何靈娜，王運紅

(浙江工業(yè)大學(xué)信息工程學(xué)院，浙江 杭州 310023)

0 引 言

礦用電池作為緊急避險設(shè)施、檢測通信系統(tǒng)和井下運輸車輛等煤礦工業(yè)設(shè)備的動力源，其荷電狀態(tài)(SOC)估計的準(zhǔn)確性與避難人員的安危密切相關(guān)[1]。目前，常用的電池SOC估計方法有開路電壓法、Ah計量法、模糊神經(jīng)網(wǎng)絡(luò)法和卡爾曼濾波法等[2-5]。由于礦用電池的初始SOC值難以確定，且電池SOC在電池工作過程中易受多種因素干擾[6]。而擴展卡爾曼濾波(Extended Kalman Filter，EKF)算法計算量適中，且具有克服初值誤差和累計誤差的能力，因此被廣泛應(yīng)用于非線性系統(tǒng)的狀態(tài)估計[7]。由于EKF算法是利用泰勒級數(shù)展開，并截斷高階項來實現(xiàn)非線性系統(tǒng)的線性化，該算法只適用于低動態(tài)弱非線性系統(tǒng)。當(dāng)算法的估計誤差較大時，算法的濾波精度就會降低、不穩(wěn)定，甚至發(fā)散[8]。

礦用電池是一個強非線性系統(tǒng)，針對EKF只適用于連續(xù)可微的弱非線性系統(tǒng)且必須計算復(fù)雜的Jacobian矩陣[9]，基于采樣點卡爾曼濾波算法(sampling point kalman Filter，SPKF)，本研究通過采用加權(quán)統(tǒng)計線性回歸法實現(xiàn)模型函數(shù)統(tǒng)計線性化，從而在克服EKF缺陷的同時，實現(xiàn)電池SOC估計。本研究針對有限的電池管理系統(tǒng)資源，基于電池模型狀態(tài)方程線性的特征，通過將標(biāo)準(zhǔn)KF和SPKF組合使用，從而實現(xiàn)算法運算量的降低。由于SPKF需要進行狀態(tài)誤差協(xié)方差開方，易于引起病態(tài)矩陣問題，本研究在SPKF算法中引入奇異值分解，并用特征協(xié)方差陣代替均方估計誤差協(xié)方差陣。此外，本研究針對礦用電池外特性呈高動態(tài)非線性且電池模型誤差不可避免，基于強跟蹤原理，引入次優(yōu)漸消因子。

1 礦用電池狀態(tài)觀測復(fù)合模型

狀態(tài)觀測復(fù)合模型將電池SOC作為非線性系統(tǒng)的唯一狀態(tài)變量，因此計算復(fù)雜度低。該模型之所以被稱為復(fù)合模型，是由于該模型由3種簡單電化學(xué)模型復(fù)合得到[10]。

Sherpherd模型:

Unnewehr universal模型:

Nernst模型:

式中:xk—電池在k時刻的SOC值;E0—礦用電池的開路電壓;R—示電池內(nèi)阻;ik—k時刻電池的瞬時電流(電池放電時，ik—正;充電時，ik—負);yk—電池工作電壓;K1，K2，K3—系統(tǒng)模型的匹配系數(shù)，其所在項表示電池極化內(nèi)阻。

針對礦用電池SOC受環(huán)境溫度和充、放電倍率影響較大的問題，本研究在復(fù)合模型中引入環(huán)境溫度比例因子和充、放電倍率比例因子，并將其作為該算法的輸入uk，而將易于直接測量的電池端電壓作為電池模型的輸出yk。由此得到，電池狀態(tài)觀測復(fù)合模型的表達式如下所示:

狀態(tài)方程:

觀測方程:

式中:K0—電池開路電壓;ηi—額定溫度下，放電電流為ik時的充放電倍率比例因子(在額定放電倍率下，ηi=1);ηT—額定放電倍率下，溫度為T時的環(huán)境溫度比例因子(在額定溫度下，ηT=1);Qn—電池的額定容量。

電池狀態(tài)觀測復(fù)合模型作為Shepherd模型、Unnewehr universal模型、Nernst模型以及Ah模型的復(fù)合體，在性能上要遠遠優(yōu)于其中任意一個電池模型。

