基于EKF的船舶动力锂电池剩余容量估算

合集下载

基于AEKF算法的动力电池SOC估计

基于AEKF算法的动力电池SOC估计动力电池SOC（State of Charge）估计是电动车领域中一个重要的问题。

准确地估计电池SOC可以帮助电动车的电池管理系统（BMS）对电池进行有效地充放电控制，提高电池的寿命和性能。

基于AEKF （Augmented Extended Kalman Filter）算法的SOC估计方法是目前较为常用和有效的一种方法。

本文将介绍AEKF算法的基本原理、实现步骤以及在电动车SOC估计中的应用。

首先，我们先介绍一下电动车电池SOC的估计问题。

SOC是电池已经充电的百分比，可以用来表示电池的剩余可用容量。

精确地估计电池SOC 可以有效地控制电池的充放电过程，提高电池的使用寿命和性能。

然而，由于电池的特性复杂以及环境因素的影响，准确地估计电池SOC是一个具有挑战性的问题。

AEKF算法是扩展卡尔曼滤波（EKF）算法的一种改进。

EKF算法是一种基于卡尔曼滤波的状态估计方法，可以用于非线性系统的估计。

AEKF 算法通过引入增广状态变量来解决EKF算法在非线性系统中的线性化误差问题。

在电动车SOC估计中，将电池SOC作为系统的状态变量，通过测量电池电压和电流，利用AEKF算法可以对电池SOC进行准确估计。

AEKF算法的实现步骤如下：1.系统建模：根据电池的特性和数学模型，建立电池SOC估计的数学模型。

常用的电池模型有电阻电容模型和双电容模型，根据实际情况选择适当的模型。

2.状态预测：利用电池SOC的数学模型，根据上一时刻的状态和系统输入，进行状态预测，得到估计电池SOC的先验估计值。

3.状态更新：根据测量的电池电压和电流，计算测量残差，并用先验估计值进行线性化。

然后，利用测量残差和线性化的模型更新估计电池SOC的值。

4.过程噪声和测量噪声协方差矩阵：根据电池的特性和实验数据，可以对过程噪声和测量噪声进行建模并估计其协方差矩阵。

5.重复步骤2至4，进行连续的状态预测和更新操作，得到连续更新的估计电池SOC值。

基于EKF算法的锂电池SOC估算策略

基于EKF算法的锂电池SOC估算策略崔耕韬，江卫华，涂炜(武汉工程大学电气信息学院,湖北武汉443000)摘要：在电池管理系统中，电池荷电状态(SOC)的准确估算具有重要的地位，其重要性不仅在于可以向使用者提示电池的剩余电量，更在于它是电池充放电管理和均衡控制管理的基础。

而SOC受许多因素的影响，如温度以及电流的大小、方向等，它的准确预测也较困难。

提出了一种用扩展卡尔曼滤波(EKF)算法估计锂电池SOC的方法，建立电池仿真模型，通过混合动力脉冲能力特性(HPPC)试验进行了参数辨识。

在恒流放电下模型的SOC估算误差约2.1%，说明该模型有效且易于应用。

关键词：锂电池；EKF算法；HPPC试验；SOC估算中图分类号：TN06；TM912文献标识码：A DOI:10.16157/j.issn.0258-7998.200607中文引用格式：崔耕韬,江卫华,涂炜.基于EKF算法的锂电池SOC估算策略[J].电子技术应用,2021,47(3)：36-39.英文弓I用格式：Cui Gengtao,Jiang Weihua,Tu Wei.SOC estimation of lithium battery based on extended Kalman filter algorithm[J]. Application of Electronic Technique,2021,47(3):36-39.SOC estimation of lithium battery based on extended Kalman filter algorithmCui Gengtao,Jiang Weihua,Tu Wei(School of Electrical Information,Wuhan Institute of Technology,Wuhan443000,China)Abstract:In the battery management system,the accurate estimation of State of Charge(SOC)has an important position,its importance is not only to the user prompt battery remaining power,more is that it is the basis of the battery charge and discharge management and balanced control management.And SOC is affected by many factors,such as temperature and current size, direction,etc, so it is difficult to predict it accurately.In this paper,an extended Kalman filter(EKF)algorithm is proposed to estimate the SOC of lithium battery.The battery model was established,and the parameter identification was carried out through the Hybrid Pulse Power Characteristic(HPPC)test.The SOC estimation error of the model is about 2.1%under constant discharge,it shows that the model is effective and easy to apply.Key words:the lithium battery；EKF algorithm；HPPC test；SOC estimation0引言自20世纪90年代以来,锂离子电池以其高能量密度和优良的充放电性能而受到人们的关注,它也从铅酸电池和镍镉电池中脱颖而出，成为大量应用于各种微型、小型电子产品和电动车中的储能装置。

