Professional Documents
Culture Documents
An Estimation Method For Lithium-Ion Battery SOC of Special Robots Based On Thevenin Model and Improved Extended Kalman
An Estimation Method For Lithium-Ion Battery SOC of Special Robots Based On Thevenin Model and Improved Extended Kalman
2
2021 年 3 月 Energy Storage Science and Technology Mar. 2021
储能测试与评价
基于 Thevenin 模型和改进扩展卡尔曼的特种机器人锂离子电池
SOC 估算方法
熊 然,王顺利,于春梅,夏黎黎
(西南科技大学信息工程学院,四川 绵阳 621010)
摘 要:特种机器人由于其复杂的工作环境,要求使用精度高、追踪能力强的荷电状态(state of charge,SOC)
估算方法对特种机器人锂离子电池进行实时状态监测及安全控制。SOC 是电池管理系统中最重要的参数之一。
由于特种机器人工作环境具有强烈的非线性特征,考虑到常用的安时积分法十分依赖初期 SOC 准确性且在估算
后期会积累误差。因此,针对特种机器人的工作特性,以三元锂离子电池为研究对象,在 Thevenin 等效电路模
型及多种工况实验的基础上,利用一种改进扩展卡尔曼滤波(improved extended Kalman filter,IEKF)算法在
10、25 以及 35 ℃下对锂离子电池进行 SOC 估算。在 MATLAB/Simulink 中搭建仿真模型并结合多种工况数据进
行性能分析。实验结果表明,利用 IEKF 算法估算三元锂离子电池的 SOC 值有较好的追踪与收敛效果,且收敛
时间在 80 s 以内。在不同温度下,IEKF 算法收敛后 HPPC 工况和 BBDST 工况的最大估算误差分别低于 2.235%
及 3.004%,小于扩展卡尔曼滤波(extended Kalman filter,EKF)算法对应最大估算误差(9.067% 和 4.654%)。
本研究验证了 IEKF 算法在估算锂离子电池 SOC 时具有较高的精度,为有效解决特种机器人锂离子电池 SOC 值
无法精准估算的问题提供了实验依据。
关键词:特种机器人;锂离子电池;Thevenin 等效电路模型;荷电状态;扩展卡尔曼滤波算法;不同温度
doi:10.19799/j.cnki.2095-4239.2020.0397
中图分类号:TM 912 文献标志码:A 文章编号:2095-4239 (2021) 02-695-10
Abstract: Because of the complex working environment of special robots, a state of charge
(SOC) estimation method with high precision and strong tracking ability is required for real-
time state monitoring and safety control of lithium-ion batteries of special robots. SOC is one
of the most important parameters in battery management systems. The working environment
of special robots has strong nonlinear characteristics, considering that the commonly used
ampere-hour integration method depends heavily on the accuracy of the initial SOC and
accumulates errors in the later stages of estimation. Therefore, considering the working
characteristics of special robots, a ternary lithium-ion battery is taken as the research object
收稿日期:2020-12-07;修改稿日期:2020-12-25。 技术,E-mail:438394119@qq.com;通信作者:王顺利,教授,研究
基金项目:国家自然科学基金项目(61801407),四川省科技厅重点研 方向为信号检测与估计、抗干扰处理、控制策略、人工智能和智能计算
发项目 (2018GZ0390,2019YFG0427),四川省教育厅科研项目 研究,针对特殊环境机器人安全可靠供能等典型工况需求,进行全寿命
(17ZB0453),西南科技大学素质类教改(青年发展研究)专项项目 周 期 动 力 锂 电 池 组 的 状 态 测 控 理 论 探 索 及 产 业 化 应 用 , E-mail:
(18xnsu12)。 497420789@qq.com。
第一作者:熊然(1997―),男,硕士研究生,研究方向为新能源测控
696 储 能 科 学 与 技 术 2021 年第 10 卷
based on the Thevenin equivalent circuit model and experiments under various operating
conditions. An improved extended Kalman filter (IEKF) algorithm is used to estimate the SOC
of lithium-ion batteries at 10 ℃, 25 ℃, and 35 ℃. The simulation model is built in MATLAB/
Simulink and combined with various working condition data for performance analysis. The
experimental results show that using the IEKF algorithm to estimate the SOC value of ternary
lithium-ion batteries has a good tracking and convergence effect, and the convergence time is
within 80 s. At different temperatures, the maximum estimation errors of the HPPC and
BBDST conditions are less than 2.235% and 3.004%, respectively, after convergence, which
9.067% and 4.654% less than those of the corresponding maximum estimation errors of the
extended Kalman filter (EKF) algorithm. This study verifies that the IEKF algorithm has high
accuracy in estimating the SOC of lithium-ion batteries, and it provides an experimental basis
for effectively resolving the inaccurate estimation of the SOC values of lithium-ion batteries of
special robots.
