考虑环境温度影响的超级电容SOC加权融合估计方法

doi:10.19562/j.chinasae.qcgc.2023.04.011

摘要/Abstract

摘要：

超级电容荷电状态（SOC）的准确估计，直接决定了电动汽车的起动、爬升和加速性能，是电动汽车混合储能系统最重要的任务之一。为此，本文中提出了一种基于模糊熵加权融合的超级电容SOC估计方法。首先，利用粒子群算法辨识了-10、10、25和40 ℃下的戴维南模型参数，并且采用最近邻点法建立了其与温度之间的映射关系。然后，利用模糊熵设计了基于3种典型卡尔曼滤波的SOC加权融合估计方法。最后，选择自适应加权平均以及残差归一化加权融合的SOC估计方法用于进一步评估该方法的性能表征。结果表明，基于模糊熵加权融合的超级电容SOC估计方法能够提高超级电容SOC估计精度，尤其在高温环境（40 ℃）下提升效果更为显著。

关键词: 超级电容, 荷电状态, 变温模型, 卡尔曼滤波, 融合估计

Abstract:

Accurate estimation of the state of charge （SOC） of supercapacitors plays an important role in electric vehicle hybrid energy storage system， which directly determines the starting， climbing and accelerating performance of electric vehicles. Therefore， this paper proposes a supercapacitor SOC estimation method based on fuzzy entropy weighted fusion. Firstly， the Thevenin model parameters are identified by using the particle swarm algorithm under -10， 10， 25 and 40 ℃， and the nearest neighbor method is adopted to establish the mapping relation between the parameters and temperatures. Then， the fuzzy entropy is utilized to design a SOC weighted fusion estimation method based on three typical Kalman filters. Finally， the SOC estimation method of adaptive weighted averaging and residual normalized weighted fusion is selected to further evaluate the performance of the proposed method in this paper. The results show that supercapacitor SOC estimation method based on fuzzy entropy weighted fusion can improve the supercapacitor SOC estimation accuracy， especially in high ambient temperature environment （40 ℃） .

Key words: supercapacitor, state of charge, variable temperature model, Kalman filter, fusion estimation

王春,唐滔,张永志. 考虑环境温度影响的超级电容SOC加权融合估计方法[J]. 汽车工程, 2023, 45(4): 627-636.

Chun Wang,Tao Tang,Yongzhi Zhang. A Supercapacitor SOC Estimation Method Based on Weighted Fusion Considering Ambient Temperature Variation[J]. Automotive Engineering, 2023, 45(4): 627-636.

