基于效电路模型的锂电池soc估算方法.docxVIP

基于效电路模型的锂电池soc估算方法 0 总结 1 等式中-李电池平衡模型 1.1 电池内固相过程中lavenin模型的改进 电池充电是一项复杂的非线性过程。为准确估计电池剩余电量, 建立合适的电池性能模型尤为重要。Thevenin等效电路模型具有良好的非线性, 能模拟电流突变时电池端电压的骤变和回弹特性 (即电化学极化现象) , 且Thevenin模型的阶数较少。为便于运算, 并联连接时间常数大的电阻-电容 (resistorcapacitance, RC) 网络可表示该电池的浓差极化现象, 用于模拟电压缓慢稳定的过程。但Thevenin模型在描述锂离子电池的极化特性方面表现不足。在Thevenin模型的基础上, 构建了改进Thevenin模型, 增加一阶RC环路, 使得两个RC环节能够以更好的精度来模仿电池的动态特性, 且不会过于复杂。二阶Thevenin等效电路模型如图1所示。 1.2 最小二乘法的r 递推最小二乘法进行参数辨识具有很高的精度及鲁棒性。本文采用递推最小二乘法, 对图1等效电路模型中的R 对其进行线性化处理后, 可得式 (5) 。其中, y (k) =U 式中:T为采样周期。 令θ=[k 式中:e (k) 为误差函数。 最小二乘递推公式如下: 1.3 uf-ekf算法 线性卡尔曼滤波主要针对线性系统中状态变量的预测与滤波, 但是如果出现非线性方程, 线性卡尔曼滤波便不适用。这便促使卡尔曼滤波得到进一步发展, 扩展卡尔曼滤波 (extended Kalman filter, EKF) 与UKF应运而生。其主要思想是将非线性状态方程进行线性近似, 再运用线性卡尔曼滤波框进行状态估计。结合前期基于EKF的SOC估算与基于UKF的SOC估算的试验结果如下。 (1) 相对UKF算法, EKF算法对初始状态要求较高, 当给定的初始值和真实初始值相差较大时, EKF收敛较慢或不收敛。 (2) 相比EKF算法, UKF算法在每次迭代过程中, 要进行两次矩阵分解, 并对多个Sigma点进行计算, 运算复杂度更大。 因此, EKF算法更适合实时在线SOC估计。综上所述, 提出UKF-EKF联合SOC估算。 状态方程为: 测量方程为: (1) UKF算法。 当k=0时, 设定初始状态变量x 预测状态变量的求取方程为: 计算误差协方差P 计算卡尔曼增益L 修正状态预测x 修正误差协方差P (2) EKF算法。 预测状态变量x 计算误差协方差P 计算卡尔曼增益L 修正状态预测x 修正误差协方差P 由以上分析可知, 利用UKF算法进行初始状态估算, 可解决收敛性问题;利用EKF算法实时在线估算, 可减小运算复杂度。 2 试验与分析 2.1 端电压与时间对应的计算步骤 本文通过混合脉冲功率性能 (hybrid pulse power characteristic, HPPC) 测试, 实现对图1中等效电路模型中电气参数的辨识。具体步骤如下: (1) 以1 C的电流充电至4.15 V, 再转4.15 V恒压充电至截止电流0.05 C, 此时电池处于充满电的状态, 静置5 min; (2) 以1 C放电10 s; (3) 静置40 s, 以1 C充电10 s; (4) 静置40 s, 以1 C恒流放电3 min; (5) 判断此刻电压是否大于3 V, 若是, 则回到步骤 (2) 。 经过若干个循环, 最终得到端电压与时间的关系曲线。HPPC放电试验端电压变化曲线如图2所示。 2.2 不同充电温度下放电电池电压变化 将7个航空锂电池单体串联, 分别以0.2、0.3、0.5、1、1.2的充放电倍率进行充放电试验。基于试验数据, 绘制充放电过程中电压在不同倍率下随SOC的变化曲线, 如图3所示。 由图3 (a) 可知, 在恒流充电条件下, 高倍率放电环境下充电电池平台区电压变化大。锂电池电压变化大致可分为以下2个阶段: (1) 充电初期, 电池电压上升较快; (2) 充电一定时间后, 电池电压上升变缓, 但仍呈上升趋势。由图3 (b) 可知, 高倍率环境下放电电池平台区电压变化大。但在0.3C时在放电初期出现电压急速下降情况。锂电池电压变化大致可分为以下3个阶段: (1) 放电初期, 电池电压下降较快; (2) 放电一定时间后, 电池电压降低速率相对平缓, 进入平台区; (3) 继续放电一定时间后, 电池电压下降速率变快且快于放电初期。 2.3 系统的soc仿真分析 为验证上述估算算法的可行性, 建立SOC估算模型, 将试验和恒流工况放电得到的数据代入模型中作为系统的输入, 进行仿真分析。SOC仿真试验结果如图4所示。本文建立的SOC估算模型能达到SOC估算的目的, 其误差低于0.05。 3 基于uf-ekf联合算法的电池soc在线估计