基于FFRLS-EKF联合算法的锂离子电池荷电状态估计方法

doi:10.19562/j.chinasae.qcgc.2022.04.006

摘要/Abstract

摘要：

针对现有基于电池恒定参数模型的SOC估计方法忽略了工况和SOC对电池模型参数的影响而导致SOC估计误差偏大的问题，本文提出一种将带有遗忘因子递推最小二乘算法与扩展卡尔曼滤波算法相结合的联合SOC估计方法。该方法先利用FFRLS算法在线辨识电池等效电路模型参数并实时修正电池模型，再利用EKF算法和实时修正的电池模型估计电池SOC。实验结果表明，本文所提的SOC估计方法能有效减小电池模型参数变化所带来的SOC估计误差。在脉冲放电、脉冲充电和动态应力测试实验中，最终电池SOC估计的最大误差分别为1.01%、0.87%和1.59%。

关键词: SOC估计, 参数辨识, 递推最小二乘算法, 扩展卡尔曼滤波

Abstract:

In view of the problem of a bit too large error of battery SOC estimation due to the existing SOC estimation method based on the battery model with constant parameters ignores the effects of working conditions and battery model parameters， a SOC joint-estimation method for lithium-ion batteries combining the forgetting factor least squares algorithm （FFRLS） and the extended Kalman filter （EKF） algorithm is proposed in this paper. The method utilizes the FFRLS algorithm to online identify the parameters of battery equivalent circuit model and correct the battery model in real-time first. Then， the EKF algorithm and real-time corrected battery model are used to estimate battery SOC. The experimental results show that the SOC estimation method proposed can effectively reduce the SOC estimation error caused by the variation of battery model parameters. In the experiments of pulse discharging test， pulse charging test and dynamic stress test， the final maximum errors of SOC estimation are 1.01%， 0.87% and 1.59%， respectively.

Key words: SOC estimation, parameter identification, RLS, EKF

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.

Jinlei Sun,Xin Zou,Haotian Gu,Kai Cui,Jinda Zhu. State of Charge Estimation for Lithium-ion Battery Based on FFRLS-EKF Joint Algorithm[J]. Automotive Engineering, 2022, 44(4): 505-513.

图/表 11

图1

图2

表1

RLSCE转换过程和电路参数解析式"

电路频域方程	$U b s = R 0 I b s + U 1 s + U O C (s) (1 + τ 1 s) U 1 s = R 1 I b s ?????????????????$
连续传递函数	$U s I b s = R 0 + R 1 1 + τ 1 s$
脉冲响应不变法	$1 s + a ? → 1 z - e - a T s$
离散传递函数	$U (z) I b (z) = a 2 + a 3 z - 1 1 - a 1 z - 1$
差分方程	$U (k)$ = $a 1 U (k - 1)$ + $a 2 I b k + a 3 I b k - 1$
RLSCE	$y k = h (k) T θ ??????????????????????????????????????????? h (k) = U k - 1, I b k, I b k - 1 T θ = a 1, a 2, a 3 T ????????????????????????????????????????$
待辨识参数	$a 1 = e - T s τ 1 ?????????? a 2 = R 0 + 1 C 1 a 3 = - R 0 e - T s τ 1$
电路参数解析式	$R 0 = - a 3 a 1 ????????? C 1 = 1 a 2 - R 0 ?? R 1 = - T s C 1 l n ? a 1$

表1

图3

表2

图4

表3

3组测试实验的端电压AEmax、REmax和RMSE"

测试实验	$A E m a x$ /mV	$R E m a x$ /%	RMSE/mV
脉冲放电实验	88.628	2.77	1.631
脉冲充电实验	19.971	0.58	0.765
DST实验	106.367	3.23	2.429

表3

图5

图6

表4

表5

3组测试实验SOC估计误差"

