基于改进的粒子群优化扩展卡尔曼滤波算法的锂电池模型参数辨识与荷电状态估计

doi:10.3969/j.issn.1000-1093.2014.10.021

兵工学报 ›› 2014, Vol. 35 ›› Issue (10): 1659-1666.doi: 10.3969/j.issn.1000-1093.2014.10.021

基于改进的粒子群优化扩展卡尔曼滤波算法的锂电池模型参数辨识与荷电状态估计

项宇，马晓军，刘春光，可荣硕，赵梓旭

（装甲兵工程学院控制工程系，北京 100072）

收稿日期:2014-01-10 修回日期:2014-01-10 上线日期:2014-11-28
通讯作者: 项宇 E-mail:519266224@qq.com
作者简介:项宇（1987—)男博士研究生
基金资助:
军队预先研究项目（40401010101）

Estimation of Model Parameters and SOC of Lithium Batteries Based on IPSO-EKF

XIANG Yu， MA Xiao-jun， LIU Chun-guang， KE Rong-shuo， ZHAO Zi-xu

（Department of Control Engineering， Academy of Armored Force Engineering， Beijing 100072， China）

Received:2014-01-10 Revised:2014-01-10 Online:2014-11-28
Contact: XIANG Yu E-mail:519266224@qq.com

摘要/Abstract

摘要： 为解决锂电池荷电状态（SOC）难以精确估计的问题，提出了基于改进的粒子群优化扩展卡尔曼滤波（IPSO-EKF）算法预测电池SOC。为减小参数非线性特性影响，重新构建了EKF算法电池状态空间方程，以辨识出的电池模型参数为基础，获得SOC最优估计。采用IPSO算法优化EKF算法噪声方差矩阵，解决系统状态误差协方差矩阵和测量噪声协方差矩阵最优解获取难题，进一步提高SOC的估计精度。计算结果表明：IPSO-EKF算法能够精确地辨识电池模型参数和SOC值，并能够很好地修正状态变量初始误差。

关键词: 电气工程, 锂电池, 荷电状态, 模型参数, 粒子群优化算法, 扩展卡尔曼滤波

Abstract: An extended Kalman filter (EKF) which is optimized by the improved particle swarm optimization (IPSO) algorithm is proposed to estimate the state-of-charge (SOC) of battery. A new state space equation applied to EKF algorithm is constituted to reduce the influence of non-linear characteristics of parameters, and the optimal estimation of SOC is obtained based on the real-time identification of battery model parameters. IPSO algorithm is applied to optimize the system state error covariance matrix and measurement noise covariance matrix to improve the estimation accuracy of SOC by solving the problems in achieving the optimal solutions of these covariance matrixes. The results show that the IPSO-EKF algorithm can estimate the model parameters and SOC of battery accurately, and correct the state variable initial error.

Key words: electrical engineering, lithium battery, state of charge, model parameter, particle swarm optimization algorithm, extended Kalman filter

中图分类号:

TM911

项宇，马晓军，刘春光，可荣硕，赵梓旭. 基于改进的粒子群优化扩展卡尔曼滤波算法的锂电池模型参数辨识与荷电状态估计[J]. 兵工学报, 2014, 35(10): 1659-1666.

XIANG Yu， MA Xiao-jun， LIU Chun-guang， KE Rong-shuo， ZHAO Zi-xu. Estimation of Model Parameters and SOC of Lithium Batteries Based on IPSO-EKF[J]. Acta Armamentarii, 2014, 35(10): 1659-1666.

