基于SOC⁃OCV优化曲线与EKF的锂离子电池荷电状态全局估计

doi:10.19562/j.chinasae.qcgc.2021.01.003

摘要/Abstract

摘要：

SOC?OCV曲线是锂离子电池状态估计的基础。针对传统HPPC测试法在非测试点不能描述电池非线性特性和小电流恒流放电法得到的OCV曲线精度不足等问题，提出一种基于粒子群优化算法的OCV曲线优化方法。该方法将小电流恒流放电得到的OCV曲线进行平移，以平移曲线在测试点与HPPC测试得到的OCV值之间的误差和最小为优化目标，对OCV曲线进行优化。然后，以优化OCV曲线为基础对2阶RC模型的模型参数进行辨识和模型端电压估计。结果表明：与HPPC法相比，基于优化OCV曲线的模型精度具有更高的全局精度，在低SOC区域的模型精度提高了一倍。最后，基于优化的OCV曲线和辨识的模型参数，设计扩展卡尔曼滤波算法对SOC进行全SOC区域估计。试验结果表明，基于优化OCV曲线和扩展卡尔曼滤波算法的SOC估计误差在全SOC区域上都能保持在2%以内。

关键词: 锂离子电池, 2阶RC模型, SOC?OCV曲线优化, SOC估计, 扩展卡尔曼滤波

Abstract:

The SOC?OCV curve is the basis of the state estimation for lithium?ion battery. To solve the problems of failure of the traditional HPPC test method to describe the nonlinear characteristics of the battery at non?test points and the low accuracy of the OCV curve by the small?constant?current discharge method， an OCV curve optimization method based on the particle swarm optimization algorithm is proposed. In this method， the OCV curve by the small?constant?current discharge method is translated， and the OCV curve is optimized by minimizing the sum of error between the translation curve at the test point and the OCV value obtained by HPPC test. Then， the model parameters of the second?order RC model are identified and the model terminal voltage is estimated based on the optimized OCV curve. The experimental results show that the overall model accuracy based on the optimized OCV curve is higher than that based on HPPC， and the former is twice the accuracy of the latter in the low SOC region. Finally， based on the optimized OCV curve and identified model parameters， an EKF algorithm is designed to estimate the SOC in the whole SOC region. The test results show that the SOC estimation error based on the optimized OCV curve and EKF algorithm can keep within 2% over the whole SOC region.

Key words: lithium?ion battery, second?order RC model, SOC?OCV curve optimization, SOC estimation, extended Kalman filter

来鑫,李云飞,郑岳久,王晶晶,孙涛,周龙. 基于SOC⁃OCV优化曲线与EKF的锂离子电池荷电状态全局估计[J]. 汽车工程, 2021, 43(1): 19-26.

Xin Lai,Yunfei Li,Yuejiu Zheng,Jingjing Wang,Tao Zhou Long Sun. An Overall Estimation of State⁃of⁃Charge Based on SOC⁃OCV Optimization Curve and EKF for Lithium⁃ion Battery[J]. Automotive Engineering, 2021, 43(1): 19-26.

图/表 14

图 1

表1

图 2

图 3

图 4

图 5

表2

图 6

表3

参数辨识结果"

SOC/%	$R 0_c h a / m Ω$	$R 0_d c h / m Ω$	$R 1 / m Ω$	$R 2 / m Ω$	$τ 1$	$τ 2$	RMSE/mV
100	1.245 0	1.337 6	1.7×10^-7	1.146 7	0.001 1	42.750 0	1.309 5
90	1.211 1	1.326 5	0.929 1	0.810 7	943.500 0	41.002 0	1.908 8
80	1.213 9	1.323 3	1.056 8	1.027 5	912.760 0	45.375 0	1.679 8
70	1.262 0	1.303 4	1.345 7	1.552 8	62.213 0	0.001 4	1.034 6
60	1.326 2	1.238 6	1.679 0	4.9×10^-6	74.322 0	799.700 0	3.473 0
50	1.196 1	1.282 1	0.848 5	0.936 0	41.082 0	0.001 2	1.140 0
40	1.215 2	1.293 0	0.883 2	1.647 3	46.919 0	0.001 9	1.346 0
30	1.281 9	1.244 1	0.558 2	1.204 5	34.330 0	214.340 0	1.618 8
20	1.290 7	1.389 6	1.054 3	1.770 7	49.662 0	0.001 2	1.122 3
10	1.444 5	1.574 5	8.258 5	0.664 1	0.001 2	14.902 0	3.585 7
0	0.500 0	3.000 0	1.720 0	11.407 3	1.924 0	106.660 0	50.431 0

