基于
EKF算法的电池SOC估算
1、SOC估算模型的选择
电池模型是电池状态估计算法研究的基础,模型的选取需要综合考虑模型的精度、复杂度、实用性等因素。由于电化学模型涉及电池内部反应机理,模型比较复杂;神经网络模型的应用需要基于大量实验数据进行数据训练;而等效电路模型简单,且物理意义清晰。综合考虑,等效电路模型更适用于本项目的研究。选用一阶RC模型,模型较简单,模型精度较高,应用也比较广泛。如下图所示。
一阶RC模型,由如下几部分组成:1)理想电压源,表示开路电压OCV(随SOC的不同而变化);2)欧姆内阻R0,极化内阻R1;3)极化电容C1,反映电池的瞬态响应。记U1为R1 C1两端的电压,I为通过R0的电流,Ut为端电压,一阶RC模型的外特性描述方程可以写成:
2、SOC估算方法
以SOC估计为核心的内短路状态估计算法具体包括以下几步:
1)离线辨识:
基于容量测试结果标定获得电池容量Qst,基于HPPC测试结果标定获得电池在不同SOC、不同温度条件下的OCV,R0,R1,C1。获得查表函数[OCV,R0, R1, C1]= f (SOC,T);
2)在线计算:
生成模型先验值
生成误差
利用Kalman滤波原理生成反馈增益系数
SOC后验修正
3、SOC估算Simulink模型
用于SOC估算的Simulink模型如下所示。
模型总体模块包括:
1、数据输入,输入的数据时间-Time,电流-Current,电压-Voltage,温度-Temperature,容量-CAP。
2、计算时间间隔。
3、计算充放电倍率及电流符号。
4、SOC估算模块。
5、结果输出,SOC结果,模型端电压,实测端电压。
4、SOC计算模块分析
具体包括:EKF算法估计SOC,查表法获得不同的参数值(基于HPPC测试结果标定查表获得电池在不同SOC、不同温度、不同倍率条件下的OCV,R0,R1,C1 ,dVdS)。
EKF算法SOC估算:
4.1、SOC估算状态方程
4.2、计算模型端电压
其中RC两端电压U1模型如下所示:
4.3、利用Kalman滤波原理生成增益系数Lk
1、状态误差时间更新
2、卡尔曼增益系数Lk计算
3、状态误差测量更新
4.4、SOC后验修正
5、仿真验证
将做好的电池测试数据导入
5.1、不同工况验证
DST工况,FUDS工况
5.2、不同温度验证
25℃,0℃
从仿真结果可知,不管是相同温度下的不同工况,还是相同工况下的不同温度,EKF算法均具有较高的SOC估算精度!
欢迎关注我的微信公众号,感谢大家的支持!