Key words: special robots; lithium-ion batteries; Thevenin equivalent circuit model; state of
charge; improved extended Kalman filter algorithm; different temperatures
21 世纪能源匮乏和环境污染是阻碍人类可持 复杂工况条件下易受到外部环境的影响,且锂电池
续发展的两座大山,发展清洁能源是改善能源结 在使用过程中内部电化学反应复杂,常伴随有极化
构、保障能源安全、推进生态文明建设的重要任 效应、欧姆效应等,难以用常规算法对其数学模型
[1]
务 。近年来,随着锂离子电池内部正负极、隔膜 进行量化和分析[12]。基于上述锂离子电池 SOC 估
和电解液等材料的不断优化改进,工作性能高速发 算问题,近年提出了一些新的 SOC 估算方法,如
展,使得锂电池大量运用在新能源汽车、航空、分 扩展卡尔曼滤波算法、无迹卡尔曼滤波算法和自适
布式储能和特种机器人等领域[2],锂电池是特种机 应卡尔曼滤波算法等。其中,扩展卡尔曼滤波算法
器人的关键部件[3]。为避免因过度充电和放电而导 的基本思想就是将非线性系统的状态方程进行线性
致的安全问题,建立可持续监测锂离子电池状态的 化,并利用泰勒公式,将非线性离散函数展开,使
电池管理系统(battery management system,BMS) 公式线性化再用卡尔曼滤波算法进行处理。本文中
十分必要[4-5]。精确估算电池的 SOC 能有效防止电
的 IEKF 算法是针对扩展卡尔曼滤波算法在低 SOC
池过充和过放,延长电池使用寿命[6]。精确估算锂
阶段估算误差较大的现象提出的一种改进方法。
离子电池 SOC 在 BMS 中起着至关重要的作用。构
本文研究的目的是验证特种机器人锂离子电池
建等效模型可以针对电池动态特性进行分析,但由
SOC 在 IEKF 算法下的估算结果是否精准。针对三
于锂电池内部结构复杂且时常表现出强烈的非线性
元锂离子电池的工作特性,建立 Thevenin 等效电
特性,使得常规等效模型很难完整表征锂电池内部
路模型,在多种工况条件下采用 EKF 算法和 IEKF
特性[7]。因此,建立合适的等效模型来分析锂离子
算法对锂离子电池 SOC 进行估算。在此基础上对
电池内部动态工作特性,对于控制、监测锂离子电
比两个算法的估算结果,以验证 IEKF 算法的改进
池性能具有重要的意义。
效果。
文献报道中常见的电池模型主要有电化学模
型、人工神经网络模型及等效电路模型等[8-9]。目前
1 理论分析
国际上常用的电池 SOC 估算方法有安时积分法、
开路电压法、神经网络法、卡尔曼滤波法及相应的 1.1 等效电路模型
多种扩展形式的方法等,国内外对 SOC 的估算方 为了方便地准确估算锂离子电池的荷电状态,
法也进行了不同优化和改进 [10-11]
。锂电池充放电过 选择合适的电池等效电路模型进行构建是一个重要
程是一个复杂的非线性过程,其 SOC 估算精度在 的过程。电池内部动态特性的表征形式及准确度会
第2期 熊 然等:基于 Thevenin 模型和改进扩展卡尔曼的特种机器人锂离子电池 SOC 估算方法697
∫
t
度复杂的非线性电化学储能装置,很难精确地描述 I ( t ) ηdt
t0
控制过程中发生的相互作用和反应。目前常见的电 SOC t = SOC t0 - (2)
Q0
池模型包括电化学模型、神经网络模型以及等效电
式中,Q0 为电池额定容量;η 为库仑效率系
路模型等。电化学模型的建模难度和计算复杂程度
数;I 为充放电电流,以放电方向为正方向。利用
大,系统的计算能力可能达不到理论要求,不适用
现代控制理论知识,可将等效模型离散化处理。结
于工程应用。神经网络模型需要大量的实验工况数
合式(2),选取状态空间变量 xk=[SOCk,U1,k]T,输入
据才能进行电池荷电状态的估算,操作不当易出现
变量 Uk=[Ik],输出变量 yk=[U0,k]。可获得离散状态空
较大误差。而等效电路模型则是利用电路反应来模
间方程式和观测方程式
拟电池内部的反应。
ì é1 0 ù SOC
ïéêSOC k + 1 ùú = ê ú éê kù
Thevenin 模型是一个结构简单的等效电路模
型,其能够较准确地表征锂离子电池内部动态特
ïë U
ïï
ïï
1,k + 1 û
ê
ë ( )
0 exp -Δt τ p ú ëU 0,k + 1 û
û
ú+
ï é -Δt Q N ù