表3

图 7

图 8

图 9

表4

EKF算法的迭代方程[8]"

定义
$A ? k = ? f (x k, u k) ? x k x k = x ? k +$ ， $C ? k = ? g (x k, u k) ? x k x k = x ? k -$
初始化：
当k=0时，设定
$x ? 0 + = E [x 0]$
$P 0 + = E [(x - x ? 0 +) (x - x ? 0 +) T]$
迭代计算：
当k=1,2,…
状态向量更新： $x ? k - = f (x ? k - 1 +, u k - 1)$
误差协方差矩阵更新： $P k - = A ? k - 1 P k - 1 + A ? k - 1 T + Σ w$
计算卡尔曼增益： $L k = P k - C ? k T [C ? k P k - C ? k T + Σ v] - 1$
状态向量测量更新： $x ? k + = x ? k - + L k [y k - g (x ? k -, u k)]$
误差协方差矩阵测量更新： $P k + = (I - L k C ? k) P k -$

表4

图 10

参考文献 15

1	LU L， HAN X， LI J， et al. A review on the key issues for lithium⁃ion battery management in electric vehicles［J］. Journal of Power Sources， 2013， 226：272-288.
2	闫金定. 锂离子电池发展现状及其前景分析［J］. 航空学报， 2014， 35（10）：2767–2775.
	YANG J D. Development status and prospect analysis of lithium⁃ion battery［J］. Journal of Aeronautics， 2014， 35（10）：2767-2775.
3	NEJAD S， GLADWIN D T， STONE D A. A systematic review of lumped⁃parameter equivalent circuit models for real⁃time estimation of lithium⁃ion battery states［J］. Journal of Power Sources， 2016， 316：183-196.
4	SUN F C， XIONG R， HE H W. Estimation of state⁃of⁃charge and state⁃of⁃power capability of lithium⁃ion battery considering varying health conditions［J］. Journal of Power Sources， 2014， 259：166-176.
5	LIU Z T， LIU X L， XIONG R， et al. Model⁃based state of charge and peak power capability joint estimation of lithium⁃ion battery in plug⁃in hybrid electric vehicles［J］. Journal of Power Sources， 2013， 229：159-169.
6	SKYLLAS-KAZACOS M， LIM T M， SOONG B H， et al. An adaptive model for vanadium redox flow battery and its application for online peak power estimation［J］. Journal of Power Sources， 2017， 344：195-207.
7	XIONG R， HU X， EGARDT B. Model⁃based dynamic power assessment of lithium⁃ion batteries considering different operating conditions［J］. IEEE Transactions on Industrial Informatics， 2014， 10（3）：1948-1959.
8	PLETT G L. Extended Kalman filtering for battery management systems of LiPB⁃based HEV battery packs［J］. Journal of Power Sources， 2004， 134（2）：252-261.
9	HU X S， PENG H， LI S B. A comparative study of equivalent circuit models for Li⁃ion batteries［J］. Journal of Power Sources， 2012， 198：359-367.
10	IdAho National Laboratory. Battery test manual for plug⁃in hybrid electric vehicles［R］. 2010.
11	王杰，李慧慧，彭金柱. 一种拟随机初始化模拟退火粒子群算法［J］. 郑州大学学报（理学版）， 2016， 48（3）：75-81.
	WANG J， LI H H， PENG J Z. A quasi random initialization simulated annealing particle swarm optimization algorithm［J］. Journal of Zhengzhou University （SCIENCE EDITION）， 2016， 48 （3）： 75-81.
12	HU X， SUN F， ZOU Y. Estimation of state of charge of a lithium⁃ion battery pack for electric vehicles using an adaptive Luenberger observer［J］. Energies， 2010， 3（9）：1586-1603.
13	KIM I S. The novel state of charge estimation method for lithium battery using sliding mode observer［J］. Journal of Power Sources， 2006， 163（1）：584-590.
14	DAI H， WEI X， SUN Z， et al. Online cell SOC estimation of Li⁃ion battery packs using a dual time⁃scale Kalman filtering for EV applications［J］. Applied Energy， 2012， 95：227-237.
15	YE M， GUO H， XIONG R， et al. A double⁃scale and adaptive particle filter⁃based online parameter and state of charge estimation method for lithium⁃ion batteries［J］. Energy， 2018， 144：789-799.

