基于参数在线辨识的优化ICDKF蓄电池SOC估计方法
发布时间：2021-03-08 21:05
蓄电池荷电状态（SOC）的准确估计对提高电池的动态性能和能量利用效率至关重要。针对现有卡尔曼滤波SOC估计方法所存在的估计精度低、鲁棒性差等问题,提出一种基于参数在线辨识结合迭代中心差分卡尔曼滤波算法（ICDKF）的蓄电池SOC估计方法。利用带遗忘因子的递推最小二乘算法（FFRLS）实现对蓄电池模型参数的在线辨识,提高系统的动态响应特性。ICDKF避免了复杂的雅克比矩阵的推导,通过迭代测量更新,提高估计精度,同时利用Levenberg-Marquardt算法优化ICDKF,在每次迭代过程中修正预测协方差矩阵,增强算法的稳定性。分别用扩展卡尔曼滤波（EKF）、中心差分卡尔曼滤波（CDKF）和优化ICDKF算法对SOC估计结果进行分析比较。仿真结果表明,此方法具有更高的精度和更好的动态响应特性。
【文章来源】：电源技术. 2020,44(10)北大核心
【文章页数】：6 页
【部分图文】：
图１?蓄电池等效电路模型??根据图１中的等效电路模型，利用基尔霍夫定律建立系??统的状态方程：??
龙洚歧本＿?ｍｉ??究与设计??当容量每下降１０％，电池静置ｌｈ，重复此步骤，直至电池??ＳＯＯＯ。（４）记录整个充放电过程的电压、电流及ＳＯＣ数据％??利用测得的数据，对充、放电开路电压及对应的ＳＯＣ值??进行多项式拟合，由于铅酸蓄电池存在电压滞回现象，故对两??者多项式函数取平均值作为ＯＣＶ－ＳＯＣ关系特性曲线，如图２??所示９利用均方根误差公式对ＯＣＶ－ＳＯＣ曲线拟合度进行验??证，知充电状态下均方根误差为０．２７８?５％，放电状态下均方根??误差为０．１２６?３％，故均值误差不超过０．２０２?４％。由此可知，曲??线拟合具有较好的精度。??１３．５??１３．０??＾?１２．５??１２．０??１１．５??０?２０?４０?６０?８０?１００??ＳＯＣ！％??图２?ＯＣＶ－ＳＯＣ拟合曲线??１．３等效电路模型验证??为了验证所建模型的可行性和精确性，在Ｍａｔｌａｂ／Ｓｉｍｕｌｉｎｋ??中搭建等效电路模型，根据实验测得的电压、电流值对电池模??型参数进行辨识，将离线辨识参数导人模型进行仿真分析，对??比模型输出电压值与实际测量电压值可以看出，二阶ＲＣ电池??等效电路模型具有较高的精确度和动态响应性能。端电压波??形对比如图３所示。??２基于带遗忘因子的递推最小二乘法??在线参数辨识??蓄电池处于工作状态时，其内部的化学反应是非常剧烈??的，同时受充放电倍率、温度、循环次数、自放电等因素的影??响，等效模型的参数也会随着这些因素的变化而实时变化，为??实现电池模型动态更新、提高ＳＯＣ估计精度，本文采用带遗??忘因子的递推最小二乘法（ＦＦＲＬＳ）实现参数在线辨识。该算法??实现简单、计算量孝收
０?５００?１０００?１５００??ｔ／ｓ??图８?极化电容Ｇ辨识结果??的模型参数初值误差较大，所以开始得到的辨识结果波动较??大，随着辨识过程的继续，模型各个参数的辨识结果趋于收??敛，达到一个稳定值。??３基于优化ＩＣＤＫＦ的ＳＯＣ估计算法??３．１?ＣＤＫＦ估计算法??ＣＤＫＦ是Ｓｉｇｍａ－Ｐｏｉｎｔ卡尔曼滤波的一种，原理是借助??Ｓｔｅｒｌｉｎｇ差值公式，用多项式逼近非线性函数的导数ｒａ，用中心??差分代替Ｔａｙｌｏｒ展开式中的一阶和二阶导数，相较于扩展卡??尔曼滤波（ＥＫＦ），无需进行线性化处理和计算雅克比矩阵，避??免了线性化误差，提高了滤波性能。??