东北大学学报:自然科学版  2020, Vol. 41 Issue (11): 1557-1563  
0

引用本文 [复制中英文]

章军辉, 李庆, 陈大鹏, 赵野. 基于自适应UKF的锂离子动力电池状态联合估计[J]. 东北大学学报:自然科学版, 2020, 41(11): 1557-1563.
[复制中文]
ZHANG Jun-hui, LI Qing, CHEN Da-peng, ZHAO Ye. State Co-estimation Algorithm for Li-Ion Power Batteries Based on Adaptive Unscented Kalman Filters[J]. Journal of Northeastern University Nature Science, 2020, 41(11): 1557-1563. DOI: 10.12068/j.issn.1005-3026.2020.11.006.
[复制英文]

基金项目

江苏省博士后科研资助计划(2020Z411);国家重点研发计划项目(2016YFB0100516)

作者简介

章军辉(1985-),男,安徽合肥人,中国科学院博士后研究人员;
李庆(1972-),男,吉林长春人,中国科学院研究员,博士生导师;
陈大鹏(1968-),男,安徽合肥人,中国科学院研究员,博士生导师;
赵野(1977-),男,辽宁绥中人,中国科学院研究员,博士生导师。

文章历史

收稿日期:2020-03-21
基于自适应UKF的锂离子动力电池状态联合估计
章军辉 1,2,3, 李庆 1,2, 陈大鹏 1,2,3, 赵野 1     
1. 中国科学院 微电子研究所,北京 100029;
2. 江苏物联网研究发展中心,江苏 无锡 214135;
3. 无锡物联网创新中心有限公司,江苏 无锡 214135
摘要:针对由静态的电池模型参数而造成的状态估计累计误差、噪声统计特性的时变不确定性等实用化的问题,基于无迹卡尔曼滤波(unscented Kalman filter, UKF)框架设计了一种自适应UKF的电池状态联合估计算法.在无迹变换(unscented transform, UT)时,对量测方程进行准线性化处理,降低了循环迭代过程中的计算开销;利用带遗忘因子的Sage-Husa自适应估计方法对过程噪声的统计特性参数进行递推估计与修正,提高了UKF估计算法的自适应容错能力;实时跟踪滤波的收敛性,若呈发散趋势时,通过自适应衰减因子对误差协方差进行调整以抑制滤波发散,保证了滤波过程的数值稳定性;采用联合估计策略对一阶Thevenim电池欧姆内阻模型参数进行在线更新,以确保动态测试工况下电池模型的准确性,从而提高了电池荷电状态(state of charge,SOC)以及电池健康状态(state of health,SOH)的估计精度.实验与仿真结果验证了该电池状态联合估计算法的可行性与有效性.
关键词荷电状态    健康状态    无迹卡尔曼滤波    自适应滤波    锂离子动力电池    
State Co-estimation Algorithm for Li-Ion Power Batteries Based on Adaptive Unscented Kalman Filters
ZHANG Jun-hui 1,2,3, LI Qing 1,2, CHEN Da-peng 1,2,3, ZHAO Ye 1     
1. Institute of Microelectronics, Chinese Academy of Sciences, Beijing 100029, China;
2. Jiangsu R & D Center for Internet of Things, Wuxi 214135, China;
3. Wuxi Internet of Things Innovation Center Co., Ltd., Wuxi 214135, China
Abstract: On the practical issues such as accumulative state estimation errors caused by the inaccurate battery model, and time-varying and unknown noise statistical characteristics, a state co-estimation algorithm for Li-ion power batteries based on adaptive unscented Kalman filter (UKF) framework is proposed. During the iteration process, the measurement equation called by unscented transform (UT) each time is quasi-linearized, which could greatly reduce the computational complexity. The statistical characteristic parameters of unknown noises can be estimated by introducing Sage-Husa adaptive estimation method with forgetting factor, which could improve the adaptive fault tolerance of UKF estimation algorithm. If the divergence trend occurs in the filtering process, the error covariance will be penalized by employing adaptive attenuation factor to prevent the divergence of the filter, accordingly guaranteeing the numerical stability of filtering process. By employing co-estimation strategy, the inner ohmic resistance of the 1st-order Thevenin battery model, which could characterize the state of health (SOH) indirectly, can be estimated and adjusted in real time, and therefore a high-precision estimation of the state of charge (SOC) is able to be obtained owing to the accuracy of the battery model during the process of dynamic charge-discharge cycling tests. The comparative experimental results verify the feasibility and effectiveness of the adaptive co-estimation algorithm.
Key words: state of charge(SOC)    state of health(SOH)    unscented Kalman filter(UKF)    adaptive filter    Li-ion power batter    