项目	参数值
标准容量/（A · h）	72.8
尺寸/mm³	342×102×11.5
质量/g	921
负极材料	NCM
正极材料	石墨
截止电压/V	4.2/2.5
开路电压/V	3.64
能量密度/(W·h·kg^-1)	287.6

[1]	张念忠,宋强,王冠峰,王明生. 车用永磁同步电机无电流传感器控制研究[J]. 汽车工程, 2024, 46(2): 281-289.
[2]	陈飞,孔祥栋,孙跃东,韩雪冰,卢兰光,郑岳久,欧阳明高. 锂离子电池制造工艺仿真技术进展[J]. 汽车工程, 2023, 45(9): 1516-1529.
[3]	胡明辉,朱广曜,刘长贺,唐国峰. 考虑迟滞特性的卡尔曼滤波和门控循环单元神经网络的锂离子电池SOC联合估计[J]. 汽车工程, 2023, 45(9): 1688-1701.
[4]	梁海强,何洪文,代康伟,庞博,王鹏. 融合经验老化模型和机理模型的电动汽车锂离子电池寿命预测方法研究[J]. 汽车工程, 2023, 45(5): 825-835.
[5]	廉玉波,凌和平,马晴婵,任强,贺斌. 电动汽车锂离子电池脉冲加热技术研究进展[J]. 汽车工程, 2023, 45(2): 169-174.
[6]	吕又付,罗卫明,陈荐,吴锡鸿,李传常. 分层优化测定锂离子电池比热容参数的实验研究[J]. 汽车工程, 2023, 45(2): 183-190.
[7]	张健豪,高兴奇,张莉. 基于容量增量曲线与充电容量差的电池组微短路诊断方法[J]. 汽车工程, 2023, 45(2): 191-198.
[8]	李贵敬,谷青锴,杨昊鑫,黄健齐,邸立明. PA/EG耦合风冷电池热管理系统轻量研究[J]. 汽车工程, 2023, 45(2): 209-218.
[9]	王萍,弓清瑞,程泽,张吉昂. 基于AUKF的锂离子电池SOC估计方法[J]. 汽车工程, 2022, 44(7): 1080-1088.
[10]	彭宇明,袁明晓,敬卓鑫,张永林,黄港. 汇流排产热影响下的电池模组冷却系统改进设计[J]. 汽车工程, 2022, 44(6): 859-867.
[11]	毕贵红,谢旭,蔡子龙,骆钊,陈臣鹏,赵鑫. 动态条件下基于深度学习的锂电池容量估计[J]. 汽车工程, 2022, 44(6): 868-878.
[12]	马彦,李佳怡,马乾,陈明超. 基于迭代动态规划的动力电池组热管理优化策略[J]. 汽车工程, 2022, 44(5): 709-721.
[13]	刘首彤,黄沛丰,白中浩. 锂离子电池机械滥用失效机理及仿真模型研究进展[J]. 汽车工程, 2022, 44(4): 465-475.
[14]	孙涛,郑侠,郑岳久,卢宇芳,匡柯,韩雪冰. 基于电化学热耦合模型的锂离子电池快充控制[J]. 汽车工程, 2022, 44(4): 495-504.
[15]	孙金磊,邹鑫,顾浩天,崔凯,朱金大. 基于FFRLS-EKF联合算法的锂离子电池荷电状态估计方法[J]. 汽车工程, 2022, 44(4): 505-513.