi飊ion batterymixednoisemodel.Finally,thesuperiorityofthismethodwasvalidatedbysimulationresults. Keywords:Li飊ionbattery;state飊of飊charge(SOC);mixednoisemodel;extendedKalmanparticlefil灢 ter(EKPF) 0暋引言 电动汽车以环 保、节 能 及 轻 便 等 特 点 被 人 们 所青睐,而作为关键技术部件的电池,其性能直接 影响到 整 车 性 能 的 好 坏。 锂 离 子 电 池 具 有 电 压 高、比 能 量 高、充 放 电 寿 命 长、无 记 忆 效 应、无 污 染、自放电率低、工作温度范围宽和安全可靠等优 点,是目前电 动 汽 车 首 选 的 核 心 动 力 源[1]。它 具 有高度的非线性,且受温度、充放电倍率以及容量 等因素影响,其动 态 过 程 无 法 用 单 一 的 模 型 来 描 述。因此,如何利 用 电 池 的 可 测 参 数 来 实 现 当 前 电池剩余电量准 确 估 计,一 直 以 来 是 电 动 汽 车 电 池管理系统的核 心 问 题 和 急 需 解 决 的 技 术 难 点, 也是一项重要而富有挑战性的任务[2]。只有准确 估计荷电状态(SOC)才 能 起 到 优 化 电 池 性 能、提 高电池安全性和延长电池使用寿命等作用。 目前,工 程 上 最 常 用 的 算 法 是 A·h 计 量 法[3飊5],它是一种开环估计方法,简单易实现,但累 计误差大,估 计 精 度 低。针 对 误 差 引 起 的 算 法 发 散问题,文献[6]提出基于电池状态空间模型的卡 收稿日期:2013 03 28暋暋暋收稿日期:2014 07 28 基金项目:国 家 高 技 术 研 究 发 展 计 划 (863 计 划)资 助 项 目 (2011AA11A210,2011AA11A220) ·493· 尔曼滤波算法,实现了电池SOC 的闭环估计。文 献[7飊11]均 采 用 扩 展 卡 尔 曼 滤 波 算 法 对 电 池 SOC 进行估计,使 得 极 化 效 应 的 影 响 大 大 减 弱, 提高了电池SOC 计 算 的 精 度。为 减 小 锂 电 池 非 线性引起的误差,也 有 研 究 人 员 将 粒 子 滤 波 算 法 应用到电池SOC 估 计 中。文 献[12]为 了 较 好 地 解决粒子滤波算 法 中 粒 子 的 退 化 问 题,根 据 遗 传 算法的原理,提出 了 遗 传 粒 子 滤 波 算 法 并 给 出 其 估计电池SOC 的 实 现 方 法,通 过 实 例 验 证,并 与 标准粒子滤波算 法 进 行 对 比 分 析,结 果 显 示 遗 传 粒子滤波算法对电池SOC 的估计更加准确,精度 更高。 电池实际工作 过 程 中,温 度、循 环 次 数、瞬 间 大电流等因素使 电 池 的 极 化 内 阻、可 使 用 容 量 等 存在较大差异,在估计电池SOC 时往往存在较大 误差甚至发 散。为 抑 制 系 统 非 线 性 和 发 散,单 纯 出现粒子匮乏的 现 象,而 且 算 法 对 模 型 依 赖 性 强 并且存在抖动。因此为了消除算法抖动和粒子退 化的现象,本文基于锂电池混合噪声模型,应用扩 展卡尔 曼 粒 子 滤 波(EKPF)算 法 对 锂 电 池 SOC 进行估计,并将其与 扩 展 卡 尔 曼 滤 波(EKF)算 法 和粒子滤波(PF)算法进行比较分析。 地使用粒子滤波算法在粒子数目比较少时可能会
基于扩展卡尔曼粒子滤波算法的锂电池SOC 估计———赵又群暋周晓凤暋刘英杰 1暋锂电池混合噪声模型 电池SOC 是 不 能 直 接 测 量 的,必 须 通 过 温 度、电流、电压等能测量的参数进行估算,因此,建 立一个准确的 电 池 模 型 对 精 确 估 算 电 池SOC 十 分重要。一个理想的电池模型应该能够较好地反 映电 池 的 各 种 特 性,而 且 阶 数 不 能 太 高,便 于 计 算,易于工程实现。本文借鉴文献[2]提出的结合 Shepherd模型、Unnewehr模型和 Nernst模型的 复合模型,考虑电流漂移噪声的干扰,建立混合噪 声模型,具体数学表达式如下: yk = K0 -Rireal-K1 xk -K2xk+ K3lnxk+K4ln(1-xk) (1) 式中,yk 为电池工作电压;ireal 为真 实 放 电 电 流;R为 电 池 内阻,本文考虑充放电内阻的不同,充电时R=Rc,ireal 为 负,放电 时R=Rd,ireal 为 正;K0、K1、K2、K3、K4 为 模 型 参数;xk 为k时刻的瞬时荷电状态。 