测试实验	初始误差	全时间尺度 $A E m a x$	收敛后 $A E m a x$
脉冲放电	5.00%	6.00%	1.01%
脉冲充电	5.00%	4.99%	0.87%
DST	10.00%	11.00%	1.59%

表5

参考文献 18

1	郭向伟. 电动汽车电池荷电状态估计及均衡技术研究［D］. 广州：华南理工大学， 2016.
	GUO X W. Study on state of charge estimation and equalization technique of electric vehicle battery［D］. Guangzhou： South China University of Technology， 2016.
2	黄煜，朱立宗．电池SOC估算方法的研究现状［J］．时代汽车，2021（8）：99-100．
	HUANG Y， ZHU L Z. Research status of battery SOC estimation methods［J］. Auto Time， 2021（8）： 99-100.
3	林成涛，王军平，陈全世．电动汽车SOC估计方法原理与应用［J］．电池，2004（5）：376-378．
	LIN C T， WANG J P， CHEN Q S. Methods for state of charge estimation of EV batteries and their application［J］. Battery Bimonthly， 2004（5）： 376-378.
4	黄文华，韩晓东，陈全世，等．电动汽车SOC估计算法与电池管理系统的研究［J］．汽车工程，2007，29（3）：198-202.
	HUANG W H， HAN X D， CHEN Q S， et al. A study on SOC estimation algorithm and battery management system for electric vehicle［J］. Automotive Engineering， 2007， 29（3）： 198-202.
5	OUYANG Q， MA R， WU Z X. Adaptive square-root unscented Kalman filter based state of charge estimation for lithium-ion batteries with model parameter online identification［J］. Energies， 2020， 13（18）.
6	刘艳莉，戴胜，程泽，等. 基于有限差分扩展卡尔曼滤波的锂离子电池SOC估计［J］．电工技术学报，2014，29（1）：221-228．
	LIU Y L， DAI S， CHENG Z， et al. Estimation of state of charge of Lithium-ion battery based on finite difference extended Kalman Filter［J］. Transactions of China Electrotechnical Society， 2014， 29（1）： 221-228.
7	刘艳. 锂离子电池SOC参数估算的研究［D］. 天津：天津大学， 2014.
	LIU Y. Research on the SOC parameter estimation of Li-ion battery［D］. Tianjin： Tianjin University， 2014.
8	王志福．基于BCRLS_AEKF的锂离子电池荷电状态估计及硬件在环验证［J］．北京理工大学学报，2020， 40（3）：275-281.
	WANG Z F. State of charge estimation and hardware-in-loop verification of Lithium-ion battery based on BCRLS-AEKF［J］. Transactions of Beijing Institute of Technology， 2020， 40（3）： 275-281.
9	杜帮华，张宇，吴铁洲，等. 梯次利用锂离子电池等效模型参数在线辨识方法［J］. 储能科学与技术， 2021， 10（1）： 342-348.
	DU B H， ZHANG Y， WU T Z， et al. An online identification method for equivalent model parameters of aging lithium-ion batteries［J］. Energy Storage Science and Technology， 2021， 10（1）： 342-348.
10	PEDRO F， PAUL P， PEDRO B. On-line parameter estimation of a lithium-ion battery/supercapacitor storage system using filtering sliding mode differentiators［J］. Journal of Energy Storage， 2020， 32： 101889.
11	FENG F， LU R G， WEI G， et al. Identification and analysis of model parameters used for LiFePO4 cells series battery pack at various ambient temperature［J］. IET Electrical Systems in Transportation， 2016， 6（2）： 50-55.
12	DANIJEL P， KRZNAR M， KOMLJENOVIC A， et al. Dual EKF-based state and parameter estimator for a LiFePO4 battery cell［J］. Journal of Power Electronics， 2017， 17（2）： 398-410.
13	陈媛，何怡刚，李忠. 电池变温度模型似然函数参数辨识及SOC估计［J］. 电子测量与仪器学报， 2019， 33（12）： 1-9.
	CHEN Y， HE Y G， LI Z. Battery variable temperature model parameter identification by likelihood estimation and SOC estimation［J］. Journal of Electronic Measurement and Instrumentation， 2019， 33（12）： 1-9.
14	BAIRWA B L， PAREEK K， HAMPANNAVAR S K．Investigation on lithium ion battery equivalent circuit models for dynamic load profiles［J］. Energy Storage， 2021， 3（2）．
15	陈息坤，孙冬．锂离子电池建模及其参数辨识方法研究［J］．中国电机工程学报， 2016， 36（22）： 6254-6261．
	CHEN X K， SUN D. Research on lithium-ion battery modeling and model parameter identification methods［J］. Proceedings of the CSEE， 2016， 36（22）： 6254-6261.
16	熊瑞，何洪文，丁银．HEV用锂离子电池动态模型参数辨识方法研究［J］. 电力电子技术， 2011， 45（4）：100-102.
	XIONG R， HE H W， DING Y. Study on identification approach of dynamic model parameters for lithium-ion batteries used in hybrid electric vehicle［J］. Power Electronics， 2011， 45（4）： 100-102.
17	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
	FEI Y L， XIE C J， TANG Z B， et al. State of charge estimation based on square root unscented Kalman filter algorithm for Li-ion batteries［J］. Proceeding of the CSEE， 2017， 37（15）： 4514-4520.
18	熊瑞．基于数据模型融合的电动车辆动力电池组状态估计研究［D］．北京：北京理工大学，2014．
	XIONG R. Estimation of battery pack state for electric vehicles using model-data fusion approach［D］. Beijing： Beijing Institute of Technology， 2014.

