[发明专利]基于小模型误差准则扩展卡尔曼滤波的电池SOC估计方法有效
申请号: | 201410186625.1 | 申请日: | 2014-05-05 |
公开(公告)号: | CN103941195B | 公开(公告)日: | 2017-02-15 |
发明(设计)人: | 张承慧;商云龙;崔纳新 | 申请(专利权)人: | 山东大学 |
主分类号: | G01R31/36 | 分类号: | G01R31/36 |
代理公司: | 济南圣达知识产权代理有限公司37221 | 代理人: | 张勇 |
地址: | 250061 山东*** | 国省代码: | 山东;37 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 基于 模型 误差 准则 扩展 卡尔 滤波 电池 soc 估计 方法 | ||
1.一种基于小模型误差准则扩展卡尔曼滤波的电池SOC估计方法,其特征是:包括以下步骤:
S1.建立一种基于AIC准则的变阶数RC电池等效电路模型,即针对锂电池在充放电初期和末期电压急剧变化的特性提出应选择三阶RC模型,而针对SOC在20%~80%的平台期间电压变化平稳的特性应选择二阶RC模型,为SOC估计提供一个精确且简练的电池模型;
S2.在不同工况下离线获取电池的端电压、电流数据,与模型输出值比较获得对应的模型误差数据;并根据模型误差的大小模糊化为1和0的开关变量;
S3.将模糊化的模型误差作为样本训练神经网络,建立基于模糊神经网络的模型误差预测模型;
S4.电池静置至少8个小时,将SOC作为唯一的状态空间变量;
S5.扩展卡尔曼滤波器初始化和时间更新:状态估计更新、误差协方差更新;
S6.在滤波过程中基于建立的模糊神经网络在线预测模糊化的模型误差Flag,并对其进行解模糊;根据解模糊结果,建立测量噪声修正模型;
S7.根据步骤6的测量噪声修正模型判断模型误差是否满足条件,如果满足条件引进滤波增益系数,计算卡尔曼增益矩阵;
S8.进行状态测量更新和误差协方差测量更新;
S9.得到第k步的估计结果,并与SOC真值进行比较,验证SMECEKF算法的有效性,并转到步骤5。
2.如权利要求1所述的一种基于小模型误差准则扩展卡尔曼滤波的电池SOC估计方法,其特征是:所述步骤1中,基于AIC准则的变阶数RC等效电路模型包括运行时间电路和I-V特性电路;所述运行时间电路包括电池的自放电电阻Rd、电容CQ和电流控制电流源电路,电阻Rd与电容CQ并联在电流控制电流源的受控源两端,独立电源的一端接地;所述I-V特性电路包括两路支路,每个支路包括三组一个电容与一个电阻并联组成的RC回路,且每个支路的两组RC回路并联有切换开关;所述I-V特性电路包括欧姆内阻R0、电化学极化内阻R1、电化学极化电容C1、浓差极化内阻R2、浓差极化电容C2、变阶数内阻R3、变阶数电容C3、切换开关Q1、S1、Q2、S2和电流控制电流源、电压控制电压源电路,其中:电压控制电压源电路的受控源的正极连接两路,一路连接二极管Dd后连接电阻R1d、电阻R2d、电阻R3d、电阻Rod后连接电池的正极,一路反接二极管Dc后连接电阻R1c、电阻R2c、电阻R3c、电阻Roc后连接电池的正极,电容C1d并联在电阻R1d两端,切换开关Q2和电容C2d并联在电阻R2d两端,切换开关Q1和电容C3d并联在电阻R3d两端,电容C1c并联在电阻R1c两端,切换开关S2和电容C2c并联在电阻R2c两端,切换开关S1和电容C3c并联在电阻R3c两端,电压控制电压源电路的受控源正、负极之间的电压为电池开路电压OCV;
所述切换开关Q1、S1以及Q2、S2都断开时,变阶数RC模型为三阶RC模型;所述切换开关Q1、S1闭合,Q2、S2断开时,变阶数RC模型为二阶RC模型;所述切换开关Q1、S1闭合,Q2、S2也闭合时,变阶数RC模型为一阶RC模型;
所述电容CQ表示电池的可用容量,CQ=3600·CAh·f1·f2,CAh为用安时为单位的电池容量,f1和f2分别是电池循环寿命和温度的修正因子;
所述电流控制电流源的受控源的电流为电池的端电流ibat,所述电流控制电流源的受控源两端的电压为电池开路电压OCV,所述开路电压OCV与SOC存在非线性关系,具体关系式为:
式中,a1~a5为常数,由实验数据基于最小二乘法辨识得到。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于山东大学,未经山东大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201410186625.1/1.html,转载请声明来源钻瓜专利网。