本發(fā)明涉及電動汽車動力電池管理系統(tǒng)領(lǐng)域，尤其是一種基于擴(kuò)展卡爾曼粒子濾波的SOC估計方法及系統(tǒng)。
背景技術(shù)：
：當(dāng)石油危機(jī)爆發(fā)以后，能源問題和環(huán)境問題逐步被人們重視起來，人們迫切的需要新能源汽車來解決這些問題，電動汽車因此而獲得關(guān)注。動力電池作為電動汽車的動力源，承擔(dān)電動汽車全部或者部分動力輸出。電動汽車電池組在工作過程中常因充放電時間過長而產(chǎn)生過充電、過放電現(xiàn)象，不僅影響了電池的使用性能，而且縮短了電池的使用壽命，降低了整車性價比。動力電池的荷電狀態(tài)SOC(StateOfCharge)即動力電池剩余電量，是描述電池狀態(tài)的重要參數(shù)之一。電池的SOC無法使用傳感器直接測得，它必須通過對一些其他物理量的測量并采用一定的數(shù)學(xué)模型和算法來估計得到。電池SOC受環(huán)境溫度、工作電流以及循環(huán)次數(shù)等多種因素的影響，具有很強的非線性特性，使得準(zhǔn)確估計SOC難度很大，SOC的估計也成為了國內(nèi)外學(xué)者研究的熱點。目前國內(nèi)外主要的SOC估計方法分為離線估計和在線估計兩大類。SOC的離線估計具有估計精度高的有點，常用于確定SOC的初始值，主要有開路電壓法和內(nèi)阻法等。在實際工程應(yīng)用中SOC在線估計方法更為實用，目前主要包括安時積分法、神經(jīng)網(wǎng)絡(luò)法以及卡爾曼濾波法等。安時積分法理論簡單且計算量小，但是不具有反饋修正的效果，會有累積誤差產(chǎn)生；神經(jīng)網(wǎng)絡(luò)法適用于對高度非線性的系統(tǒng)進(jìn)行模擬，但是需要建立準(zhǔn)確的神經(jīng)網(wǎng)絡(luò)模型并且需要大量數(shù)據(jù)訓(xùn)練；卡爾曼濾波法可以減少數(shù)據(jù)量的存儲，但是對模型精度的要求很高。以上除去安時積分法，其他方法都需要根據(jù)模型反饋來對SOC值進(jìn)行修正，對于模型精度的要求高，而動力電池通常具有高度非線性的特點，固定參數(shù)的模型顯然不能滿足精度高的要求。技術(shù)實現(xiàn)要素：本發(fā)明的目的在于：提供一種基于擴(kuò)展卡爾曼粒子濾波的SOC估計方法及系統(tǒng)，以提高電池模型的精度以及SOC估計的精度。本發(fā)明解決其技術(shù)問題所采取的技術(shù)方案是：一種基于擴(kuò)展卡爾曼粒子濾波的SOC估計方法，包括步驟：步驟1，對電池進(jìn)行測試，通過單體電池測試系統(tǒng)對電池進(jìn)行放電-靜置實驗，獲得荷電狀態(tài)和開路電壓(Opencircuitvoltage,OCV)的對應(yīng)數(shù)據(jù)，擬合出SOC-OCV的關(guān)系函數(shù)表達(dá)式；步驟2，建立動力電池的等效電路模型，并得到離散狀態(tài)空間模型；步驟3，根據(jù)初始概率分布，產(chǎn)生初始SOC粒子集并設(shè)置權(quán)值；步驟4，根據(jù)當(dāng)前的數(shù)據(jù)，對模型參數(shù)進(jìn)行在線辨識，更新模型；步驟5，使用擴(kuò)展卡爾曼粒子濾波，得到粒子的預(yù)測值；步驟6，更新粒子權(quán)值并進(jìn)行歸一化處理，計算有效粒子數(shù)。