一种基于BCRLS偏差补偿的BP-EKF在线SOC估算方法

一种基于bcrls偏差补偿的bp-ekf在线soc估算方法
技术领域
1.本发明涉及一种bcrls偏差补偿的bp-ekf在线soc估算方法，该方法针对锂离子电池组soc值的精确估算目标，提出了一种基于bcrls偏差补偿的bp-ekf方法，通过在ekf算法基础上引入bp神经网络，从而借助bp神经网络强大的非线性映射与自学习能力解决ekf算法的模型误差问题，能应用于具有非线性关系的锂离子电池组soc估算，实现了锂离子电池组soc值的有效迭代计算；考虑到锂电池使用过程中会有大量不确定噪声，在遗忘因子递推最小二乘法的基础上增加偏差补偿，以更好的捕捉系统的实时工作特性；建立二阶rc等效电路模型，在thevenin等效电路模型的基础上增加一个rc回路，以更好的表征电池系统的动态和静态特性，且计算量适中；在电池等效电路模型基础上运用bp神经网络修正扩展卡尔曼滤波实现锂离子电池组soc估算模型的建立和soc值的数学迭代运算；该方法是一种基于现代控制理论的锂离子电池组状态估算方法，属于新能源测控领域。


背景技术：

2.在锂离子电池组的整个生命周期中，电池管理系统（battery management system，bms）对核心参数soc的监控和调节将影响应急动力输出的效果和安全性；因此，实时监测该参数的变化，并基于此保障锂离子电池组的工作性能是非常必要的；由于bms中的成组soc估算技术尚不成熟，使用过程中存在的安全隐患严重制约了锂离子电池组的发展；对于锂离子电池组而言，可靠的bms管理依靠准确的soc值；在该值已知的情况下，不仅对其进行可靠能量管理和安全控制，而且还避免锂离子电池组的提前损坏，延长其使用寿命；因此，精确估算soc值，对保障锂离子电池组的工作性能及其能量和安全管理至关重要；锂离子电池组的soc估算模型构建和精确估算值的获取，已成为其能量和安全管理的核心问题；锂离子电池组由具有高能量密度和闭路电压的钴酸锂电池单体组合构成，其安全性受到所处工作状态的影响；soc表征了锂离子电池组的剩余容量，是电池管理系统最基本也是最重要的一个关键参数；此外，锂离子电池组的充放电过程包含复杂电能、化学能和热能转换等环节，过充电和过放电现象易引发安全事故，精确soc估算在防止过充电和过放电中起着重要作用；在锂离子电池组的应用中，其安全性依然是最为关注的问题，soc估算是其安全使用的基础和前提；锂离子电池组采用电池单体级联结构，满足了辅助动力供能过程中的容量和电压需求；然而，由于无法避免的材料和工艺差异，单体间不一致现象客观存在且无法避免；并且，该现象会随着循环次数的增加越来越明显，这就使得单体间不一致性的表达与修正成为成组soc估算的重要组成部分，同时也给成组soc精确估算带来了巨大的挑战。
3.针对soc估算的必要性和紧迫性需求，相关研究机构和高校，如麻省理工学院、宾州州立大学、美国南卡大学、英国利兹大学、英国罗伯特高登大学、美国国家可再生能源室、美国莱登能源公司、德国英飞凌科技公司、清华大学、北京航空航天大学、北京理工大学、北京交通大学、重庆大学、中国科学技术大学和哈尔滨工业大学等，针对soc估算展开了大量研究并进行了深入的探索；国内外很多期刊，如journal of power sources、applied energy、ieee transactions on power systems和电源技术等，设立了针对性很强的栏目
用于相关研究成果展示；针对锂离子电池的soc估算问题，目前国内外相关研究工作者取得了巨大研究进展；如hu等所述，现在主要有安时积分法（ampere hour，ah）、开路电压法（open circuit voltage，ocv）、卡尔曼滤波及其扩展算法、粒子滤波法（particle filter，pf）和神经网络法（neural network，nn）等；由于受充放电电流、温度、内阻、自放电和老化等诸多因素的影响，锂离子电池性能变化将会对soc估算精度产生明显的影响，尚无通用的方法实现soc值的精确估算；加上成组工作过程中单体间一致性的影响，锂离子电池组仍然缺少有效的soc估算方法；目前实际应用的soc估算通过基本的安时积分方法实现，但是估算误差较大，并且受到诸多因素的影响使得累积效应明显；针对锂离子电池组的soc估算研究，上述相关研究提供了思路参考；在此基础上进行航空工况下的soc估算方法探索，实现对锂离子电池组的有效soc估算；同时，针对航空成组应用，需要考虑组内各电池单体平衡状态进行soc估算，进而利用bms进行有效能量管理；构建具有参数修正和调节能力的soc估算模型，运用基于等效电路模型的参数估算理论，成为soc估算发展的趋势，在提高精度和降低计算量间寻求最佳平衡点，不断优化和改进估算方法。
4.现有锂离子电池组bms应用中，基于安时积分和开路电压的soc估算方法，未能准确表征soc估算中存在的累积误差，并且不能结合当前状态进行参数修正；通过现有soc估算方法分析，基于bcrls偏差补偿的bp-ekf算法研究，把闭路电压、电流作为实时输入参量，在soc估算过程中考虑锂离子电池组的工况信息，克服了传统soc估算方法实时修正不足所造成的误差较大和逐渐累积等缺点；同时针对扩展卡尔曼滤波算法在处理非线性系统时忽略了泰勒展开的高阶项，存在一定的模型误差的缺点，引入bp神经网络修正ekf的估计误差；针对锂电池使用过程中会时刻有大量的不确定噪声影响，故而会导致ffrls所辨识的结果不再具有无偏性的问题，在ffrls算法的基础上增加偏差补偿，以更好的捕捉系统的实时工作特性。针对锂离子电池组的soc估算问题，结合卡尔曼滤波的迭代计算过程的优势分析，提出基于bcrls偏差补偿的bp-ekf算法并开展迭代计算方法研究，实现了soc估算模型的构建与实验验证。


