一种基于H无穷算法的新型多模型概率电动汽车锂电池 荷电状态估计方法外文翻译资料
2022-09-05 16:16:31
英语原文共 8 页,剩余内容已隐藏,支付完成后下载完整资料
一种基于H无穷算法的新型多模型概率电动汽车锂电池
荷电状态估计方法
摘要
由于锂电池具有强非线性和复杂时变性的特性,现有的锂电池荷电状态(SOC)估计方法在整个放电周期内无法准确的测定电池的剩余电量,因为这些方法都是基于一些简单的等效电路模型来计算电池的SOC值。为了提高实际应用性能,本文旨在提出一种基于多种ECM融合方式的新型SOC估计方法。本文所提出的SOC估计方法中涉及三种电池模型,分别是戴维宁模型、双偏振模型和三阶RC模型,我们使用这三种模型去描述锂离子电池的动态电压变化,然后使用遗传算法来确定模型参数。采用线性矩阵不等式的H无穷算法可以用来估计上述三种模型的SOC值,而且基于贝叶斯定理的概率估计法可以用来确定这三种模型SOC估计的最优权重。本文采用两种类型的锂电池来验证所提SOC估计方法的可行性和鲁棒性。实验结果表明,针对不确定的电池材料和不准确的初始状态,该方法能够有效提高SOC估计的精度和可靠性。
—2016年艾斯维尔有限公司保留所有权利
- 简介
由于其高能量和高功率密度可以满足电动汽车(EVs)[1,2]的电力需求,锂离子电池已经引起了人们广泛的关注,并且调动了许多研究人员的积极性。为了避免电池的不合理使用,荷电状态(SOC)不仅被认为是一个重要的监控参数,而且可以用来管理电池系统,以保证电池运行的安全性和高效性,同时延长电池的使用寿命。尽管如此,作为电池的一种内在隐含的状态,SOC难以直接测量,而且容易受到电池材料类型和操作条件的影响[3,4]。
1.1 SOC估计方法综述
随着电池管理技术的发展,研究人员提出了大量的方法以准确的估计SOC值,并且每种方法都有其优点。表1列出了现有的SOC估计方法的系统分类和比较。这些方法大致可分为四类,分别是查表法、安时积分法、模型计算法和数据分析法。查表法十分简单,但是不适合在线计算,而且需要定期校准电池的开路电压(OCV)和电化学阻抗谱(EIS)等[5-8]。安时积分法因其易于实施和计算而被广泛采用,但是,由于环境噪声、电流漂移和错误初始值[9-10]等不确定干扰的存在,这种开环估计方法可能会产生累积误差,使得测量结果严重偏离真实值。模型计算法可以克服上述两种方法所提到的缺点,由于其闭环反馈机制[11,14],还可以保证SOC估计的稳健性(鲁棒性)。参考文献[12],通过自适应的卡尔曼滤波算法,提出了一种基于电池SOC估计的戴维南电池模型;参考文献[13]采用sigma-point卡尔曼滤波算法建立了一个基于电池模型的SOC估算方法;参考文献[14-16],采用卡尔曼滤波算法建立了一个基于电池模型的SOC估算方法,结果表明,这类模型计算法具有良好的鲁棒性和准确性[17-22]。在处理非线性问题时,数据分析法具有独特的优势,但是这种方法需要大量的实验数据来训练模型,如果所测实验数据不能反映电池的综合性能,那么SOC的估计值可能会有很大的误差[23-27]。
表1 主要的SOC估计方法比较
方法 |
优点 |
缺点 |
准确性 |
鲁棒性 |
查表法 |
·易于实现 |
·易受干扰 |
差 |
较好 |
·计算量小 |
·需要定期校准 |
|||
·较为满意的实时性 |
·需要昂贵的测试器 |
|||
安时积分法 |
·易于实现 |
·需要准确的初始值 |
一般 |
差 |
·计算量小 |
·采用开环计算,易产生误差 |
|||
·极好的实时性 |
·易受电流漂移、老化、噪声 等不可避免的因素影响 |
|||
模型计算法 |
·高准确性 |
