基于双自适应卡尔曼滤波的锂电池状态估算

doi:10.19799/j.cnki.2095-4239.2021.0411

储能科学与技术 ›› 2022, Vol. 11 ›› Issue (2): 660-666.doi: 10.19799/j.cnki.2095-4239.2021.0411

基于双自适应卡尔曼滤波的锂电池状态估算

黄鹏超¹(), 鄂加强²

^1.柳州职业技术学院汽车工程学院，广西柳州 545616
^2.湖南大学机械与运载工程学院，湖南长沙 410082

收稿日期:2021-08-09 修回日期:2021-08-27 出版日期:2022-02-05 发布日期:2022-02-08
通讯作者: 黄鹏超 E-mail:hpch_edu@163.com
基金资助:
2019年广西高校中青年项目：电动汽车动力电池均衡控制技术研究(2019KY1257)

State estimation of lithium-ion battery based on dual adaptive Kalman filter

Pengchao HUANG¹(), Jiaqiang E²

^1.Liuzhou Vocational Technical College School of Automotive Engineering, Liuzhou 545616, Guangxi, China
^2.College of Mechanical and Vehicle Engineering, Hunan University, Changsha 410082, Hunan, China

Received:2021-08-09 Revised:2021-08-27 Online:2022-02-05 Published:2022-02-08
Contact: Pengchao HUANG E-mail:hpch_edu@163.com

摘要/Abstract

摘要：

精准的锂电池建模是保证电池储能系统可靠性至关重要的手段。荷电状态(state of charge，SOC)的准确估计保证了特定应用程序的安全高效运行。为了提高SOC的估计精度，首先建立等效电路模型，利用遗忘因子的偏差补偿最小二乘法(bias compensation recursive least squares，BCRLS)对电池模型进行参数辨识。然后，利用自适应无迹卡尔曼滤波(adaptive unscented Kalman filter，AUKF)算法来估计SOC。由于无迹无迹卡尔曼滤波算法易受非线性因素的干扰，因此提出了利用权重量定义AUKF算法提高SOC的估计精度。由于电池在放电过程中，电池内部特性会发生变化，而电池欧姆内阻会对SOC估计结果产生直接影响。基于此，本工作提出了双自适应无迹卡尔曼滤波来进一步提高SOC的估计精度。通过和不同算法进行比较，实验结果表明，所提算法估计SOC的误差控制在2%以内，验证了算法的有效性。

关键词: 锂离子电池, 荷电状态, 偏差补偿最小二乘法, 权重向量, 双自适应无迹卡尔曼滤波

Abstract:

An accurate lithium-ion battery model is very important to ensure the reliability of the battery. Accurate estimation of state of charge (SOC) ensures the safety and efficient operation of specific applications. To improve the estimation accuracy of SOC, an equivalent circuit model is established and the parameters are identified using bias compensation recursive least squares (BCRLS) of the forgetting factor. The SOC is then estimated using the adaptive unscented Kalman filter (AUKF) algorithm. The AUKF algorithm defined by weight vectors was proposed to improve the estimation accuracy of SOC because of the vulnerability of the unscented Kalman filter technique to nonlinear variables. However, the internal characteristics of the battery will change during the discharge process, and the ohmic internal resistance of the battery will have a direct effect on the SOC estimations. Based on this, we propose a dual AUKF to further improve the estimation accuracy of SOC. Compared with other algorithms, the experimental results show that the proposed algorithm's error in estimating SOC is less than 2%, demonstrating the effectiveness of the algorithm.

Key words: lithium ion battery, state of charge (SOC), bias compensation recursive least squares, weight vectors, dual adaptive unscented Kalman filter

中图分类号:

TM 911

黄鹏超, 鄂加强. 基于双自适应卡尔曼滤波的锂电池状态估算[J]. 储能科学与技术, 2022, 11(2): 660-666.

Pengchao HUANG, Jiaqiang E. State estimation of lithium-ion battery based on dual adaptive Kalman filter[J]. Energy Storage Science and Technology, 2022, 11(2): 660-666.

图/表 6

图1

表1

基于偏差法的参数辨识过程"

算法辨识流程如下：
步骤1计算RLS方法的的增益矩阵
$K (t) = P (t - 1) φ (t) 1 + φ T (t) P (t - 1) φ (t)$	(6)
步骤2计算迭代新息
$e (t) = y (t) - φ T (t) θ L S (t - 1)$	(7)
步骤3参数估计
$θ L S (t) = θ L S (t - 1) + K (t) e (t)$	(8)
步骤4计算相应的误差准则值
$J (t) = J (t - 1) + e 2 (t) 1 + φ T (t) P (t - 1) φ (t)$	(9)
步骤5更新噪声协方差矩阵
$P (t) = [I - K (t) φ T (t)] P (t - 1)$	(10)
步骤6参数补偿后的参数矩阵为
$θ (t) = θ L S (t) + K (t) σ 2 (t) P (t) θ (t - 1)$	(11)
步骤7更新噪声协方差矩阵
$σ 2 (t) = J (t) k 1 + θ L S T (t - 1) θ L S (t - 1)$	(12)
步骤8重复步骤1～步骤7，完成最终的辨识参数。