锂离子动力电池作为新能源电动汽车的重要供能来源,准确估计其荷电状态(state of charge,SOC)[1-3]、健康状态(state of health,SOH)[4-5],能够有效预估汽车可行驶里程,充分合理利用电池,延长电池使用寿命以及提高整车运行效率,对加快汽车电动化进程具有重要实际意义.

目前,电池SOC估计方法主要有:①安时积分(ampere-hour counting, AH)法[6],存在累计误差、SOC初值校准的问题;②开路电压(open circuit voltage, OCV)法[7],需要长时间静置,不适用于工作中的电池状态估计;③神经网络法[8],对数据集的依赖性较强,且算法的抗扰动能力不足;④基于扩展卡尔曼滤波(extended Kalman filter, EKF)进行状态估计[9],EKF通过对系统非线性函数进行一阶Taylor展开,再用卡尔曼滤波(KF)公式对目标的状态作最优估计,而对于强非线性系统来说,EKF滤波性能极不稳定,甚至发散,此外Jacobian矩阵计算复杂易出错;⑤基于无迹卡尔曼滤波(unscented Kalman filter, UKF)进行状态估计[10],UKF采用一系列确定样本来近似系统状态的后验概率密度分布,能够有效解决由系统非线性加剧而引起的滤波发散问题,但其估计精度仍然受到电池等效模型准确性的影响;⑥基于粒子滤波(particle filter, PF)进行状态估计[11],PF采用大量粒子来近似系统状态的后验概率密度分布,适用于强非线性、非高斯系统,但存在计算负荷重、粒子退化等问题.

电池SOH表示电池的老化程度,主要表现为:电池的欧姆内阻增大,电池的当前最大可用容量降低,电池的能量密度与功率密度降低.目前,电池SOH估计方法主要有:①内阻法[12],对于毫欧级的内阻来说,量测难度较大;②电化学阻抗法[13],常用于实验室分析电池健康状态;③数学模型法[9-10, 14],电池系统的非线性以及环境的不确定性,将影响数学建模的准确性,进而影响到估计精度;④基于数据驱动的预测[15],如支持向量机(support vector machine, SVM)、粒子滤波等,该类方法不需要对象系统的机理知识,通过数据挖掘来预测其中的隐含信息,以解决模型失配的问题,然而,因通常所采集数据的有限性、不确定性,也导致该方法在工程实施时具有一定的局限性.

KF,EKF,UKF等滤波算法中,通常是假设过程噪声和量测噪声服从预设的正态分布,而实际上若噪声的统计特性参数估计不准确的话,可能会导致滤波结果发散.为改善电池状态估计精度、估计算法的自适应容错性等实用化问题,本文发展了一种自适应UKF的电池状态联合估计算法.首先构建电池等效模型的状态空间方程;其次基于UKF框架在线滚动估计电池SOC、电池等效模型的欧姆内阻,在无迹变换(UT)时对量测方程进行准线性化处理,同时在循环迭代过程中实时更新高斯噪声的统计特性参数;接着设计了一种电池状态联合估计策略,实时跟踪并对电池等效模型参数进行在线更新,解决了模型参数时变的问题;最后对该算法的估计效果进行了验证与探讨.

1 电池等效模型

锂离子动力电池的一阶等效模型如图 1所示,图中:Re为电池的欧姆内阻; Rc为电池的极化内阻; C为电池的极化电容; It为电池的放电电流;Uo, t为电池两端的观测电压;Et为电池的平衡电动势(balanced electro-motive force, B-EMF).

图 1 锂离子动力电池的一阶等效模型 Fig.1 The 1st order equivalent model of Li-ion battery

根据图 1所示的电池模型,有

(1)
(2)

式中:Uc, t为电池极化内阻上产生的压降; τ=RcC为时间常数.

