基于扩展kalman滤波的soc估算方法.docxVIP

基于扩展kalman滤波的soc估算方法 钠电池体积小，能量高。它是电动汽车的电池来源。为了合理使用电池，延长电动汽车的使用寿命，必须进行科学管理。电池的荷电状态(SOC)能反映电池的剩余容量状况,为整车控制器提供控制策略,因此荷电状态的准确估算已成为电池管理的重要环节。 但是,由于电池结构复杂,电池的荷电状态受放电电流、电池内部温度、自放电、老化等因素的影响,使得SOC的估算困难,目前SOC估算方法有:开路电压法、安时计量法、神经网络和卡尔曼滤波法。其中,国外V.Pop等人提出用EMF-SOC模型来估算SOC,相当于开路电压法,该方法用于电池静置足够长时间后进行估计,不能实时估计。清华大学的黄文华、韩晓东等人及中国科学院自动化研究所的石璞、董再励采用了卡尔曼滤波法来估算SOC,卡尔曼滤波法是一种最优化自回归数据处理算法,通过对状态变量进行实时的、最优估计,能够提高SOC的精度,但这要以准确的空间模型的建立为基础,以上等人在电池状态空间模型的建立中未考虑极化现象对电量的影响,从而在SOC的估算中会产生一定的误差。 本文就是利用Kalman算法,充分考虑极化现象同时对电压和SOC值本身的影响,建立了适合于Kalman滤波估计的锂离子动力电池的状态空间模型,对电池SOC进行闭环估计,并给出了试验结果。 1 极化现象及放电库仑效率 电池的荷电状态(SOC)之所以估算困难,是因为它受放电电流、电池内部温度、自放电、老化等多种因素的影响,其中除了自放电因素是因为制造电池的技术造成的以外,放电电流、电池内部温度、老化等因素都可以归结为电池极化现象的影响。 电池是将化学能转换为电能的装置,由具有活性物质的正负电极和具有良好离子导电性的电解质构成,电池的电流流动实际是电池内部正常的电荷传递和物质传递过程,在这种传递过程中就会产生电极电位偏离其平衡电位的现象,即极化现象。极化可分为欧姆极化和电极极化,欧姆极化是由电池连接各部分的电阻造成的,电流停止后会立即消失;电极极化又分为电化学极化和浓差极化,电化学极化由电极-电解质界面层中电荷传递过程受到阻滞,电极反应速度慢造成的;浓差极化电极-电解质界面层中传质过程迟缓,在电极表面形成浓度梯度造成的。这种极化现象特别是电极极化会使得电极周围聚集一定的没有用于电极反应的电荷,从而造成一定的电池能量损失。 极化现象会对电压和电量都产生影响,对电压会产生迟滞效应,在电量上则会表现为部分电量不能用于实际的充放电中而是会慢慢累积起来,他们的外在表现是放电结束后将电池静止一段时间,电池端电压及SOC值都会增加,充电结束后将电池静止一段时间,电池端电压及SOC值都会减小,这些都是由于电池停止工作后极化现象慢慢消失的结果。 因此在估算SOC时,必须考虑极化现象对电量产生的影响,否则会产生累积误差造成SOC估算不准确。 库仑效率η则是表现了极化现象对电量产生影响的参数,它反映了充电、放电的效率,充电或放电库仑效率的值会小于1,它主要受电流及温度大小的影响,其值一般随电流的增大而减小,随温度的增加而增加。 设在t+Δt(Δt0)时刻,其电流为I2,放电库仑效率为η2。在Δt的时间内电池放出的电量是:I2×Δt;而电池实际放出的电量是:I2×Δt/η2。因此电池内部累积电量为I2×Δt×(1-η2)/η2。若在t时刻,电流为I1,放电库仑效率为η1,且η1η2,即在Δt时间间隔内t+Δt时刻要比t时刻放出的电量多,也即是比t时刻在电池内部积累的电量少,那么在t+Δt时刻电池就会恢复少许电量,其值为I1×Δt×(1-η1)/η1-I1×Δt×(1-η2)/η2=I1×Δt×(η2-η1)/η1×η2。为此,在电池的充放电过程中就会出现一个动态变化的电量部分,放电时相同,只是要减少少许电量。 2 状态空间模型的比较 目前卡尔曼滤波估算SOC主要有联合模型、简单模型、0状态滞后、1状态滞后等几种模型,其主要区别在于建立的状态空间模型中状态方程中状态量的个数和测量方程表达式的不同,其中联合模型、简单模型没考虑极化现象对电压影响而引起的迟滞效应,0状态滞后、1状态滞后模型虽然考虑了电压的迟滞效应,但没有考虑极化现象对时刻变化的SOC值本身的影响,从而有待改进。 2.1 电池内阻和极化内阻 本文选用Thevenin模型,因为它能较好地体现电池的动态性能,同时阶数不高,减少了处理器的运算,易于工程实现。另外,此模型还能够准确地反映电池电动势与端电压的关系,从而使闭环估计有较高的精度。如图1所示:模型中E(t)描述电池电动势,与电池的SOC有固定的函数关系;R1描述电池的等效欧姆内阻;R2描述电池的极化内阻,它与电容C并联用于模拟电池充放电极化过程中表现出的动态特性。其中模型中的参数R0、R2、C均可以通过试验利用系统参数辨识的方法得到,