图/表 10

图1

表1

图2

表2

图3

图4

图5

图6

图7

表3

参考文献 28

1	来鑫，李云飞，郑岳久，等．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.
	LAI X， LI Y F， ZHENG Y J. et al. 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.
2	WANG Z， FENG G， ZHEN D， et al. A review on online state of charge and state of health estimation for lithium-ion batteries in electric vehicles［J］. Energy Reports， 2021， 7： 5141-5161.
3	LI Z， HUANG J， LIAW B Y， et al. On state-of-charge determination for lithium-ion batteries［J］. Journal of Power Sources， 2017， 348： 281-301.
4	QAYS M O， BUSWING Y， HOSSAIN M L， et al. Recent progress and future trends on the state of charge estimation methods to improve battery-storage efficiency： a review［J］. CSEE Journal of Power and Energy Systems， 2020， 8（1）： 105-114.
5	XIONG R， CAO J， YU Q， et al. Critical review on the battery state of charge estimation methods for electric vehicles［J］. IEEE Access， 2017， 6： 1832-1843.
6	HOW D N T， HANNAN M A， LIPU M S H， et al. State of charge estimation for lithium-ion batteries using model-based and data-driven methods： a review［J］. IEEE Access， 2019， 7： 136116-136136.
7	熊瑞．动力电池管理系统核心算法（第2版）［M］．北京：机械工业出版社，2021.
8	ZHANG Z， JIANG L， ZHANG L， et al. State-of-charge estimation of lithium-ion battery pack by using an adaptive extended Kalman filter for electric vehicles［J］. Journal of Energy Storage， 2021， 37： 102457.
9	刘兴涛，李坤，武骥，等. 基于EKF-SVM算法的动力电池SOC估计［J］. 汽车工程，2020，42（11）：1522-1528，1544.
	LIU X T， LI K， WU J， el al. State of charge estimation for traction battery based on EKF-SVM algorithm［J］. Automotive Engineering， 2020， 42（11）： 1522-1528，1544.
10	SHU X， LI G， SHEN J， et al. An adaptive multi-state estimation algorithm for lithium-ion batteries incorporating temperature compensation［J］. Energy， 2020， 207： 118262.
11	LI J， YE M， GAO K， et al. A novel battery state estimation model based on unscented Kalman filter［J］. Ionics， 2021， 27（6）： 2673-2683.
12	TIAN Y， XIA B， SUN W， et al. A modified model based state of charge estimation of power lithium-ion batteries using unscented Kalman filter［J］. Journal of Power Sources， 2014， 270： 619-626.
13	LI W， LUO M， TAN Y， et al. Online parameters identification and state of charge estimation for lithium-ion battery using adaptive cubature Kalman filter［J］. World Electric Vehicle Journal， 2021， 12（3）： 123.
14	谢长君，费亚龙，曾春年，等．基于无迹粒子滤波的车载锂离子电池状态估计［J］．电工技术学报，2018，33（17）：3958-3964.
	XIE C J， FEI Y L， ZENG C N， et al. State-of-charge estimation of lithium-ion battery using unscented particle filter in vehicle［J］. Transactions of China Electrotechnical Society， 2018， 33（17）： 3958-3964.
15	LI L， HU M， XU Y， et al. State of charge estimation for lithium-ion power battery based on H-infinity filter algorithm［J］. Applied Sciences， 2020， 10（18）： 6371.
16	MA Y， ZHU J， LI X， et al. State of charge and state of health estimation based on dual nonlinear adaptive observer and hysteresis model of lithium-ion battery［J］. Journal of Renewable and Sustainable Energy， 2021， 13（4）： 044702.
17	XIONG R， LI L， YU Q， et al. A set membership theory based parameter and state of charge co-estimation method for all-climate batteries［J］. Journal of Cleaner Production， 2020， 249： 119380.
18	LIN C， MU H， XIONG R， et al. A novel multi-model probability battery state of charge estimation approach for electric vehicles using H-infinity algorithm［J］. Applied Energy， 2016， 166： 76-83.
19	LIN C， MU H， XIONG R， et al. Multi-model probabilities based state fusion estimation method of lithium-ion battery for electric vehicles： state-of-energy［J］. Applied Energy， 2017， 194： 560-568.
20	XIONG R， WANG J， SHEN W， et al. Co-estimation of state of charge and capacity for lithium-ion batteries with multi-stage model fusion method［J］. Engineering， 2021， 7（10）： 1469-1482.
21	LI Y， WANG C， GONG J. A multi-model probability SOC fusion estimation approach using an improved adaptive unscented Kalman filter technique［J］. Energy， 2017， 141： 1402-1415.
22	田野，宋凯．考虑电池特性的多模型Kalman滤波SOC估计［J］．汽车安全与节能学报，2018，9（2）：223-230.
	TIAN Y， SONG K. Multi-model adaptive Kalman filtering SOC estimation considering battery characteristics［J］. Journal of Automotive Safety and Energy， 2018， 9（2）： 223-230.
23	HUANG B， MA Y， WANG C， et al. A multi-model probability based two-layer fusion modeling approach of supercapacitor for electric vehicles［J］. Energies， 2021， 14（15）： 4644.
24	FU S， LIU W， LUO W， et al. State of charge estimation of lithium-ion phosphate battery based on weighted multi-innovation cubature Kalman filter［J］. Journal of Energy Storage， 2022， 50： 104175.
25	王榘，熊瑞，穆浩．温度和老化意识融合驱动的电动车辆锂离子动力电池电量和容量协同估计［J］．电工技术学报，2020，35（23）：4980-4987.
	WANG J， XIONG R， MU H. Co-estimation of lithium-ion battery state-of-charge and capacity through the temperature and aging awareness model for electric vehicles［J］. Transactions of China Electrotechnical Society， 2020， 35（23）： 4980-4987.
26	THIRUVONASUNDARI D， DEEPA K. Electric vehicle battery modelling methods based on state of charge–review［J］. J. Green Eng， 2020， 10（1）： 24-61.
27	王晶晶，王刚，王睿．基于模糊熵的多传感器加权融合算法［J］．传感器与微系统，2016，35（7）：109-112.
	WANG J J， WANG G， WANG R. Multi-sensor weighted fusion algorithm based on fuzzy entropy［J］. Transducer and Microsystem Technologies， 2016， 35（7）： 109-112.
28	陈鹏年，李丽敏，温宗周，等．基于自适应加权平均多传感器的泥石流灾害预报模型［J］．自动化与仪器仪表，2021，262（8）：14-17，22.
	CHEN P N， LI L M， WEN Z Z， et al. Based on adaptive weighted average multi-sensor debris flow prediction model［J］. Automation and Instrumentation， 2021， 262（8）： 14-17，22.

