一种基于多模型融合和在线参数辨识的锂离子电池SOC估算方法

本发明涉及电动汽车能源系统工程领域，具体是一种基于多模型融合和在线参数辨识的锂离子电池soc估算方法。

背景技术：

1、锂离子电池是电动汽车能源系统的核心组件，其荷电状态(soc)的准确估算对于提高电动车的运行效率和安全性至关重要。然而，准确估算soc面临着多项挑战，主要包括：

2、安时积分法：简单但会累积初始误差，忽略自放电和效率变化。

3、开路电压法(ocv)：精度较高，但需电池静置，不适用于动态条件。

4、基于模型的方法：如等效电路模型和电化学模型，依赖于模型的准确性和参数的实时更新。

5、数据驱动方法：如神经网络，需要大量数据训练，泛化能力和解释性是挑战。

6、现有方法各有局限，尤其在面对电池老化、温度变化及动态工作条件时，估算的准确性和鲁棒性难以兼得。这些挑战催生了对一种能够实时适应电池状态变化、同时在动态条件下保持高精度和鲁棒性soc估算方法的需求。

技术实现思路

1、本发明旨在提出一种结合多模型融合和在线参数辨识技术的新型soc估算方法，以解决现有技术的限制，实现更准确、可靠的soc估算。

2、具体地，该方法包含以下步骤：

3、步骤1：初始化电池模型

4、选择合适的电池模型作为基础，如2rc等效电路模型，其中包括电池的开路电压(ocv)、内阻等参数。初始时，可以使用电池规格书提供的标准参数或通过预实验获得的参数值作为起点。

5、步骤1.1选择电池模型

6、本发明选用的是2rc等效电路模型(二阶rc网络)作为锂离子电池的基础模型。这一模型被广泛认为能够较好地模拟锂离子电池在不同充放电状态下的动态响应。模型包括一个开路电压源(ocv)，代表电池在无负载时的电压与soc的关系；一个串联电阻(r0)，模拟电池内部的欧姆损失；两个rc网络，分别由r1,c1,r2,c2组成，用于模拟电池的极化效应和电荷传递过程。

7、步骤1.2模拟电池模型数学表达

8、电池的电压v(t)可通过如下方程模拟：

9、v(t)＝ocv(soc)-i(t)r0-vc1(t)-vc2(t)

10、式中：

11、i(t)为电池的充放电电流，vc1(t)和vc2(t)分别为两个rc网络导致的电压降。这两个电压降可以进一步表示为：

12、

13、

14、开路电压(ocv)与soc的关系通常通过实验测定，并通过查表或数学拟合的方式在模型中实现。

15、步骤1.31.3参数初始化

16、模型参数r0,r1,c1,r2,c2的初始值通常根据电池制造商提供的数据或通过预实验获得。对于ocv与soc的关系，可通过静态充放电实验，在不同soc水平下测定电池的开路电压，进而建立ocv与soc的映射关系。

17、步骤1.4模型验证与微调

18、利用初步建立的模型，在标准测试条件下进行模拟，使用实际测量的电池数据进行对比，评估模型的准确性；根据验证结果，对模型参数进行微调，确保模型能够更准确地反映电池的实际行为和特性。

19、步骤2：在线辨识电池参数

20、利用递推最小二乘法(rls)或其他适合的在线辨识方法，根据电池的实时工作数据(如电流、电压、温度)更新电池模型参数。这一步骤是为了确保电池模型能够实时反映电池的实际状态，特别是在电池老化或环境条件发生变化时。

21、步骤2.1：选择在线参数辨识方法

22、考虑到实时性和准确性的需求，本发明选用递推最小二乘法(rls)作为在线参数辨识的主要技术。rls方法能够有效处理时间序列数据，及时更新模型参数，以反映电池状态的变化。

23、步骤2.2：建立参数辨识模型

24、基于2rc等效电路模型，将电池的行为描述为参数向量θ＝[r0,r1,c1,r2,c2]t的函数，通过测量电压v(t)、电流i(t)以及考虑ocv-soc关系，构建参数辨识的目标函数；利用电池的工作数据(电压、电流和温度)，以及预定的电池模型，建立关于模型参数的目标函数。目标函数旨在最小化模型预测的电压与实际测量电压之间的误差，具体如下：

