广西师范大学学报（自然科学版） ›› 2023, Vol. 41 ›› Issue (1): 58-66.doi: 10.16088/j.issn.1001-6600.2022030903

• 研究论文 • 上一篇    下一篇

基于自适应渐消扩展卡尔曼滤波的锂离子电池SOC估计

赵中华, 晏晓锋, 童有为*   

  1. 桂林电子科技大学信息与通信学院, 广西 桂林 541004
  • 收稿日期:2022-03-09 修回日期:2022-05-10 出版日期:2023-01-25 发布日期:2023-03-07
  • 通讯作者: 童有为(1976—),男,甘肃兰州人,桂林电子科技大学高级实验师。E-mail:8263165@qq.com
  • 基金资助:
    国家自然科学基金 (61961008); 广西创新驱动发展专项(桂科AA18242030)

SOC Estimation of Lithium Ion Battery Based on Adaptive Fading Extended Kalman Filter

ZHAO Zhonghua, YAN Xiaofeng, TONG Youwei*   

  1. School of Information and Communication, Guilin University of Electronic Technology, Guilin Guangxi 541004,China
  • Received:2022-03-09 Revised:2022-05-10 Online:2023-01-25 Published:2023-03-07

PDF (PC)

180

摘要： 电池荷电状态(SOC)的准确估计对于电动汽车动力电池的管理至关重要,而电动汽车在实际运行时经常会遇到SOC数据突变的问题,同时所建立的电池模型和噪声模型也存在一定误差,这导致传统扩展卡尔曼滤波算法在SOC估算过程中自适应性和鲁棒性较差。针对这些问题,本文提出使用自适应渐消扩展卡尔曼滤波算法(AFEKF),应用于锂离子电池的SOC估计。引入渐消因子对系统噪声协方差进行自适应迭代,从而实时更新最优卡尔曼增益,减少数据突变和电池模型误差等因素带来的影响,通过在复杂工况下的实验对比可知,AFEKF相比于标准EKF(extended Kalman filter),新欧洲驾驶循环工况下SOC估算精度提高0.78个百分点,变电流工况下估算精度提高0.5个百分点,同时在电池SOC初始值不准确的情况下能更快更平稳地收敛到真实值,表明AFEKF算法相比EKF估算SOC具有更高的估算精度和更好的鲁棒性。

关键词: 荷电状态(SOC), 参数辨识, 自适应渐消扩展卡尔曼滤波器(AFEKF), 锂离子电池, 二阶RC模型

Abstract: The accurate estimation of battery state of charge (SOC) is very important for the management of electric vehicle power battery, and electric vehicles often encounter the mutation of SOC data in actual operation. At the same time, there are some errors in the established battery models and noise models, which lead to the poor self adaptability and robustness of the traditional extended Kalman filter algorithm in the process of SOC estimation. To solve these problems, this paper proposes to use the adaptive fading extended Kalman filter algorithm (AFEKF) to estimate the SOC of lithium-ion battery. The fading factor is introduced to adaptively iterate the system noise covariance, so as to update the optimal Kalman gain in real time and reduce the influence of factors such as data burst and battery model error.It can be seen from the experimental comparison under complex working conditions, thatcompared with the standard EKF, the SOC estimation accuracy of AFEKF can be improved by about 0.78% under NEDC condition and 0.5% under variable current condition. At the same time, it can converge to the real value faster and more smoothly when the initial value of battery SOC is inaccurate, which shows that AFEKF algorithm has higher estimation accuracy and better robustness than EKF.