系数	关于温度的多项式
a₀（T）	4.95×10^-1+2.50×10^-4T+5.20×10^-5T²-2.14×10^-6T³
a₁（T）	2.60+1.11×10^-3T-1.38×10^-4T²+3.09×10^-6T³
a₂（T）	-1.03+3.40×10^-3T+9.83×10^-5T²-1.58×10^-6T³
a₃（T）	1.17-6.31×10^-3T-5.59×10^-6T²
a₄（T）	-0.80+3.31×10^-3T
a₅（T）	0.25

温度/℃	SOC估计方法	MAX/%	MAE/%	RMSE/%
-10	EKF	0.821	0.353	0.387
	UKF	1.154	0.330	0.375
	AEKF	0.777	0.353	0.388
	FEWF	0.731	0.327	0.364
	AWF	0.729	0.330	0.366
	RNWF	0.731	0.329	0.365
10	EKF	0.625	0.221	0.259
	UKF	1.335	0.206	0.264
	AEKF	0.615	0.219	0.258
	FEWF	0.696	0.205	0.242
	AWF	0.682	0.207	0.243
	RNWF	0.689	0.206	0.243
25	EKF	0.982	0.344	0.440
	UKF	2.081	0.376	0.477
	AEKF	1.041	0.344	0.438
	FEWF	0.942	0.337	0.413
	AWF	0.944	0.327	0.408
	RNWF	0.943	0.331	0.410
40	EKF	1.441	0.770	0.884
	UKF	3.232	0.659	0.843
	AEKF	1.603	0.782	0.896
	FEWF	1.642	0.613	0.723
	AWF	1.575	0.672	0.776
	RNWF	1.709	0.646	0.755

[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]	邓斌, 李维汉, 吴迪, 张冰战, 赵韩. 基于KFESO的四轮主动转向积分滑模控制[J]. 汽车工程, 2024, 46(1): 100-108.
[3]	李勇滔,孙晨旭,郑伟光,许恩永,李育方,王善超. 基于毫米波雷达与视觉融合的碰撞预警[J]. 汽车工程, 2023, 45(9): 1666-1676.
[4]	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.
[5]	吴骁, 史文库, 陈志勇. 基于交互式多模型卡尔曼滤波的主动悬架控制[J]. 汽车工程, 2023, 45(7): 1200-1211.
[6]	孙晓强, 王玉麟, 胡伟伟, 蔡英凤, 陈龙, Wong Pak Kin. 基于轮胎分段仿射辨识模型的车辆行驶状态估计策略研究[J]. 汽车工程, 2023, 45(7): 1212-1221.
[7]	浦震峰, 唐亮, 上官文斌, 王伟玮, 蒋开洪. 基于多传感器信息的汽车低速车速估计方法[J]. 汽车工程, 2023, 45(7): 1235-1243.
[8]	陈建华,徐中明,张志飞. 基于轴距预瞄的非匀速工况车辆悬架状态估计[J]. 汽车工程, 2023, 45(6): 1040-1049.
[9]	张新荣,王鑫,宫新乐,黄晋,黄丹,王鹏兴. 面向智能车辆的路面附着系数分段识别方法[J]. 汽车工程, 2023, 45(10): 1923-1932.
[10]	盛树轩,荆崇波,蒋朝阳. 视觉与单路侧单元辅助的车辆定位方法[J]. 汽车工程, 2022, 44(7): 1009-1017.
[11]	邓泽武,胡钊政,周哲,刘裕林,彭超. 融合激光雷达与双层地图模型的智能车定位[J]. 汽车工程, 2022, 44(7): 1018-1026.
[12]	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.
[13]	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.
[14]	刘浪,张志飞,鲁红伟,徐中明. 基于增广卡尔曼滤波并考虑车辆加速度的路面不平度识别[J]. 汽车工程, 2022, 44(2): 247-255.
[15]	夏秋,陈特,陈龙,徐兴,蔡英凤. 基于冗余信息融合的车辆质心侧偏角估计方法[J]. 汽车工程, 2022, 44(2): 280-289.