参数	数值
额定容量	2.2 A·h
标称电压	3.6 V
上限截止电压	4.2 V
下限截止电压	2.75 V
最大充电电流	1C（2.2 A）
最大放电电流	5C（11 A）

测试实验	EKF	AEKF	FFRLS-EKF
脉冲放电	1.77%	1.68%	0.36%
脉冲充电	2.15%	1.80%	0.69%
DST	1.60%	2.64%	0.23%

[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]	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.
[3]	王俊峰,陈吉清,兰凤崇,刘青山,曾常菁. 燃料电池模型多尺度参数双代价函数的全局灵敏度分析[J]. 汽车工程, 2023, 45(3): 393-401.
[4]	林程,易江,田雨. 电动客车AMT换挡执行机构状态估计及参数辨识[J]. 汽车工程, 2022, 44(8): 1237-1250.
[5]	曲俊龙,史文库,陈志勇. 汽车传动系扭振激励辨识与减振措施[J]. 汽车工程, 2022, 44(2): 264-271.
[6]	查云飞,吕小龙,刘鑫烨,马芳武. 基于二分法的车辆状态参数融合估计[J]. 汽车工程, 2022, 44(12): 1910-1918.
[7]	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.
[8]	黄冉军, 周维, 王旭. 一种改进的动力电池阻抗参数和荷电状态分层在线联合估计方法^*[J]. 汽车工程, 2020, 42(8): 1000-1007.
[9]	刘兴涛, 李坤, 武骥, 何耀, 刘新天. 基于EKF-SVM算法的动力电池SOC估计^*[J]. 汽车工程, 2020, 42(11): 1522-1528.
[10]	朱冰, 张培兴, 汪震, 赵健, 吴坚, 冯瑶. 半挂汽车列车主动气压制动系统建模与控制^*[J]. 汽车工程, 2019, 41(9): 1050-1055.
[11]	耿国庆，韦斌源，江浩斌，华一丁，吴镇. 基于NA-EKF的分布式驱动电动汽车行驶状态估计研究[J]. 汽车工程, 2018, 40(7): 770-.
[12]	罗勇, 祁朋伟, 阚英哲, 李沛然, 刘莉, 崔环宇. 基于模拟退火算法的锂电池模型参数辨识^*[J]. 汽车工程, 2018, 40(12): 1418-1425.