《电子技术应用》

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 作者:李世光,汪 洋,王建志,高正中,李 莹
2017/10/12 10:46:00

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。

    关键词: 荷电状态;改进PNGV模型新扩展卡尔曼滤波;磷酸铁锂电池

    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.

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.

继续阅读>>