基于卡尔曼滤波算法的锂离子电池荷电状态估算-AET-电子技术应用

基于卡尔曼滤波算法的锂离子电池荷电状态估算

来源：电子技术应用2014年第5期

高安同1，张金2，周生2，高望1，张锋2

（1.解放军陆军军官学院研究生管理大队，安徽合肥230031； 2.解放军陆军军官学院军用仪器

摘要：提出并建立了一种锂离子电池二阶电路等效动态模型，在对模型的适应性验证的基础上，设计了一种卡尔曼滤波算法来估算锂离子电池荷电状态。仿真和实验结果表明，卡尔曼滤波算法能有效减少测量噪声以及同一生产工艺下电池的参数不稳定性所带来的影响，并显示了很高的精确度，其中快速估算的精确度为96.1%，缓慢估算的精确度为99.0%。

关键词： 电池模块荷电状态估算二阶电路等效模型卡尔曼滤波锂离子电池

中图分类号：TP26+.3
文献标识码：A
文章编号： 0258-7998(2014)05-0065-03

State-of-charge estimation of li-ion battery based on Kalman filter algorithm

Gao Antong1，Zhang Jin2，Zhou Sheng2，Gao Wang1，Zhang Feng2

1.Postgraduate Management Team, Army Officer Academy, PLA, Hefei 230031，China；2.Military Instrument Teaching and Research Section, Army Officer Academy, PLA, Hefei 230031，China

Abstract：An easy electric model of the cell(2nd order equivalent circuit model) is identified and verified, and a Kalman filter methed is applied to estimate SoC. The simulation and test results on two different cells of the same manufacture and typology show that the algorithm is able to reject the effect of measurement noise and parametric uncertainties with high accuracy. The precision of the fast estimation is 96.1%, and the slow estimation is 99.0%.

Key words :SoC estimation；2nd order equivalent circuit model；Kalman filter；li-ion battery

目前，在众多电力应用领域中，锂离子电池都是首选的电能储存装置。然而在其应用领域中仍有许多亟待解决的问题，对于荷电状态SoC(State of Charge)估算的研究尤其热门。荷电状态通常被认为是电池可用容量与其最大可用容量的比值[1]。
以往文献中对采用卡尔曼滤波KF(Kalman Filter)算法来估算荷电状态进行了很多描述。但是，这些应用绝大多数都是采用电化学模型[2]或者Ad hoc模型[3]，而不是简单的电路模型[4]。将建模方法与卡尔曼滤波方法相结合，可以得到一种可去除测量噪声和模型参数误差的新算法。此次研究的目的就是提高估算的速度和精确度。
1 电池动态模型
1.1 模型结构
本文采用Boston-Power公司的Sonata 4400锂离子电池，其基本属性为：标称容量是4 400 mAh；标称电压是3.7 V。因为实验对小的计算量和简单电学组成更加重视，所以最佳选择是等效电路模型。因此，本文选择了一个二阶电路等效模型[5]，如图1所示。

通过实验计算得到，测量值与仿真值之间的标准误差为24.6 mV。但是考虑到线性行为下SoC的范围是100%~10%，所以标准误差降为10.3 mV。
1.3 模型验证
为了验证模型在任意电流分布下（-1 C～+2 C）能适用于电池，可以对一个充满电的电池进行放电消耗实验，直至电量达到SoC的10%。验证结果如图3所示。在整个实验过程中，仿真值与测量值之间的标准误差是18.8 mV。
由图3可知，该模型在电池SoC在100%~10%的范围内时具有很高的精确性。

缓慢估算的SoC值在1 h后逐渐趋向真实SoC值，但是其与真实值的标准偏差仅为1.0%。此外，快速估算的SoC值趋向真实值的时间仅为10 min，但是其估算结果含有大量噪声，并且与真实值的偏差达到3.8%。
对于电池2，采用相同的滤波设计，图5显示了基于随机数据（开始于SoC0=50%）的估算结果。

本文介绍了一种基于卡尔曼滤波理论的SoC值估算方法。展示了电池模型的建立和验证过程，在实验室条件下，对同一生产商两块不同的电池验证了仿真结果。设计了基于卡尔曼滤波理论的观测器，尤其对两种不同电池的不确定性进行了深入研究：参数不确定性和测量噪声（实际应用中）。在SoC估算方面显示了很好的精确性。此外，不同的观测器显示了一个矛盾问题：快速估算会降低精确度，相反，缓慢估算的精确度很高。该方法可以扩展到不同生产商生产的各种不同类型的电池，并且在将来的电池模型设计和SoC估算中可以加入对温度影响的考虑。
参考文献
[1] COLGOV A，ZANE R，POPOVIC Z.Power management system for online low power RF energy harvesting optimization[J].IEEE Trans.on circuits and systems，2010，57(7)：1802-1811.
[2] GAO L，LIU S，DOUGAL R A.Dynamic lithium-ion battery model for system simulation[J].IEEE Trans.Compon.Packag. Technol.，2002，25(3)：495-505.
[3] PLETT G L.Extended Kalman filtering for management system of LiPB-based HEV battery packs[J].Journal of Power Sources，2004，134(2)：262-276.
[4] Zhang Jin，Gao Antong，Chen Ronggang，et al.Discussion on the li-ion battery health monitoring and remaining-useful-life prediction[C].In ICEEP Advanced Materials Research，Guilin，China，2013：797-803.
[5] CODECA F，SAVARESI S M，RIZZONI G.On battery state of charge estimation: a new mixed algorithm[C].In 17th IEEE International Conference on Control Applications，San Antonio，TX，USA，2008：102-107.
[6] SPAGNOL P，ONOR S，MADELLA N，et al.Aging and characterization of Li-Ion batteries in a HEV application for lifetime estimation[C].In IFAC Symposium Advances in Automative Control，Munich，2010：186-191.

原创声明：此内容为AET网站原创，未经授权禁止转载。

相关内容