基于滚动时域估计EKF算法的电池SOC预测
发布时间：2020-12-21 09:16
扩展卡尔曼滤波算法(EKF)是分析电池SOC估计的有效工具,对于非线性系统具有良好的估计结果。但在实际情况下,测量噪声的模型不再是0均值白噪声,导致预测结果有较大误差。提出利用滚动时域(MHE)算法与扩展卡尔曼滤波算法结合,采用滚动时域窗口的思想,综合前N个时刻的窗口信息来估计当前的SOC。通过建立到达函数并加入M估计器替代测量误差,将预测问题转化为优化问题,并根据EKF的求解思想给出了近似最优解。实验仿真证明,该算法可以有效提高SOC的估计精度。
【文章来源】：电源技术. 2020年07期 北大核心
【文章页数】：4 页
【部分图文】：
图２?ＢＢＤＳＴ电流激励曲线??建立Ｔｈｅｖｅｎｉｎ电路模型，采用ＥＫＦ和ＭＨＥ方法对??ＢＢＤＳＴ＿３：况下ＳＯＣ进行估计
ｍｕｌｉｎｋ仿真，模拟电池运行??在?ＢＢＤＳＴ（Ｂｅｉｊｉｎｇ?Ｂｕｓ?Ｄｙｎａｍｉｃ?Ｓｔｒｅｅｔ?Ｔｅｓｔ）工况，电流激励曲??线如图２所示。??６０??０．０?０．５?１．０?１．５?２．０??＂（Ｘ１０４ｓ）??图２?ＢＢＤＳＴ电流激励曲线??建立Ｔｈｅｖｅｎｉｎ电路模型，采用ＥＫＦ和ＭＨＥ方法对??ＢＢＤＳＴ＿３：况下ＳＯＣ进行估计。ＭＨＥ算法中窗口大小Ｎ设置??为５，用随机噪声输人模拟实际情况中的噪声。仿真ＳＯＣ预测??结果如图３所示，预测误差分析如图４所示。??图３?ＳＯＣ估计曲线??图４?ＳＯＣ预测误差曲线??由图４可见ＭＨＥ和ＥＫＦ估计均具有更好的预测结果，??Ｗ以反映ＳＯＣ的趋势变化。但ＭＨＥ较ＥＫＦ可以更精确地预??测结果。ＥＫＦ的估计误差最大为０．３，且随着时间的増加误差??不断増大；ＭＨＥ的预测效果较好，误差稳定在０．１之内。然而??ＭＨＥ在电流工况发生阶跃变化时会出现较大的波动，主要在??于ＭＨＥ更加依赖之前窗口的值来对当前值进行预测，这样导??致在电流发生阶跃变化时跟随精度下降。可以通过调整窗口??Ｎ大小来平衡精度与稳定性之间的关系。??５结语??本文在ＥＫＦ的基础上加人ＭＨＥ算法，将ＥＫＦ中用前一??时刻值对下一刻的ＳＯＣ估计改进为综合Ｎ个窗口信息进行??预测估计，建立到达函数。同时用Ｈｕｂｅｒ鲁棒估计器建立噪声??９９３??２０２０．７?Ｖｏｌ．４４?Ｎｏ．７??