性,并且满足了一般工程应用的需求。Thevenin ï ê ú
í ê éw 1,k ù (3)
úú I k + êëw úû
模型使用串联电阻和一个 RC 回路来模拟电池内部
ï
ï
ïï
ê é
(
êR p 1 - exp -T τ p ú
ë ë
ù
ûû ) 2,k
图 1 Thevenin 等效电路模型
条件下,对电池进行混合动力充放电实验(hybrid
Fig. 1 Thevenin equivalent circuit model pulse power characterization,HPPC),通过分析
锂离子电池在不同工作阶段中的工作特性曲线来辨
图中,Uoc 为开路电压;R0 为电池内阻;Rp 为
识 Thevenin 模型各参数。如图 2 所示为 HPPC 实验
极化电阻;Cp 为极化电容;UL 为电池端电压。R0 可
的一次循环充放电过程。
以反映充放电过程中电池电压的瞬时变化。Rp 和 Cp
由图可知,在放电开始的 U1~U2 阶段,欧姆内
可以反映充放电后电池电压的逐渐变化以及电池内
阻引起电池端电压发生骤降。在放电结束的 U3~U4
部 的 极 化 效 应 。 根 据 Kirchhoff 定 律 , 可 以 从
Thevenin 模型获得等效电路表达式
ìU L = U oc - U 0 - U p
ï
íI ( t ) = C dU p + U p (1)
ï p
dt Rp
î
式中,Uoc、R0、Rp、Cp 以及 UL 与图 1 中所对
应的变量物理含义一致。Up 代表 Rp、Cp 两端的电
压,I 代表 Thevenin 等效电路中的实时电流。其 图 2 锂离子电池的一次 HPPC 循环
中,开路电压 Uoc 可由状态变量 SOC 来进行表征, Fig. 2 One HPPC cycle of lithium-ion battery
698 储 能 科 学 与 技 术 2021 年第 10 卷
R0 =
| ΔU | + | ΔU | = U
1 2 1 - U2 + U4 - U3
(4)
展其在非线性系统中的应用,即对非线性函数 f 和
2I 2I h 进行一阶泰勒级数展开,其结果被认为是在 k 时
由图 2 可知,U2~U3 阶段为 RC 回路中极化电 间点的最佳估计值。展开结果如式(8)所示。
容充电,电压缓慢下降,此时为 RC 回路的零状态 ì |
ïf X ,k ≈ f X̂ ,k + ∂f X k,k || ( )
响应。端电压达到 U3 之后电池停止放电,欧姆内阻 ï k( ) k (
∂X k |
) X k - X̂ k ( )
ï | X = X̂
不再影响等效电路,电池电压发生突变。U2~U3 阶 ï k k
í (8)
段电池端电压如式(5)所示。 ï ∂h X k,k | |
( )
( )
ïh X ,k ≈ h X̂ ,k +
ï ∂X k
( |
| ) X k - X̂ k ( )
U L = U oc - IR 0 - IR p [ 1 - exp ( -t τ ) ]
k k
(5) ï | X = X̂
î k k
U L = U oc - IR p exp ( -t τ ) (6) ( )
∂h X k,k ||
式中,Rp 为极化电阻;R0 为电池内阻;Uoc 为 ∂X k
|
| (
,D k = h X̂ k,k - C k X̂ k ) (9)
|X = X̂ k
开路电压;τ 为时间常数且 τp=RpCp,其中 Cp 为极化
k
将 Ak、Bk、Ck 和 Dk 进行一系列线性变化之后,
电容。
非线性系统被转化为线性系统,并且转化后的线性
1.3 改进扩展卡尔曼算法
系 统 只 与 状 态 变 量 有 关 。 式 (8) 可 由 式 (10) 线 性
经典卡尔曼滤波算法在时域内进行估算,没有
表示。
进行时域和频域的相互转换,因此计算量小且实时
估算效果好,其常用于线性系统。而现实中的系统 {XZ k+1
k+1
= Ak Xk + Bk + wk
= Ck Xk + Dk + vk
(10)
曼滤波算法通过线性化非线性状态空间模型来估计 量及其方差的方程如式(11)所示。
{ X (0) = E [ X (0) ]
非线性系统,以此用来实现精确的状态估算。扩展
卡尔曼算法是一种结合概率论的数学方法,其基本 (11)
P ( 0 ) = Var [ X ( 0 ) ]
思想是根据最小方差对系统状态进行最优估计,其
将式(10)应用于离散化模型,对状态空间方程
原理是将信号和噪声的状态空间模型相结合。扩展
应用卡尔曼算法进行预测估算,能够获得扩展卡尔
