基于自适应扩展卡尔曼滤波的锂离子电池荷电状态估计

doi:10.19799/j.cnki.2095-4239.2020.0071

储能科学与技术 ›› 2020, Vol. 9 ›› Issue (4): 1147-1152.doi: 10.19799/j.cnki.2095-4239.2020.0071

基于自适应扩展卡尔曼滤波的锂离子电池荷电状态估计

李嘉波¹, 魏孟¹, 李忠玉², 焦生杰¹, 叶敏¹, 徐信芯¹

^1.长安大学，公路养护装备国家工程实验室，陕西西安 710064
^2.河南省高远公路养护技术有限公司，河南新乡 453000

收稿日期:2020-02-16 修回日期:2020-02-18 出版日期:2020-07-05 发布日期:2020-06-30
作者简介:李嘉波（1992—），男，博士，研究方向为新能源汽车，E-mail：43991454 @qq.com。
基金资助:
国家自然科学基金青年项目(51805041);河南省交通运输厅科技计划项目(2019J3)

State of charge estimation of Li-ion battery based on adaptive extended Kalman filter

LI"Jiabo¹, WEI"Meng¹, LI"Zhongyu², JIAO"Shengjie¹, YE"Min¹, XU"Xinxin¹

^1.Highway Maintenance Equipment National Engineering Laboratory, Chang’an University, Xi’an 710064, Shaanxi, China
^2.Henan Gaoyuan Highway Maintenance Technology Co. Ltd. , Xinxiang 453000, Henan, China

Received:2020-02-16 Revised:2020-02-18 Online:2020-07-05 Published:2020-06-30

摘要/Abstract

摘要：

锂离子电池荷电状态(SOC)是电池管理系统(BMS)重要的参数之一，准确估计可以提高电池的使用寿命。然而在SOC估计过程中，会受到如测量设备的精度、噪声等外界因素的干扰，降低SOC的估计精度。为了提高 SOC的估计精度，针对扩展卡尔曼滤波(EKF)算法易受噪声干扰，提出了以新息自适应扩展卡尔曼滤波来提高SOC的估计精度和稳定性。通过实验工况采集的数据，并与传统的EKF进行对比，估计误差可以控制在3%以内，验证了该模型的有效性。

关键词: 锂离子电池, BMS, SOC, 扩展卡尔曼滤波

Abstract:

The state of charge (SOC) of the Li-ion battery is an important parameter associated with a battery management system. However, when estimating the SOC, external factors, such as the accuracy of the measuring equipment and noise, can interfere and reduce the SOC estimation accuracy. In this study, an adaptive extended Kalman filter (EKF) is proposed to improve the estimation accuracy and stability of SOC. Compared with traditional EKF, the estimation error of our method can be controlled within 3%, demonstrating the validity of the proposed model.

Key words: lithium-ion battery, BMS, SOC, extended Kalman filter

中图分类号:

TM 911

李嘉波, 魏孟, 李忠玉, 焦生杰, 叶敏, 徐信芯. 基于自适应扩展卡尔曼滤波的锂离子电池荷电状态估计[J]. 储能科学与技术, 2020, 9(4): 1147-1152.

LI Jiabo, WEI Meng, LI Zhongyu, JIAO Shengjie, YE Min, XU Xinxin. State of charge estimation of Li-ion battery based on adaptive extended Kalman filter[J]. Energy Storage Science and Technology, 2020, 9(4): 1147-1152.

