一种变参数模型平方根 UKF 锂离子电池SOC 估计方法

doi:10.12066/j.issn.1007-2861.2048

上海大学学报(自然科学版) ›› 2020, Vol. 26 ›› Issue (3): 413-424.doi: 10.12066/j.issn.1007-2861.2048

一种变参数模型平方根 UKF 锂离子电池SOC 估计方法

高文凯¹, 严利民¹(), 孙叠²

1. 上海大学微电子研究与开发中心, 上海 200444
2. 上海大学机电工程与自动化学院, 上海 200444

收稿日期:2018-03-24 出版日期:2020-06-30 发布日期:2020-07-07
通讯作者: 严利民 E-mail:yanlm@shu.edu.cn
基金资助:
国家自然科学基金资助项目(61674100)

A square root UKF with variable-parameter model for Li-ion batteries SOC estimation method

GAO Wenkai¹, YAN Limin¹(), SUN Die²

1. Microelectronic Research and Development Center, Shanghai University, Shanghai 200444, China
2. School of Mechatronic Engineering and Automation, Shanghai University, Shanghai 200444, China

Received:2018-03-24 Online:2020-06-30 Published:2020-07-07
Contact: YAN Limin E-mail:yanlm@shu.edu.cn

摘要/Abstract

摘要：

荷电状态(state of charge, SOC)估计是现代电池管理系统的一个重要方面. 扩展卡尔曼滤波(extended Kalman filter, EKF)等基于锂电池的戴维南等效模型的方法已被广泛用于 SOC 估计, 但其在雅可比矩阵的推导和线性化精度等方面存在不足. 提出了基于变参数模型的平方根无迹卡尔曼滤波(square root unscented Kalman filter, SRUKF)方法估算 SOC, 该方法不需要对非线性模型进行线性化, 同时平方根特性改善了状态协方差的数值性质. 变参数模型是在 2 阶戴维南等效模型的基础上令锂电池的各项参数随电量变化而得到的, 减小了因固定参数模型无法反映不同电量下参数变化造成的误差. 实验验证了该方法的有效性, 与现有的 SOC 估计方法 EKF、常规的 UKF 以及使用固定参数模型的估计结果进行了比较, 该方法的误差明显小于其他 3 种方法.

关键词: 锂离子电池, 荷电状态, 变参数模型, 平方根无迹卡尔曼滤波

Abstract:

The state of charge (SOC) estimation is an important aspect of modern battery management system. Methods based on Thevenin Equivalent model for Lithium Battery such as extended Kalman filter (EKF) have been widely used in SOC estimation. However, there are some limitations in the derivation of Jacobian matrix and linearization. In this paper, a square root unscented Kalman filter (SRUKF) based on variable-parameter model is proposed to estimate SOC, which does not need to linearize the nonlinear model. At the same time, the square root property improves the numerical properties of the state covariance. The variable-parameter model is based on the second order Thevenin model, which makes the parameters of the lithium battery change with the quantity of electricity and reduces the error caused by the fixed parameter model that cannot reflect the change of parameters under different electric quantity. The experiment results show that the proposed method is effective. Compared with the existing SOC estimation method, the EKF, UKF and the estimation results from the fixed-parameter model, the error of this method is obviously smaller than that of the other three methods.

Key words: Li-ion battery, state of charge, variable-parameter model, square root unscented Kalman filter (UKF)

中图分类号:

TM912

高文凯, 严利民, 孙叠. 一种变参数模型平方根 UKF 锂离子电池SOC 估计方法[J]. 上海大学学报(自然科学版), 2020, 26(3): 413-424.

GAO Wenkai, YAN Limin, SUN Die. A square root UKF with variable-parameter model for Li-ion batteries SOC estimation method[J]. Journal of Shanghai University（Natural Science Edition）, 2020, 26(3): 413-424.

