本實用新型涉及電動汽車動力電池管理系統領域，尤其是一種基于擴展卡爾曼粒子濾波的系統。
背景技術：
：當石油危機爆發以后，能源問題和環境問題逐步被人們重視起來，人們迫切的需要新能源汽車來解決這些問題，電動汽車因此而獲得關注。動力電池作為電動汽車的動力源，承擔電動汽車全部或者部分動力輸出。電動汽車電池組在工作過程中常因充放電時間過長而產生過充電、過放電現象，不僅影響了電池的使用性能，而且縮短了電池的使用壽命，降低了整車性價比。動力電池的荷電狀態SOC(StateOfCharge)即動力電池剩余電量，是描述電池狀態的重要參數之一。電池的SOC無法使用傳感器直接測得，它必須通過對一些其他物理量的測量并采用一定的數學模型和算法來估計得到。電池SOC受環境溫度、工作電流以及循環次數等多種因素的影響，具有很強的非線性特性，使得準確估計SOC難度很大，SOC的估計也成為了國內外學者研究的熱點。目前國內外主要的SOC估計方法分為離線估計和在線估計兩大類。SOC的離線估計具有估計精度高的有點，常用于確定SOC的初始值，主要有開路電壓法和內阻法等。在實際工程應用中SOC在線估計方法更為實用，目前主要包括安時積分法、神經網絡法以及卡爾曼濾波法等。安時積分法理論簡單且計算量小，但是不具有反饋修正的效果，會有累積誤差產生；神經網絡法適用于對高度非線性的系統進行模擬，但是需要建立準確的神經網絡模型并且需要大量數據訓練；卡爾曼濾波法可以減少數據量的存儲，但是對模型精度的要求很高。以上除去安時積分法，其他方法都需要根據模型反饋來對SOC值進行修正，對于模型精度的要求高，而動力電池通常具有高度非線性的特點，固定參數的模型顯然不能滿足精度高的要求。技術實現要素：本實用新型的目的在于：提供一種基于擴展卡爾曼粒子濾波的系統，以提高電池模型的精度以及SOC估計的精度。本實用新型解決其技術問題所采取的技術方案是：一種基于擴展卡爾曼粒子濾波的系統，包括動力電池、單體電池測試系統、計算機等三大部分。其中，單體電池測試系統，由四個部分構成，分別是電流控制模塊、恒溫箱、數據采集設備和直流穩壓電源。電流控制模塊與恒溫箱中的單體電池的輸入端相連，電流控制模塊根據外界指令實現對單體電池充放電電流大小的控制，可以模擬不同的電池測試工況，恒溫箱根據外界指令控制單體電池的工作環境溫度。恒溫箱中的單體電池與數據采集設備的輸入端相連，數據采集設備根據外界指令對單體電池的電壓和電流數據進行采集，并且對采集到的數據進行簡單的模數轉換處理然后輸出數據。直流穩壓電源分別與電流控制模塊、恒溫箱和數據采集設備相連，為整個測試系統提供能源。電流控制模塊由光電耦合器、數模轉換器、集成運算放大器、MOSFET場效應管和康銅絲電阻構成。數據采集設備包括電流采集模塊和電壓采集模塊以及模數轉換模塊。一種基于本實用新型擴展卡爾曼粒子濾波的SOC估計方法，包括步驟：步驟1，對電池進行測試，通過單體電池測試系統對電池進行放電-靜置實驗，獲得荷電狀態和開路電壓(Opencircuitvoltage,OCV)的對應數據，擬合出SOC-OCV的關系函數表達式；步驟2，建立動力電池的等效電路模型，并得到離散狀態空間模型；步驟3，根據初始概率分布，產生初始SOC粒子集并設置權值；步驟4，根據當前的數據，對模型參數進行在線辨識，更新模型；步驟5，使用擴展卡爾曼粒子濾波，得到粒子的預測值；步驟6，更新粒子權值并進行歸一化處理，計算有效粒子數。如果有效粒子數小于給定閾值，在進行重采樣后輸出SOC估計值；如果大于給定閾值，則直接輸出SOC估計值；步驟7，重復步驟4到步驟6。其中，步驟4中對模型參數進行辨識，具體方法如下：對于模型為數據向量，θ為待估參數向量，y(k)為輸出向量，ε(k)為系統噪聲，可采用遺忘因子最小二乘法對θ進行參數辨識，其公式為：最小二乘法增益計算：最小二乘法協方差矩陣計算：最小二乘法參數最優估計：其中為k時刻待估參數的估計值；K(k)為k時刻的增益矩陣；P(k)為k時刻的協方差矩陣，通常其初始值P(0)取足夠大的單位矩陣，這里取值為105×I，其中I為單位矩陣；λ為加權因子(0＜λ≤1)，一般取值在0.9～1.0之間，這里取值為0.98。