表1

图2

图3

图4

表2

参考文献 11

1	ALI D, MUKHOPADHYAY S, REHMAN H, et al. UAS based Li-ion battery model parameters estimation[J]. Control Engineering Practice, 2017, 66: 126-145.
2	ZHAO L H, LIU Z Y, JI G H. Lithium-ion battery state of charge estimation with model parameters adaptation using H∞ extended Kalman filter[J]. Control Engineering Practice, 2018, 81: 114-128.
3	汪伟, 黄河, 龙宇舟, 等. 基于改进安时积分法的动力电池SOC估算[J]. 客车技术与研究, 2021, 43(3): 12-14.
	WANG W, HUANG H, LONG Y Z, et al. SOC estimation of power battery based on improved ampere-hour integration method[J]. Bus & Coach Technology and Research, 2021, 43(3): 12-14.
4	申彩英, 左凯. 基于开路电压法的磷酸铁锂电池SOC估算研究[J]. 电源技术, 2019, 43(11): 1789-1791.
	SHEN C Y, ZUO K. Research on SOC estimation of LiFePO₄ batteries based on open circuit voltage method[J]. Chinese Journal of Power Sources, 2019, 43(11): 1789-1791.
5	唐豪, 张振东, 吴兵. 基于BP神经网络的HPPC低温SOC优化估计[J]. 计算机系统应用, 2021, 30(6): 293-299.
	TANG H, ZHANG Z D, WU B. Low temperature estimation of battery SOC based on BP neural network under HPPC conditions[J]. Computer Systems & Applications, 2021, 30(6): 293-299.
6	孙硕, 孙俊忠, 周智勇, 等. 基于MIV-GA-BP神经网络的铅酸蓄电池SOC预测[J]. 电源技术, 2021, 45(2): 228-231.
	SUN S, SUN J Z, ZHOU Z Y, et al. SOC estimation of lead-acid battery based on MIV-GA-BP neural network[J]. Chinese Journal of Power Sources, 2021, 45(2): 228-231.
7	张凯. 基于粒子群算法优化SVM在电池SOC估算中的应用[J]. 机械工程与自动化, 2016(2): 154-155.
	ZHANG K. Application of SVM based on particle swarm optimization algorithm in estimation of battery SOC[J]. Mechanical Engineering & Automation, 2016(2): 154-155.
8	陈德海, 王超, 朱正坤, 等. 交互多模型无迹卡尔曼滤波算法预测锂电池SOC[J]. 储能科学与技术, 2020, 9(1): 257-265.
	CHEN D H, WANG C, ZHU Z K, et al. Lithium battery state-of-charge estimation based on interactive multimodel unscented Kalman filter Algorithm[J]. Energy Storage Science and Technology, 2020, 9(1): 257-265.
9	熊然, 王顺利, 于春梅, 等. 基于Thevenin模型和改进扩展卡尔曼的特种机器人锂离子电池SOC估算方法[J]. 储能科学与技术, 2021, 10(2): 695-704.
	XIONG R, WANG S L, YU C M, et al. An estimation method for lithium-ion battery SOC of special robots based on Thevenin model and improved extended Kalman[J]. Energy Storage Science and Technology, 2021, 10(2): 695-704.
10	刘鑫蕊, 常鹏, 孙秋野. 基于XGBoost和无迹卡尔曼滤波自适应混合预测的电网虚假数据注入攻击检测[J]. 中国电机工程学报, 2021, 41(16): 5462-5476.
	LIU X R, CHANG P, SUN Q Y. Grid false data injection attacks detection based on XGBoost and unscented Kalman filter adaptive hybrid prediction[J]. Proceedings of the CSEE, 2021, 41(16): 5462-5476.
11	熊瑞. 基于数据模型融合的电动车辆动力电池组状态估计研究[D]. 北京: 北京理工大学, 2014.
	XIONG R. Estimation of battery pack state for electric vehicles using model-data fusion approach[D]. Beijing: Beijing Institute of Technology, 2014.

模型	SOC误差		端电压误差(MAE)/%V
模型	MAE/%	RMSE/%	端电压误差(MAE)/%V
FFRLS-AUKF	3.11	2.17	4.12
BCRLS-AUKF	2.89	2.08	3.23
BCRLS-改进的AUKF	2.42	1.89	2.94
所提模型	1.45	1.52	2.23

[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]	吴田, 林闽城, 海浩, 孙海渔, 温兆银, 马福元. 面向一次调频的镍氢电池系统开发[J]. 储能科学与技术, 2022, 11(7): 2213-2221.
[9]	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.
[10]	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.
[11]	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.
[12]	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.
[13]	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.
[14]	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.
[15]	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.

基于双自适应卡尔曼滤波的锂电池状态估算

State estimation of lithium-ion battery based on dual adaptive Kalman filter

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 6

参考文献 11

相关文章 15

编辑推荐

Metrics

本文评价