基于改进EKF算法的锂电池SOC估算方法

基于改进EKF算法的锂电池SOC估算方法
陈清华;卢宇;何志杰
【期刊名称】《福建师范大学学报：自然科学版》
【年(卷),期】2018(34)6
【摘要】提出一种基于Thevenin改进模型的扩展卡尔曼滤波(Extended Karlman Filter,EKF)的SOC(State Of Charge)估算方法,设定不同SOC条件下利用脉冲响应测试法进行电路模型参数辨识,估算过程中采用查表法对电池放电不同阶段及不同倍率放电电流进行滤波增益修正.在Matlab/Simulink中搭建电池仿真模型,编程实现了SOC估算,验证了模型的有效性.实验结果表明,该方法在SOC的估算过程中能够保持很好的精度.
【总页数】7页(P34-39)
【关键词】锂电池SOC;扩展卡尔曼滤波算法;Thevenin模型;滤波增益修正
【作者】陈清华;卢宇;何志杰
【作者单位】福建师范大学协和学院;福建师范大学物理与能源学院
【正文语种】中文
【中图分类】TM912
【相关文献】
1.基于改进EKF算法的航空锂电池SOC估算研究 [J], 王玲玲;周洁敏;郑罡;朱悦铭
2.基于改进EKF算法的动力锂电池SOC估算技术研究 [J], 蒋聪; 吴斌; 王顺利; 熊鑫
3.基于改进EKF算法的锂电池SOC估算 [J], 刘成武; 邓青; 郭小斌
4.基于改进EKF算法变温度下的动力锂电池SOC估算 [J], 蒋聪; 王顺利; 李小霞; 熊鑫
5.基于EKF算法的锂电池SOC估算策略 [J], 崔耕韬;江卫华;涂炜
因版权原因，仅展示原文概要，查看原文内容请购买。