如果有效粒子數(shù)小于給定閾值，在進(jìn)行重采樣后輸出SOC估計值；如果大于給定閾值，則直接輸出SOC估計值；步驟7，重復(fù)步驟4到步驟6。其中，步驟4中對模型參數(shù)進(jìn)行辨識，具體方法如下：對于模型為數(shù)據(jù)向量，θ為待估參數(shù)向量，y(k)為輸出向量，ε(k)為系統(tǒng)噪聲，可采用遺忘因子最小二乘法對θ進(jìn)行參數(shù)辨識，其公式為：最小二乘法增益計算：最小二乘法協(xié)方差矩陣計算：最小二乘法參數(shù)最優(yōu)估計：其中為k時刻待估參數(shù)的估計值；K(k)為k時刻的增益矩陣；P(k)為k時刻的協(xié)方差矩陣，通常其初始值P(0)取足夠大的單位矩陣，這里取值為105×I，其中I為單位矩陣；λ為加權(quán)因子(0＜λ≤1)，一般取值在0.9～1.0之間，這里取值為0.98。其中，步驟5中，使用擴(kuò)展卡爾曼粒子濾波，得到粒子的預(yù)測值，具體方法如下：對于系統(tǒng)狀態(tài)方程為xk+1＝Akxk+Bkuk+wk，系統(tǒng)觀測方程為yk＝Ckxk+Dkuk+vk的系統(tǒng)，可采用擴(kuò)展卡爾曼濾波方法對每個粒子進(jìn)行預(yù)測修正，遞推公式如下：狀態(tài)變量先驗估計值計算：預(yù)測誤差的協(xié)方差矩陣計算：卡爾曼增益矩陣計算：狀態(tài)變量最優(yōu)估計值計算：更新誤差協(xié)方差矩陣：其中，‘-’代表先驗值，‘+’代表后驗值，‘︿’代表估計值。其中xk為狀態(tài)向量；uk為輸入激勵；yk為觀測向量；Ak為狀態(tài)轉(zhuǎn)移矩陣；Bk為輸入激勵矩陣；Ck為狀態(tài)向量觀測矩陣；Dk為輸入激勵觀測矩陣；wk為過程噪聲；vk為觀測噪聲；I為單位矩陣；Q為過程噪聲協(xié)方差矩陣；R為觀測噪聲協(xié)方差矩陣；Kgk為卡爾曼增益矩陣；Pk為預(yù)測誤差的協(xié)方差矩陣。其中，所述步驟6中具體是采用公式來更新粒子權(quán)值，采用公式計算有效粒子數(shù)，對比有效粒子數(shù)與預(yù)先設(shè)定的粒子閾值，根據(jù)結(jié)果判斷是否需要進(jìn)行重采樣。其中parWagei為第i個粒子的權(quán)值；yk為粒子的觀測向量；為第i個粒子的預(yù)測值；R為觀測噪聲協(xié)方差矩陣；Neff為有效粒子個數(shù)。一種基于擴(kuò)展卡爾曼粒子濾波的系統(tǒng)，包括動力電池、單體電池測試系統(tǒng)、計算機(jī)等三大部分。其中，單體電池測試系統(tǒng)，由四個部分構(gòu)成，分別是電流控制模塊、恒溫箱、數(shù)據(jù)采集設(shè)備和直流穩(wěn)壓電源。電流控制模塊與恒溫箱中的單體電池的輸入端相連，電流控制模塊根據(jù)外界指令實現(xiàn)對單體電池充放電電流大小的控制，可以模擬不同的電池測試工況，恒溫箱根據(jù)外界指令控制單體電池的工作環(huán)境溫度。恒溫箱中的單體電池與數(shù)據(jù)采集設(shè)備的輸入端相連，數(shù)據(jù)采集設(shè)備根據(jù)外界指令對單體電池的電壓和電流數(shù)據(jù)進(jìn)行采集，并且對采集到的數(shù)據(jù)進(jìn)行簡單的模數(shù)轉(zhuǎn)換處理然后輸出數(shù)據(jù)。直流穩(wěn)壓電源分別與電流控制模塊、恒溫箱和數(shù)據(jù)采集設(shè)備相連，為整個測試系統(tǒng)提供能源。