电池SOC的安时积分法[6]定义为

(3)

式中:St0为电池t0时刻的荷电状态; Q0为电池的标称容量; η为充放电效率.

1.1 电池SOC的数学描述

x1(k)=[S(k), Uc(k)]T作为状态向量; y1(k)=Uo(k)作为系统输出; u(k)作为控制输入; w(k),v(k)作为系统扰动; Ts为采样周期.根据式(1)~式(3),建立以x1(k)为状态向量的离散状态空间方程:

(4)

式中:u(k)=I(k); w(k)=[w1(k), w2(k)]T为过程噪声; v(k)为观测噪声,各系数矩阵满足:

其中,Et=f{S(k)}表示电池的平衡电动势Et与电池荷电状态SOC之间的映射关系,该关系会受温度、电池老化程度等因素的影响.电池SOC状态空间模型中,欧姆内阻、极化内阻是事先已辨识的.

1.2 电池SOH的数学描述

电池SOH可以通过电池的欧姆内阻来间接衡量[16].将电池的荷电状态、极化电压视为已知量,建立关系式:

(5)
(6)

式中,rt为过程噪声.

x2(k)=Re(k)作为状态变量,进而建立以x2(k)为状态变量的离散状态空间方程:

(7)

式中,q(k)为观测噪声,各系数满足:

2 电池状态估计 2.1 基于自适应UKF框架的SOC估计 2.1.1 自适应UKF算法

式(4)所示的状态空间模型是非线性的,考虑到EKF存在线性化误差较大、滤波不稳定等问题,本文采用UKF来处理非线性估计问题.UKF采用UT来近似非线性模型,即通过某种计算规则构造出Sigma点集来间接逼近非线性系统的状态分布,能够有效避免由系统非线性加剧而引起的滤波发散问题.

为了降低UKF的计算开销,UT变换时对量测方程进行准线性化处理,以降低循环迭代过程中的计算负荷;为了提高UKF估计算法的自适应容错能力,在迭代过程中,不断更新过程噪声的统计特性参数以减少状态估计误差.

具体算法设计:

1) UT变换.

① 构造Sigma点集{Xi}:

(8)

式中: x, Px分别为式(4)所示模型中x1(k)的均值、协方差; PxN维对角阵; (·)i表示矩阵中第i列元素; λ为设计参数.

不难发现,Sigma点集{Xi}是由2N+1维列向量构成的.为了更好地逼近系统状态分布的集中趋势,对Sigma点集{Xi}进行权值设计[10]

(9)

式中:i∈(1, 2N); α用来确定Sigma点集的分布,取值范围为(10-4, 1);β反映系统状态的分布情况,当系统状态为高斯分布时,取值为2;λ=α2(N+k)-N,影响逼近精度,其中, 参数k可调,通常取0.

② 对Sigma点集进行非线性变换.

图 2所示,对Sigma点集进行非线性变换:

(10)
图 2 Sigma点集的映射示意 Fig.2 Sketch of Sigma sets mapping

式中,f{ · },h{ · }分别反映式(4)所示模型中输入对状态转移、状态转移对输出的影响.

这里对h{ · }进行准线性化处理,即把Et=f{S(k)}函数关系式转换成电动势与电池SOC的一一映射表,再通过查表的方法来减少迭代过程中的计算量.

2) 一步迭代算式.

令过程噪声w(k)服从N(0, Q)分布,观测噪声v(k)服从N(0, R)分布.

① 时间更新.

(11)

② 量测更新.

(12)

式中:Z是量测值; G是卡尔曼增益,反映了量测残差对状态估计的影响; 为最优估计结果.

③ 过程噪声特性更新.

不准确的噪声统计特性往往会引起滤波结果发散,基于最大后验估计(maximum a posteriori, MAP)的Sage-Husa自适应滤波器能够较好地估计出噪声的一阶矩与二阶矩,其原理清晰、计算简单,在工程实际中被广泛应用.

采用Sage-Husa估计方法对过程噪声的方差Q进行在线估计,同时引入遗忘因子以降低历史数据的影响.

(13)

式中, .其中b为可调的遗忘因子,取值范围为(0.95, 0.99),若过程噪声统计特性波动较大时,则增大b的取值,反之则减小.