基于EKF的锂离子电池SOC估算的建模与仿真

基于EKF的锂离子电池SOC估算的建模与仿真一、本文概述随着电动车辆的普及和可再生能源的发展，锂离子电池作为其核心能量存储元件，其性能与安全性受到了广泛关注。

电池的状态估计，特别是荷电状态（SOC）的估算，对于电池管理系统（BMS）来说是至关重要的。

精确的SOC估算能够提供电池的健康状态、剩余可用能量以及预测电池性能等信息，从而指导电池的安全使用和有效管理。

扩展卡尔曼滤波（EKF）作为一种高效的非线性状态估计算法，已经被广泛应用于各种动态系统的状态估计中。

在锂离子电池SOC估算领域，EKF算法能够通过考虑电池的非线性特性和不确定性，提供更为准确的SOC估计值。

因此，研究基于EKF的锂离子电池SOC估算建模与仿真对于提高电池管理系统的性能和电池的安全性具有重要意义。

本文旨在研究基于EKF的锂离子电池SOC估算的建模与仿真。

我们将介绍锂离子电池的工作原理和特性，以及SOC估算的重要性和挑战。

然后，我们将详细阐述EKF算法的原理及其在锂离子电池SOC估算中的应用。

接着，我们将建立基于EKF的锂离子电池SOC估算模型，并通过仿真实验验证模型的有效性和准确性。

我们将对研究结果进行讨论，并展望未来的研究方向。

通过本文的研究，我们期望能够为锂离子电池SOC估算提供一种更为准确和可靠的方法，为电动车辆和可再生能源领域的发展做出贡献。

二、锂离子电池模型锂离子电池模型是锂离子电池状态估算的基础，它描述了电池内部电化学反应的动力学特性和能量状态。

在众多电池模型中，等效电路模型（Equivalent Circuit Model, ECM）因其简单性和实用性被广泛应用于电池管理系统中。

等效电路模型通过电阻、电容等元件来模拟电池的内部特性，其中最常见的模型是二阶RC网络模型。

二阶RC网络模型由一个欧姆内阻（R0）、两个并联的RC环节（R1-C1和R2-C2）以及一个开路电压源（OCV）组成。

欧姆内阻R0代表了电池内部电解质的电阻，它影响电流的瞬态响应。

基于ekf的电动车辆动力锂电池soc估算方法研究

图 1 锂电池 Thevenin 模型
UOCV 表示锂电池组的开路电压，RO 表示欧姆内阻， R O 表征电池的欧姆效应，R P 表示锂电池的极化电阻， CP 表示极化电容，RP、CP 并联电路表征电池极化效应， I 表示负载电流，这里规定充电方向为正，U L 表示电
基金项目：国家自然科学基金项目（61801407）；四川科技厅重点研发项目（2019YFG0427；2018GZ0390）。作者简介：那红军（1982- ），男，本科，工程师，研究方向：通信工程。通讯作者：王顺利 (1985- )，男，博士，研究方向：检测技术及应用、新能源测控。
为动力电池的可靠安全使用提供了理论基础。
关键词：动力锂电池；荷电状态估算；Thevenin 模型；EKF 算法；BBDST 工况
中图分类号：TM92
文献标识码：A
目前我国正在推动新能源汽车技术发展，全面推广先进纯电动车和混合动力车，电池是电动汽车的关键。现如今电动车辆可选择的电池有铅酸电池、镍镉电池、镍氢电池、燃料电池和锂电池等。几种电池比较，因锂电池具有体积小、工作电压高、重量轻、比能量大、循环寿命长、自放电率低、无记忆效应和无污染等一系列优点，其已成为电动车辆近期重点发展的动力电源 [1]。但锂电池的安全使用仍是需要面对的问题 [2]。动力锂电池的安全可靠使用需要准确的荷电状态（state of charge, SOC）估算。在国内外有大量科研工作人员对锂电池进行了研究。苏杰等 [3] 基于 P N G V 模型探索了钴酸锂电池的内阻特性。钱能等 [4] 对改进 P N G V 模型进行了研究。L a i X i n 等 [5] 比较了不同阶数的锂电池等效电路模型对荷电状态估算效果的影响。W a n g Shun-Li 等 [6] 优化了开路电压与 SOC 的关系，用于航空锂离子电池状态监测。

基于EKF的电动汽车用锂离子电池SOC估算方法研究

基于EKF的电动汽车用锂离子电池SOC估算方法研究一、本文概述随着全球能源危机和环境污染问题日益严重，电动汽车作为一种清洁、高效的交通方式，受到了越来越多的关注和追捧。

而锂离子电池作为电动汽车的核心动力源，其性能直接影响了电动汽车的续航里程、安全性能和使用寿命。

因此，准确估算锂离子电池的荷电状态（SOC，State of Charge）对于电动汽车的运行管理、能量优化和安全性控制具有重要意义。

本文旨在研究基于扩展卡尔曼滤波（EKF，Extended Kalman Filter）的电动汽车用锂离子电池SOC估算方法。

本文将对锂离子电池的工作原理、特性及其SOC估算的重要性进行概述。

介绍EKF的基本原理及其在锂离子电池SOC估算中的应用。

接着，详细阐述基于EKF的锂离子电池SOC估算方法的设计和实现过程，包括模型的建立、参数的确定、滤波算法的实现等。

通过实验验证该方法的有效性和准确性，并与传统的SOC估算方法进行比较分析。

本文的研究旨在提供一种更为准确、高效的电动汽车锂离子电池SOC估算方法，为电动汽车的能量管理、安全控制和续航里程优化提供有力支持。

也为锂离子电池在其他领域的应用提供有益的参考和借鉴。

二、锂离子电池SOC估算的重要性随着电动汽车的快速发展，锂离子电池作为其核心动力源，其性能和安全性的监测与管理变得日益重要。

在这其中，锂离子电池的荷电状态（State of Charge，简称SOC）是衡量电池剩余电量的关键指标，对于电池管理系统（Battery Management System，简称BMS）而言，准确估算SOC值具有极其重要的意义。

SOC估算有助于实现电池的能量管理。

电动汽车的能量管理策略通常需要根据电池的实时SOC值来调整车辆的工作状态，如调整车速、限制充电或放电速率等，以确保电池的能量能够在整个行驶过程中得到合理利用，避免出现过充或过放的情况，从而保护电池并延长其使用寿命。