2 基于改進型采樣點卡爾曼濾波的電池SOC估計

礦用電池是一個高動態(tài)強非線性系統(tǒng)，為了獲取實時、有效、精確的礦用電池SOC值，本研究基于最優(yōu)高斯近似卡爾曼濾波框架中的SPKF算法，通過采用加權(quán)統(tǒng)計線性回歸法實現(xiàn)非線性系統(tǒng)函數(shù)統(tǒng)計線性化，克服了EKF算法只適用于弱非線性系統(tǒng)以及必須計算Jacobian矩陣的缺陷，且使濾波精度逼近三階以上[11]。

2.1 運算量的改進

由于礦用設(shè)備資源有限，針對“礦用電池狀態(tài)觀測復(fù)合模型的狀態(tài)方程為線性方程，而只有觀測方程為非線性方程”的特性，本研究通過在SPKF算法的時間更新階段引入標(biāo)準(zhǔn)卡爾曼濾波算法來進行狀態(tài)變量、狀態(tài)誤差協(xié)方差以及觀測變量的一步預(yù)測，而后續(xù)測量更新與SPKF算法一致[12]。為了方便，該算法簡寫為KSPKF。

在算法的時間更新階段，KSPKF算法只需要進行3步就可以完成，簡單方便。筆者比較SPKF算法與KSPKF算法在時間更新階段的運算量(乘法次數(shù))，有關(guān)情況如表1所示。

觀察表1可知，SPKF算法在時間更新階段的運算量(乘法運算)為22n+7次，而KSPKF算法在時間更新階段的運算量為10n+6次?？梢?，KSPKF算法在運算效率上得到了大大的提升。

表1 SPKF和標(biāo)準(zhǔn)KF在時間更新階段每步的運算量(乘法次數(shù))

2.2 數(shù)值穩(wěn)定性的改進

當(dāng)KSPKF算法在進行采樣點確定的過程中需要對誤差協(xié)方差陣進行cholesky分解，而cholesky分解要求被分解矩陣必須滿足正定性。

然而，礦用電池在工作過程中，由于物理因素以及環(huán)境因素引起的干擾的存在而使得采集誤差不可避免。此外，對于含有誤差的采集數(shù)據(jù)進行復(fù)雜的算法推導(dǎo)時，得到的結(jié)果又往往含有舍入誤差，由此可知，誤差協(xié)方差矩陣的正定性難以保證。

在SVD分解中，如果假定A∈Rm*n，m≥n，則SVD分解可以表示為:

式中:U，V—A的左、右奇異向量;S—A的奇異值，S=diag{s1，s2，Λ，sn}，s1≥s2≥…≥sr≥0。

根據(jù)SVD分解的定義可知，SVD分解不僅不限制被分解矩陣的正定性，并且保證分解得到的奇異值都是正值[13]。因此，本研究針對KSPKF算法的數(shù)值穩(wěn)定性問題，對算法的采樣點確定進行了改進，試圖采用穩(wěn)定性和精度較好的SVD分解來代替cholesky分解，用特征協(xié)方差矩陣來代替協(xié)方差矩陣，其中采樣點確定部分的方程式將被修改為:

式中:λ=?2(n+κ)－n;κ—比例因子，用于控制采樣點與系統(tǒng)狀態(tài)變量預(yù)測值xk+1|k點間的距離;n—系統(tǒng)狀態(tài)維數(shù);?—采樣點的擴散程度，通常滿足:1e－4≤?≤1。

為了方便，基于奇異值分解的SPKF算法在下面簡寫為SVD-KSPKF算法。

2.3 強跟蹤原理的引入

對于礦用電池而言，噪聲、部件磨損、老化等因素不可避免，因此要建立一個能夠完全反映動力電池狀態(tài)統(tǒng)計特性的精確模型十分困難。此外，礦用電池在工作過程中由于工作環(huán)境復(fù)雜，使得電池外特征參數(shù)變化較大，可見，本研究所設(shè)計的SOC估計算法不僅要有應(yīng)對模型不準(zhǔn)確的魯棒性，還要能快速跟蹤劇烈波動的電池端電流。然而，SVD-KSPKF算法對電池模型的依賴性很強，且當(dāng)系統(tǒng)達到平穩(wěn)狀態(tài)時，SVDKSPKF算法增益陣Kk將趨于極小值;反之，當(dāng)系統(tǒng)狀態(tài)發(fā)生突變時，雖然預(yù)報殘差有所增大，但增益陣Kk并沒有隨之迅速增大，而仍保持極小值?？梢?，該算法不具備快速跟蹤突變狀態(tài)的能力。對此，本研究在SVD-KSPKF算法中引入了強跟蹤濾波器，并記為SSKSPKF算法。