其中，步驟5中，使用擴展卡爾曼粒子濾波，得到粒子的預測值，具體方法如下：對于系統狀態方程為xk+1＝Akxk+Bkuk+wk，系統觀測方程為yk＝Ckxk+Dkuk+vk的系統，可采用擴展卡爾曼濾波方法對每個粒子進行預測修正，遞推公式如下：狀態變量先驗估計值計算：預測誤差的協方差矩陣計算：卡爾曼增益矩陣計算：狀態變量最優估計值計算：更新誤差協方差矩陣：其中，‘-’代表先驗值，‘+’代表后驗值，‘^’代表估計值。其中xk為狀態向量；uk為輸入激勵；yk為觀測向量；Ak為狀態轉移矩陣；Bk為輸入激勵矩陣；Ck為狀態向量觀測矩陣；Dk為輸入激勵觀測矩陣；wk為過程噪聲；vk為觀測噪聲；I為單位矩陣；Q為過程噪聲協方差矩陣；R為觀測噪聲協方差矩陣；Kgk為卡爾曼增益矩陣；Pk為預測誤差的協方差矩陣。其中，所述步驟6中具體是采用公式來更新粒子權值，采用公式計算有效粒子數，對比有效粒子數與預先設定的粒子閾值，根據結果判斷是否需要進行重采樣。其中parWagei為第i個粒子的權值；yk為粒子的觀測向量；為第i個粒子的預測值；R為觀測噪聲協方差矩陣；Neff為有效粒子個數。本實用新型一種基于擴展卡爾曼粒子濾波的系統，具有以下有益效果：采用遺忘因子最小二乘法計算模型參數，并且實時更新電池模型數據，得到了高精度的電池模型，滿足了傳統SOC估計方法對模型精度的要求。將擴展卡爾曼濾波與粒子濾波進行結合，提高了對荷電狀態(SOC)的估計精度，采用重采樣的方法，解決了粒子濾波存在的粒子退化問題。總結以上，本實用新型提高了電池模型的精度以及SOC估計的精度。附圖說明圖1為本實用新型一種基于本實用新型擴展卡爾曼粒子濾波的SOC估計方法整體流程圖。圖2為本實用新型基于擴展卡爾曼粒子濾波的系統的結構框圖。圖3為本實用新型采用的單體電池測試系統的結構框圖。圖4為本實用新型采用的單體電池測試系統中電流采集模塊的原理結構圖。圖5為本實用新型采用的單體電池測試系統中電壓采集模塊的原理結構圖。圖6為本實用新型通過放電-靜置實驗得到的SOC-OCV曲線圖以及曲線擬合結果。圖7為本實用新型采用的動力電池二階RC等效電路模型示意圖。圖8為本實用新型用于驗證SOC估計精度的測試工況電流曲線。圖9為本實用新型用于驗證SOC估計精度的測試工況電壓曲線以及電池模型擬合曲線。圖10為本實用新型的SOC估計結果與其他方法估計結果的對比圖。圖11為本實用新型的SOC估計誤差與其他方法估計誤差的對比圖。具體實施方式下面結合附圖對本實用新型的技術方案進行詳細說明：根據圖1，一種基于擴展卡爾曼粒子濾波的SOC估計方法包括以下步驟：步驟1，對電池進行測試，通過單體電池測試系統對電池進行放電-靜置實驗，獲得荷電狀態和開路電壓的對應數據，擬合出SOC-OCV的關系函數表達式；如圖2所示為基于擴展卡爾曼粒子濾波的系統的整體框圖，包括動力電池、單體電池測試系統、計算機等三大部分。步驟1中需要使用其中的單體電池測試系統，進行對鋰離子的放電-靜置實驗，進而獲得SOC-OCV關系函數。單體電池測試系統，可以實現對鋰離子電池充放電測試，并把采集到的電壓數據、電流數據、溫度數據和其他數據上傳到計算機，為后續各種算法提供數據源。如圖3所示為單體電池測試系統的詳細結構圖，整個系統由四個部分構成，分別是電流控制模塊、恒溫箱、數據采集設備和直流穩壓電源。電流控制模塊根據外界發送的指令實現對單體電池充放電電流大小的控制，可以模擬不同的電池測試工況。恒溫箱用于控制單體電池的工作環境溫度。數據采集設備根據外界發送的指令對單體電池的電壓和電流數據進行采集，并且對采集到的數據進行簡單的模數轉換處理然后輸出數據。直流穩壓電源為整個測試系統提供能源。如圖3所示，計算機發送指令到電流控制模塊，來設置當前測試單體電池的工況，單體電池根據電流控制模塊設定的電流充電或者放電，同時數據采集模塊采集電池的端電壓以及流經電池的電流，采集得到的模擬信號，經過模數轉換器，轉換成為數字信號傳送到計算機，計算機再將數據以二進制的形式存儲，用于之后的SOC濾波計算。