Key words: state of charge (SOC), parameter identification, adaptive fading extended Kalman filter (AFEKF), lithium ion battery, second order RC model

中图分类号: 

  • TM912
[1] 吴春芳. 动力电池SOC估算综述[J]. 电源技术,2017,41(12):1795-1798.
[2]徐尖峰,张颖,甄玉,等. 基于安时积分法的电池SOC估算[J]. 汽车实用技术,2018(18):9-11,23.DOI:10.16638/j.cnki.1671-7988.2018.18.004.
[3]HU Y H, WANG Z P. Study on SOC estimation of lithium battery based on improved BP neural network[C]// 2019 8th International Symposium on Next Generation Electronics(ISNE). Piscataway, NJ: IEEE, 2019:1-3. DOI:10.1109/ISNE.2019.8896605.
[4]PLETT G L. Extended Kalman filtering for battery management systems of LiPB-based HEV battery packs: part 3. state and parameter estimation[J]. Journal of Power Sources, 2004, 134(2):277-292. DOI:10.1016/j.jpowsour.2004.02.033.
[5]高文敬,高松,侯恩广. 基于滑模变结构的卡尔曼滤波对电池SOC的估算[J]. 广西大学学报(自然科学版),2017,42(6):2067-2073.DOI:10.13624/j.cnki.issn.1001-7445.2017.2067.
[6]方磊,陈勇,赵理,等. 基于模糊控制的扩展卡尔曼滤波SOC估计研究[J].系统仿真学报,2018,30(1):325-331. DOI:10.16182/j.issn1004731x.joss.201801043.
[7]WANG L M,LU D,LIU Q,et al. State of charge estimation for LiFePO4 battery via dual extended kalman filter and charging voltage curve[J]. Electrochimica Acta,2019,296:1009-1017. DOI:10.1016/j.electacta.2018.11.156.
[8]孙立珍,刘广忱,田桂珍,等. 基于近似二阶EKF的锂离子电池SOC估算[J]. 电池,2019,49(5):387-391. DOI:10.19535/j.1001-1579.2019.05.006.
[9]王文亮,何锋,郑永樑,等. 基于RLS-EKF联合算法的锂电池SOC估算[J]. 电源技术,2020,44(10):1498-1501,1505. DOI:10.3969/j.issn.1002-087X.2020.10.024.
[10]李军,张俊,张世义. 基于ABP-EKF算法的锂电池SOC估计[J]. 重庆交通大学学报(自然科学版),2021,40(3):135-140. DOI:10.3969/j.issn.1674-0696.2021.03.21.
[11]RAHMAN M A,ANWAR S,IZADIAN A. Electrochemical model-based condition monitoring via experimentally identifiedli-ion battery model and HPPC[J]. Energies,2017,10(9):1266. DOI:10.3390/en10091266.
[12]杨文天,李征. 关于锂电池Thevenin模型的仿真研究[J]. 仪表技术,2017(10):40-43.
[13]王党树,王新霞. 基于扩展卡尔曼滤波的锂电池SOC估算[J]. 电源技术,2019,43(9):1458-1460. DOI:10.3969/j.issn.1002-087X.2019.09.013.
[14]邱望彦,李荣冰,刘建业. 基于改进自适应渐消卡尔曼滤波的通用航空GNSS/微惯性组合导航算法研究[J]. 电子测量技术,2020,43(10):95-100. DOI:10.19651/j.cnki.emt.2004119.
[15]WANG S Y,CHAO Y,DUAN S K,et al. A modified variational Bayesian noise adaptive Kalman filter[J]. Circuit, Systems, and Signal Processing,2017,36(10) :4260-4277.
[16]胡辉,彭雄明,杨德进,等.新的自适应渐消拓展卡尔曼滤波在GPS定位中的应用[J]. 火力与指挥控制,2016,41(3):177-182. DOI:10.3969/j.issn.1002-0640.2016.03.043.
[17]徐定杰,贺瑞,沈锋,等. 基于新息协方差的自适应渐消卡尔曼滤波器[J]. 系统工程与电子技术,2011,33(12):2696-2699. DOI:10.3969/j.issn.1001-506X.2011.12.23.
[18]HE Q Z,ZHANG W G,LIU X X, et al. Noise rejection and anti-divergence of key sensors in a flight control system based on adaptive fading EKF[C]// 2018 IEEE CSAA Guidance,Navigation and Control Conference(CGNCC). Piscataway, NJ:IEEE,2018:1-6. DOI:10.1109/GNCC42960.2018.9019180.
[19]王越,李立伟. 基于扩展卡尔曼滤波器的锂电池SOC估算仿真研究[J]. 计算机与数字工程,2020,48(1):206-211. DOI:10.3969/j.issn.1672-9722.2020.01.039.
[20]张远进,吴华伟,叶从进. IFA-EKF的锂电池SOC估算[J]. 储能科学与技术,2020,9(1):117-123.
[21]LI J B,YE M,JIAO S J,et al. A novel state estimation approach based on adaptive unscented Kalman filter for electric vehicles[J]. IEEE Access,2020,8:185629-185637. DOI:10.1109/ACCESS.2020.3030260.
[1] 李付绍, 徐应仙, 武青青, 邓明森. 固相反应制备Li2FeSiO4/C及嵌/脱锂性能研究[J]. 广西师范大学学报（自然科学版）, 2022, 40(6): 154-162.
[2] 王瑞, 宋树祥, 夏海英. 融合阻抗模型与扩展卡尔曼滤波的锂离子电池荷电状态估算[J]. 广西师范大学学报（自然科学版）, 2021, 39(3): 1-10.
[3] 韦振汉, 宋树祥, 夏海英. 基于随机森林的锂离子电池荷电状态估算[J]. 广西师范大学学报（自然科学版）, 2018, 36(4): 27-33.
Viewed
Full text