強跟蹤濾波器基于正交性原理，其基本思想是:在線選擇適當(dāng)?shù)臅r變增益陣Kk，使得:

其中，式(8)是經(jīng)典EKF的性能指標(biāo)，式(9)要求不同時刻的殘差序列處處保持相互正交。

本研究基于信息序列的正交性原理，在SVD-KSPKF算法中引入了次優(yōu)漸消因子，其基本步驟如下:

首先，計算輸出殘差:

2.4 電池SOC估計算法設(shè)計

基于SPKF算法，本研究通過在時間更新階段引入標(biāo)準(zhǔn)卡爾曼濾波原理實現(xiàn)算法運算量改進，并在此基礎(chǔ)上引入奇異值分解和強跟蹤原理，加強了算法的數(shù)值穩(wěn)定性和跟蹤突變狀態(tài)的能力，且使其具有了抗模型誤差的能力。其中，算法的遞推過程如下:

(1)模型選擇。

礦用電池內(nèi)部化學(xué)反應(yīng)復(fù)雜，汽車運行過程中易受物理振動、環(huán)境溫度、測量誤差等各種因素的影響。因此，本研究在上述觀測方程和狀態(tài)方程中引入了狀態(tài)噪聲和測量噪聲，并將其表示為:

狀態(tài)方程:

觀測方程:

式中:wk—系統(tǒng)的狀態(tài)噪聲;vk—系統(tǒng)的測量噪聲。

滿足:

其中:Qk—系統(tǒng)狀態(tài)噪聲協(xié)方差陣，Rk—系統(tǒng)測量噪聲協(xié)方差陣，E(.)—期望函數(shù)。

(2)初始化

(3)狀態(tài)變量和狀態(tài)誤差協(xié)方差的一步預(yù)測。

式中:Ak—系統(tǒng)動態(tài)特性的方程匹配系數(shù)，其取值為:Ak=1。

(4)觀測變量yk+1|k的一步預(yù)測。

(5)次優(yōu)漸消因子的引入。

其推導(dǎo)過程如公式(10～16)。

(6)奇異值分解及采樣點確定。

其推導(dǎo)過程如公式(6～7)。

此外，與采樣點對應(yīng)的權(quán)值定義為:

式中:β—狀態(tài)分布參數(shù)。

(7)濾波增益陣的計算。

至此，若算法達到設(shè)定結(jié)束步數(shù)，則終止;否則，k=k+1，轉(zhuǎn)向第(3)步，繼續(xù)迭代循環(huán)。

3 實驗分析

該實驗選用的單體電池是型號為WX11U3215的磷酸鐵鋰聚合物動力電池，該電池的額定電壓為3.2 V，額定容量≥15 Ah，額定放電電流為15 A，放電時的額定工作溫度范圍為－10℃ ～45℃[14]。其中，本研究所采用數(shù)據(jù)的實驗對象為四節(jié)單體磷酸鐵鋰聚合物動力電池串聯(lián)組成的電池組，由此可知，電池組的額定電壓為12.8 V，額定容量為15 Ah。

為了更好驗證所提出的改進算法應(yīng)對模型誤差的魯棒性，本研究在算法模型輸入?yún)?shù)K0中引入了隨機噪聲，其中，電池模型輸入?yún)?shù)K0在引入隨機噪聲后的曲線圖如圖1所示。

圖1 電池模型參數(shù)K0加噪后的曲線圖

此外，為了驗證算法跟蹤突變狀態(tài)的能力，本研究通過在UDDS工況下對電池進行放電操作以模擬突變狀態(tài)，并對電池端電流加入隨機噪聲以加大算法的模型誤差。其中，加噪后的電池端電流波形圖如圖2所示。

圖2 加噪后放電電流波形圖

為了更全面地驗證所提出的算法的有效性，除了對SS-KSPKF算法進行了仿真實驗外，本研究還對改進型EKF(在EKF中考慮了環(huán)境溫度影響因子和充放電倍率影響因子)和SVD-KSPKF算法進行了仿真實驗，以更全面地對算法估計結(jié)果進行比較分析。其中，電池SOC估計結(jié)果局部仿真放大圖如圖3所示。

