基于EKF算法的动力锂离子电池SOC估计

doi:10.16628/j.cnki.2095-8188.2023.09.010

电器与能效管理技术 ›› 2023, Vol. 0 ›› Issue (9): 62-68.doi: 10.16628/j.cnki.2095-8188.2023.09.010

基于EKF算法的动力锂离子电池SOC估计

李堂, 黄康, 毛行奎, 张哲

福州大学电气工程与自动化学院, 福建福州 350108

收稿日期:2023-05-21 出版日期:2023-09-30 发布日期:2023-11-23
作者简介:李堂(1997—),男,硕士研究生,研究方向为电力电子变流技术。|黄康(1999—),男,硕士研究生,研究方向为电力电子变流技术。|毛行奎(1978—),男,教授,博士,研究方向为电力电子高频磁技术、新能源发电与储能技术和无线电能传输技术。
基金资助:
国家自然科学基金项目(51207025);国家自然科学基金项目(52107183)

SOC Estimation of Power Lithium-ion Battery Based on EKF Algorithm

LI Tang, HUANG Kang, MAO Xingkui, ZHANG Zhe

College of Electrical Engineering and Automation,Fuzhou University, Fuzhou 350108, China

Received:2023-05-21 Online:2023-09-30 Published:2023-11-23

摘要/Abstract

摘要：

为了解决新能源汽车中动力锂离子电池荷电状态(SOC)难以精确估计与预测的问题,首先选用二阶RC等效电路模型对锂离子电池进行建模,运用MATLAB/cftool工具箱和遗忘因子递推最小二乘法(FFRLS)两种方法对锂电池模型参数进行辨识。其次,通过扩展卡尔曼滤波(EKF)算法来提高SOC的估计精度。最后,搭建了电池管理系统(BMS)实验平台,在美国联邦城市驾驶工况(FUDS)下仿真和实验。仿真和实验结果表明FFRLS方法相较于利用cftool工具箱的参数辨识方法能够提高锂离子电池模型精度,且SOC估计精度高、收敛速度快,验证了锂离子电池二阶RC等效电路模型结合EKF算法估计锂离子电池SOC的准确性和有效性。

关键词: 荷电状态, 等效电路模型, 遗忘因子递推最小二乘法, 扩展卡尔曼滤波

Abstract:

In order to solve the problem of difficult to accurately estimate and predict the state of charge (SOC) of power lithium-ion batteries in new energy vehicles,a second-order RC equivalent circuit model is chosen to model lithium-ion battery firstly.MATLAB/cftool toolbox and the forgetting factor recursive least squares (FFRLS) are used to identify the parameters of the lithium-ion battery model.Secondly,the SOC estimation accuracy is improved by the extended Kalman filter (EKF) algorithm.Finally,the battery management system (BMS) experimental platform is built.The simulations and experiments are conducted under the federal urban driving schedule (FUDS) in the United States.The results show that the FFRLS method can improve the lithium-ion battery model accuracy compared with the parameter identification method fitted by the cftool toolbox,and the SOC estimation accuracy is high and the convergence speed is fast,which can verify the accuracy and effectiveness of the second-order RC equivalent circuit model of lithium-ion batteries combined with the EKF algorithm to estimate the SOC of lithium-ion batteries.

Key words: state of charge (SOC), equivalent circuit model, forgetting factor recursive least squares (FFRLS), extended Kalman filter (EKF)

中图分类号:

TM912

李堂, 黄康, 毛行奎, 张哲. 基于EKF算法的动力锂离子电池SOC估计[J]. 电器与能效管理技术, 2023, 0(9): 62-68.

LI Tang, HUANG Kang, MAO Xingkui, ZHANG Zhe. SOC Estimation of Power Lithium-ion Battery Based on EKF Algorithm[J]. LOW VOLTAGE APPARATUS, 2023, 0(9): 62-68.