束系统的滚动时域估计方法研究［Ｄ］．长春：吉林大??学，２００７．??［８］?ＲＥＮＧＡＳＷＡＭＹ?Ｒ，ＮＡＲＡＳＭＨＡＮ?Ｓ，ＫＵＰＰＵＲＡＪ?Ｖ．?Ｒｅｃｅｄｉｎｇ??Ｎｏｎｌｉｎｅａｒ?Ｋａｌｍａｎ?（ＲＮＫ）?ｆｉｌｔｅｒ?ｆｏｒ?ｎｏｎｌｉｎｅａｒ?ｃｏｎｓｔｒａｉｎｅｄ?ｓｔａｔｅ?ｅｓｔｉ？??ｍａｔｉｏｎ?［Ｊ］．Ｃｏｍｐｕｔｅｒ?Ａｉｄｅｄ?Ｃｈｅｍｉｃａｌ?Ｅｎｇｉｎｅｅｒｉｎｇ?，２０１１，２９：?２０５４－??２０５９．??（上接第９８５页）??ｔ／ｓ??图５?恒流放电下，ＳＯＣ参考值与ＦＯＫＦ、ＵＫＦ算法估计值对比?＿??到电池建模和荷电状态估计中，提出了基于分数阶ＰＮＧＶ锂??电池模型的ＳＯＣ估计方法，通过实验和仿真估计，所得如下?［６］??结论：（１）基于锂电池的极化效应与电池内部动态特性，建立分??数阶ＰＮＧＶ模型，并通过ＨＰＰＣ实验求取ＰＮＧＶ模型的各个??参数。根据在Ｍａｔｌａｂ／Ｓｉｍｕｌｉｎｋ建立整数阶ＰＮＧＶ模型和分数??阶ＰＮＧＶ模型，仿真输出的电池端电压值与实验所得的端??电压队值进行比较，表明建立的分数阶模型更精确，其中０．９??阶模型的误差率小于０．２％，基本与实验值拟合，因此将阶数取??为０．８８；（２）基于所建立的模型，建立离散状态方程和测量方??程，利用ＦＯＫＦ算法估计电池ＳＯＣ，并与ＵＫＦ算法和ＳＯＣ参??考值进行比较，结果表明ＦＯＫＦ算法估计ＳＯＣ跟踪速度更快，??绝对误差在２％以内，准确度更高。??参考文献：??［１］?ＷＡＮＧ?Ｙ，?ＺＨＡＮＧ?Ｃ，ＣＨＥＮ?Ｚ．Ａ?ｍｅｔｈｏｄ?ｆｏｒ?ｓｔａｔｅ－ｏｆ－ｃｈａｒｇｅ??ｅｓｔｉｍａｔｉｏｎ?ｏ
【参考文献】：
期刊论文
[1]混合动力电动汽车能量管理策略研究综述[J]. 赵秀春,郭戈. 自动化学报. 2016(03)
[2]基于有限差分扩展卡尔曼滤波的锂离子电池SOC估计[J]. 刘艳莉,戴胜,程泽,朱乐为. 电工技术学报. 2014(01)
博士论文
[1]时域约束系统的滚动时域估计方法研究[D]. 赵海艳.吉林大学 2007
硕士论文
[1]基于EKF的电动汽车用锂离子电池SOC估算方法研究[D]. 刘浩.北京交通大学 2010
本文编号：2929583
【文章来源】：电源技术. 2020年07期 北大核心
【文章页数】：4 页
【部分图文】：
图２?ＢＢＤＳＴ电流激励曲线??建立Ｔｈｅｖｅｎｉｎ电路模型，采用ＥＫＦ和ＭＨＥ方法对??ＢＢＤＳＴ＿３：况下ＳＯＣ进行估计
ｍｕｌｉｎｋ仿真，模拟电池运行??在?ＢＢＤＳＴ（Ｂｅｉｊｉｎｇ?Ｂｕｓ?Ｄｙｎａｍｉｃ?Ｓｔｒｅｅｔ?Ｔｅｓｔ）工况，电流激励曲??线如图２所示。??６０??０．０?０．５?１．０?１．５?２．０??＂（Ｘ１０４ｓ）??图２?ＢＢＤＳＴ电流激励曲线??建立Ｔｈｅｖｅｎｉｎ电路模型，采用ＥＫＦ和ＭＨＥ方法对??ＢＢＤＳＴ＿３：况下ＳＯＣ进行估计。ＭＨＥ算法中窗口大小Ｎ设置??为５，用随机噪声输人模拟实际情况中的噪声。仿真ＳＯＣ预测??结果如图３所示，预测误差分析如图４所示。??图３?ＳＯＣ估计曲线??图４?ＳＯＣ预测误差曲线??由图４可见ＭＨＥ和ＥＫＦ估计均具有更好的预测结果，??Ｗ以反映ＳＯＣ的趋势变化。但ＭＨＥ较ＥＫＦ可以更精确地预??测结果。ＥＫＦ的估计误差最大为０．３，且随着时间的増加误差??不断増大；ＭＨＥ的预测效果较好，误差稳定在０．１之内。然而??ＭＨＥ在电流工况发生阶跃变化时会出现较大的波动，主要在??于ＭＨＥ更加依赖之前窗口的值来对当前值进行预测，这样导??致在电流发生阶跃变化时跟随精度下降。可以通过调整窗口??Ｎ大小来平衡精度与稳定性之间的关系。??５结语??本文在ＥＫＦ的基础上加人ＭＨＥ算法，将ＥＫＦ中用前一??时刻值对下一刻的ＳＯＣ估计改进为综合Ｎ个窗口信息进行??预测估计，建立到达函数。同时用Ｈｕｂｅｒ鲁棒估计器建立噪声??９９３??２０２０．７?Ｖｏｌ．４４?Ｎｏ．７??