Abstract

Cited
  Shared   
  Discussed   
[1] 吴竹, 田漫漫, 谭琪明, 陈震, 王秋萍, 何珺. HPLC-RID测定银蓝通络口服液中银杏内酯含量[J]. 广西师范大学学报（自然科学版）, 2017, 35(2): 87 -92 .
[2] 徐久成, 李晓艳, 李双群, 张灵均. 基于相容粒的多层次纹理特征图像检索方法[J]. 广西师范大学学报（自然科学版）, 2011, 29(1): 186 -187 .
[3] 冉浩, 周善义. 中国蚁科昆虫名录——蚁型亚科群(膜翅目:蚁科)(Ⅰ)[J]. 广西师范大学学报（自然科学版）, 2011, 29(3): 65 -73 .
[4] 张晓磊, 赵伟, 王芳贵. φ-平坦余挠理论[J]. 广西师范大学学报（自然科学版）, 2021, 39(2): 119 -124 .
[5] 吴玲玉, 蓝洋, 夏海英. 基于卷积神经网络的眼底图像配准研究[J]. 广西师范大学学报（自然科学版）, 2021, 39(5): 122 -133 .
[6] 文鹏, 王亚青, 唐胜达. 基于初始时延与卡顿概率的视频流缓冲阈值确定[J]. 广西师范大学学报（自然科学版）, 2021, 39(5): 147 -157 .
[7] 侯欠欠, 方志刚, 秦渝, 朱依文. 团簇Fe4P的成键及极化率探究[J]. 广西师范大学学报（自然科学版）, 2021, 39(6): 140 -146 .
[8] 白德发, 徐欣, 王国长. 函数型数据广义线性模型和分类问题综述[J]. 广西师范大学学报（自然科学版）, 2022, 40(1): 15 -29 .
[9] 曾庆樊, 秦永松, 黎玉芳. 一类空间面板数据模型的经验似然推断[J]. 广西师范大学学报（自然科学版）, 2022, 40(1): 30 -42 .
[10] 陈知明, 张江, 邱汉清, 戴颖成, 吴宇鑫, 李建军. 基于密集连接的高分辨率遥感图像分类[J]. 广西师范大学学报（自然科学版）, 2022, 40(3): 88 -94 .
版权所有 © 广西师范大学学报（自然科学版）编辑部
地址：广西桂林市三里店育才路15号　邮编：541004
电话：0773-5857325　E-mail: gxsdzkb@mailbox.gxnu.edu.cn
本系统由北京玛格泰克科技发展有限公司设计开发