電流控制模塊由光電耦合器、數(shù)模轉(zhuǎn)換器、集成運算放大器、MOSFET場效應(yīng)管和康銅絲電阻構(gòu)成。數(shù)據(jù)采集設(shè)備包括電流采集模塊和電壓采集模塊以及模數(shù)轉(zhuǎn)換模塊。本發(fā)明一種基于擴(kuò)展卡爾曼粒子濾波的SOC估計方法及系統(tǒng)，具有以下有益效果：采用遺忘因子最小二乘法計算模型參數(shù)，并且實時更新電池模型數(shù)據(jù)，得到了高精度的電池模型，滿足了傳統(tǒng)SOC估計方法對模型精度的要求。將擴(kuò)展卡爾曼濾波與粒子濾波進(jìn)行結(jié)合，提高了對荷電狀態(tài)(SOC)的估計精度，采用重采樣的方法，解決了粒子濾波存在的粒子退化問題。總結(jié)以上，本發(fā)明提高了電池模型的精度以及SOC估計的精度。附圖說明圖1為本發(fā)明一種基于擴(kuò)展卡爾曼粒子濾波的SOC估計方法及系統(tǒng)的整體流程圖。圖2為本發(fā)明基于擴(kuò)展卡爾曼粒子濾波的系統(tǒng)的結(jié)構(gòu)框圖。圖3為本發(fā)明采用的單體電池測試系統(tǒng)的結(jié)構(gòu)框圖。圖4為本發(fā)明采用的單體電池測試系統(tǒng)中電流采集模塊的原理結(jié)構(gòu)圖。圖5為本發(fā)明采用的單體電池測試系統(tǒng)中電壓采集模塊的原理結(jié)構(gòu)圖。圖6為本發(fā)明通過放電-靜置實驗得到的SOC-OCV曲線圖以及曲線擬合結(jié)果。圖7為本發(fā)明采用的動力電池二階RC等效電路模型示意圖。圖8為本發(fā)明用于驗證SOC估計精度的測試工況電流曲線。圖9為本發(fā)明用于驗證SOC估計精度的測試工況電壓曲線以及電池模型擬合曲線。圖10為本發(fā)明的SOC估計結(jié)果與其他方法估計結(jié)果的對比圖。圖11為本發(fā)明的SOC估計誤差與其他方法估計誤差的對比圖。具體實施方式下面結(jié)合附圖對本發(fā)明的技術(shù)方案進(jìn)行詳細(xì)說明：根據(jù)圖1，一種基于擴(kuò)展卡爾曼粒子濾波的SOC估計方法包括以下步驟：步驟1，對電池進(jìn)行測試，通過單體電池測試系統(tǒng)對電池進(jìn)行放電-靜置實驗，獲得荷電狀態(tài)和開路電壓的對應(yīng)數(shù)據(jù)，擬合出SOC-OCV的關(guān)系函數(shù)表達(dá)式；如圖2所示為基于擴(kuò)展卡爾曼粒子濾波的系統(tǒng)的整體框圖，包括動力電池、單體電池測試系統(tǒng)、計算機(jī)等三大部分。步驟1中需要使用其中的單體電池測試系統(tǒng)，進(jìn)行對鋰離子的放電-靜置實驗，進(jìn)而獲得SOC-OCV關(guān)系函數(shù)。單體電池測試系統(tǒng)，可以實現(xiàn)對鋰離子電池充放電測試，并把采集到的電壓數(shù)據(jù)、電流數(shù)據(jù)、溫度數(shù)據(jù)和其他數(shù)據(jù)上傳到計算機(jī)，為后續(xù)各種算法提供數(shù)據(jù)源。如圖3所示為單體電池測試系統(tǒng)的詳細(xì)結(jié)構(gòu)圖，整個系統(tǒng)由四個部分構(gòu)成，分別是電流控制模塊、恒溫箱、數(shù)據(jù)采集設(shè)備和直流穩(wěn)壓電源。電流控制模塊根據(jù)外界發(fā)送的指令實現(xiàn)對單體電池充放電電流大小的控制，可以模擬不同的電池測試工況。