由于蓄电池本身为非线性系统，故将蓄电池模型设为非??线性系统，并使用非线性函数描述为：??０?５００?１０００?１５００??ｔ／ｓ??图７?极化电容Ｇ辨识结果??５００?１０００??ｔ／ｓ??图６?极化电阻＾辨识结果??１５００??Ｕ．Ｕ－ＩＵ??０．００８??０．００６??０．００４??０．００２??图４?欧姆内阻吒辨识结果??图５?极化电阻幵辨识结果??（１４）??＼ｙｋ＋ｉ?＝?ｇｉ．ｘｋ，ｕｋ）＋ｖｋ??式中：ｔ）和分别为非线性系统的状态方程和测量方程；Ｘｉ＝??［ＳＯＯ＾Ｕ＾ＸＵＪ翊３■为系统的ｆｌ维状态变量；为系统输??入变量；为系统过程噪声，其协方差矩阵为；??外为系统观测噪声，其协方差矩阵为凡＝￡Ｋｖ／｜，叫、ｖｔ为零均??值高斯白噪声。??针对上述非线性模型，利用中心差分卡尔曼滤波（ＣＤＫＦ）??算法，实现蓄电池ＳＯＣ估计的步骤如下。??状态初值与误差协方差初值初始化，设定滤波初值：??ｘ０
【参考文献】：
期刊论文
[1]基于在线参数辨识和AEKF的锂电池SOC估计[J]. 田茂飞,安治国,陈星,赵琳,李亚坤,司鑫. 储能科学与技术. 2019(04)
[2]基于模糊神经网络优化扩展卡尔曼滤波的锂离子电池荷电状态估计[J]. 商云龙,张承慧,崔纳新,张奇. 控制理论与应用. 2016(02)
[3]基于ICDKF的锂电池SOC在线估计[J]. 程泽,张秋艳,刘继光. 电源技术. 2015(03)
[4]基于迭代中心差分卡尔曼滤波的飞机姿态估计[J]. 韩萍,干浩亮,何炜琨,Daniel Alazard. 仪器仪表学报. 2015(01)
[5]双卡尔曼滤波算法在锂电池SOC估算中的应用[J]. 王笑天,杨志家,王英男,王忠锋. 仪器仪表学报. 2013(08)
[6]一种改进中心差分卡尔曼滤波方法[J]. 杨宏,李亚安,李国辉,袁润平. 计算机工程与应用. 2010(19)
硕士论文
[1]锂离子电池模型参数辨识及SOC预测仿真分析[D]. 李晓黔.兰州交通大学 2016
[2]基于优化ICDKF的动力电池SOC估算研究[D]. 杨玲.武汉理工大学 2016
本文编号：3071673
【文章来源】：电源技术. 2020,44(10)北大核心
【文章页数】：6 页
【部分图文】：
图１?蓄电池等效电路模型??根据图１中的等效电路模型，利用基尔霍夫定律建立系??统的状态方程：??
龙洚歧本＿?ｍｉ??究与设计??当容量每下降１０％，电池静置ｌｈ，重复此步骤，直至电池??ＳＯＯＯ。（４）记录整个充放电过程的电压、电流及ＳＯＣ数据％??利用测得的数据，对充、放电开路电压及对应的ＳＯＣ值??进行多项式拟合，由于铅酸蓄电池存在电压滞回现象，故对两??者多项式函数取平均值作为ＯＣＶ－ＳＯＣ关系特性曲线，如图２??所示９利用均方根误差公式对ＯＣＶ－ＳＯＣ曲线拟合度进行验??证，知充电状态下均方根误差为０．２７８?５％，放电状态下均方根??误差为０．１２６?３％，故均值误差不超过０．２０２?４％。由此可知，曲??线拟合具有较好的精度。??１３．５??１３．０??＾?１２．５??１２．０??１１．５??０?２０?４０?６０?８０?１００??ＳＯＣ！％??图２?ＯＣＶ－ＳＯＣ拟合曲线??１．３等效电路模型验证??为了验证所建模型的可行性和精确性，在Ｍａｔｌａｂ／Ｓｉｍｕｌｉｎｋ??中搭建等效电路模型，根据实验测得的电压、电流值对电池模??型参数进行辨识，将离线辨识参数导人模型进行仿真分析，对??比模型输出电压值与实际测量电压值可以看出，二阶ＲＣ电池??等效电路模型具有较高的精确度和动态响应性能。端电压波??形对比如图３所示。??２基于带遗忘因子的递推最小二乘法??在线参数辨识??蓄电池处于工作状态时，其内部的化学反应是非常剧烈??的，同时受充放电倍率、温度、循环次数、自放电等因素的影??响，等效模型的参数也会随着这些因素的变化而实时变化，为??实现电池模型动态更新、提高ＳＯＣ估计精度，本文采用带遗??忘因子的递推最小二乘法（ＦＦＲＬＳ）实现参数在线辨识。该算法??实现简单、计算量孝收