SOC估算对于保障电动汽车的安全运行至关重要。

基于改进EKF的锂离子电池SOC估算

电池的荷电状态（ＳＯＣ）对于电动汽车能量管理、防止电池过充过放、提高电池使用寿命和对整车控制策略的制定具有一定的影响。估计电池ＳＯＣ的方法主要有：放电实验法、
越大。针对这种缺陷，有人提出在安时积分法的基础上用卡尔曼滤波估计电池的ＳＯＣ，因电池是一种强非线性系统，而有研究者了采用扩展卡尔曼滤波（ＥＫＦ）估计ＳＯＣ。ＥＫＦ估
数据训练网络。安时积分法是电动汽车ＳＯＣ估算最普遍的
在建立电池系统方程之前，首先需要确定电池等效电路
方法，但估算ＳＯＣ时由于未考虑电池内部极化效应和扩散效模型，再根据电池等效电路模型建立电池的系统方程。
应，且电流采集存在误差，第３期２０１８正６月
电
池
ＢＡＴｒＥＲＹＢＩＭ０ＮＴＨＬＹ
Ｖｏ１．４８．Ｎｏ．３Ｊｕｎ．，２０１８
ＤＯＩ：１０．１９５３５／ｊ．１００１—１５７９．２０１８．０３．０１２
基于改进ＥＫＦ的锂离子电池ＳＯＣ估算
杨阳，殷时蓉，张栋省
内阻，进而估算电池ＳＯＣ的方法。因精准地测量电池内阻较的ＥＫＦ估计ＳＯＣ，即迭代ＥＫＦ，以提高估计精度。
为困难，测量结果存在较大的误差。神经网络法是一种具有非线性特性的方法，需要选择合适的输入量并通过大量实验１锂离子电池系统方程建立
目前，典型的电池等效电路模型有Ｒｉｎｔ模型、Ｔｈｅｖｅｎｉｎ
作者简介：杨阳（１９９０一），男，四川人，重庆交通大学机电与车辆工程学院硕士生，研究方向：新能源汽车，本文联系人；殷时蓉（１９７４一），女，重庆人，重庆交通大学机电与车辆工程学院副教授，博士，研究方向：新能源汽车控制和信号处理；张栋省（１９５３一），男，台湾人，美国先进能源技术工程公司总经理，博士，研究方向：电动汽车电池管理系统及电驱动控制。

基于EKF的电动车辆动力锂电池SOC估算方法研究

基于EKF的电动车辆动力锂电池SOC估算方法研究作者：那红军王顺利蒋聪李建超来源：《海峡科技与产业》2019年第08期摘要：目前，國家正在大力推广纯电动汽车，准确的荷电状态（SOC）估算是动力锂电池可靠使用的关键性问题。

本文通过对三元锂电池进行混合动力脉冲能力特性（HPPC）实验，进行参数辨识，建立Thevenin等效电路模型以表征锂电池工作特性。

运用扩展卡尔曼滤波（EKF）算法对于荷电状态进行准确估算，在BBDST工况下验证了估算效果。

结果表明，在BBDST工况下运用EKF算法可以修正SOC估算初始误差，最大误差低于1.5%，全过程平均误差为0.37%，为动力电池的可靠安全使用提供了理论基础。

关键词：动力锂电池;荷电状态估算;Thevenin模型;EKF算法;BBDST工况中图分类号：TM92 ; ; ; ; ;文献标识码：A目前我国正在推动新能源汽车技术发展，全面推广先进纯电动车和混合动力车，电池是电动汽车的关键。

现如今电动车辆可选择的电池有铅酸电池、镍镉电池、镍氢电池、燃料电池和锂电池等。

几种电池比较，因锂电池具有体积小、工作电压高、重量轻、比能量大、循环寿命长、自放电率低、无记忆效应和无污染等一系列优点，其已成为电动车辆近期重点发展的动力电源[1]。

但锂电池的安全使用仍是需要面对的问题[2]。

动力锂电池的安全可靠使用需要准确的荷电状态（state of charge， SOC）估算。

在国内外有大量科研工作人员对锂电池进行了研究。

苏杰等[3]基于PNGV模型探索了钴酸锂电池的内阻特性。

钱能等[4]对改进PNGV模型进行了研究。

Lai Xin等[5]比较了不同阶数的锂电池等效电路模型对荷电状态估算效果的影响。

Wang Shun-Li等[6]优化了开路电压与SOC的关系，用于航空锂离子电池状态监测。

1 数学理论分析1.1 锂电池Thevenin模型常用锂电池等效模型主要有纯数学模型、电化学模型、电路模型。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