恒溫箱用于控制單體電池的工作環(huán)境溫度。數(shù)據(jù)采集設(shè)備根據(jù)外界發(fā)送的指令對單體電池的電壓和電流數(shù)據(jù)進(jìn)行采集，并且對采集到的數(shù)據(jù)進(jìn)行簡單的模數(shù)轉(zhuǎn)換處理然后輸出數(shù)據(jù)。直流穩(wěn)壓電源為整個測試系統(tǒng)提供能源。如圖3所示，計算機(jī)發(fā)送指令到電流控制模塊，來設(shè)置當(dāng)前測試單體電池的工況，單體電池根據(jù)電流控制模塊設(shè)定的電流充電或者放電，同時數(shù)據(jù)采集模塊采集電池的端電壓以及流經(jīng)電池的電流，采集得到的模擬信號，經(jīng)過模數(shù)轉(zhuǎn)換器，轉(zhuǎn)換成為數(shù)字信號傳送到計算機(jī)，計算機(jī)再將數(shù)據(jù)以二進(jìn)制的形式存儲，用于之后的SOC濾波計算。其中電流控制模塊的原理框圖如圖4所示，電流控制模塊由光電耦合器、數(shù)模轉(zhuǎn)換器、集成運算放大器、MOSFET場效應(yīng)管和康銅絲電阻構(gòu)成。光電耦合器HCPL0631，用于數(shù)模轉(zhuǎn)換數(shù)字隔離，避免信號之間的干擾。數(shù)模轉(zhuǎn)換器MAX531，數(shù)字量輸入范圍[0,4096]，轉(zhuǎn)變成電壓為[0,2.048V]，經(jīng)過電壓電流變換電路轉(zhuǎn)變成[0A,20A]電流。MOSFET場效應(yīng)管IRF540N，開啟電壓2.0～4.0V，漏源極導(dǎo)通電阻44mΩ，最大功率50W?？点~絲電阻阻值為0.1Ω，用于將電壓轉(zhuǎn)換為電流。數(shù)據(jù)采集設(shè)備包括電流采集模塊和電壓采集模塊以及模數(shù)轉(zhuǎn)換模塊。電流采集模塊的原理框圖如圖5所示，這里采用了具有閉環(huán)補償作用的電流型霍爾傳感器CSM015NPT，在室溫情況下(25度)，傳感器精度為±0.5％。CSM015NPT的原邊線圈電阻是0.18mΩ，若在信號通路中流過10A電流時，壓降是1.8mv，滿足測試要求。當(dāng)CSM015NPT原邊線圈通過與參考方向同向電流15A時，其副邊線圈輸出電壓3.125v；原邊線圈流過與參考方向反向15A電流時，其副邊線圈輸出電壓1.875v；原邊線圈無電流流過時，其副邊線圈輸出電壓2.5v。為了匹配模數(shù)轉(zhuǎn)換器的動態(tài)范圍，故在其后加入信號調(diào)理電路，使電壓幅度衰減一半。在這種情況下，當(dāng)被采集電流范圍[-15A,15A]時，經(jīng)信號調(diào)理電路輸出電壓為[0.9375v,1.5625v]。放電-靜置實驗中，通過電流控制模塊將放電電流設(shè)置為0.2C，對電池進(jìn)行放電，每間隔5％的SOC停止放電并對電池進(jìn)行靜置，靜置10分鐘后通過電壓采集模塊采集到電池的開路電壓值OCV。