按照式(11)~式(13)完成一步迭代后,得到最优估计,并根据当前估计结果来更新式(8)中的均值、协方差以及过程噪声的统计特性,下一步迭代时重复执行上述过程,从而实现电池SOC的在线滚动估计.

2.1.2 收敛性判断

Sage-Husa估计器是一种次优的无偏估计,用一步预测来估计噪声的统计特性,容易导致噪声二阶矩失去正定性或半正定性,从而引起滤波发散.反观式(13),在估计噪声二阶矩时,式中存在减法运算,故在滤波过程中难以保证二阶矩的非负定性.

为了避免由误差协方差矩阵负定而导致滤波结果发散的风险,迭代过程中需对滤波结果的收敛性进行判断.

(14)

式中:trace{ · }为求迹运算;γ为可调系数且γ≥1.

上述UKF迭代过程中,若如式(14)所示的判据不成立,则修正Px:

(15)

式中,为自适应衰减因子,用于弱化状态预测对历史数据的依赖性以增加当前量测残差的可信度,从而抑制滤波发散.

2.2 基于自适应UKF框架的SOH估计

电池欧姆内阻能够间接表征电池的SOH健康状态,而电池欧姆内阻会受电池SOC、温度、电池老化程度等因素的影响.为了提高电池等效模型的准确性以及动态反映电池SOH的能力,有必要对电池欧姆内阻进行实时估算.

与SOC估计类似,仅需将式(4)所示模型换成式(7)所示模型,即可实现电池欧姆内阻的在线滚动估计.

由于电池SOH随着电池内阻的增大而逐渐衰减,故可据此特性对电池SOH进行间接量化,其数学描述[17]

(16)

式中:REOL为电池寿命终结时的内阻值; R0为电池出厂时的内阻值; Re为在线辨识的内阻值.

此外,电池老化的另一种表现为电池当前最大可用容量的降低,故亦可据此特性对电池SOH进行间接量化,其数学描述[18]

(17)

式中:Qpresent为当前电池最大可用容量; Q0为电池出厂时的额定容量.

2.3 电池状态联合估计策略

基于一阶RC网络对电池SOC估计时,假设模型参数Re是事先已辨识的,在实际工程中,考虑到电池老化等因素的影响,有必要对模型参数进行在线更新,以保证电池SOC的估计精度.为此,设计了一种联合在线估计算法,如图 3所示.

图 3 电池SOC, SOH联合在线估计框图 Fig.3 Diagram of SOC and SOH online co-estimation

该算法充分考虑了电池状态之间紧密的内在关联性,能够较好地适用于动态工况,主要步骤如下:

步骤 1  模型参数初始化;

步骤  2  基于SOH状态空间模型,采用UKF框架,在线估计电池欧姆内阻;

步骤  3  基于SOC状态空间模型,采用UKF框架,在线估计电池SOC、极化参数;

步骤  4  根据步骤2中辨识得到的欧姆内阻更新步骤3中UKF迭代过程中的内阻参数,而步骤3中估计得到的电池状态参数又将进一步修正步骤2中的模型参数.

此外,电池老化、工作环境等因素会影响到SOC与OCV的映射关系,因此,在实际应用时,可通过实验方法拟合出不同条件下的OCV_SOC曲线,进而对应查表以期改善状态估计效果.

3 仿真验证

本文的实验对象为合肥国轩公司的一个内含12串单体的电池包.要想获取电池的平衡电动势,必须在电池内部处于平衡状态时来量测电池的端电压.这里,浅放-静置实验条件为:环境温度为25℃,单体标称容量为30Ah,充放电效率为0.95,放电倍率为0.6C,放电电流为18A,放电时长为1min,静置时长为30min.

通过浅放-静置实验,对一阶RC网络模型参数进行辨识,模型参数初值见表 1.

表 1 基于一阶RC网络的模型参数 Table 1 Model parameters of the 1st order RC network

此外,该实验条件下,电池平衡电动势与SOC之间的拟合曲线如图 4所示.

图 4 电池开路电压与SOC的关系曲线 Fig.4 Relationship curve of open circuit voltage vs. SOC

考虑到老化、温度等内在和外在因素的影响,工程实施时需尽可能多地拟合出不同条件下的OCV_SOC映射表.