技术实现要素：

5.本发明的目的是克服现有锂离子电池组soc估算方法的不足，提出一种基于bcrls偏差补偿的bp-ekf在线soc估算方法，解决锂离子电池成组应用中soc值精确估算问题。
6.本发明为解决上述提出问题，主要通过以下技术方案实现：一种基于bcrls偏差补偿的bp-ekf在线soc估算方法，引入偏差补偿递归最小二乘法进行在线参数辨识，提出bp神经网络修正ekf算法，通过二阶rc等效模型，实现了扩展卡尔曼滤波对锂离子电池组soc值的有效迭代计算，通过bp神经网络解决了ekf算法的模型误差问题。
7.在上述技术方案中，在遗忘因子递推最小二乘法的基础上增加偏差补偿，以更好的捕捉系统的实时工作特性；通过ekf算法收敛速度快，估计结果稳定与bp神经网络强大的非线性处理能力，实现了对锂离子电池组soc值的有效迭代计算，有效克服ekf算法存在的模型误差。
8.在上述技术方案中，在thevenin等效电路模型的基础上增加一个rc回路，以更好的表征电池系统的动态和静态特性，且计算量适中。
9.在上述技术方案中，该方法在充分考虑锂离子电池成组工作基础上，基于二阶rc等效模型电路，以bp神经网络联合扩展卡尔曼滤波为基础的迭代计算过程，实现锂离子电池组soc估算模型的建立和soc值的数学迭代运算算法的可靠运行。
10.本发明主要用于求取锂离子电池组soc估算，通过引入bp神经网络，解决了扩展卡尔曼滤波在处理非线性系统时忽略了泰勒展开的高阶项造成的模型误差问题，并考虑到锂电池使用过程中会有大量不确定噪声，在遗忘因子递推最小二乘法的基础上增加偏差补偿，以更好的捕捉系统的实时工作特性，实现了锂离子电池组soc值的有效迭代计算，并增加了估算精度和稳定性。
11.本发明是基于锂离子电池组动力应用需求和工作特性实验分析，结合现代控制理论研究思想，基于bcrls偏差补偿的bp-ekf锂离子电池组soc估算方法，具有较强的适用性；针对锂离子电池组soc值精确估算目标，本发明建立二阶rc等效电路模型，在thevenin等效电路模型的基础上增加一个rc回路，以更好的表征电池系统的动态和静态特性，且计算量适中；针对扩展卡尔曼滤波算法在处理非线性系统时忽略了泰勒展开的高阶项，存在一定的模型误差的缺点，引入bp神经网络修正ekf的估计误差，实现了成组soc估算的数学描述，提高了计算可靠性；通过在遗忘因子递推最小二乘法的基础上增加偏差补偿，以更好的捕捉系统的实时工作特性，提高系统的实时估计能力；本发明可为不同应用场景下的锂离子电池组soc估算模型的建立和soc值计算提供方法参考，具有计算简洁、适应性好和精度高的优点。
附图说明
12.图1 是本发明锂离子电池组soc估算模型结构示意图。
13.图2 是本发明锂离子电池组soc估算迭代过程示意图。
具体实施方式
14.以下将对本发明基于bcrls偏差补偿的bp-ekf锂离子电池组soc估算方法结合附图作进一步的详细描述；本发明针对锂离子电池成组应用时的soc估算问题，提出了一种锂离子电池组基于bcrls偏差补偿的bp-ekf锂离子电池组soc估算方法，通过基于hppc测试的精确参数辨识和构建仿真模型，实现了锂离子电池成组soc估算的有效表征；基于bcrls偏差补偿的bp-ekf锂离子电池组soc估算方法在hppc测试的基础上，通过曲线拟合获得soc值与模型内部各个参数的函数关系；基于bcrls偏差补偿的bp-ekf锂离子电池组soc估算方法在获得精确电路模型的基础上，对非线性函数的泰勒展开式进行一阶线性化处理，并引入bp神经网络对其进行修正，从而解决了扩展卡尔曼滤波存在的模型误差问题；考虑到锂电池使用过程中会有大量不确定噪声，在遗忘因子递推最小二乘法的基础上增加偏差补偿，以更好的捕捉系统的实时工作特性；该方法在充分考虑锂离子电池成组工作基础上，结合soc估算的建立，实现对锂离子电池组充放电过程特性的数学表达，构造基于bcrls偏差补偿的bp-ekf锂离子电池组soc估算方案；为了更好地体现本发明，在本实施例中仅以锂离子电池组为例进行说明，但本领域技术人员应该熟知，根据本发明的技术思想可以实现多种锂离子电池组的基于bcrls偏差补偿的bp-ekf锂离子电池组soc估算；以下对基于bcrls偏差补偿的bp-ekf锂离子电池组soc估算方法的实现步骤进行详细说明。