卡尔曼算法是对经典卡尔曼算法的改进。在该算法
曼算法的递推过程如式(12)所示。
中,将状态转移函数和测量函数进行一阶泰勒展
开,忽略高阶项对系统的影响,得到近似的线性空
ìX̂ k- - 1 = f X̂ k
ï ( )
ï -
ïP̂ k - 1 = A k P̂ A Tk + Q k + 1
间方程,然后再根据经典卡尔曼滤波算法对其进行 ï
ïK
( )
-1
í k + 1 = P̂ k + 1C k + 1 C k + 1 P̂ k + 1C k + 1 + R k + 1
- T - T
运算,适用于离散非线性系统。离散非线性系统状 (12)
ï
态方程和观测方程如式(7)所示。 ï k + 1 = Xk + 1 + Kk + 1 Zk + 1 - h (Xk + 1)
ïX̂ -
[-
]
{
ï
(
X k + 1 = f X k,k + w k) ïP̂ [
î k + 1 = I - K k + 1C k + 1 P k + 1
-
]
(7)
( )
Z k = h X k,k + v k 式中,X̂ k- - 1 为 k+1 时刻根据状态空间模型及上
式中,第 1 个等式表示状态方程,第 2 个等式 一时刻 X̂ k 直接计算出来的先验状态向量值; P̂ k- - 1
表示观测方程。k 为离散时间;Xk 为状态向量;Zk 为对应的先验协方误差矩阵;Kk+1 为对应的卡尔曼
第2期 熊 然等:基于 Thevenin 模型和改进扩展卡尔曼的特种机器人锂离子电池 SOC 估算方法699
ï
估计值 X̂ k + 1 和 P̂ k + 1,即后验状态向量和后验协方 ï
( )
-1
T T
íK k = P kC k C k P kC k + R k (16)
误差);I 为 n×m 单位阵;Q 和 R 分别为 w 和 v 的方 ï
{ x (k | k - 1) = Ak - 1 x (k - 1) + Bk - 1 ik - 1 + wk
( )
z k = h x k - 1,i k - 1 + v k = U oc - R 1 i k - u k + v k
(14)
差,在工况实验中甚至出现估算结果为负值的现
象。经过理论分析,上述现象出现的原因为:
将式(14)经过一阶泰勒展开线性化处理后,可 (1)EKF 算法所得的解并不是全局最优解而仅
得到 Thevenin 等效电路模型在式(9)中对应的 Ak、 是局部最优解,会导致估算误差积累,导致 SOC
B 和 C 的值如式(15)所示。其中 A 为状态转移矩 值在估算后期越来越偏离实际值,出现估算误差较
k k k
( )
为避免上述现象的发生,在锂离子电池容量低
( )
1 0 -t Q 0
 k = ,B̂ k = , 于 40% 的区域可采用安时积分法进行估算。但安
0 exp ( -t τ ) R p [ 1 - exp ( -t τ ) ]
时积分法十分依赖 SOC 初值且会随着时间的推移
Ĉ k = ( ∂u oc
∂soc
|
-1 ||)
|x
k = x̂ k
(15) 积累误差。因此,提出一种在低容量区采用安时积
分法和 EKF 算法比较误差绝对值以求出误差最小,
结合式(14)与式(15),Thevenin 等效电路模型 其他容量区仍采用 EKF 估算的 IEKF 算法。基于
的扩展卡尔曼算法递推过程如式(16)所示。在扩展 IEKF 算法的 SOC 估算流程如图 3 所示。
卡尔曼滤波算法中,利用一阶泰勒级数展开对经典 IEKF 算法是一种混合算法。在锂离子电池容
卡尔曼滤波算法进行线性化,不可避免地会产生估 量高于 40% 时,该算法进行 EKF 估算并将估算结
算误差。这可能会导致滤波发散,增加估计的不稳 果作为最终输出结果。在锂离子电池容量低于 40%
定性。然而在实际应用中很多系统都是非线性的, 时,该算法需要比较此时 EKF 算法估算误差与安时
因 此 需 要 去 掉 泰 勒 展 开 式 的 高 阶 分 量 才 能 进 行 算法估算误差的绝对值大小,并将误差绝对值小的
估算。 算法所对应的 SOC 值作为最终输出结果。
700 储 能 科 学 与 技 术 2021 年第 10 卷
值、扩展卡尔曼算法估算值以及改进扩展卡尔曼算
法估算值,从图中可以看出 EKF 算法收敛效果良好
但跟踪效果一般,在曲线末端甚至出现 SOC 值为
负的情况,而 IEKF 算法的收敛与跟踪效果都比较
良好。图 4(b)、(d)和(f)中的曲线分别为 EKF 算法
和 IEKF 算法的估算误差值,从图中可以看出在收
