基于递阶辨识原理Hammerstein模型的锂电池SOC估计方法.pdfVIP

摘要

锂离子电池由于优异的性能和高能量密度等优点，在许多领域得到了广泛应

用。电池管理系统(BatteryManagementSystem,BMS)是锂电池更好发挥性能的关

键，其中荷电状态(StateofCharge,SOC)是研究电池管理系统的基础。然而SOC

不能通过测量直接得到，因此需要可靠进行SOC估计的方法。本文主要研究了

基于Hammerstein模型的有限脉冲响应(FiniteImpulseResponse,FIR)系统、受控

自回归(ControlledAutoRegressive,CAR)系统、受控自回归滑动平均(Controlled

AutoRegressiveMovingAverage,CARMA)系统的锂电池SOC估计方法，本文的

主要工作内容包括以下几个方面：

1.为了采集不同工况下的锂电池放电数据，搭建了锂电池充放电平台，通

过该充放电平台对锂电池在城市道路循环工况(UrbanDynamometerDriving

Schedule,UDDS)和LA92测试驾驶工况(LA92DynamometerDrivingSchedule，

LA92)下进行放电测试，采集了电池端电压和电流数据。

2.利用双输入单输出模块化Hammerstein-FIR系统构建锂电池SOC与电池

电压和电流之间的映射模型。根据递阶辨识原理，将所研究的Hammerstein-FIR

模型重塑为两个子模型：一个是关于非线性模块参数的回归模型，一个是关于线

性模块参数的回归模型。采用递阶梯度算法和递阶最小二乘算法对

Hammerstein-FIR系统分解的两个子模型进行参数优化，从而实现模型对锂电池

SOC的估计。

3.考虑锂电池SOC的动态特性，利用双输入单输出模块化

Hammerstein-CAR系统构建锂电池SOC与电池电压和电流之间的映射模型。根

据递阶辨识原理，将所研究的Hammerstein-CAR模型重塑为两个子模型。采用

具有遗忘因子的递阶梯度算法和递阶最小二乘算法对Hammerstein-CAR模型的

双线性参数系统进行参数优化，从而实现模型对锂电池SOC的精确估计。

4.考虑有色噪声，利用双输入单输出模块化Hammerstein-CARMA系统构

建锂电池SOC与电池电压和电流之间的映射模型。根据递阶辨识思想，将

Hammerstein-CARMA型重塑为所需参数最少的双线性参数系统，采用具有遗忘

因子的递阶梯度算法和递阶最小二乘算法对Hammerstein-CARMA模型进行参

数优化，从而实现模型对锂电池SOC的精确估计。

最后，针对以上三种Hammerstein模型进行MATLAB仿真实验。实验结果

表明所提出方法的有效性。

关键词：荷电状态；Hammerstein模型；递阶梯度算法；递阶最小二乘算法

Abstract

Lithium-ionbatterieshavebeenwidelyusedinmanyfieldsduetotheir

advantagessuchasexcellentperformanceandhighenergydensity.Thebattery

managementsystem(BMS)isthekeytothebetterperformanceoflithiumbatteries,

andthestateofcharge(SOC)isthebasisforthestudyofbatterymanagement

systems.However,SOCcannotbeobtaineddirectlyfrommeasurements,soareliable

methodofSOCestimationisrequired.Inthispaper,thefiniteimpulseresponse(FIR)

system,thecontrolledautoregressive(CAR)syste