CTM蓄电池联合估计方法监测电池健康状态

ctm蓄电池联合估计方法监测电池健康状态

本文提出了一种交融等效电路模型与数据驱动模型的SOC与SOH联合估量办法，经过构建考虑老化和SOC的二阶RC电池模型，结合递推最小二乘法在线辨识电池参数，并利用高斯进程回归(GPR)模型估量SOH。该办法经过耦合SOH与SOC估量，提高估量精度。实验验证显现，该办法能有用提高SOC与SOH估量精度，在电池全生命周期内精确追寻其实在值。

1导言

跟着电动自行车普及，锂离子电池的办理成为要害。其中，SOC和SOH作为评价电池状况和老化程度的重要目标，对电动汽车的续航、安全和本钱至关重要。但是，SOC和SOH的独自估量办法存在局限性，如SOC易受SOH改变影响，而SOH校准也或许被不精确的SOC误导。因此，本文聚集于SOC与SOH之间的紧密联系，讨论其相互影响机理，并提出一种立异的联合估量办法。该办法交融等效电路模型与数据驱动模型的长处，旨在完成SOC与SOH的在线、精确估量，为电动汽车电池办理体系供给更为智能、精准的技术支持，推动电动汽车行业的可持续发展。

2电池建模与电池参数在线辨认

本文的电池数据来源于牛津大学电池退化数据集和NASA随机运用数据集，选用EOL状况表征电池寿数结束。牛津大学电池退化数据集包含8个Kokam制造的740mAh锂离子软包电池数据，记为Cell1~Cell8,设EOL-0.8,NASA随机运用数据集包含28个2Ah的LCO18650电池数据,选取编号为RW3~RW6的电池进行验证，设EOL=0.7

2.1 考虑电池老化和soc的锂离子电池等效电路模型

二阶RC等效电路模型计算量适中，精度较高，比较接近锂离子电池的实在特性，故本文选用二阶RC等效电路作为锂离子电池模型，模型结构如图1所示。

 

图 1 二阶RC等效电路模型

图1中为开路电压；为端电压；为放电电流；为欧姆电阻；、分别为电化学极化电阻、电容；、分别为浓差极化电阻、电容。

依据电路基尔霍夫定律及电容电压电流关系，图1所示的二阶RC电路的状况方程为：

                 （1）

2.2 根据FFRLS的电池参数在线辨认

本文选用带遗忘因子的递推最小二乘法对二阶RC电路模型进行参数辨认。依据图1所示，二阶RC等效电路需要辨认的参数有。对式（1）表示的状况方程进行离散化处理，可得二阶RC等效电路模型的最小二乘法公式为

                （2)

式中，；为时间输出呼应；

 

3 SOC和SOH联合估量办法

3.1 EKF算法

锂离子电池本身是一个非线性体系，针对线性体系的卡尔曼滤波无法直接运用。扩展卡尔曼滤波算法(ExtendedKalman Filter,EKF)是标准卡尔受滤波在非线性情形下的一种扩展形式。EKF算法将非线性体系线性化，得到体系的状况估量值。

非线性体系的状况方程和观测方程为

                （3）

式中，为时间的体系状况量；为时间体系的输入量；为时间体系的观测；为体系进程噪声；为体系观测噪声。

非线性体系近似线性化的状况方程和观测方程为

                 (4)

式中，为状况转移矩阵；为体系控制输入矩阵；、为体系观测矩阵。

EKF算法的具体完成步骤如下。

（1）初始化

，              （5）

式中，和分别为体系状况变量初始值和状况变量差错协方差矩阵初始值。

（2）状况变量猜测估量

a、状况向量猜测：

                  （6）

b、差错协方差矩阵猜测：

                （7）

式中为k时间的状况差错协方差矩阵；为体系进程噪声方差矩阵；下标k+1/k为根据k时间对k+1时间体系变量的递推成果。

3.2 GPR算法

高斯进程回归是运用高斯进程（Gaussian Process,GP）先验对数据进行回归剖析的非参数模型（non-parameteric model）。

GP是一个随机变量的调集，处理高维度、小样本和非线性复杂问题时，具有很好的适应能力。

给定的样本D={(xi,yi)}，其均值函数、协方差函数分别为m(x)、k(x,x')。高斯进程表示为

           （8）

4 SOC和SOH联合估量成果

用于电池SOC和SOH估量的电池数据来源于牛津大学供给的电池退化数据集和NASA随机运用数据集。本文只考虑SOH大于EOL时，SOC和SOH估量成果。选用平均绝对差错（Mean Absolute Error, MAE）和均方根差错（Root Mean Squared Error, RMSE）作为猜测作用的评判标准。

SOC的估量成果说明，与选用EKF独自估量SOC相比，本文选用联合估量的办法对电池SOC进行估量，能够实时依据电池SOC和充放电循环的改变在线辨识二阶RC等效电路的参数，并且依据SOH的改变实时调整最大可用容量，因此在电池老化的情况下，能较精确地跟从锂离子电池SOC的实践值。

5 定论

本文提出了一种根据等效电路模型和数据驱动模型交融的SOC和SOH联合估量办法。经过构建考虑老化和SOC的电池二阶RC等效电路模型，选用FFRLS算法，在不同SOC和SOH的情况下，对电池的参数进行在线辨识，完成电池参数在线辨识与电池SOC和SOH估量的耦合。以锂离子电池20%SOC恒流充电时间为输入，电池SOH值为输出，训练GPR模型，完成电池SOH估量。将输出的SOH估量值与电池的额外容量相乘，得到电池的实践容量，用于更新二阶RC电路空间状况方程，完成电池SOC的估量。选用牛津大学电池退化数据集和NASA随机运用数据集进行算法验证，成果表明，所提联合估量办法能够在电池的生命周期内较精确地跟从锂离子电池SOC和SOH的实在值。