本文设计的自适应联合估计方法记为JUKF(joint estimation based on UKF)估计,对比实验如下.

3.1 JUKF与UKF估计对比

文献[4]表明,锂离子电池的欧姆内阻受温度、电池SOC的影响,当温度或电池SOC较高时,电池活性增强,欧姆内阻较小,反之亦然.

实验条件:

1) 采用恒流放电工况,采样周期为60s;

2) 放电实验过程中,同时将恒温箱温度由25℃缓慢升至30℃.

将本文设计的JUKF估计与UKF估计[10]方法进行对比,仿真结果如图 5所示.

图 5 JUKF与UKF估计结果对比 Fig.5 Comparison of JUKF and UKF estimation
图 6 SOC初值标定不准情况下JUKF和AH估计结果对比 Fig.6 JUKF and AH estimation with the inaccurate SOC initial value

通过实验得出,JUKF估计精度较高,最大误差约为1 %,而UKF估计的最大误差约为3 %,即JUKF能够较好地适应电池模型参数的时变特性,估计效果要优于UKF.

3.2 曲线收敛性对比

实验条件:

1) 常温下进行恒流放电,采样周期为30s;

2) SOC真实值为92 %,而初值标定为99 %.

通过实验得出,在SOC初值标定不准的情况下,采用AH估计的曲线始终不能收敛于期望轨迹,这是由于AH法是开环估计,缺少反馈校正网络所导致的,而采用JUKF估计解决了AH估计因SOC初值标定不准而导致曲线无法收敛的问题.

3.3 内阻估计

实验条件:常温下进行恒流放电,采样周期为30s.

图 7所示,内阻初值标定分别为5, 7mΩ时,经过JUKF迭代运算,两条估计曲线趋于一致,即内阻估计结果受初始取值的影响不明显.此外,开始阶段,由于电池放电过程中会产生热量,内阻阻值有略微减小过程,而随着电池SOC降低,内阻阻值呈增大趋势.

图 7 采用JUKF的内阻估计 Fig.7 Inner resistance estimation by JUKF
3.4 计算复杂度对比

实验条件:

1) 上位机配置参数为1.3Hz主频、四核、4GB内存,仿真软件采用Matlab2015;

2) 分别采用OCV_SOC映射表、四阶拟合曲线的方法来表示量测方程;

3) UKF迭代步数为100步,且重复实验次数为50次.

上述实验环境下,完成100步迭代,采用OCV_SOC映射表的方法,平均时间开销约为108.6ms,四阶拟合曲线的多项式系数向量为[-3.2559, 8.06, -7.118, 2.7603, 2.8518],采用该方法的平均时间开销约为121.1ms,即文中采用准线性化处理的方法能够在一定程度上降低UKF迭代过程中的计算负荷.

4 结论

1) JUKF估计充分考虑了电池SOC、内阻之间紧密的内在关联性,其估计效果优于UKF,能够较好地适应电池模型参数的时变特性.

2) 相比标准UKF,JUKF对量测方程进行了准线性化处理,降低了循环迭代过程中的计算开销;采用带遗忘因子的Sage-Husa自适应估计方法对过程噪声的统计特性参数进行递推估计与修正,提高了UKF估计算法的自适应容错能力;同时实时跟踪滤波的收敛性,若呈发散趋势时,通过自适应衰减因子对误差协方差进行惩罚以抑制滤波发散,从而保证了滤波过程的数值稳定性.

3) JUKF估计解决了工程上AH开环估计不能收敛的问题,为电池SOC在线校正提供了一种研究思路与方法.