参考文献

［1］孙逢春，张承宁. 装甲车辆混合动力电传动技术[M]. 北京：国防工业出版社，2008.
SUN Feng-chun，ZHANG Cheng-ning. Technologies for the hybrid electric drive system of armored vehicle [M]. Beijing: National Defense Industry Press，2008. （in Chinese）
[2] 李哲，卢兰光，欧阳明高. 提高安时积分法估算电池SOC精度的方法比较[J]. 清华大学学报：自然科学版，2011，50（8）：1293-1296.
LI Zhe，LU Lan-guang，OUYANG Ming-gao. Comparison of methods for improving SOC estimation accuracy through an ampere-hour integration approach [J]. Journal of Tsinghua University: Science and Technology Edition，2011，50（8）：1293-1296. （in Chinese）
[3] 曾洁，卜凡涛. 基于多项式回归算法的锂电池SOC估测[J]. 大连交通大学学报，2011，32（4）：70-74.
ZENG Jie，BU Fan-tao. Study of SOC estimation and measurement of Li-ion battery based on polynomial regression algorithm [J]. Journal of Dalian Jiaotong University，2011，32（4）：70-74. （in Chinese）
[4] 林成涛，王军平，陈全世. 电动汽车SOC估计方法原理与应用[J]. 电池，2004，34（5）：336-338.
LIN Cheng-tao, WANG Jun-ping, CHEN Quan-shi. Methods for state of charge estimation of EV batteries and their application [J]. Battery Bimonthly，2004，34（5）：336-338. （in Chinese）
[5] 李超. 电动汽车用镍氢电池模型参数辨识和SOC估算研究[D]. 天津：天津大学，2007.
LI Chao. Study on parameter identification and SOC estimation of Ni/MH battery for EV [D]. Tianjin: Tianjin University，2007. （in Chinese）
[6] 雷肖，陈清泉，刘开培，等. 电动车蓄电池荷电状态估计的神经网络方法[J]. 电工技术学报，2007，22（8）：155-160.
LEI Xiao, CHEN Qing-quan，LIU Kai-pei， et al. Battery state of charge estimation based on neural-network for electric vehicles [J]. Transactions of China Electrotechnical Society，2007，22（8）：155- 160. （in Chinese）
[7] Plett G L. Extended Kalman filtering for battery management systems of LiPB-based HEV battery packs:part 1. background [J]. Journal of Power Sources，2004，134（2）：252-261.
[8] Plett G L. Extended Kalman filtering for battery management systems of LiPB-based HEV battery packs:part 2. Moding and identification[J]. Journal of Power Sources，2004，134（2）：262-276.
[9] Plett G L. Extended Kalman filtering for battery management systems of LiPB-based HEV battery packs:part 3. state and parameter estimation [J]. Journal of Power Sources，2004，134（2）：277-292.
[10] Plett G L. Sigma-point Kalman filtering for battery management systems of LiPB-based HEV battery packs:part 1: introduction and state estimation [J]. Journal of Power Sources，2006，161（7）：1356-1368.
[11] Plett G L. Sigma-point Kalman filtering for battery management systems of LiPB-based HEV battery packs:part 2. simultaneous state and parameter estimation [J]. Journal of Power Sources，2006，161（7）：1369-1384.
[12] 戴海峰，魏学哲，孙泽昌. 基于扩展卡尔曼滤波算法的燃料电池车用锂离子动力电池荷电状态估计[J]. 机械工程学报，2007，43（2）：92-95.
DAI Hai-feng, WEI Xue-zhe, SUN Ze-chang. Estimate state of charge of power lithium-ion batteries used on fuel cell hybrid vehicle with method based on extended Kalman filtering [J]. Chinese Journal of Mechanical Engineering，2007，43（2）：92-95. （in Chinese）
[13] ZONG C F，SONG P，HU D. Reduced-order EKF application in a marine INS/GPS navigation system [J]. Journal of Zhejiang University-Science A: Applied Physics and Engineering Edition，2011，12（6）：446-452.
[14] Chui C K，Chen G R. Kalman filtering with real-time applications[M]. Berlin: Springer Press，2009.
[15] Goshen-Meskin D， Bar-Itzhack I Y. Observability analysis of piece-wise constant systems-II: application to inertial navigation in-flight alignment [J]. IEEE Transactions on Aerospace and Electronic Systems，1992，28（4）：1068-1075.
[16] 张彩萍，姜久春. 用基于遗传优化的扩展卡尔曼滤波算法辨识电池模型参数[J]. 吉林大学学报:工学版，2012，42（3）：732-737.
ZHANG Cai-ping，JIANG Jiu-chun. Extended Kalman filter algorithm for parameters identification of dynamic battery model based on genetic algorithm optimization [J]. Journal of Jilin University：Engineering and Technology Edition，2012，42（3）：732-737. （in Chinese）
[17] Kenedy J，Eberhart R C. Particle swarm optimization [C]∥Proceedings of International Conference on Neural Networks. New York: IEEE, 1995: 1942-1948.
[18] 余爱华. Logistic模型的研究[D]. 南京: 南京林业大学,2003.
YU Ai-hua. A study on Logistic model [D]. Nanjing: Nanjing Forestry University, 2003. （in Chinese）