·需要较高水准的电池模型 |
较好 |
较好 |
·闭环控制 |
·计算量大 |
|||
·较好的实时性 |
·鲁棒性和可靠性差异较大 |
|||
·强适应性 |
||||
数据分析法 |
·高准确性 |
·计算量非常大 |
极好 |
差 |
·高非线性预测能力 |
·非常依靠实验数据 |
1.2 论文的贡献
基于表1所做的分析,我们可以观察到,模型计算法能够兼顾实时SOC估计的准确性和鲁棒性。为了实现准确的估计SOC值,模型计算法需要一个高预测精度的复杂ECM模型,尽管如此,ECM对电池材料和电池荷电状态仍是十分敏感(ECM仍然易受电池材料和荷电状态的影响)。总之,在整个放电周期,使用单一的电池模型(ECM)很难准确的估计电池的动态参数SOC,此外,采用单一的电池模型很可能会导致不稳定的估计结果。
本文研究的主要贡献在于提出一种采用H无穷算法的多模型概率相融合的SOC估计方法。首先,通过对锂离子电池动态电压变化的分析,我们选择了三种典型的电池模型(ECM)来描述锂电池在整个工作范围内的极化效应特征,这能够有效地提高锂电池的整体预测性能;其次,和现有的SOC估计方法相比,采用H无穷算法技术能够针对不同的电池模型(ECM)在线估计SOC,更重要的是,和现有的方法相比,本方法使用的线型矩阵不等式能更有效的确定SOC观测器的参数,值得注意的是,H无穷算法不仅可以提高SOC估计的准确性和鲁棒性,而且算法的融合过程将确保SOC估计结果的可靠性。最后,为了融合由多个观测器估计的SOC值,我们采用贝叶斯定理概论模型来确定SOC融合过程中的最优权重。因此,本文所提出的SOC估计方法能够有效地保障SOC估计值的准确性、可靠性和鲁棒性。
1.3 本文的组织结构
本文的其余内容分为四个部分。第2部分介绍了基于模型分析的SOC估计方法,其中还包括SOC的定义和SOC估计中的H无穷算法观测器;第3部分分析了融合估计对于SOC估计的必要性,以及多模型概率融合估计(MMPEE)方法所得估计结果能够显著提高SOC估计的准确性;第4部分阐述了本文所提SOC估计方法在北京公交系统(BJDC)和联邦城市交通系统(FUDS)的测试实验,测试的结果将来本文的最后部分说明。
- 基于模型分析的SOC估计
2.1 SOC的定义
电池的SOC被定义为电池的剩余电量与标称容量的比值,它可以由下面的公式表示:
(1)
其中,表示在t时刻的SOC值,表示初始SOC值,表示电池的标称容量,表示本文所使用的锂电池的充放电效率,表示电池电流,它从阳极流向阴极。SOC的动态方成可以写成:
(2)
2.2 电池模型
文献[29-32]中介绍了几种电池模型,比如打印模型、n阶RC网络模型、RC模型和PNGV模型,虽然这些模型都可以用于基于模型分析的SOC估计,但是在实际应用中,n阶RC网络模型是应用最广泛的,这种模型可以通过并联RC网络来描述电池的动态松弛效应[14]。在理论上,模型中的RC对数越多,我们就能够得到更加准确的电池模型和更加真实的电池估计,然而,实际情况却并非如此,在实际应用中,超过3个平行RC网络的模型在某些方面是不可取的,并且会造成很高的计算量,因此,本文采用的是3个以内的并行RC网络。表2列出了模型的原理图和相关动态方程。
其中表示电池的开路电压(OCV),图1为电池的开路电压(OCV)和SOC之间的关系,表示电池的端电压,表示电池的内阻,表示第i个极化电压交叉的第i个极化电阻,表示第i个极化电容。
表2 电池模型的原理图和动态方程
图1 电池的开路电压和SOC之间的关系
2.3 基于线型矩阵不等式的H无穷算法SOC观测器
根据表2的戴维南电池模型,我们可以得到如下的电池状态空间方程:
(3)
其中的系统矩阵分别为:
(4)
此外,表示需要估计的状态向量,表示观测值,表示系统输入,表示噪声向量,包括过程噪声x、t和测量噪声n。
为了通过线性矩阵方程(LMI)获得观测器的可控增益,观测方程也需要以矩阵表示。由于OCV(开路电压)和SOC之间的非线性关系,我们需要采用Nernst模型来表示OCV的变化,如公式5所示。
(5)
其中,z表示电池的SOC。因此,观测方程可以变换为:
(6)
其中,,值得注意的是,这一项不应该视为模型错误,这个函数是相对于电池SOC而言的,这是因为,如果它以这种方式使用,观测方程将是:
(7)
该系统是无法观测的,因为矩阵的秩是1lt;2,所以,状态观测器无法估计系统的状态。
考虑到原系统方程(3)和(6),观测器可以构造为:
(8)
(9)
相应的误差方程为:
(10)
(11)
(12)
如果误差系统逐渐稳定,观测器的状态将逐渐接近真实的系统状态,那么也能够有效地估计SOC。建立H无穷算法观测器的目的在于,对于给定的衰减级别Cgt;0时,系统方程(11)和(12)是稳定的,并且下面的不等式在零初始条件下也能够满足。
(13)
其中,表示的是术语的规范。根据鲁棒控制理论中的有限真值定理,如果存在矩阵满足以及合适尺寸的x,误差系统会逐渐稳定,并且公式(13)能够满足零初始状态,从而产生以下LMI是可行的[19]。
(14)
其中,和I表示适当大小的单位矩阵,增益L可以由来计算。通过MATLAB LMI工具箱的mincx和feasp求解器,可以分别计算术语C、矩阵P和X。
- 多模型概率SOC融合估计
3.1 多个模型SOC估算的比较
近年来,基于单个电池模型的SOC估算方法虽然已被广泛研究,并在估算精度上取得了一定程度的进展,但是SOC估算的精度和可靠性仍需要进一步提高。我们通过图2进行说明,在图2中,使用基于戴维南模型、动态规划模型和3阶RC模型的LMI-H无穷算法观测器进行SOC检测,从图中可以看出,在A段基于戴维南模型的SOC检测值最接近SOC的参考值,在B段基于3阶RC模型的SOC检测值估算效果最好,此外,基于3阶RC模型的SOC检测值在整个充放电周期具有最高的准确性,但是,在整个充放电周期的任何一段时间,它们都不是最好的SOC估算结果。因此,提出多模型概率SOC估算方法来解决这个问题,同时提高SOC估算的准确性和可靠性。
图2 基于各种模型的SOC估算优势比较
3.2 多模型概率SOC融合估计
3.2.1 融合估计策略
根据上述分析,有必要提出基于三种电池模型的融合SOC估计策略,事实上,融合估算方法已经广泛的应用在卫星定位、机动目标跟踪和故障检测等领域[35-37],尤其是参考文献[38]提出了一种新型的锂电池开路电压确定方法,结果表明,融合估算技术具有良好的鲁棒性和冗余。在本文的研究中,我们提出一种基于H无穷算法的多模型概率融合SOC估计方法,融合估计的主要架构分为集中式、分布式和混合式,由于低计算成本和高效率的优点,分布式体系结构是最合适的SOC融合估计方案。图3描述了这种多模型融合估计的系统结构。
图3 多模型融合估计方法的系统结构
首先,通过使用基于三种电池模型的H算法状态观测器,SOC可由传输到并行过滤系统的待测系统输入电压和电流估计;然后,可以得到估计的SOC值和端电压,并将其传送到数据中心,根据各个模型对SOC估计的贡献率的融合规则,可以用估计的端电压来计算权重,权重越大,该种模型对SOC估计结果的影响就越大;最后,融合SOC估计结果可以由公式(15)计算得到。
(15)
权重满足下面的公式:
剩余内容已隐藏,支付完成后下载完整资料
资料编号:[147273],资料为PDF文档或Word文档,PDF文档可免费转换为Word