为了表征 温 度、充 放 电 倍 率、容 量 等 对 电 池 SOC 估计的影响,对SOC 作如下定义: 毲i(氂)C(T,毷,t)d氂 毮SOC(t)=毮SOC0 -曇t (2) 毷=旤i(t)旤/CN 0 0 式 中,毮SOC 为电池的SOC值;毲为充放电效率;T为温度;毷 为充放电 倍 率;CN 为 常 温 下 电 池 的 标 称 容 量;C(T,毷,t) 为在不同温度、不同充放电倍率下的电池可用容量。 为了抑制电流漂移噪声的干扰,将电 池 荷 电 估计[13]。状态方 程 中 的 电 流 应 当 是 除 去 电 流 漂 移的电流真实值,即 状态及电流漂移噪声一起作为状态变量进行同步 毲ireal(氂) C(T,毷,t)d氂 毲(i(氂)-is(氂)) C(T,毷,t) d氂 (5) 0 毮SOC(t)=毮SOC0 -曇t (3) 放电电流的测量不可避免存在漂移和噪声。 将放电电流的测 量 值i分 成 两 个 部 分,即 电 流 真 实值ireal 和电流噪声值is,则 (4) i=ireal+is 将式(4)代入式(3)得 毮SOC(t)=毮SOC0 -曇t 将式(5)作离散化处理得 xk =xk-1 -毲殼t (6) 式中,ik-1 为k-1时刻的测量电流,is,k-1 为k-1时刻的电 流噪声值;殼t为时间间隔。 扰,简单易操作,计算量不大,易于工程实现,而且 模型中的参数易于 辨 识,只 要 获 得 N 组 电 流、电 压和真实SOC数据,就可以由最小二乘法辨识得 到模型参数。 该混合 噪 声 模 型 能 有 效 抑 制 电 流 漂 移 的 干 C (ik-1 -is,k-1) 系统辨 识 是 在 已 知 输 入 和 输 出 数 据 的 基 础 2暋 模型参数辨识 上,在某种准则条件下,估计出系统模型的未知参 数的。目前常用的辨识方法有最小二乘法、梯度 校正法、极大似然法等。 最小二乘法由于原理简 单、收敛较快、易于理解、易于编程实现等特点,在 系统参数估计中应用相当广泛[14]。 对于电动汽车来说,被控对象通常都 可 以 不 断提供新的输入输 出 数 据,而 且 还 希 望 利 用 这 些 新的信息来改善估 计 精 度,因 此 需 要 在 线 辨 识 电 池模型的参数。本文采用递推最小二乘法对锂电 池复合模型进行参数辨识,递推公式为 ^毴(k)=^毴(k-1)+K(k)(y(k)-氄T(k)^毴(k-1))(7) ^毴= (k0,Rc,Rd,k1,k2,k3,k4)T K(k)= P(k-1)氄(k) (8) 1+氄T(k)P(k-1)氄(k) P(k)= (I-K(k)氄T(k))P(k-1) (9) 式中,^毴为待辨识的参数 向 量;K(·)为 增 益;氄(·)为 试 验 数据矩阵;P(·)为协方差矩阵;y(k)为输出。 骤[14] 如下: 递推最 小 二 乘 法 进 行 模 型 参 数 辨 识 一 般 步 (1)设置初值^毴(0)和P(0); (2)采样当前输出y(k)和输入u(k); (3)利 用 式(7)~ 式(9),计 算 K(k)、^毴(k)和 (4)k曻k+1,返回步骤(2),继续循环。 本文对额定电压3.2V、额定容量20A·h的 锂离子电池的充放 电 试 验 数 据,采 用 递 推 最 小 二 乘法对建立的混合 噪 声 模 型 进 行 参 数 辨 识,辨 识 结果如表1所示。 P(k); 表1暋 锂离子电池复合模型参数表 K0 3.5312 K2 0.3047 Rc(毟) 0.0001 K3 0.1630 K1 Rd(毟) 0.0135 2.9507暳10-5 K4 -0.0342 滤波问题时随机变量必须满足高斯分布的制约条 3暋基于EKPF 算法的SOC 估计 EKPF算法是解决非线性系统状态变量估计 问题最常用的方 法,粒 子 滤 波 摆 脱 了 解 决 非 线 性 件,能够应用在任意非线性非高斯随机系统中,在 许多领域取得了成功应用。粒子滤波器中密度分 布的建议值一般 决 定 了 粒 子 滤 波 器 应 用 的 性 能。 为了避免粒子匮 乏 和 算 法 抖 动,本 文 以 扩 展 卡 尔 曼滤波器作为建 议 分 布,实 现 基 于 扩 展 卡 尔 曼 粒 子滤波算法对锂电池SOC 的估计。 ·593·
