基于改进ekf算法的锂电池soc估算研究.docxVIP

基于改进ekf算法的锂电池soc估算研究 由于其能量高、自压低、循环寿命长、污染等优点，电动汽车电池已成为重要的能源。 目前应用最为广泛的等效电路模型有Thevenin模型、RC(resistor-capacitor）模型、PNGV模型及复合模型等 本文基于改进PNGV电池模型 1 电池模型的建立 综合考虑模型的精确度和实用性，本文选用PNGV电池模型，并在模型上添加一个RC环节进行改进，用来表征电池的极化效应，使模型更加符合电池的内部结构和动态变化，并且具有更高的精度 图1中U 根据电池电路模型和元件参数，建立模型关系式 2 基于pppv模型的绿色电池估计 2.1 充电时，q为动力电池 根据SOC定义，结合安时积分法，得出SOC的计算表达式 式中，η为充放电效率（充电时，η=1),Q为电池容量。 将式（3）离散化，得 考虑到电池温度和放电电流对SOC估算的影响，引入电池容量补偿系数和放电效率模型，将式（4）修正为 式中，η 选取电池SOC、改进PNGV模型极化电压U 式中，ω 2.2 电池温度与温度自校系数的拟合 电池温度是影响电池性能的重要因素。温度较高时，电池活性增加，能量的利用率较高，但电池长时间在高温环境下工作会导致电池内部晶格被破坏，寿命明显缩短；温度较低时，电池的活性明显降低，能量利用率下降，实际可用容量减少。因此，为准确估算SOC，需要通过试验得到不同温度下的容量补偿系数 式中，Q 实验数据如表1所示。 由于所测温度点为离散点，不能为除所测点以外的其他温度提供容量校正值。因此，需将上表中补偿系数与对应温度进行曲线拟合，为其他温度下的容量校正提供支撑。利用Matlab的Polyfit函数进行曲线拟合，得到相应的函数关系。电池温度与容量补偿系数的5次拟合关系函数为 由于电池测量温度一般为电池极柱温度，与电池电芯温度有差异，所以需对所测电池温度进行自校。选取最典型的中间段温度（-10℃～25℃）为研究对象，不同温度下的自校系数如表2所示。 将表2所测数据进行曲线拟合，得电池温度与温度自校系数的5次拟合关系 式中，T∈[-10℃，25℃]，当T25℃时内部温度接近极柱温度，自校系数定为1；当T-10℃时自校系数定为最低值。 2.3 soc估算式q 放电效率指在同一循环过程中放电容量和充电容量的比值，它的变化会影响SOC估算 式中，Q 具体数据如表3所示。 将表3中测量点拟合，得放电倍率与放电效率的5次拟合关系函数为 2.4 态预测时间更新 由于锂电池是典型的非线性系统，扩展卡尔曼滤波算法（EKF）是SOC估算中较为优化的方法 具体计算过程如下： (1）初始化 (2）状态预测时间更新 在上式的计算中利用电池温度相关的容量补偿系数和放电电流相关的放电效率对状态预测进行修正。 (3）误差协方差时间更新 (4）计算卡尔曼增益矩阵 (5）状态估计量测更新 (6）误差协方差量测更新 式（13）～式（18）即为修正EKF算法的递推过程，由k-1时刻递推求得k时刻的SOC估算值，然后时间由k k+1，进入下一时刻的递推计算，以此类推即可求得每个时刻的电池SOC值。 3 修正ekf的soc参数 为验证本文算法估算SOC的准确性，使用改进PNGV模型，分别用EKF算法和本文算法对锂电池SOC进行估算。为考虑充、放电倍率对SOC估算的影响，选择在室温（25℃）下分别对电池以1 C、3 C进行恒流放电，静置一段时间后，再分别以1 C、3 C进行恒流充电、放电，SOC估算结果如图2、图3所示。 图2、图3中参考曲线为通过安时积分法得到的曲线，因充、放电过程中电流均保持不变，故以这条曲线为参考曲线，且赋予SOC初值SOC 从以上不同充、放电倍率下SOC估算结果对比可以看出，在1 C充放电倍率下两种方法估算的SOC值没有明显的差别，但随着充放电倍率的增大，未修正EKF估算的SOC距离参考曲线的误差逐渐增大，最高达到3.5%左右，随着时间的延长，误差一直存在。而无论是1 C充放电倍率，还是3 C充放电倍率，本文提出的修正EKF算法估算的SOC曲线始终在参考曲线上下波动，误差明显较小。在两种充放电倍率下，本文算法估算的SOC值比未修正EKF估算的SOC值精确度要高，体现了本文算法的有效性。 为验证温度对SOC估算的影响，选择在3 C充放电倍率下，分别以-5℃、25℃进行充放电，-5℃下的估算结果如图4所示，25℃下的估算结果见图3。 通过图3和图4可以明显看出，温度对SOC估算影响很大。-5℃下未修正EKF估算的SOC曲线与参考曲线最大误差达到近4%，而修正EKF算法得到的SOC曲线误差较小，最大约为0.9%，还存在围绕参考曲线来回波动的调节过程，说明修正EKF在极端环境下SOC估算精度更高，算法鲁棒性较好。 4 修正ekf算法估算soc 本文采用改