通過以上方法，可以獲得開路電壓與SOC的關(guān)系數(shù)據(jù)表，采用曲線擬合的方法，對得到的數(shù)據(jù)進(jìn)行擬合，從而獲得SOC-OCV函數(shù)關(guān)系表達(dá)式，本發(fā)明采用9階多項式對曲線進(jìn)行擬合，所得到的SOC-OCV關(guān)系曲線和擬合曲線如圖6所示，得到的函數(shù)關(guān)系式如下：OCV＝4.6985e3*SOC9-2.2229e4*SOC8+4.4403e4*SOC7-4.8684e4*SOC6+3.1913e4*SOC5-1.2773e4*SOC4+3.061e3*SOC3-413.4218*SOC2+28.2351*SOC-2.9493；步驟2，建立動力電池的等效電路模型，并得到離散狀態(tài)空間模型；本發(fā)明采用等效電路模型對動力電池進(jìn)行建模，其中二階等效電路模型相較于一階等效電路模型，可以更好的模擬電池的非線性部分，因此本發(fā)明采用了二階等效電路模型對電池進(jìn)行建模，圖7為二階等效電路模型示意圖，由圖可以得到模型端電壓輸出方程為：其中V代表電池的端電壓，VOC代表電池的開路電壓，I代表從電池上流過的電流，Re為電池的歐姆內(nèi)阻，Rs和Rl分別為電池的極化內(nèi)阻，Cs和Cl分別為電池的極化電容，τs＝RsCs，τl＝RlCl分別為兩個RC回路的時間常數(shù)。列寫電池模型的離散狀態(tài)空間模型，令狀態(tài)向量x＝[SOC；Vs；Vl]，其中Vs和Vl為兩個RC并聯(lián)網(wǎng)絡(luò)上的電壓；令電流I為輸入激勵；端電壓V為輸出量，可以得到模型的狀態(tài)方程為：輸出方程為：V(k)＝VOC(SOC,k)-Vs(k)-Vl(k)-ReI(k)(3)其中η為庫倫系數(shù)，這里取值為1；C為電池的標(biāo)稱容量；T為采樣時間間隔。步驟3，根據(jù)初始概率分布，產(chǎn)生初始SOC粒子集并設(shè)置權(quán)值；設(shè)粒子個數(shù)為N，根據(jù)動力電池離線測試得到的OCV-SOC數(shù)據(jù)表，通過開路電壓法查表得到SOC的初始值SOCInit，計算查表法的最大誤差SOCError，根據(jù)“3σ法則”，令SOC的初始粒子集服從N～(SOCInit,(SOCError/3)2)的正態(tài)分布，根據(jù)該正態(tài)分布產(chǎn)生粒子，并令每個粒子的初始權(quán)值為1/N；步驟4，根據(jù)當(dāng)前的數(shù)據(jù)，對模型參數(shù)進(jìn)行在線辨識，更新模型；本發(fā)明采用遺忘因子最小二乘法進(jìn)行模型的參數(shù)識別，因此需要求得模型的差分方程。對公式(1)進(jìn)行Laplace變換，得到：整理公式(4)得到：τsτlVOCs2+(τs+τl)VOCs+VOC＝τsτlReIs2+[(τs+τl)Re+Rsτl+Rlτs]Is+I(Re+Rs+Rl)+τsτlVs2+(τs+τl)Vs+V(5)令：a＝τsτlb＝τs+τlc＝Re+Rs+Rld＝(τs+τl)Re+Rsτl+Rlτs整理公式(5)得到：aVOCs2+bVOCs+VOC＝aReIs2+dIs+cI+aVs2+bVs+V(6)令s＝[x(k)-x(k-1)]/T、s2＝[x2(k)+x2(k-1)-2x(k)x(k-1)]/T整理公式(6)，可以得到：則有：待估參數(shù)矩陣數(shù)據(jù)向量輸出向量y(k)＝VOC(k)-V(k)。其中VOC(k)可以根據(jù)步驟1中求得的OCV-SOC函數(shù)關(guān)系式求得。通過遺忘因子最小二乘法求得待估參數(shù)向量θ后，可求得：Re＝k5/k2Rl＝(cτl-Reτl-d-bRe)/(τl-τs)Rs＝c-Re-Rl步驟5，使用擴(kuò)展卡爾曼濾波，得到粒子的預(yù)測值；要進(jìn)行擴(kuò)展卡爾曼濾波，需要得到系統(tǒng)的離散狀態(tài)空間方程。