图/表 9

图1

表1

图2

图3

表2

表3

图4

图5

图6

参考文献 19

[1]	舒印彪, 赵勇, 赵良, 等. “双碳”目标下我国能源电力低碳转型路径[J]. 中国电机工程报, 2023, 43(5):1663-1672.
[2]	赵可沦, 江境宏, 邓进, 等. 基于遗忘因子递推最小二乘法的锂电池等效电路模型参数辨识方法[J]. 电子测量技术, 2022, 45(16):87-92.
[3]	曹梓泉, 李雅欣, 马凌怡, 等. 基于锂电池的电氢混合储能系统研究[J]. 电器与能效管理技术, 2022(5):29-34.
[4]	RAHIMI-EICHI H, OJHA U, BARONTI F, et al. Battery management system:An overview of its application in the smart grid and electric vehicles[J]. IEEE Industrial Electronics Magazine, 2013 7(2):4-16.
[5]	李娟, 张柳丽, 田刚领, 等. 预制舱式储能系统充放电安全荷电状态区间分析[J]. 电器与能效管理技术, 2021(4):77-80,93.
[6]	步传宇, 姜昆, 任军, 等. 基于改进型ASRCKF算法的锂离子电池荷电状态估计[J]. 广东电力, 2020, 33(10):16-25.
[7]	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.
[8]	陈息坤, 孙冬. 锂离子电池建模及其参数辨识方法研究[J]. 中国电机工程学报, 2016, 36(22):6254-6261.
[9]	周文钊, 夏向阳, 陈彦余, 等. 基于滞环电压模型的锂离子电池SOC估计[J]. 电力电容器与无功补偿, 2022, 43(6):103-109.
[10]	田家益. 电动汽车锂电池参数在线辨识及 SOC 估算方法研究[D]. 天津: 河北工业大学, 2017.
[11]	付子健. 锂离子动力电池模型参数在线辨识及SOC估计[D]. 北京: 北京理工大学, 2018.
[12]	郭向伟, 邢程, 司阳, 等. RLS 锂电池全工况自适应等效电路模型[J]. 电工技术学报, 2022, 37(16):4029-4037.
[13]	李欢, 王顺利, 邹传云, 等. 基于Thevenin模型和自适应卡尔曼的SOC估算研究[J]. 自动化仪表, 2021, 42(1):46-51.
[14]	郝文美, 张立伟, 彭博, 等. 动车组钛酸锂电池荷电状态估计[J]. 电工技术学报, 2021, 36(增刊1):362-371.
[15]	武龙星, 庞辉, 晋佳敏, 等. 基于电化学模型的锂离子电池荷电状态估计方法综述[J]. 电工技术学报, 2022, 37(7):1703-1725.
[16]	WANG B, LIU Z, LI S E, et al. State-of-charge estimation for lithium-ion batteries based on a nonlinear fractional model[J]. IEEE Transactions on Control Systems Technology, 2016, 25(1):3-11. doi: 10.1109/TCST.2016.2557221
[17]	陈刚, 储建新, 潘炫霖, 等. 基于联合集合卡尔曼滤波的锂电池SOC估计[J]. 浙江电力, 2021, 40(1):123-130.
[18]	彭香园, 唐传雨, 孙金磊, 等. 基于扩展卡尔曼滤波及容量校准的锂电池 SOC 估计方法研究[J]. 电器与能效管理技术, 2020(5):51-56.
[19]	岳伟, 黄钰强, 徐佳宁, 等. 锂离子混合型电容器在线参数辨识方法研究[J]. 电器与能效管理技术, 2020(5):106-110.

参数	数值
标称容量/(Ah)	10
标称电压/V	3.2
充电截止电压/V	3.65
放电截止电压/V	2.4
工作温度/℃	-40~55

SOC	R₀/mΩ	R₁/mΩ	R₂/mΩ	C₁/F	C₂/F
0.1	3.20	1.17	3.23	5 743.96	4 334.37
0.2	2.97	5.46	3.35	3 033.65	4 179.11
0.3	2.50	3.35	3.48	3 209.35	4 024.15
0.4	2.30	4.09	5.19	3 929.96	2 697.50
0.5	2.16	3.83	2.16	4 050.37	6 487.49
0.6	2.04	3.61	3.31	4 156.50	4 227.05
0.7	1.96	1.10	3.61	14 625.23	3 985.28
0.8	1.86	3.86	2.89	4 142.93	4 619.88
0.9	1.78	3.46	3.09	5 017.96	4 533.68
1.0	1.95	2.55	3.51	2 313.61	4 145.14

SOC	R₀/mΩ	R₁/mΩ	R₂/mΩ	C₁/F	C₂/F
0.1	2.22	4.99	0.55	8 024.74	1 832.47
0.2	2.05	4.82	0.35	8 297.78	2 397.46
0.3	1.93	4.73	0.30	8 370.51	2 728.25
0.4	1.84	4.43	0.31	8 555.39	3 011.83
0.5	1.78	4.16	0.32	8 992.82	3 354.29
0.6	1.72	3.55	0.33	8 971.54	3 686.41
0.7	1.67	3.62	0.38	9 649.81	3 987.28
0.8	1.63	3.87	0.40	9 121.60	4 147.96
0.9	1.61	3.75	0.42	9 102.63	4 252.74
1.0	1.91	1.55	3.36	8 775.94	1 363.68

基于EKF算法的动力锂离子电池SOC估计

SOC Estimation of Power Lithium-ion Battery Based on EKF Algorithm

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 9

参考文献 19

相关文章 8

编辑推荐

Metrics

本文评价

[1]	许守平, 胡娟, 付珊珊, 陈娟. 基于GRA-MEA-BP算法的锂电池SOC估计方法研究[J]. 电器与能效管理技术, 2023, 0(9): 55-61.
[2]	曾其权, 张淑兴. 磷酸铁锂电池老化研究探讨[J]. 电器与能效管理技术, 2023, 0(5): 65-71.
[3]	宋冬冬, 耿丽君, 崔丽娜, 吕雪姣, 杨爽晗. 基于多维查表法的电池模型研究[J]. 电器与能效管理技术, 2023, 0(5): 72-78.
[4]	李娟, 张柳丽, 田刚领, 阮鹏. 预制舱式储能系统充放电安全荷电状态区间分析[J]. 电器与能效管理技术, 2021, 0(4): 77-80.
[5]	郑熙东, 江修波. 基于集合经验模态分解的混合储能系统功率分配[J]. 电器与能效管理技术, 2020, 0(5): 21-27.
[6]	李文启, 高东学, 李朝晖, 饶宇飞, 顾波. 基于LSTM-NPKDE的锂离子电池SOC预测与不确定分析^*[J]. 电器与能效管理技术, 2020, 0(5): 44-50.
[7]	彭香园, 唐传雨, 孙金磊, 刘钊. 基于扩展卡尔曼滤波及容量校准的锂电池SOC估计方法研究^*[J]. 电器与能效管理技术, 2020, 0(5): 51-56.
[8]	岳伟, 黄钰强, 徐佳宁, 朱春波, 李晓宇. 锂离子混合型电容器在线参数辨识方法研究[J]. 电器与能效管理技术, 2020, 0(5): 106-110.