敛后扩展卡尔曼算法在 10、25 以及 35 ℃的 SOC
估 算 误 差 最 大 值 分 别 达 到 4.83%、 9.067% 以 及
702 储 能 科 学 与 技 术 2021 年第 10 卷
由于本文是对锂离子电池单体进行研究,根据
实际情况,将每步工况功率按比例缩小。在表 2
中,Ph 是真实的北京公交车起步、加速、滑行、制
动、急加速、停车等工况下的电池输出功率。由于
本文是对锂电池单体进行实验,根据实际应用情
况,对每步工况的 Ph 按比例进行减小,得到了 Pc。
Pc 为本次对中航锂电三元锂电池进行实验所用数
据。安时积分法、扩展卡尔曼算法和改进扩展卡尔
第2期 熊 然等:基于 Thevenin 模型和改进扩展卡尔曼的特种机器人锂离子电池 SOC 估算方法703
了特种机器人的工作效率与其锂离子电池的使用效
率,避免了因电池剩余容量估算误差过大而造成的
一系列特种机器人作业问题。
参 考 文 献
[1] 邓春 . 用于水下机器人的锂电池智能管理系统的研究与设计[D]. 成
都: 西南交通大学, 2019.
DENG C. Research and design of lithium battery intelligent
图 5 BBDST 工况 EKF 算法对 SOC 的估算及估算误差 management system for underwater vehicle[D]. Chengdu: Southwest
Fig. 5 SOC and estimation error of EKF algorithm Jiaotong University, 2019.
under BBDST condition [2] 蒋聪, 吴斌, 王顺利, 等 . 基于改进 EKF 算法的动力锂电池 SOC 估算
技术研究[J]. 自动化仪表, 2019, 40(11): 90-94+98.
在收敛后,EKF 算法估算曲线和实际曲线变化趋势 JIANG Cong, WU Bin, WANG Shunli, et al. Research on SOC
和 IEKF 算法的估算误差值,从图中可以看出在收 FAN Ye, CHEN Qiuxia, NI Lihui. Design of lithium battery BMS for
mobile robot[J]. Application of single Chip Microcomputer and
敛后扩展卡尔曼算法在 10、25 以及 35 ℃的 SOC
Embedded System, 2019, 19(2): 73-76.
估 算 误 差 最 大 值 分 别 为 4.1%、 4.007% 以 及 [4] LUO Yong, QI Pengwei, KAN Yingzhe, et al. State of charge
4.654%,不能满足特种机器人锂离子电池的工程 estimation method based on the extended Kalman filter algorithm
SOC estimation based on multiple models[J]. Guilin University of 2018, 16(5): 124-129.
Electronic Science and Technology, Journal of Science and [12] 陈清华, 卢宇, 何志杰 . 基于改进 EKF 算法的锂电池 SOC 估算方法
Technology, 2019, 39(2): 130-134. [J]. 福建师范大学学报(自然科学版), 2018, 34(6): 34-39+46.
[11] 张方亮 . 基于改进 EKF 算法的锂离子电池 SOC 估算方法[J]. 电源学 CHEN Qinghua, LU Yu, HE Zhijie. SOC estimation method of
报, 2018, 16(5): 124-129. lithium battery based on improved EKF algorithm[J]. Journal of
ZHANG Fangliang. SOC estimation method of lithium-ion battery Fujian Normal University (Natural Science Edition), 2018, 34(6):
based on improved EKF algorithm[J]. Journal of Power Supply, 34-39+46.