25、

26、式中：

27、j(θ)表示目标函数，θ＝[r0,r1,c1,r2,c2]t表示模型参数向量，vmeas(t)是在时间t的实际测量电压，vmodel(t,θ)是模型在参数θ下，对时间t的电压预测值，t是考虑的总时间段内的测量点数。

28、步骤2.3执行在线参数辨识

29、递推最小二乘法的核心是参数的递推更新公式，可表示为：

30、θ(t+1)＝θ(t)+k(t)[vmeas(t)-vmodel(t,θ(t))]

31、式中：

32、vmeas(t)是在时间t的实测电压，vmodel(t,θ(t))是基于当前参数θ(t)的模型预测电压；k(t)是根据误差协方差矩阵计算的增益，反映了新信息的权重，确保模型能够快速适应电池状态的变化，增益的计算基于误差协方差的递推更新，平衡了模型的适应性和稳定性。

33、步骤2.4：模型参数的实时更新

34、在每个测量时间点，根据递推最小二乘法更新电池模型的参数，以确保模型准确地反映当前电池的状态；在电池状态显著变化(如温度变化、快速充放电等)时，通过调整递推算法的配置(如忘记因子)来适应这些变化，保证参数更新的准确性和实时性。

35、步骤3：实施多种滤波模型进行soc估算

36、分别采用扩展卡尔曼滤波(ekf)、无迹卡尔曼滤波(ukf)和容积卡尔曼滤波(ckf)等算法，基于更新后的电池模型对soc进行独立估算。每种算法都利用其特有的数学机制来处理电池数据，以得到soc的估算值。

37、步骤3.1：ekf模型构建与估算

38、ekf的核心公式：

39、状态预测：

40、误差协方差预测：

41、卡尔曼增益计算：

42、状态更新：

43、误差协方差更新：pk＝(i-kkhk)pk|k-1

44、其中：

45、函数f为电池状态的非线性转移函数，用于从前一状态预测当前状态；函数h非线性测量函数，将状态变量转换为测量空间；在时间点k基于时间点k-1的信息预测的状态；pk|k-1为预测误差协方差，表示预测状态的不确定性；fk-1为状态转移矩阵的雅可比，用于线性化非线性系统；hk测量矩阵的雅可比，用于线性化非线性测量；qk-1过程噪声协方差矩阵，反映模型预测的不确定性；rk测量噪声协方差矩阵，反映测量的不确定性；kk为卡尔曼增益，用于更新预测状态。

46、步骤3.2：ukf模型构建与估算

47、ukf核心公式及步骤：

48、sigma点选择和传播：计算sigma点集合xk-1和权重w(m)，w(c)；将sigma点通过系统模型传播得到预测sigma点集合xk|k-1

49、状态预测:

50、协方差预测:

51、式中：

52、sigma点：根据当前状态估计和协方差生成的点集，用于捕捉状态的概率分布；w(m)，w(c)为sigma点的权重，用于计算预测状态和协方差；为基于sigma点的状态预测；为基于sigma点的协方差预测。

53、根据测量模型计算测量预测和测量协方差，以及交叉协方差,计算卡尔曼增益，更新状态估计和协方差。

54、步骤3.3：ckf模型构建与估算

55、容积卡尔曼滤波(ckf)提供了处理非线性系统估算问题的另一种方法，它通过均匀选取状态空间中的点(容积点)，来近似状态的非线性传播。ckf特别适用于当系统的非线性程度较高时，能够提供更稳定和准确的估算结果。