ｅｓｔｉｍａｔｅｄｔｈｅＳＯＣｅｓｔｉｍａｔｉｏｎｕｓｉｎｇｅｘｔｅｎｄｅｄＫａｌｍａｎｆｉｌｔｅｒ（ＥＫＦ）ｗｉｔｈｔｈｅｉｍｐｒｏｖｅｄＰＮＧＶ．Ａｆｔｅｒｔｈｅｅｘｐｅｒｉｍｅｎｔｓ
速，相比铅酸电池，具有充放电倍率大、比能量密度大、寿命长、安全性好、自放电系数低、无记忆效应、环保等优点，是
船舶锂电池储能系统（ＲＥＳＳ）的发展趋势。
应，电池的ｓ０Ｃ受温度、充放电倍率、电池老化程度和自放
ｃａｎ’ ｔｗｏｒｋｓａｓｂｅｔｔｅｒａｓｗｅｗａｎｔ．Ｔｏｓｏｌｖｅｔｈｉｓｐｒｏｂｌｅｍ，ｗｅｕｓｅｄＰＮＧＶｍｏｄｅｌａｎｄｉｄｅｎｔｉｆｉｅｄｉｔｓｐａｒａｍｅｔｅｒｓ，ａｎｄ
ＬｅｉＪｉｎＤｅｎｇＬｅｉＬｉＸｉａｏｑｉａｎＹａｏＣｈｕａｎ
（ＷｕｈａｎＳｅｃｏｎｄＳｈｉｐＤｅｓｉｇｎａｎｄＲｅｓｅａｒｃｈＩｎｓｔｉｔｕｔｅ，Ｗｕｈａｎ４３００６４，Ｃｈｉｎａ）
（ＥＫＦ）算法，测量锂电池电压及电流，综合进行ＳＯＣ的估算，经试验，ＳＯＣ估算精度相比传统算法得到了提高，并解决
了ＳＯＣ估计对初值的要求高的问题，由此证明了ＰＮＧＶ模型结合扩展卡尔曼滤波算法精确估计ＳＯＣ的可行性。关键词：动力锂电池；测量；ＥＫＦ算法；ｓ０Ｃ估计
电
子
测
量
技
术
第３９卷第１２期
２０１６年１２月
ＥＬＥＣＴＲＯＮＩＣＭＥＡＳＵＲＥＭＥＮＴＴＥＣＨＮＯＬＯＧＹ
基于ＥＫＦ的船舶动力锂电池剩余容量估算
雷
津邓磊李小谦姚川
４３０２０５；２．武汉第二船舶设计研究所武汉４３００６４）
算法存在计算复杂的问题，并对依赖于ＳＯＣ初始值精度，在运用中问题重重，难以保证船舶ＲＥＳＳ的安全、寿命和容
量利用率。为提高ＳＯＣ估算精度，对锂电池的等效电路ＰＮＧＶ模型进行试验及参数辨识，并结合拓展卡尔曼滤波
１引
言
式中：Ｃ为锂电池剩余的电量，ｃ为在标准放电工况下满电锂电池放电总电量，理想情况下等于锂电池的额定容量。锂电池的充放电时内部进行着一个非常复杂的化学反
锂电池作为常用的动力电池，在船舶储能领域发展迅
Ａｂｓｔｒａｃｔ：ＡｃｃｕｒａｔｅＳＯＣｅｓｔｉｍａｔｉｏｎｉｓｄｉｆｆｉｃｕｌｔｔＯｔｒａｄｉｔｉｏｎａｌａｌｇｏｒｉｔｈｍ，ＳＯｔｈａｔｔｈｅｂａｔｔｅｒｙｍａｎａｇｅｍｅｎｔｓｙｓｔｅｍ（ＢＭＳ）
ａｎｄｓｉｍｕｌａｔｉｏｎｓ，ｉｔ ’ Ｓｃｌｅａｒｔｈａｔｔｈｅｍｅｔｈｏｄｍｅｅｔｓｔｈｅｒｅｑｕｉｒｅｍｅｎｔｓ．
Ｋｅｙｗｏｒｄｓ：ｐｏｗｅｒＬｉ — ｉｏｎｂａｔｔｅｒｙ；ＰＮＧＶｍｏｄｅｌ；ｅｘｔｅｎｄｅｄｋａｌｍａｎｆｉｌｔｅｒ；ａｃｃｕｒａｔｅＳＯＣｅｓｔｉｍａｔｉｏｎ
（１．海军驻７１９所军事代表处武汉摘
要：在船舶锂电池储能系统（ＲＥＳＳ）应用中，准确估计剩余容量（ＳＯＣ）是储能系统安全充放电的基础，ＳＯＣ无法
直接测量，只能通过测量电池外电压电流，根据电池特性进行计算得到。目前，传统ＳＯＣ估计算法精度低，现流行的
电等因素的共同影响。目前ＳＯＣ估计的方法主要有］：安
锂电池荷电状态（ｓｔａｔｅｏｆｃｈａቤተ መጻሕፍቲ ባይዱｒｇｅ，Ｓ０Ｃ）即电池剩余容
中图分类号：ＴＰ８３０文献标识码：Ａ国家标准学科分类代码：５１０．４１３０
ＡｃｃｕｒａｔｅＳＯＣｅｓｔｉｍａｔｉｏｎｏｆｔｈｅｐｏｗｅｒＬｉ — ｉｏｎｂａｔｔｅｒｙｂａｓｅｄｏｎＥＫＦ