首先建立锂电池的离散状态空间模型。锂电 池SOC 作为状态 变 量,负 载 电 压 作 为 观 测 变 量, 散化。则状态方程: 将上文建 立 的 复 合 模 型 的 状 态 空 间 方 程 进 行 离 xk =xk-1 -毲殼t Cireal,k-1 +wk (10) 观测方程: yk = K0 -Rireal,k-K1 -K2xk+ xk K3ln(xk)+K4ln(1-xk)+vk (11) 其中,wk 为系统噪声,vk 为观测噪声,它们均为零 均值 的 高 斯 白 噪 声,wk ~N(0,Q),vk ~ N(0, R),殼t为离 散 系 统 采 样 周 期,模 型 参 数 K0、R、 K1、K2、K3、K4 已由上文第2节的方法辨识得到, 其值详见表1。 根据锂离子 电 池 状 态 空 间 方 程,利 用 EKPF 实现电池SOC 估计的算法流程如图1所示。 图1暋EKPF算法流程图 随机产生 N 个粒子x+ 为P+ 具体算法步骤如下: (1)初始化。令k=0,由初始概率分布p(x0) 0,i,它们之间的协方差定义 0,i=P+ k,i。令k=1,2,…,对每个 (2)计算x+ (3)滤波。首先,由量测结果yk计算粒子x+ k,i 0,i=1,2,…,N。 k,i 应用EKF 算法得到x+ k,i 和P+ k,i 和P+ 采样点x- k,i。 的后验概率qi: k,ik-1))2 2R qi = 1 2毿Re- (yk-g(x+ (12) 式中,g(·)为已知电流和荷电状态情况下,由混 合 噪 声 模 型计算得到的电压值。 然后,进行归一化处理: qi =qi/暺N k,i、误差协方差P+ (13) 因此得到粒子集x+ k,i及相应的概 率qi,i=1,2,…,N。接着,进行重采样计算有效 粒子数目 Neff: Neff =1/暺N (14) 若Neff
基于扩展卡尔曼粒子滤波算法的锂电池SOC 估计———赵又群暋周晓凤暋刘英杰 通过计算,EKF、PF 和 EKPF 三 种 不 同 电 池 SOC 估计算法 的 均 方 根 误 差 和 单 次 平 均 消 耗 时 间的值如表2所示。 表2暋EKF、PF和 EKPF估计SOC 性能比较 EKF PF EKPF 2.7157 49.3150 214.8240 0.0583 0.0412 0.0254 算法 均方根误差 单次平均消耗时间(s) 暋暋从图3和表2 的 仿 真 试 验 结 果 可 以 看 出,基 于锂电池混合噪声模型的EKPF 算法 精 度 较 高, 既说明了算法的优越性,也表明了模型的准确性。 单独使 用PF 算 法 时 抖 动 很 明 显,而 EKPF 算 法 则比较平滑,在均方根误差的指标上也优于EKF 算法和PF 算法,但由于算法复杂,计算量相对较 大,故单次平均消耗时间相对较长。 5暋结束语 外界温度、循环次数、瞬间大电流等因素的影 响,会使电池的极化内阻、可使用容量存在较大差 异,在估计电池SOC 时往往存在较大误差甚至发 散。为抑制电流漂移的干扰、系统非线性、算法发 散以及算法本身 的 抖 动,本 文 基 于 锂 电 池 混 合 噪 声模型,应 用 EKPF 算 法 对 锂 电 池SOC 进 行 估 计。仿真试验 结 果 表 明,EKPF 算 法 能 有 效 地 估 计锂电池荷电状态。 参考文献: [1]暋郭炳焜,徐徽,王先友,等.锂离子电池[M].长 沙:中 南大学出版社,2002. [2]暋CaiC H,DuD,LiuZY.BatteryState飊of飊charge (SOC)EstimationUsingAdaptiveNeuro飊fuzzyIn灢 ferenceSystem(ANFIS)[C]//IEEEInternational Conferenceon Fuzzy Systems.St.Louis,MO, UnitedStates,2003:1068飊1073. [3]暋林成 涛,王 军 平,陈 全 世,等.用 改 进 的 安 时 计 量 法 估计电 动 汽 车 动 力 电 池 SOC[J].清 华 大 学 学 报, 2006,46(2):247飊251. LinChengtao,WangJunping,ChenQuanshi,etal. ImprovedAhCountingMethodforStateofCharge EstimationofElectricVehicleBatteries[J].Journal ofTsinghuaUniversity(ScienceandTechnology), 2006,46(2):247飊251. [4]暋MarkE.AdaptiveStateofChargeAlgorithmfor NickelMetalHydrideBatteriesIncludingHysteresis Phenomena[J].JournalofPowerSource,2004,126 (1):236飊249. [5]暋曾洁,卜 凡 涛.