圖3 電池SOC估計結(jié)果局部仿真放大圖

觀察圖3可以發(fā)現(xiàn)，3種算法在大約80 s后均能較好地實現(xiàn)SOC值的準(zhǔn)確估計。而在起初的0～80 s內(nèi)，SS-KSPKF算法具有比SVD-KSPKF算法和改進型EKF算法更快的收斂速度和更好的收斂精度。可見，本研究提出的算法具有應(yīng)對模型不準(zhǔn)確以及跟蹤突變狀態(tài)的能力，很適合于礦用電池SOC估計。

4 結(jié)束語

本研究詳細介紹了礦用電池狀態(tài)觀測復(fù)合模型，通過采用加權(quán)統(tǒng)計線性回歸法，實現(xiàn)了非線性函數(shù)的統(tǒng)計線性化過程。針對電池復(fù)合模型的特殊性，將標(biāo)準(zhǔn)卡爾曼濾波算法與SPKF算法組合使用，減少了計算量。通過奇異值分解和強跟蹤原理的引入，提出了改進型SPKF算法，并將其應(yīng)用于礦用電池SOC估計。此外，本研究分析了改進型SPKF算法的遞推過程，并進行了仿真驗證。仿真結(jié)果表明:對于含有模型誤差和狀態(tài)突變的系統(tǒng)中，該算法依然具有較快的收斂速度以及較好的收斂精度。

綜上所述，本研究提出的基于改進型的SPKF算法在保證了濾波精度和收斂速度的同時，還兼顧了計算量?？梢?，該算法可應(yīng)用于礦用電池SOC估計。

[1]王沙沙，婁高峰，唐 霞，等.基于擴展卡爾曼濾波法的礦用可移動救生艙蓄電池荷電狀態(tài)估計[J].工礦自動化，2013，39(2):43-47.

[2]江躍龍.基于UKF動力鋰電池SOC動態(tài)估測方法與實現(xiàn)[D].廣州:廣東工業(yè)大學(xué)信息工程學(xué)院，2012.

[3]林成濤，陳全世，王軍平，等.用改進的安時計量法估計電動汽車動力電池SOC[J].清華大學(xué)學(xué)報:自然科學(xué)版，2006，46(2):247-251.

[4]齊國光，李建民.電動汽車電量計量技術(shù)的研究[J].清華大學(xué)學(xué)報:自然科學(xué)版，1997，37(3):46-49.

[5]AFFANNI A，BELLINI A，CONCARI C，et al.EV Battery State of Charge:Neural Network Based Estimation[C]//IEEE International Electric Machines and Drives Conference.Medison:[s.n.]，2003:684-688.

[6]左適夠，周 亞，張 達.基于DSP的電動汽車蓄電池電量計量及荷電狀態(tài)估計[J].機電工程，2012，29(4):461-464.

[7]KALMAN R E.A new approach to linear filtering and prediction problems[J].Journal of basic Engineering，1960，82(1):35-45.

[8]趙 曉，汪 明，李曉明.改進擴展卡爾曼濾波算法在智能足球機器人比賽中的應(yīng)用[J].機電工程，2012，29(3):334-338.

[9]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.

[10]HE H，XIONG R，GUO H，et al.Comparison study on the battery models used for the energy management of batteries in electric vehicles[J].Energy Conversion and Management，2012(64):113-121.

[11]LI J，KLEE BARILLAS J，GUENTHER C，et al.A comparative study of state of charge estimation algorithms for LiFePO4 batteries used in electric vehicles[J].Journal of Power Sources，2013，230(15):244-250.

[12]JWO D-J，LAI S-Y.Navigation integration using the fuzzy strong tracking unscented Kalman filter[J].Journal of Navigation，2009，62(2):303-322.

[13]LIU B，MA X-C，HOU C-H.A Particle Filter using SVD based Sampling Kalman Filter to Obtain the Proposal Distribution[C]//IEEE Conference on Cybernetics and Intelligent Systems.Chengdu:[s.n.]，2008:581-584.

[14]徐 杰.基于卡爾曼濾波的動力電池組SOC精確估計[D].杭州:杭州電子科技大學(xué)電子信息學(xué)院，2009.