参考文献
[1]
Shen J N, Shen J J, He Y J, et al. Accurate state of charge estimation with model mismatch for Li-ion batteries:a joint moving Horizon estimation approach[J]. IEEE Transactions on Power Electronics, 2019, 34(5): 4329-4342. DOI:10.1109/TPEL.2018.2861730
[2]
Zhang C, Wang L Y, Li X, et al. Robust and adaptive estimation of state of charge for lithium-ion batteries[J]. IEEE Transactions on Industrial Electronics, 2015, 62(8): 4948-4957. DOI:10.1109/TIE.2015.2403796
[3]
Paschero M, Storti G L, Rizzi A, et al. A novel mechanical analogy based battery model for SoC estimation using a multi-cell EKF[J]. IEEE Transactions on Sustainable Energy, 2016, 7(4): 1695-1702. DOI:10.1109/TSTE.2016.2574755
[4]
Dai H, Zhao G, Lin M, et al. A novel estimation method for the state of health of lithium-ion battery using prior knowledge-based neural network and Markov chain[J]. IEEE Transactions on Industrial Electronics, 2019, 66(10): 7706-7716.
[5]
Ahmed R, Sayed M E, Arasaratnam I, et al. Reduced-order electrochemical model parameters identification and SOC estimation for healthy and aged Li-ion batteries part I:parameterization model development for healthy batteries[J]. IEEE Journal of Emerging and Selected Topics in Power Electronics, 2014, 2(3): 659-677. DOI:10.1109/JESTPE.2014.2331059
[6]
Lawsri K, Pongam S.DC electronics load for AH battery testing[C]//2017 International Electrical Engineering Congress (iEECON).Pattaya: IEEE, 2017: 1-4.
[7]
Petzl M, Danzer M A. Advancements in OCV measurement and analysis for lithium-ion batteries[J]. IEEE Transactions on Energy Conversion, 2013, 28(3): 675-681. DOI:10.1109/TEC.2013.2259490
[8]
Li J, Liu M. State-of-charge estimation of lithium-ion batteries using composite multi-dimensional features and a neural network[J]. IET Power Electronics, 2019, 12(6): 1470-1478. DOI:10.1049/iet-pel.2018.6144
[9]
Afshar S, Morris K, Khajepour A. State-of-charge estimation using an EKF-based adaptive observer[J]. IEEE Transactions on Control Systems Technology, 2019, 27(5): 1907-1923. DOI:10.1109/TCST.2018.2842038
[10]
Meng J, Luo G, Gao F. Lithium polymer battery state-of-charge estimation based on adaptive unscented Kalman filter and support vector machine[J]. IEEE Transactions on Power Electronics, 2016, 31(3): 2226-2238. DOI:10.1109/TPEL.2015.2439578
[11]
Wang D, Yang F, Tsui K, et al. Remaining useful life prediction of lithium-ion batteries based on spherical cubature particle filter[J]. IEEE Transactions on Instrumentation and Measurement, 2016, 65(6): 1282-1291. DOI:10.1109/TIM.2016.2534258
[12]
Takeno K, Ichimura M, Takano K, et al. Quick testing of batteries in lithium-ion battery packs with impedance-measuring technology[J]. Journal of Power Sources, 2004, 128(1): 67-75.
[13]
Abrahama D P, Knuth J L, Dees D W, et al. Performance degradation of high-power lithium-ion cells-electrochemistry of harvested electrodes[J]. Journal of Power Sources, 2007, 170(2): 65-475.
[14]
Ramadass P, Haran B, Whtte R, et al. Mathematical modeling of the capacity fade of Li-ion cells[J]. Journal of Power Sources, 2003, 123(2): 230-240.
[15]
Klass V, Behm M, Lindbergh G. A support vector machine-based state-of-health estimation method for lithium-ion batteries under electric vehicle operation[J]. Journal of Power Sources, 2014, 270: 262-272. DOI:10.1016/j.jpowsour.2014.07.116
[16]
EL-Mejdoubi A, Gualous H, Chaoui H, et al. Lithium-ion batteries health prognosis considering aging conditions[J]. IEEE Transactions on Power Electronics, 2019, 34(7): 6834-6844. DOI:10.1109/TPEL.2018.2873247
[17]
Kim J, Cho B H. State-of-charge estimation and state-of-health prediction of a Li-ion degraded battery based on an EKF combined with a per-unit system[J]. IEEE Transactions on Vehicular Technology, 2011, 60(9): 4249-4260. DOI:10.1109/TVT.2011.2168987
[18]
Lin H T, Liang T J, Chen S M. Estimation of battery state of health using probabilistic neural network[J]. IEEE Transactions on Industrial Informatics, 2013, 9(2): 679-685. DOI:10.1109/TII.2012.2222650