基于模糊自适应扩展卡尔曼滤波器的锂电池SOC估算方法

发布时间：2021-10-31 22:05

　　精确的锂电池荷电状态（SOC）在线估算可以有效地延长电池使用寿命,提高电池的安全性,对于电动汽车电池管理系统（BMS）而言至关重要。针对自适应扩展卡尔曼滤波（AEKF）算法运行初期收敛速度缓慢问题,该文提出模糊AEKF（FAEKF）算法可以改善收敛速度。以NCR18650B型三元锂电池的实际端电压与预测端电压差值的绝对值及其变化率作为模糊输入,以卡尔曼滤波器的系统测量噪声R作为模糊输出,通过对R进行模糊控制来调节算法在迭代过程中的增益K,进而实现收敛速度的模糊调节。实验结果表明,在0.5C倍率恒流放电工况和动态应力测试工况（DST）条件下,改进的算法相比于扩展卡尔曼（EKF）和AEKF算法,在不降低估算精度的情况下能够明显地提高收敛速度,在SOC在线估算中更具有实用性。 

【文章来源】：电工技术学报. 2020,35(18)北大核心EICSCD

【文章页数】：7 页

【部分图文】：

Randles电路模型

式中，N为新息序列采样个数；j0为参与测量噪声更新的第一个数据；yk测、yk分别为电池的测量端电压和预测端电压；Sk表示采样数据的方差。整个递推过程的流程如图2所示。3 模糊自适应扩展卡尔曼滤波算法

模糊控制器设计过程主要包括六部分[14-17]:(1)确定输入、输出变量；(2)确定输入、输出变量的论域；(3)确定输入、输出变量的隶属函数；(4)根据专家经验确定模糊规则及其模糊关系；(5)选择推理算法；(6)选择最佳的去模糊化方法。模糊控制器的结构原理如图3所示。本文以NCR18650B型三元锂电池的实测端电压yk测和预测端电压yk差值的绝对值ue及其变化率ude作为模糊输入变量，选择测量噪声R作为模糊输出变量。ue的论域为[0,0.8V]，划分为四个等级：Z表示零，S表示小，M表示中，B表示大，ue越小则表示算法对于锂电池SOC估算越接近电池当前状态。ude的论域为[-0.3V/s 0.3V/s]划分为三个等级：N表示负，Z表示零，P表示正，ude的变化可以反映算法的动态过程。R的论域为[0.000 01W,0.000 55W]，划分为四个等级：B表示快加速，M表示中加速，S表示慢加速，Z表示不加速。模糊控制器提高算法收敛性的原理：当ue较大时降低R输出值，由式（9）可知，R减小时增益矩阵K的各项值会增加，从而可以使得式（12）状态更新后更接近真实状态，有效缩短算法在收敛过程中的迭代次数。当算法迭代到真值ue很小时，模糊控制器输出的R值为当前测量噪声的真实值。模糊控制器的输入输出隶属函数如图4所示，其控制规则见表1。

【参考文献】：
期刊论文
[1]考虑超短期负荷预测的储能电池参与电网一次调频控制策略[J]. 李培强,丰云鹤,李欣然,谭庄熙,羊博,黄际元.  电力系统自动化. 2019(19)
[2]基于自适应无迹卡尔曼滤波的动力电池健康状态检测及梯次利用研究[J]. 颜湘武,邓浩然,郭琪,曲伟.  电工技术学报. 2019(18)
[3]基于模型参数辨识和扩展卡尔曼滤波的锂电池荷电状态估计[J]. 张佳倩,刘志虎.  工业控制计算机. 2019(09)
[4]脉冲大倍率放电条件下磷酸铁锂电池荷电状态估计[J]. 张振宇,汪光森,聂世雄,邢鹏翔.  电工技术学报. 2019(08)
[5]基于综合型卡尔曼滤波的锂离子电池荷电状态估算[J]. 谷苗,夏超英,田聪颖.  电工技术学报. 2019(02)
[6]基于模糊自适应算法的航天器姿态控制[J]. 周湛杰,王新生,王岩.  电机与控制学报. 2019(02)
[7]基于自适应扩展卡尔曼滤波的分布式驱动电动汽车状态估计[J]. 张志勇,张淑芝,黄彩霞,张刘铸,李博浩.  机械工程学报. 2019(06)
[8]用于电力系统动态状态估计的改进鲁棒无迹卡尔曼滤波算法[J]. 曲正伟,董一兵,王云静,陈亮.  电力系统自动化. 2018(10)
[9]充电模态下电动汽车动力电池模型辨识[J]. 刘伟龙,王丽芳,廖承林,王立业.  电工技术学报. 2017(11)
[10]深海动力磷酸铁锂电池组均衡方案设计优化[J]. 吕航,刘承志,尹栋,林鹏峰,贾俊波.  电工技术学报. 2016(19)

硕士论文
[1]基于自适应卡尔曼滤波的GPS精密单点定位研究[D]. 李兆洋.西南交通大学 2017



本文编号：3468940