15.针对锂电池使用过程中会有大量不确定噪声，在遗忘因子递推最小二乘法的基础上增加偏差补偿，以更好的捕捉系统的实时工作特性针；具体方法如下：1）参数初始化2）误差估计3）增益矩阵计算4）参数估计5）误差准则值计算6）噪声方差估计7）协方差矩阵更新8）参数偏差补偿计算其中表示ffrls的估计参数，表示偏差补偿后的估计参数，k为增益矩阵，p为协方差矩阵，j为输出误差准则函数，i0为单位矩阵，e为新息矩阵，为噪声方差，λ为相关矩阵，为正数，当初始参数未知时较大，已知时较小。
16.针对提髙soc估算精度目标，引入bp神经网络对扩展卡尔曼滤波的模型误差进行修正，以便于运用卡尔曼滤波算法进行soc估计；结合锂离子电池组的状态空间模型，基于扩展卡尔曼的迭代计算，实现soc值的迭代计算；通过把soc作为其状态方程中的变量，输出闭路电压作为观测方程的变量，构建状态方程和观测方程表达式；soc(k)为状态变量，是k时刻的soc值；u
l
(k)为工作电压输出观测变量；状态方程系数a为系统矩阵，b为控制输入矩阵；h为观测矩阵，初始值为[001]；系统噪声参数w(k)和观测噪声参数v(k)均为高斯白噪声，协方差分别为q和r；u
l
(k)为考虑测量误差v(k)影响的电压信号输出；通过迭代计算，从上一个状态值soc(k-1)、输入信号i(k)和测量信号u
l
(k)计算出卡尔曼模型的估算值soc(k)；利用bp神经网络强大的自学习能力弥补扩展卡尔曼滤波处理非线性问题时忽略的泰勒高阶项，进而修正扩展卡尔曼滤波输出的soc值，对于不同时刻的k值，具有高斯白噪声w(k)的随机向量soc和具有高斯白噪声v(k)的观测变量u
l
(k)构成离散时间非线性系统；通过把该估算框架应用于估算过程中，构建锂离子电池组soc估算模型如图1所示。电池状态空间模型如下所示：
针对不同时刻k，该soc估算过程包括融合高斯白噪声w(k)的随机状态变量soc，以及融入高斯白噪声v(k)的观测随机变量u
l
(k)；f(*)是一个非线性状态方程，用于描述锂离子电池组的soc状态；g(*)是一个非线性观测方程，用于描述输出闭路电压的特征；噪声矩阵w(k)的方差使用q进行描述，噪声矩阵v(k)的方差使用r进行描述；在随机噪声的影响下，针对锂离子电池组soc精确估算目标，不同时刻k的估算通过以下步骤实现。
[0017]
图1中，s0为bcrls参数辨识过程，s1阶段表示状态方程的计算过程，s2阶段表示观测方程的计算过程，s3为bp神经网络修正过程；为了使估算过程具有更好的稳定性和更高的精度，将bp神经网络引入soc估算过程，通过对与soc值相关的参量进行训练，修正ekf算法的估计误差，进一步提高soc值的估计精度。
[0018]
1）：状态预测2）：协方差预测3）：计算卡尔曼增益4）：状态更新5）：更新噪声协方差6）：计算soc估计误差7)：bp神经网络训练将k、u1、u2和x作为神经网络的输入，err作为神经网络的输出，对bp网络进行训练8）：bp修正ekf算法后的输出在锂离子电池组soc估算过程中，其迭代过程如图2所示，通过以上一系列公式进行迭代，得系统状态变量的最优估计soc值；该方法基于ekf框架实现迭代计算过程，通过以上迭代过程，基于bcrls偏差补偿的bp-ekf算法，实现了锂离子电池组的soc估算模型构建。传统卡尔曼滤波算法忽略了泰勒高阶项，本算法提出的bp神经网络修正原理在该方面做出巨大改进，修正了ekf的模型误差，同时在遗忘因子递推最小二乘法的基础上增加偏差补偿能更好的捕捉系统的实时工作特性，使soc估计值精准度和实时性得到有效提升。
[0019]
综上所述，本发明针对锂离子电池组精确soc估算目标，综合考虑估算精度和计算复杂度及算法的稳定性，提出基于bcrls偏差补偿的bp-ekf锂离子电池组soc估算方法，在充分考虑锂离子电池成组工作基础上，结合soc估算模型的建立，实现对锂离子电池组soc估算的迭代计算，为锂离子电池组soc估算和工作状态实时监测提供基础。
[0020]
本发明的以上实施例仅以锂离子电池组为例进行了基于bcrls偏差补偿的bp-ekf锂离子电池组soc估算的说明，但可以理解的是，在不脱离本发明精神和范围下本领域技术人员可以对其进行任意的改变和变化。

