《电子技术应用》
您所在的位置:首页 > 电源技术 > 设计应用 > 基于改进EKF算法的锂电池SOC预估研究
基于改进EKF算法的锂电池SOC预估研究
2017年电子技术应用第9期
李世光,汪 洋,王建志,高正中,李 莹
山东科技大学 电气与自动化工程学院,山东 青岛266590
摘要: 电池荷电状态(SOC)是描述电池性能的重要指标之一。针对磷酸铁锂电池(LiFePQ4)的特性,选用了能够较真实地反应电池内部状态的PNGV电路模型,提出了改进模型的方法。采用扩展卡尔曼滤波算法(EKF),说明了扩展卡尔曼滤波估算荷电状态的原理并将内阻R0看作状态变量进行同时预估更新,改进形成新的卡尔曼滤波算法。在仿真时对充电电流加入了噪声模拟实测数据。结果表明,该方法能够适应电池特性的动态变化,保证较高的SOC估算精度,减小误差,提高实用性。
中图分类号: TN86;TM912.9
文献标识码: A
DOI:10.16157/j.issn.0258-7998.171403
中文引用格式: 李世光,汪洋,王建志,等. 基于改进EKF算法的锂电池SOC预估研究[J].电子技术应用,2017,43(9):87-89,97.
英文引用格式: Li Shiguang,Wang Yang,Wang Jianzhi,et al. Research on SOC estimation of lithium battery based on improved EKF algorithm[J].Application of Electronic Technique,2017,43(9):87-89,97.
Research on SOC estimation of lithium battery based on improved EKF algorithm
Li Shiguang,Wang Yang,Wang Jianzhi,Gao Zhengzhong,Li Ying
College of Electrical and Automation Engineering,Shandong University of Science and Technology,Qingdao 266590,China
Abstract: Battery charge status(SOC) is one of the important indicators that describe battery performance. Aiming at the characteristics of lithium iron phosphate(LiFePQ4), a PNGV circuit model which can react with the actual internal state of the battery was selected, and the improved method was proposed.The extended Kalman filter algorithm(EKF) is used to illustrate the principle of estimating the state of charge by extended Kalman filter and the internal resistance R0 as the state variable,the new Kalman filter is improved. In the simulation,the charging current is added in noise to simulate the measured data. The results show that the method can adapt to the dynamic changes of the battery characteristics, ensure the high SOC estimation accuracy, reduce the error and improve the practicality.
Key words : state of charge;improved PNGV model;new extended Kalman filter;lithium iron phosphate battery

0 引言

    随着社会的发展,能源危机问题逐渐显现,环境污染日益严重。磷酸铁锂电池具有比能高、安全性好、循环寿命长、污染低等优点,正逐步成为新的理想动力源[1-2],应用领域也非常广泛。电池的过充放现象会损害电池使用寿命,降低电池的实用性和安全性,因此需要对电池的荷电状态(State Of Charge,SOC)进行精确估算[2]。提高荷电状态估算精度要从两个方面入手:优化电池动态模型以及选用较为精确的算法。

    在电池模型和预估算法上,国内外目前已经获得了海量的研究成果,安时计量法、开路电压法[3]、放电电实验法和神经网络等都有局限性,神经网络输入变量的选择是否合适、变量数量是否恰当都直接影响模型的准确性和计算量,而且需要大量的参考数据进行训练,如果用于网络训练的数据不准确或者不完备,则对结果影响很大[4]

    本文基于PNGV电池模型[5-6],采用扩展卡尔曼滤波(EKF)的方法,并进行改进预测LiFePQ4电池的SOC值[7],验证该方法估计SOC值的准确性。

1 电池模型建立

    等效电池模型是电池状态估算的基础,其中的电路等效模型便于参数识别与仿真实现。考虑到模型与电池的匹配度和现实应用的实用性,本文选用PNGV模型,其精度较高。由于磷酸铁锂电池拥有2个极点,在模型上添加一个RC环节进行改进,使该模型更加符合电池的内部结构和动态变化情况,并且更精确。改进的等效电路模型如图1所示。

ck6-t1.gif

    模型中R0描述电池的欧姆内阻,E是理想电压源;Rp1、Rp2和Cp1、Cp2为电池RC个环节的内阻和电容,2个RC环节反映了电池内部的极化现象;IL为电池环路的电流,Uk为电池外电压。在室温情况下,根据电路模型及元件参数,建立模型关系式:

     ck6-gs1-2.gif

2 锂电池的SOC估算

2.1 状态模型

    根据SOC的定义,得出SOC的计算表达式[8]