图/表 9

图1

表1

图2

表2

基于RLS的在线参数辨识"

RLS参数辨识流程

Step1 初始化 $θ k$ ， $φ k$ 和 $P k$

Step2 计算k时刻的最小二乘估计

$θ ? (k) = θ ? k - 1 + K k [y k - φ T k θ ? k - 1]$

Step 3 计算估计误差：

$e k = y k - φ T k θ ? (k - 1)$

Step 4 计算增益矩阵：

$K k = P k - 1 φ k 1 + φ T k P k - 1 φ k$

Step 5 计算协方差矩阵：

$P k = [I - K k φ T k] P k - 1$

Step 6 重复Step2～Step5，之后跳出循环。

表2

表3

EKF算法流程图"

EKF步骤：

Step1 初始化滤波值：x₀，P₀，Q₀，R₀；

Step2 更新状态变量： $x ? k = f (x k - 1, u k - 1)$ ；

Step 3 误差协方差时间更新： $P k = A k P k - 1 A k T + Q k - 1$ ；

Step 4 误差更新： $E k = y k - h (x ? k, u k)$ ；

Step 5 计算卡尔曼增益： $K k = P k - C k T (C k P k - C k T + R k - 1) - 1$ ；

Step 6 状态变量更新： $x ? k + 1 = x ? k + K k E k$ ；

Step 7 误差协方差测量更新： $P k + 1 = (I - K k C k) P k$ ；

Step 8 重复以上步骤，直至跳出循环。

表3

图3

图4

图5

图6

参考文献 10

1	AUNG H, LOW K S, SHU T G. State-of-charge estimation of lithium-ion battery using square root spherical unscented Kalman filter (Sqrt-UKFST) in nanosatellite[J]. IEEE Transactions on Power Electronics, 2015, 30(9): 4774-4783.
2	LI Z, HUANG J, LIAW BY, et al. On state-of-charge determination for lithium-ion battery[J]. J. Power Sources, 2017, 348: 281-301.
3	MU H, XIONG R, ZHENG H, et al. A novel fractional order model based state-of-charge estimation method for lithium-ion battery[J]. Applied Energy, 2017, 207: 384-393.
4	WANG Y J, ZHANG C B, CHEN Z H. On-line battery state-of-chargeestimation based on an integrated estimator[J]. Applied Energy, 2017, 185: 2026-2032.
5	陈德海, 华铭, 徐王娟, 等. 优化安时积分法实时预测电动自行车电池SOC[J]. 电池, 2019, 49(1): 41-45.
	CHEN Dehai, HUA Ming, XU Wangjuan, et al. Real time prediction of SOC of E-bike battery by optimization of Amper integral method[J]. Battery Bimonthly, 2019, 49(1): 41-45.
6	孙艳艳, 周雪松, 游祥龙, 等. 基于开路电压法的电池荷电状态估算修正[J]. 内燃机与配件, 2019(19): 225-226.
	SUN Yanyan, ZHOU Xuesong, YOU Xianglong, et al. Estimation and correction of battery state of charge based on open circuit voltage method[J]. Internal Combustion Engine & Parts, 2019(19): 225-226.
7	李嘉波, 魏孟, 李忠玉, 等. 基于反馈最小二乘支持向量机锂离子状态估计[J]. 储能科学与技术, 2020, 9(3): 951-957.
	LI Jiabo, WEI Meng, LI Zhongyu, et al. State estimation of lithium ion based on feedback least square support vector machine[J]. Energy Storage Science and Technology, 2020, 9(3): 951-957.
8	曹以龙, 陈成成, 江友华, 等. 基于EKF-模糊动态补偿的铅酸电池SOC估计[J]. 电池, 2019, 49(6): 511-514.
	CAO Yilong, CHEN Chengcheng, JIANG Youhua, et al. SOC estimation of lead acid battery based on EKF fuzzy dynamic compensation[J]. Battery Bimonthly, 2019, 49(6): 511-514.
9	王党树, 王新霞. 基于扩展卡尔曼滤波的锂电池SOC估算[J]. 电源技术, 2019, 43(9): 1458-1460.
	WANG dangshu, WANG Xinxia. SOC estimation of lithium battery based on extended Kalman filter[J]. Chinese Journal of Power Sources, 2019, 43(9): 1458-1460.
10	陈元丽, 赵振东, 陈素娟. 基于Simulink的三元锂电池建模与仿真研究[J]. 南京工程学院学报(自然科学版), 2019, 17(3): 16-20.
	CHEN Yuanli, ZHAO Zhendong, CHEN Sujuan. Modeling and Simulation of ternary lithium battery based on Simulink[J]. Journal of Nanjing Institute of Technology(Natural Science Edition), 2019, 17(3): 16-20.