[1]	郭志明，王迪，庞婷，李娟，赵丹，杨建新. 面向装备体系联合检验的指数分布定时截尾方案优化研究[J]. 兵工学报, 2022, 43(S1): 203-207.
[2]	陈军，张岳，陈晓威，佟龑. 基于模糊灰色认知图的复杂战场智能态势感知建模方法[J]. 兵工学报, 2022, 43(5): 1093-1106.
[3]	许晓东，唐圣金，谢建，于传强，王凤飞，韩洋洋. 随机退化应力作用下设备剩余寿命预测方法[J]. 兵工学报, 2022, 43(3): 712-719.
[4]	邓青，薛青，罗佳. 基于支持向量机的坦克驾驶模拟训练结果分析[J]. 兵工学报, 2019, 40(9): 1953-1960.
[5]	文学，谭建平，刘溯奇，李新和. 大直径回转件圆度检测的测点优化技术研究[J]. 兵工学报, 2018, 39(6): 1205-1214.
[6]	张体广，张发平，阎艳，吴迪，王戈，郭少伟. 基于数据配准的零件精密装配最佳接触状态研究[J]. 兵工学报, 2018, 39(1): 127-136.
[7]	管军，周家胜，易文俊，刘世平，常思江，史继刚. 基于自适应混沌变异粒子群优化算法的旋转弹丸气动参数辨识[J]. 兵工学报, 2017, 38(1): 73-80.
[8]	帅勇，宋太亮，王建平，沈洪. 一种改进的装备保障能力并联预测模型[J]. 兵工学报, 2016, 37(6): 1089-1095.
[9]	张永强, 徐宗昌, 孙寒冰，胡春阳. 基于蒙特卡洛仿真和并行粒子群优化算法的携行备件优化[J]. 兵工学报, 2016, 37(1): 122-130.
[10]	刘红，曹颖，隆腾舞. 基于改进离散粒子群优化算法的容差电路故障特征提取[J]. 兵工学报, 2015, 36(8): 1494-1501.
[11]	朱霞，陈仁文，夏桦康，章飘艳. 基于文化粒子群的图像配准优化算法[J]. 兵工学报, 2015, 36(6): 1033-1039.
[12]	赵精晶，石庚辰，杜琳. 盘式永磁微型发电机的磁路设计方法[J]. 兵工学报, 2014, 35(8): 1144-1151.
[13]	马晓军，可荣硕，魏曙光，项宇，曾庆含. 串联电池组的母线式电压采集系统优化设计[J]. 兵工学报, 2014, 35(5): 577-582.
[14]	解璞，赵锦成，王川川，王勇. 军用电站电缆雷电感应过电压影响因素研究[J]. 兵工学报, 2014, 35(2): 214-219.
[15]	王超，刘荣忠，侯远龙，高强，王力. 基于新型小波神经网络和灰预测的电动负载模拟器控制[J]. 兵工学报, 2014, 35(12): 1959-1966.

基于改进的粒子群优化扩展卡尔曼滤波算法的锂电池模型参数辨识与荷电状态估计

Estimation of Model Parameters and SOC of Lithium Batteries Based on IPSO-EKF

PDF

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价