[发明专利]基于后向差分离散模型的动力电池SOC估计方法与系统

摘要

本发明为基于后向差分离散模型的动力电池SOC估计方法与系统，本方法第一步、建立动力电池的后向差分离散模型，通过含遗忘因子的最小二乘法对后向差分离散模型的参数进行辨识。第二步、基于第一步所得的动力电池的后向差分离散模型，结合开路电压与SOC的非线性关系，采用自适应扩展卡尔曼滤波，完成动力电池SOC的有效估计。本系统动力电池所接的电压、电流传感器经模数转换模块连接嵌入微控制器。微控制器含低通滤波预处理模块、后向差分离散电池模型参数在线辨识模块和AEKF算法SOC估计模块。所得SOC结果送显示器设备的CAN网络。本发明结构简单，提高参数辨识速度和精度，减小历史数据对辨识影响，计算方便，SOC估计精度高。

主权项

基于后向差分离散模型的动力电池SOC估计的方法，具体步骤如下：第一步、动力电池后向差分离散模型及参数辨识1.1.动力电池模型采用电池的Thevenin模型，电池的极化电阻Rp与电池的极化电容Cp并联构成一阶RC结构，表示电池的极化反应，RC两端电压为Up(t)；串接欧姆电阻R0和Uoc，Uoc为电池的开路电压OCV，采样得到电池端电压U(t)和流过欧姆内阻R0的电流i(t)；电池Thevenin模型表示如下：dUp(t)dt=Up(t)RpCp+i(t)Cp]]>U(t)＝UOC(t)‑R0i(t)‑Up(t)；1.2 模型离散化及参数辨识1.2.1 模型离散化用后向差分法对上述电池模型离散化，得差分方程，整理后得U(k)‑UOC(k)＝a[U(k‑1)‑UOC(k‑1)]+bI(k)+cI(k‑1)式中，Uoc(k)表示k时刻的开路电压；U(k)为当前k时刻的电池端电压；I(k)为当前k时刻的回路电流；a,b,c为模型参数；a、b和c与电池后向差分离散模型参数的关系如下：R0=ca]]>Rp=-ab-ca(1-a)]]>Cp=Ta2-ab-c]]>其中T为采样周期；1.2.2 电池差分离散模型的参数辨识含遗忘因子的最小二乘算法辨识模型参数θ(k)的估计值的过程如下：θ^(k)=θ^(k-1)+K(k)e(k)]]>其中：式中：φ(k)为数据向量，θ(k)为估计参数向量，e(k)为U(k)的预计误差，初值和P(0)根据经验赋值，为θ(k)的估计值，λ为遗忘因子，λ＝0.95～1；由FFRLS算法求得a、b、c的值，从而得到模型参数R0，Rp,Cp,UOC值；第二步、基于自适应扩展卡尔曼滤波AEKF的电池电荷状态SOC估计选取SOC及电容Cp的端电压为状态变量X，即k时刻的状态X，表示为Xk＝[SOCk Up,k]T，系统状态方程和量测方程如下：Xk=Ak|k-1Xk-1Bk-1ik-1+wk-1Yk=Uoc(SOCk)-R0ik-Up,k+vk]]>其中，νk是量测噪声，Uoc(SOCk)表示电池开路电压Uoc与SOC之间的非线性关系，如下：Uoc(SOCk)＝k1SOCk8+k2SOCk7+k3SOCk6+k4SOCk5+k5SOCk4+k6SOCk3+k7SOCk2+k8SOCk+k9通过在线辨识得到的某个型号动力电池开路电压Uoc与实验得到的该型号动力电池SOC，运用最小二乘法求得该型号动力电池系数k1～k9；AEKF算法估计SOC过程如下：2.1 状态估计：Xk＝[SOCk Up,k]T状态的在当前时刻的k估计值X^k|k=X^k|k-1+Kk(Ym|k-Y^k)]]>其中Kk、表达式为其中分别表示状态Xk＝[SOCk Up,k]T在基于当前时刻看状态的时刻k的估计值,在基于前一时刻状态下时刻k的估计值,在基于前一时刻状态下时刻k‑1的估计值，k是当前时刻，k‑1是前一时刻；Ym|k是k时刻电池端电压的测量值,是k时刻更新后的端电压预测值，是基于前一时刻状态下k时刻SOC的预估值，Qk是系统过程噪声wk的协方差，Rk是系统量测噪声vk的协方差；2.2 递推计算过程中的参数与状态的更新：2.2.1 参数Qk、Rk更新其中，μk是k时刻更新后的端电压预测值与端电压真实值的差值，Fk是每L个时刻对应差值的平均值，L是自适应窗口；2.2.2 状态更新：其中，QN为动力电池的额定容量，η表示充放电效率。