[1]	李海涛, 孔令丽, 张欣, 余传军, 王纪威, 徐琳. N/P设计对高镍NCM/Gr电芯性能的影响[J]. 储能科学与技术, 2022, 11(7): 2040-2045.
[2]	刘显茜, 孙安梁, 田川. 基于仿生翅脉流道冷板的锂离子电池组液冷散热[J]. 储能科学与技术, 2022, 11(7): 2266-2273.
[3]	陈龙, 夏权, 任羿, 曹高萍, 邱景义, 张浩. 多物理场耦合下锂离子电池组可靠性研究现状与展望[J]. 储能科学与技术, 2022, 11(7): 2316-2323.
[4]	易顺民, 谢林柏, 彭力. 基于VF-DW-DFN的锂离子电池剩余寿命预测[J]. 储能科学与技术, 2022, 11(7): 2305-2315.
[5]	祝庆伟, 俞小莉, 吴启超, 徐一丹, 陈芬放, 黄瑞. 高能量密度锂离子电池老化半经验模型[J]. 储能科学与技术, 2022, 11(7): 2324-2331.
[6]	王宇作, 王瑨, 卢颖莉, 阮殿波. 孔结构对软碳负极储锂性能的影响[J]. 储能科学与技术, 2022, 11(7): 2023-2029.
[7]	孔为, 金劲涛, 陆西坡, 孙洋. 对称蛇形流道锂离子电池冷却性能[J]. 储能科学与技术, 2022, 11(7): 2258-2265.
[8]	霍思达, 薛文东, 李新丽, 李勇. 基于CiteSpace知识图谱的锂电池复合电解质可视化分析[J]. 储能科学与技术, 2022, 11(7): 2103-2113.
[9]	邓健想, 赵金良, 黄成德. 高能量锂离子电池硅基负极黏结剂研究进展[J]. 储能科学与技术, 2022, 11(7): 2092-2102.
[10]	欧宇, 侯文会, 刘凯. 锂离子电池中的智能安全电解液研究进展[J]. 储能科学与技术, 2022, 11(6): 1772-1787.
[11]	韩俊伟, 肖菁, 陶莹, 孔德斌, 吕伟, 杨全红. 致密储能：基于石墨烯的方法学和应用实例[J]. 储能科学与技术, 2022, 11(6): 1865-1873.
[12]	辛耀达, 李娜, 杨乐, 宋维力, 孙磊, 陈浩森, 方岱宁. 锂离子电池植入传感技术[J]. 储能科学与技术, 2022, 11(6): 1834-1846.
[13]	燕乔一, 吴锋, 陈人杰, 李丽. 锂离子电池负极石墨回收处理及资源循环[J]. 储能科学与技术, 2022, 11(6): 1760-1771.
[14]	沈秀, 曾月劲, 李睿洋, 李佳霖, 李伟, 张鹏, 赵金保. γ射线辐照交联原位固态化阻燃锂离子电池[J]. 储能科学与技术, 2022, 11(6): 1816-1821.
[15]	于春辉, 何姿颖, 张晨曦, 林贤清, 肖哲熙, 魏飞. 硅基负极与电解液化学反应的分析与抑制策略[J]. 储能科学与技术, 2022, 11(6): 1749-1759.

基于自适应扩展卡尔曼滤波的锂离子电池荷电状态估计

State of charge estimation of Li-ion battery based on adaptive extended Kalman filter

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 9

参考文献 10

相关文章 15

编辑推荐

Metrics

本文评价