技术特征：
1.一种基于bcrls偏差补偿的bp-ekf在线soc估算方法，其特征在于，引入bcrls进行在线参数辨识，提出bp神经网络修正ekf的算法，通过二阶rc等效模型，实现了ekf对锂离子电池组soc值的有效迭代计算。2.根据权利要求1所述的一种基于bcrls偏差补偿的bp-ekf在线soc估算方法，其特征在于，在遗忘因子递推最小二乘法（ffrls）的基础上增加偏差补偿，以更好的捕捉系统的实时工作特性；通过ekf收敛速度快、估计结果稳定与bp神经网络强大的非线性处理能力，实现了对锂离子电池组soc值的有效迭代计算，克服ekf算法存在的模型误差。3.权利要求1所述的一种基于bcrls偏差补偿的bp-ekf在线soc估算方法，其特征在于，在thevenin等效电路模型的基础上增加一个rc回路，以更好的表征电池系统的动态和静态特性，且计算量适中。4.根据权利要求1所述的一种基于bcrls偏差补偿的bp-ekf在线soc估算方法，其特征在于，该方法在充分考虑锂离子电池成组工作基础上，基于二阶rc等效模型电路，以bp-ekf为基础的迭代计算过程，实现锂离子电池组soc估算模型的建立和soc值的数学迭代运算算法的可靠运行。

技术总结
本发明涉及一种基于BCRLS偏差补偿的BP-EKF在线SOC估算方法，其特征在于，通过在EKF算法基础上引入具有非线性映射与自学习能力的BP神经网络以修正EKF的模型误差，能应用于具有非线性关系的锂离子电池组SOC估算，实现了对锂离子电池组SOC值的有效迭代计算；考虑到实际环境中会有大量不确定噪声，采用BCRLS算法进行参数辨识以更好的捕捉系统的实时工作特性；建立二阶RC等效电路模型，在Thevenin等效电路模型的基础上增加一个RC回路，以更好的表征电池系统的动态和静态特性，且计算量适中；该方法在充分考虑锂离子电池成组工作基础上，基于等效模型电路，改进以卡尔曼滤波为基础的迭代计算过程，实现锂离子电池组SOC估算模型的建立和SOC值的数学迭代运算算法的可靠运行。运行。


技术研发人员：王超 王顺利 乔家璐 谢滟馨 陈蕾 周金治 于春梅 范永存 曹文
受保护的技术使用者：西南科技大学
技术研发日：2022.03.01
技术公布日：2023/9/11