ck6-gs3-4.gif

    根据改进的PNGV模型和SOC表达式可得式(5)的状态方程和式(6)的观测方程。wk、vk分别为过程噪声和观测噪声,是由系统传感器误差和建模不准确所导致的。

    计算得到电池模型的离散状态空间模型: 

     ck6-gs5-6.gif

2.2 卡尔曼滤波算法

    卡尔曼滤波是应用在线性系统中具有较好预估能力的算法,但其无法应用在在非线性系统中。针对此问题,发展了扩展卡尔曼滤波、无迹卡尔曼滤波等,其中扩展卡尔曼滤波适用范围较广、滤波效果理想。锂电池SOC预估是典型的非线性问题,扩展卡尔曼滤波是SOC估计中较为优化的方法[8]。定义卡尔曼滤波算法参数:

     ck6-gs7-14.gif

2.3 内阻的状态更新

    在电池充电过程中,内阻参数R0并非稳定不变的,而是有轻微的浮动,这会对SOC的预估造成不利的影响。加入内阻的状态更新会更好地反应电池内部的动态变化。

    状态方程:

     ck6-gs15-16.gif

其中,mk、nk分别表示过程噪声和观测噪声。结合2.2节的内容对内阻R0进行状态预估,与SOC卡尔曼预估同时进行,形成新的扩展卡尔曼滤波算法,优化内阻参数,提高预估能力,得到的新卡尔曼流程图如图2所示。

ck6-t2.gif

3 方法验证与分析

    验证改进后的算法对锂电池值SOC预估的准确性,使用改进PNGV模型,分别用EKF算法和新的EKF算法对锂电池进行SOC预估。本文选用标称容量为2 500 mAh的电池,通过MATLAB软件中的文件进行编程仿真实验。在室温情况下对电池进行1C恒流充电实验,电流加入幅值为40 mA的噪声,加入噪声的电流波形如图3所示。

ck6-t3-wsy.gif

    在恒流工况下,对SOC初始值为0.1的锂电池充电实验,表1表示的是实验参数值。基于EKF方法估计SOC曲线和误差曲线如图4和图5所示。

ck6-b1.gif

ck6-t4.gif

ck6-t5.gif

    由图4和图5可以看出初始时误差较小,但从1 200 s开始,误差逐渐增大,最高到达4.2%左右,而且还有比较明显的浮动。随着时间的延长,误差一直存在。

    图6和图7为基于新EKF的SOC估计曲线与误差曲线。可以看出误差明显较小,整体比较稳定,在1 800 s左右误差不断增大,但系统能自动调节将误差恢复到±1%以内。由于测量电压本身存在误差以及电池的内部机构特性等,误差的产生是不可避免的,因而要尽可能地降低误差。从仿真结果可以看出新EKF有较好的SOC预估能力。表2所表示的是不同方法对应的最高误差值。

ck6-t6.gif

ck6-t7.gif

ck6-b2.gif

4 结论

    本文采用了PNGV模型,改进了模型精度,以新扩展卡尔曼滤波算法为基础,对电流加入了噪声更加精确的模拟实际情况。针对改进后的PNGV模型做了相应的仿真实验研究,可以明显看出使用新卡尔曼滤波算法更加准确,误差明显降低,趋于稳定。结果表明,该方法对锂电池荷电状态(SOC)有较好的预估能力,采用更加精确的测量方法是下一步的研究工作。

参考文献

[1] 李槟,陈全世.混合动力电动汽车中电池特性的研究[J].汽车技术,1999(10):11-14.

[2] 李顶根,李竟成,李建林.电动汽车锂离子电池能量管理系统研究[J].仪器仪表学报,2007,28(8):1522-1527.

[3] POP V.Accuracy analysis of the state-of charge and remai-ning run-time determination for lithiumion batterie[J].Measurement,2009,42:1131-1138.

[4] 尹安东,张万兴,赵韩,等.基于神经网络的磷酸铁锂电池预测研究[J].电子测量与仪器学报,2011,25(5):433-437.

[5] 王铭,李建军,吴扦,等.锂离子电池模型研究进展[J].电源技术,2011,79(35):862-865.

[6] 张宾.电动汽车用磷酸铁锂离子电池的模型分析[J].电源技术,2009,33(5):417-421.

[7] 王沙沙,娄高峰,唐霞,等.基于扩展卡尔曼滤波在矿用可移动救生舱蓄电池状态估计[J].工矿自动化,2013,39(2):43-47.

[8] 高明煜,何志伟,徐杰.基于扩展卡尔曼神经网络算法估计电池SOC[J].电子技术应用,2011,37(11):161-167.



作者信息:

李世光,汪  洋,王建志,高正中,李  莹

(山东科技大学 电气与自动化工程学院,山东 青岛266590)