其中電流控制模塊的原理框圖如圖4所示，電流控制模塊由光電耦合器、數模轉換器、集成運算放大器、MOSFET場效應管和康銅絲電阻構成。光電耦合器HCPL0631，用于數模轉換數字隔離，避免信號之間的干擾。數模轉換器MAX531，數字量輸入范圍[0,4096]，轉變成電壓為[0,2.048V]，經過電壓電流變換電路轉變成[0A,20A]電流。MOSFET場效應管IRF540N，開啟電壓2.0～4.0V，漏源極導通電阻44mΩ，最大功率50W。康銅絲電阻阻值為0.1Ω，用于將電壓轉換為電流。數據采集設備包括電流采集模塊和電壓采集模塊以及模數轉換模塊。電流采集模塊的原理框圖如圖5所示，這里采用了具有閉環補償作用的電流型霍爾傳感器CSM015NPT，在室溫情況下(25度)，傳感器精度為±0.5％。CSM015NPT的原邊線圈電阻是0.18mΩ，若在信號通路中流過10A電流時，壓降是1.8mv，滿足測試要求。當CSM015NPT原邊線圈通過與參考方向同向電流15A時，其副邊線圈輸出電壓3.125v；原邊線圈流過與參考方向反向15A電流時，其副邊線圈輸出電壓1.875v；原邊線圈無電流流過時，其副邊線圈輸出電壓2.5v。為了匹配模數轉換器的動態范圍，故在其后加入信號調理電路，使電壓幅度衰減一半。在這種情況下，當被采集電流范圍[-15A,15A]時，經信號調理電路輸出電壓為[0.9375v,1.5625v]。放電-靜置實驗中，通過電流控制模塊將放電電流設置為0.2C，對電池進行放電，每間隔5％的SOC停止放電并對電池進行靜置，靜置10分鐘后通過電壓采集模塊采集到電池的開路電壓值OCV。通過以上方法，可以獲得開路電壓與SOC的關系數據表，采用曲線擬合的方法，對得到的數據進行擬合，從而獲得SOC-OCV函數關系表達式，本實用新型采用9階多項式對曲線進行擬合，所得到的SOC-OCV關系曲線和擬合曲線如圖6所示，得到的函數關系式如下：OCV＝4.6985e3*SOC9-2.2229e4*SOC8+4.4403e4*SOC7-4.8684e4*SOC6+3.1913e4*SOC5-1.2773e4*SOC4+3.061e3*SOC3-413.4218*SOC2+28.2351*SOC-2.9493；步驟2，建立動力電池的等效電路模型，并得到離散狀態空間模型；本實用新型采用等效電路模型對動力電池進行建模，其中二階等效電路模型相較于一階等效電路模型，可以更好的模擬電池的非線性部分，因此本實用新型采用了二階等效電路模型對電池進行建模，圖7為二階等效電路模型示意圖，由圖可以得到模型端電壓輸出方程為：其中V代表電池的端電壓，VOC代表電池的開路電壓，I代表從電池上流過的電流，Re為電池的歐姆內阻，Rs和Rl分別為電池的極化內阻，Cs和Cl分別為電池的極化電容，τs＝RsCs，τ1＝RlCl分別為兩個RC回路的時間常數。列寫電池模型的離散狀態空間模型，令狀態向量x＝[SOC；Vs；Vl]，其中Vs和Vl為兩個RC并聯網絡上的電壓；令電流I為輸入激勵；端電壓V為輸出量，可以得到模型的狀態方程為：輸出方程為：V(k)＝VOC(SOC，k)-Vs(k)-Vl(k)-ReI(k)(3)其中η為庫倫系數，這里取值為1；C為電池的標稱容量；T為采樣時間間隔。步驟3，根據初始概率分布，產生初始SOC粒子集并設置權值；設粒子個數為N，根據動力電池離線測試得到的OCV-SOC數據表，通過開路電壓法查表得到SOC的初始值SOCInit，計算查表法的最大誤差SOCError，根據“3σ法則”，令SOC的初始粒子集服從N～(SOCInit，(SOCError/3)2)的正態分布，根據該正態分布產生粒子，并令每個粒子的初始權值為1/N；步驟4，根據當前的數據，對模型參數進行在線辨識，更新模型；本實用新型采用遺忘因子最小二乘法進行模型的參數識別，因此需要求得模型的差分方程。