56、ckf的核心步骤：

57、容积点的生成：对于状态向量及其协方差矩阵生成一组容积点xk-1，这些点分布于状态空间，以最大化地覆盖可能的状态变化。

58、状态预测：通过系统模型将每个容积点从时间k-1传播到时间k,生成预测容积点集合计算状态预测为所有预测容积点的加权平均。

59、协方差预测：根据预测容积点及其与状态预测的偏差，计算协方差预测

60、状态更新：生成反映测量模型的容积点，并基于实际测量值yk,更新状态估计和协方差pk。

61、步骤4：融合多种算法的估算结果

62、通过加权平均等方法融合扩展卡尔曼滤波(ekf)、无迹卡尔曼滤波(ukf)和容积卡尔曼滤波(ckf)的估算结果，以得到最终的soc估值。

63、步骤4.1：计算各算法的权重

64、权重计算公式如下：

65、

66、式中：

67、wi为第i种滤波模型的权重，∈i为其估算误差(基于残差平方和)，n为滤波模型的总数。

68、步骤4.2：融合估算结果

69、最终soc的融合估算值socfinal的计算公式：

70、

71、式中：

72、wi为第i种滤波模型的权重；soci为第i种滤波模型的估算值。

73、根据得到的融合估算值socfinal作为电池的当前soc，为电动汽车的能源管理系统提供参考数据，以优化电池使用和维护策略。

74、步骤5：反馈调整

75、为确保soc估算方法长期准确和可靠，本发明引入了一个反馈调整机制，该机制能够根据soc估算的实际表现对模型进行细节调整和优化。

76、步骤5.1：收集和计算估算误差

77、获取参考真实值soctrue：使用标准充放电测试，在控制条件下对电池进行充放电循环。通过集成电池放电电流与时间，并考虑电池的名义容量，计算得到的soc作为真实值。例如，如果电池在测试期间放电100ah，且其名义容量为200ah，则在完全放电时，计算得到的soctrue为50％。

78、误差计算：e＝soctrue-socfinal，表示soc的估算值与真实值之间的差异。

79、步骤5.2：分析误差趋势

80、对收集到的误差数据e进行时间序列分析，包括滑动平均、趋势分析等，以识别误差随时间的变化模式。

81、步骤5.3：基于误差趋势进行算法和模型调整

82、忘记因子调整：如果误差分析显示某一时期的误差突然增加，可能是由于电池性能变化(如老化)。此时，可以调整递推最小二乘法中的忘记因子，让模型更重视近期的数据，以快速适应电池状态的变化。

83、模型参数更新：根据误差趋势，特别是如果误差与某些外部因素(如温度)显著相关，更新电池模型中相应的参数。例如，增加模型中温度对电阻r0的依赖项，以调整温度变化对soc估算的影响。

84、步骤5.4：实施调整并验证效果

85、执行调整：根据上述分析和决策，更新soc估算系统中的模型参数和算法配置。

86、实验验证：通过重复步骤5.1中的实验方法，比较更新后的系统对新一批测试数据的估算结果socfinal与soctrue之间的误差。

87、长期跟踪：在实际应用中继续监测估算精度，确保调整带来的改进是持续和稳定的。

88、本发明的有益之处在于：

89、1.提高估算准确性：通过结合扩展卡尔曼滤波(ekf)、无迹卡尔曼滤波(ukf)和容积卡尔曼滤波(ckf)等多种滤波模型，本发明利用各算法在处理电池模型非线性方面的优势，综合不同算法的估算结果，提高了soc估算的准确性。

90、2.增强鲁棒性：在线参数辨识技术使得本发明能够实时调整电池模型参数，以适应电池性能变化和外部环境的影响，从而在各种工作条件下保持估算的鲁棒性。

91、3.动态权重分配：本发明采用的动态权重分配机制，根据各滤波模型的近期估算性能自动调整其在最终soc估算中的权重，进一步优化了估算结果的准确性和稳定性。

92、4.系统性能的持续优化：通过反馈调整机制，本发明不仅在初始阶段提供高准确度的soc估算，还能够根据长期运行中收集的数据持续优化估算性能，适应电池老化等长期变化。

93、5.广泛的应用潜力：虽然本发明针对的是锂离子电池soc估算问题，但所采用的技术原理和方法对于其他类型的电池或能源存储系统同样适用，显示了广泛的应用潜力。