步驟2中已經(jīng)求得二階RC等效電路模型的狀態(tài)空間模型，如公式(2)、(3)所示。將該非線性模型在(xk,ik)附近進(jìn)行一階泰勒展開，得到根據(jù)步驟4中得到的Re、Rs、Rl、Cs、Cl的值，即可進(jìn)一步求得Ak、Bk、Ck的具體值，擴(kuò)展卡爾曼濾波分為預(yù)測和修正兩個過程：擴(kuò)展卡爾曼濾波預(yù)測過程：狀態(tài)變量先驗估計值計算：預(yù)測誤差的協(xié)方差矩陣計算：擴(kuò)展卡爾曼濾波修正過程：卡爾曼增益矩陣計算：狀態(tài)變量最優(yōu)估計值計算：更新誤差協(xié)方差矩陣：根據(jù)公式可以求得SOC粒子的最優(yōu)估計值。步驟6，更新粒子權(quán)值并進(jìn)行歸一化處理，計算有效粒子數(shù)。如果有效粒子數(shù)小于給定閾值，在進(jìn)行重采樣后輸出SOC估計值；如果大于給定閾值，則直接輸出SOC估計值；首先根據(jù)公式計算粒子權(quán)重，其中R為觀測噪聲的協(xié)方差矩陣，yk為觀測值，為粒子的預(yù)測值；得到粒子權(quán)重后，根據(jù)公式計算有效粒子的個數(shù)。預(yù)先設(shè)定有效粒子閾值Nthreshold，當(dāng)Neff≥Nthreshold時，說明粒子退化現(xiàn)象不明顯，可以直接進(jìn)行下一步操作，當(dāng)Neff＜Nthreshold時，說明有效粒子數(shù)較少，需要進(jìn)行重采樣，重采樣后，每個粒子的權(quán)值設(shè)為1/N。以上步驟結(jié)束后，輸出SOC的估計值步驟7，重復(fù)步驟4到步驟6。令k＝k+1，進(jìn)行下一時刻的循環(huán)計算。為了驗證二階RC模型的準(zhǔn)確性和擴(kuò)展卡爾曼粒子濾波的精度，對5000mAh的鋰離子電池進(jìn)行充電實驗。將電池中的電量放完，在室溫條件下，每間隔15分鐘以1A的電流對電池進(jìn)行充電，充電電流波形如圖8所示。整個測試過程時長為2.7609×104s，采樣間隔為7.92s。本實驗中，設(shè)定粒子個數(shù)N＝50，有效粒子閾值Nthreshold＝30。如圖9所示，為端電壓的測量值與在線參數(shù)辨識估計得到的模型電壓值對比圖，可以發(fā)現(xiàn)在線參數(shù)辨識得到的電池模型具有很高的精度，可以很好的跟蹤端電壓值，為SOC的精確估算建立了基礎(chǔ)。本實驗采用了EKF和EKPF方法分別對SOC進(jìn)行預(yù)測對比，如圖10所示，為兩種方法的估算結(jié)果和實際SOC的對比圖。其中實際SOC是在采樣間隔為1s的情況下，根據(jù)SOC的定義計算得到，因為間隔時間短，因此與真實SOC值較為接近。通過圖10可以發(fā)現(xiàn)，EKPF預(yù)測得到的值更接近于實際值，尤其是在充電后期，相比較于EKF能更好的跟隨實際值。圖11為EKF和EKPF兩種方法預(yù)測得到的SOC的誤差值對比圖，可以發(fā)現(xiàn)，EKPF得到的SOC值誤差波動較小，且整體誤差小于EKF方法。通過計算可以得到EKF和EKPF的均方根誤差以及最大誤差，如表1所示：算法均方根誤差最大誤差EKF0.00540.0304EKPF0.00280.0183表1通過兩種算法的對比圖和誤差分析，不難發(fā)現(xiàn)，EKPF算法對噪聲的抑制效果更好，并且對SOC的估計精度更高，說明了EKPF算法在SOC估計上優(yōu)于EKF。當(dāng)前第1頁1 2 3