０?５００?１０００?１５００??ｔ／ｓ??图８?极化电容Ｇ辨识结果??的模型参数初值误差较大，所以开始得到的辨识结果波动较??大，随着辨识过程的继续，模型各个参数的辨识结果趋于收??敛，达到一个稳定值。??３基于优化ＩＣＤＫＦ的ＳＯＣ估计算法??３．１?ＣＤＫＦ估计算法??ＣＤＫＦ是Ｓｉｇｍａ－Ｐｏｉｎｔ卡尔曼滤波的一种，原理是借助??Ｓｔｅｒｌｉｎｇ差值公式，用多项式逼近非线性函数的导数ｒａ，用中心??差分代替Ｔａｙｌｏｒ展开式中的一阶和二阶导数，相较于扩展卡??尔曼滤波（ＥＫＦ），无需进行线性化处理和计算雅克比矩阵，避??免了线性化误差，提高了滤波性能。??由于蓄电池本身为非线性系统，故将蓄电池模型设为非??线性系统，并使用非线性函数描述为：??０?５００?１０００?１５００??ｔ／ｓ??图７?极化电容Ｇ辨识结果??５００?１０００??ｔ／ｓ??图６?极化电阻＾辨识结果??１５００??Ｕ．Ｕ－ＩＵ??０．００８??０．００６??０．００４??０．００２??图４?欧姆内阻吒辨识结果??图５?极化电阻幵辨识结果??（１４）??＼ｙｋ＋ｉ?＝?ｇｉ．ｘｋ，ｕｋ）＋ｖｋ??式中：ｔ）和分别为非线性系统的状态方程和测量方程；Ｘｉ＝??［ＳＯＯ＾Ｕ＾ＸＵＪ翊３■为系统的ｆｌ维状态变量；为系统输??入变量；为系统过程噪声，其协方差矩阵为；??外为系统观测噪声，其协方差矩阵为凡＝￡Ｋｖ／｜，叫、ｖｔ为零均??值高斯白噪声。??针对上述非线性模型，利用中心差分卡尔曼滤波（ＣＤＫＦ）??算法，实现蓄电池ＳＯＣ估计的步骤如下。??状态初值与误差协方差初值初始化，设定滤波初值：??ｘ０
【参考文献】：
期刊论文
[1]基于在线参数辨识和AEKF的锂电池SOC估计[J]. 田茂飞,安治国,陈星,赵琳,李亚坤,司鑫. 储能科学与技术. 2019(04)
[2]基于模糊神经网络优化扩展卡尔曼滤波的锂离子电池荷电状态估计[J]. 商云龙,张承慧,崔纳新,张奇. 控制理论与应用. 2016(02)
[3]基于ICDKF的锂电池SOC在线估计[J]. 程泽,张秋艳,刘继光. 电源技术. 2015(03)
[4]基于迭代中心差分卡尔曼滤波的飞机姿态估计[J]. 韩萍,干浩亮,何炜琨,Daniel Alazard. 仪器仪表学报. 2015(01)
[5]双卡尔曼滤波算法在锂电池SOC估算中的应用[J]. 王笑天,杨志家,王英男,王忠锋. 仪器仪表学报. 2013(08)
[6]一种改进中心差分卡尔曼滤波方法[J]. 杨宏,李亚安,李国辉,袁润平. 计算机工程与应用. 2010(19)
硕士论文
[1]锂离子电池模型参数辨识及SOC预测仿真分析[D]. 李晓黔.兰州交通大学 2016
[2]基于优化ICDKF的动力电池SOC估算研究[D]. 杨玲.武汉理工大学 2016
本文编号：3071673
本文链接：https://www.wllwen.com/kejilunwen/dianzigongchenglunwen/3071673.html