基 于 多 项 式 回 归 算 法 的 锂 电 池SOC 估测[J].大连交通大学学报,2011,32(4):70飊74. ZengJie,BuFanTao.StudyofSOCEstimationand MeasurementofLi飊IonBatteryBasedonPolynomial RegressionAlgorithm[J].JournalofDalianJiaotong University,2011,32(4):70飊74. [6]暋PlettGL.ExtendedKalmanFilteringforBattery ManagementSystemsofLiPB飊basedHEVBattery Packs[J].JournalofPowerSources,2004,134(2): 277飊292. [7]暋范波,田晓辉,马建伟.基于EKF的动力锂电池SOC 状态预测[J].电源技术,2010,34(8):797飊799. FanBo,TianXiaohui,MaJianwei.Ekf飊BasedEstima灢 tionofLithium飊IonTraction飊BatterySOC[J].Chinese JournalofPowerSources,2010,34(8):797飊799. [8]暋夏超英,张术,孙宏 涛.基 于 推 广 卡 尔 曼 滤 波 算 法 的 SOC 估算策略[J].电源技术,2007,31(5):414飊417. XiaChaoying,ZhangShu,SunHongtao.AStrategy ofEstimatingStateofChargeBasedonExtended Kalman Filter [J].Chinese Journal of Power Sources,2007,31(5):414飊417. [9]暋李超,刘忠 庆.基 于 参 数 与 状 态 联 合 估 算 的SOC 预 测法[J].电源技术,2012,36(3):362飊365. LiChao,LiuZhongqing.SOCEstimateBasedonJoint DeterminationofParametersandStates[J].Chinese JournalofPowerSources,2012,36(3):362飊365. [10]暋戴海 峰,魏 学 哲,孙 泽 昌.基 于 扩 展 卡 尔 曼 滤 波 算 法的燃料电池车用 锂 离 子 动 力 电 池 荷 电 状 态 估 计 [J].机械工程学报,2007,43(2):92飊95. DaiHaifeng,WeiXuezhe,SunZechang,Estimate StateofChargeofPowerLithium飊IonBatteries UsedonFuelCellHybrid Vehiclewith Method BasedonExtendedKalmanFiltering[J].Chinese JournalofMechanicalEngineering,2007,143(2): 92飊95. [11]暋LiyeWang,LifangWang,ChenglinLiao.Research onImprovedEKFAlgorithm AppliedonEstimate EVBatterySOC[C]//2010 Adia飊PacificPower and Engergy Engineering Conference.Chengdu, China,2010:1飊4. [12]暋张洁.基 于 粒 子 滤 波 算 法 的 电 动 汽 车 剩 余 电 量 动 态估计研究[D].北京:北京交通大学,2012. [13]暋刘新天.电 源 管 理 系 统 设 计 及 参 数 估 计 策 略 研 究 [D].合肥:中国科学技术大学,2011. [14]暋庞 中 华,崔 红.系 统 辨 识 与 自 适 应 控 制 MATLAB 仿真[M].北京:北京航空航天大学出版社,2009. (编辑暋郭暋伟) 作者简介:赵又群,男,1968 年 生。 南 京 航 空 航 天 大 学 能 源 动 力 学院教授、博士研究生导师。研究方向为车辆 系 统 动 力 学。 发 表 论文120余篇。周晓凤,女,1988年 生。 南 京 航 空 航 天 大 学 能 源 动力学院车辆工程系硕士 研 究 生。 刘英杰,男,1982 年 生。 南 京 航空航天大学能源动力学院车辆工程系博士研究生。 ·793·
分享到:
收藏