束系统的滚动时域估计方法研究［Ｄ］．长春：吉林大??学，２００７．??［８］?ＲＥＮＧＡＳＷＡＭＹ?Ｒ，ＮＡＲＡＳＭＨＡＮ?Ｓ，ＫＵＰＰＵＲＡＪ?Ｖ．?Ｒｅｃｅｄｉｎｇ??Ｎｏｎｌｉｎｅａｒ?Ｋａｌｍａｎ?（ＲＮＫ）?ｆｉｌｔｅｒ?ｆｏｒ?ｎｏｎｌｉｎｅａｒ?ｃｏｎｓｔｒａｉｎｅｄ?ｓｔａｔｅ?ｅｓｔｉ？??ｍａｔｉｏｎ?［Ｊ］．Ｃｏｍｐｕｔｅｒ?Ａｉｄｅｄ?Ｃｈｅｍｉｃａｌ?Ｅｎｇｉｎｅｅｒｉｎｇ?，２０１１，２９：?２０５４－??２０５９．??（上接第９８５页）??ｔ／ｓ??图５?恒流放电下，ＳＯＣ参考值与ＦＯＫＦ、ＵＫＦ算法估计值对比?＿??到电池建模和荷电状态估计中，提出了基于分数阶ＰＮＧＶ锂??电池模型的ＳＯＣ估计方法，通过实验和仿真估计，所得如下?［６］??结论：（１）基于锂电池的极化效应与电池内部动态特性，建立分??数阶ＰＮＧＶ模型，并通过ＨＰＰＣ实验求取ＰＮＧＶ模型的各个??参数。根据在Ｍａｔｌａｂ／Ｓｉｍｕｌｉｎｋ建立整数阶ＰＮＧＶ模型和分数??阶ＰＮＧＶ模型，仿真输出的电池端电压值与实验所得的端??电压队值进行比较，表明建立的分数阶模型更精确，其中０．９??阶模型的误差率小于０．２％，基本与实验值拟合，因此将阶数取??为０．８８；（２）基于所建立的模型，建立离散状态方程和测量方??程，利用ＦＯＫＦ算法估计电池ＳＯＣ，并与ＵＫＦ算法和ＳＯＣ参??考值进行比较，结果表明ＦＯＫＦ算法估计ＳＯＣ跟踪速度更快，??绝对误差在２％以内，准确度更高。??参考文献：??［１］?ＷＡＮＧ?Ｙ，?ＺＨＡＮＧ?Ｃ，ＣＨＥＮ?Ｚ．Ａ?ｍｅｔｈｏｄ?ｆｏｒ?ｓｔａｔｅ－ｏｆ－ｃｈａｒｇｅ??ｅｓｔｉｍａｔｉｏｎ?ｏ
【参考文献】：
期刊论文
[1]混合动力电动汽车能量管理策略研究综述[J]. 赵秀春,郭戈. 自动化学报. 2016(03)
[2]基于有限差分扩展卡尔曼滤波的锂离子电池SOC估计[J]. 刘艳莉,戴胜,程泽,朱乐为. 电工技术学报. 2014(01)
博士论文
[1]时域约束系统的滚动时域估计方法研究[D]. 赵海艳.吉林大学 2007
硕士论文
[1]基于EKF的电动汽车用锂离子电池SOC估算方法研究[D]. 刘浩.北京交通大学 2010
本文编号：2929583
本文链接：https://www.wllwen.com/kejilunwen/dianzigongchenglunwen/2929583.html