图/表 14

图1

图2

图3

图4

表1

图5

图6

图7

图8

图9

表2

图10

图11

表3

参考文献 15

[1]	Waag W, Fleischer C, Sauer D U. Critical review of the methods for monitoring of lithium-ion batteries in electric and hybrid vehicles[J]. Journal of Power Sources, 2014,258:321-339.
[2]	Gholizadeh M, Salmasi F R. Estimation of state of charge, unknown nonlinearities, and state of health of a lithium-ion battery based on a comprehensive unobservable model[J]. IEEE Transactions on Industrial Electronics, 2014,61(3):1335-1344.
[3]	Wang W, Chung H S H, Zhang J. Near-real-time parameter estimation of an electrical battery model with multiple time constants and SOC-dependent capacitance[J]. IEEE Transactions on Power Electronics, 2014,29(11):5905-5920.
[4]	张永凯, 赵建平, 陶明超, 等. 基于库仑计法的锂电池电量检测[J]. 化工自动化及仪表, 2016(2):191-194.
[5]	潘贵财. 基于神经网络的电池组容量检测系统设计[D]. 大连: 大连理工大学, 2015.
[6]	孙冬, 陈息坤. 基于离散滑模观测器的锂电池荷电状态估计[J]. 中国电机工程学报, 2015(1):185-191.
[7]	刘振华, 陈国平, 朱强. 基于扩展卡尔曼滤波的锂电池 SOC 估计[J]. 农业装备与车辆工程, 2017,55(8):45-48.
[8]	李世光, 汪洋, 王建志, 等. 基于改进EKF算法的锂电池 SOC 预估研究[J]. 电子技术应用, 2017(9):87-89.
[9]	石刚, 赵伟, 刘珊珊. 基于无迹卡尔曼滤波估算电池 SOC[J]. 计算机应用, 2016,36(12):3492-3498.
[10]	姬祥, 宋亦诚, 张俊乾. 锂离子电池 Li$_x$C$_6$ 扩散性质的分子动力学模拟[J]. 上海大学学报(自然科学版), 2014,20(1):68-74.
[11]	邓磊, 王立欣, 葛腾飞, 等. 基于改进PNGV 模型的动力锂电池快速充电优化[J]. 电源学报, 2014(4):10-14.
[12]	Aung H, Low K S, Goh S T. State-of-charge estimation of lithium-ion battery using square root spherical unscented Kalman filter (Sqrt-UKFST) in nanosatellite[J]. IEEE Transactions on Power Electronics, 2015,30(9):4774-4783.
[13]	费亚龙, 谢长君, 汤泽波, 等. 基于平方根无迹卡尔曼滤波的锂电池状态估计[J]. 中国电机工程学报, 2017,37(15):4514-4520.
[14]	寿学琦. FSEC电动赛车锂离子动力电池状态估计及均衡控制[D]. 哈尔滨: 哈尔滨工业大学, 2016.
[15]	何俊儒, 王洪诚, 杨欣荣, 等. 平方根无迹卡尔曼滤波作球面变换的 SOC 估计[J]. 电源技术, 2018(1):114-118.

一种变参数模型平方根 UKF 锂离子电池SOC 估计方法

A square root UKF with variable-parameter model for Li-ion batteries SOC estimation method

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 14

参考文献 15

相关文章 7

编辑推荐

Metrics

本文评价

[1]	罗志刚, 李琦, 陈大勇, 黄守双, 胡张军, 陈志文. MnO₂@ZnO/C 复合材料的制备及电化学性能[J]. 上海大学学报(自然科学版), 2020, 26(1): 132-142.
[2]	郜子明, 董敬余, 陈大勇, 黄守双, 胡张军, 陈志文. 金属有机骨架材料 ZnCo$_{\textbf{2}}$O$_{\textbf{4}}$/ZnO 中空纳米盒的制备及其电化学性能[J]. 上海大学学报(自然科学版), 2019, 25(6): 950-956.
[3]	苗纯杰, 胡志翔, 任兰兰, 郜子明, 董敬余, 李琦, 罗志刚, 陈志文. 镍掺杂SnO₂纳米微球锂离子电池负极材料的制备及其性能[J]. 上海大学学报(自然科学版), 2016, 22(2): 239-244.
[4]	姬祥1, 宋亦诚2,3, 张俊乾2,3. 锂离子电池Li_xC₆ 扩散性质的分子动力学模拟[J]. 上海大学学报(自然科学版), 2014, 20(1): 68-74.
[5]	苏航1,2,陶城2,缪文泉3,程伶俐1,王勇1,焦正1. 锂离子电池能源材料研究进展[J]. 上海大学学报(自然科学版), 2011, 17(4): 555-561.
[6]	吴冯丹顾燕王勇. 锂电池负极材料石墨片的简单制备及其性能[J]. 上海大学学报(自然科学版), 2010, 16(5): 471-475.
[7]	李智华张青春刘振. 蓄电池剩余电量的模糊预测[J]. 上海大学学报(自然科学版), 2009, 15(4): 364-368.