對公式(1)進行Laplace變換，得到：整理公式(4)得到：τsτlVOCs2+(τs+τ1)VOCs+VOC＝τsτlReIs2+[(τs+τ1)Re+Rsτl+Rlτs]Is+I(Re+Rs+R1)+τsτlVs2+(τs+τ1)Vs+V(5)令：a＝τsτlb＝τs+τlc＝Re+Rs+Rld＝(τs+τ1)Re+Rsτl+Rlτs整理公式(5)得到：aVOCs2+bVOCs+VOC＝aReIs2+dIs+cI+aVs2+bVs+V(6)令s＝[x(k)-x(k-1)]/T、s2＝[x2(k)+x2(k-1)-2x(k)x(k-1)]/T整理公式(6)，可以得到：則有：待估參數矩陣數據向量輸出向量y(k)＝VOC(k)-V(k)。其中VOC(k)可以根據步驟1中求得的OCV-SOC函數關系式求得。通過遺忘因子最小二乘法求得待估參數向量θ后，可求得：Re＝k5/k2Rl＝(cτl-Reτl-d-bRe)/(τ1-τs)Rs＝c-Re-Rl步驟5，使用擴展卡爾曼濾波，得到粒子的預測值；要進行擴展卡爾曼濾波，需要得到系統的離散狀態空間方程。步驟2中已經求得二階RC等效電路模型的狀態空間模型，如公式(2)、(3)所示。將該非線性模型在(xk，ik)附近進行一階泰勒展開，得到根據步驟4中得到的Re、Rs、Rl、Cs、Cl的值，即可進一步求得Ak、Bk、Ck的具體值，擴展卡爾曼濾波分為預測和修正兩個過程：擴展卡爾曼濾波預測過程：狀態變量先驗估計值計算：預測誤差的協方差矩陣計算：擴展卡爾曼濾波修正過程：卡爾曼增益矩陣計算：狀態變量最優估計值計算：更新誤差協方差矩陣：根據公式可以求得SOC粒子的最優估計值。步驟6，更新粒子權值并進行歸一化處理，計算有效粒子數。如果有效粒子數小于給定閾值，在進行重采樣后輸出SOC估計值；如果大于給定閾值，則直接輸出SOC估計值；首先根據公式計算粒子權重，其中R為觀測噪聲的協方差矩陣，yk為觀測值，為粒子的預測值；得到粒子權重后，根據公式計算有效粒子的個數。預先設定有效粒子閾值Nthreshold，當Neff≥Nthreshold時，說明粒子退化現象不明顯，可以直接進行下一步操作，當Neff＜Nthreshold時，說明有效粒子數較少，需要進行重采樣，重采樣后，每個粒子的權值設為1/N。以上步驟結束后，輸出SOC的估計值步驟7，重復步驟4到步驟6。令k＝k+1，進行下一時刻的循環計算。為了驗證二階RC模型的準確性和擴展卡爾曼粒子濾波的精度，對5000mAh的鋰離子電池進行充電實驗。將電池中的電量放完，在室溫條件下，每間隔15分鐘以1A的電流對電池進行充電，充電電流波形如圖8所示。整個測試過程時長為2.7609×104s，采樣間隔為7.92s。本實驗中，設定粒子個數N＝50，有效粒子閾值Nthreshold＝30。如圖9所示，為端電壓的測量值與在線參數辨識估計得到的模型電壓值對比圖，可以發現在線參數辨識得到的電池模型具有很高的精度，可以很好的跟蹤端電壓值，為SOC的精確估算建立了基礎。本實驗采用了EKF和EKPF方法分別對SOC進行預測對比，如圖10所示，為兩種方法的估算結果和實際SOC的對比圖。其中實際SOC是在采樣間隔為1s的情況下，根據SOC的定義計算得到，因為間隔時間短，因此與真實SOC值較為接近。通過圖10可以發現，EKPF預測得到的值更接近于實際值，尤其是在充電后期，相比較于EKF能更好的跟隨實際值。圖11為EKF和EKPF兩種方法預測得到的SOC的誤差值對比圖，可以發現，EKPF得到的SOC值誤差波動較小，且整體誤差小于EKF方法。通過計算可以得到EKF和EKPF的均方根誤差以及最大誤差，如表1所示：算法均方根誤差最大誤差EKF0.00540.0304EKPF0.00280.0183表1通過兩種算法的對比圖和誤差分析，不難發現，EKPF算法對噪聲的抑制效果更好，并且對SOC的估計精度更高，說明了EKPF算法在SOC估計上優于EKF。當前第1頁1 2 3