基于扩展卡尔曼神经网络算法估计电池基于扩展卡尔曼神经网络算法估计电池SOC
针对汽车锂电池的荷电状态(SOC)的问题,基于Thevenin电路为等效电路并且应用扩展卡尔曼算法(EKF)结合
神经网络算法进行估计。在进行卡尔曼滤波算法估算过程中,需要用到实时的估算模型参数值(最新值),即
在不同的SOC下模型的参数不同。传统做法是把SOC与各个参数的关系进行普通的拟合,这种方法在拟合过程
中存在较大误差。为了解决这个问题,利用神经网络拟合各个电路模型参数与SOC关系曲线。试验结果表明,
与单纯的扩展卡尔曼算法相比,该方法能够准确估计电池剩余电量,误差小于3%。
0 引言引言
经过近二十年的发展,汽车行业动力蓄电池技术
[1-2]
已经成熟。电动汽车由于其零排放、零污染、能源利用率高等优点,在
新能源汽车中发展潜力巨大。其中,最重要的一部分就是电池荷电状态的监测
[3]
。
电池的荷电状态就是电池在一定放电倍率下,剩余电量与相同条件下额定容量的比值。如果不能准确地估算电池的SOC,
就会出现电池过充或过放,造成电池内部损坏。而SOC的准确估算对于电动汽车的正常及健康的运行具有重要意义。目前,
国内外对于电池SOC估计
[4-8]
的研究较多,例如开路电压法、安时积分法、开路电压法结合安时积分法以及卡尔曼卡波法等。
但是,开路电压法在估算电池SOC过程中,需要静置电池很长时间才能估算精确,因此此方法不适合在线估算。安时积分法
的缺点是电池的初始值需要很精确,但是随着时间的延长,测量误差会累积导致估算不准确,因此此方法也不适合单独使用。
开路电压法结合安时积分法的缺点是,电池容量会随着工况的变化而改变,因此会有累积误差。卡尔曼滤波算法是一种有效的
在线估计电池SOC的方法,但是该方法依赖电池模型的精确性,对电池的参数很敏感,电池的性能受很多因素的影响,例如
电池工作温度、充放电倍率、自放电倍率以及循环寿命等等。本文暂时不考虑这几种影响因素。综合考虑电池SOC的研究方
法,本文采用卡尔曼滤波算法结合
1 等效电路模型等效电路模型
目前,国际上较认可的等效电路模型
[9-11]
有:Rint模型、Thevenin模型(RC模型)、PNGV模型、神经网路模型,以及清华大
学林成涛等人提出的一种通用非线性模型等。但是在电池SOC评估中,电池的模型不能太简单也不能太复杂,应结合电池的
特性进行建模。本文采用Thevenin模型,该模型能够有效反映电池的特性,且简单实用。电池的模型如图1所示。
根据基尔霍夫定律,以图中的电流方向为正方向,可得电路方程:
式中,U
L
表示电池的负载电压,U
oc
表示电池的开路电压,R
0
表示电池的内阻, I表示电池负载电流,U
P
表示RC环两端电
压,C
P
为极化电容,R
P
为极化电阻。
2 电池电池SOC估算估算
在引言中已经对每个估算方法进行了评价,综合考虑每个估算方法的优缺点并阅读了大量文献发现,现阶段使用较多的卡
尔曼滤波算法存在着缺点,因为在进行算法估算过程中,需要用到实时的估算模型参数的最新值,即在不同的SOC下模型的
参数不同。当算法估算后得到新的SOC值后就要根据SOC与参数值的关系曲线来确定此时的各个参数值。传统做法就是把
SOC与各个参数的关系曲线进行普通的参数拟合,但是这种方法在拟合过程中还存在较大的误差,就会造成利用算法估算电
池SOC时出现不太准确的现象。因此,本文针对这个问题进行了改进,利用神经网络算法进行电池SOC与各个参数的拟合,
之后利用
综上所述,本文结合实际情况选择扩展卡尔曼算法结合神经网络方法来计算电池的SOC。神经网络用来拟合各个电池参数
(U
oc
、R
0
、R
P
、C
P
、τ
P
)与SOC的关系曲线,再利用卡尔曼滤波算法估算电池的SOC。
2.1 电路空间方程电路空间方程
根据电池等效电路模型Thevenin电路,结合安时积分法,将系统的状态变量选为电池的剩余电量(SOC)、2个RC环的端
电压U
P
。以电池的电流i(t)作为激励,电池的端电压U
L
作为输出。
状态方程可表示为:
评论1