亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于分?jǐn)?shù)階鋰電池模型的FOMIAEKF算法SOC估計(jì)

        2021-11-20 15:16:02丁羿茗呂瑞強(qiáng)
        電源技術(shù) 2021年9期
        關(guān)鍵詞:新息卡爾曼濾波鋰電池

        丁羿茗,呂瑞強(qiáng),蔣 超

        (空軍勤務(wù)學(xué)院,江蘇徐州 221000)

        荷電狀態(tài)(SOC)作為鋰電池特性的一個(gè)重要參數(shù),它的精確估計(jì)對(duì)鋰電池正常工作十分重要。傳統(tǒng)的SOC計(jì)算方法依賴于電池自身特性,如開路電壓法和安時(shí)積分法,智能估計(jì)算法有神經(jīng)網(wǎng)絡(luò)算法和擴(kuò)展卡爾曼濾波算法。文獻(xiàn)[1]采用基于數(shù)值優(yōu)化的BP 神經(jīng)網(wǎng)絡(luò)(LM-BP)算法對(duì)SOC進(jìn)行估算,提高了收斂速度。神經(jīng)網(wǎng)絡(luò)算法可以不需要鋰電池模型進(jìn)行估計(jì),但是估算精度和樣本的質(zhì)量關(guān)系密切。文獻(xiàn)[2]運(yùn)用擴(kuò)展卡爾爾曼濾波(EKF)估算鋰電池SOC,減小了安時(shí)積分法的累積誤差,但是它的近似非線性以及恒定的過程噪聲會(huì)帶來誤差影響。文獻(xiàn)[3]運(yùn)用雙卡爾曼濾波提高了估算SOC的精度,但是沒有減小擴(kuò)展卡爾曼濾波器近似非線性誤差。文獻(xiàn)[4]運(yùn)用自適應(yīng)擴(kuò)展卡爾曼濾波算法修正了噪聲恒定帶來的誤差,但是對(duì)歷史新息數(shù)據(jù)沒有充分利用。

        本文在分?jǐn)?shù)階鋰電池模型基礎(chǔ)上,提出了多新息自適應(yīng)EKF 算法,改進(jìn)了EKF 濾波器過程噪聲與觀測(cè)噪聲恒定所帶來的的誤差,充分利用了歷史新息,通過聯(lián)合估計(jì)實(shí)時(shí)修正模型參數(shù)。Matlab 仿真驗(yàn)證表明該方法可以有效提高SOC估算精度和跟蹤速度。

        1 分?jǐn)?shù)階鋰電池模型

        1.1 鋰電池分?jǐn)?shù)階建模

        關(guān)于分?jǐn)?shù)階微積分的定義有很多,本文用G-L 定義直接離散化分?jǐn)?shù)階微分方程,G-L 定義[5]如下:

        式中:α 代表方程的階數(shù),階數(shù)的范圍在(0,1)之間;h表示采樣時(shí)間;k是整數(shù)。

        使用分?jǐn)?shù)階理論進(jìn)行鋰電池建模[6],可以反映極化、擴(kuò)散和非線性因素帶來的影響,提高模型的精度,鋰電池的分?jǐn)?shù)階等效電路模型如圖1 所示。VOCV是電池的開路電壓,R0為電池內(nèi)阻,R1、R2為純阻性內(nèi)阻,分?jǐn)?shù)階元件用CPE 表示,系數(shù)分別為C1、C2,分?jǐn)?shù)階階次表示為α、β,取值范圍是(0,1),將理想電容元件用分?jǐn)?shù)階電容CPE 代替,可以更好地反映電極表面的彌散效應(yīng)。

        圖1 分?jǐn)?shù)階等效電路模型

        將VCPE1(t)、VCPE2(t)作為系統(tǒng)的狀態(tài),I0(t)作為系統(tǒng)的輸入,系統(tǒng)的輸出為VO(t),分?jǐn)?shù)階電池模型的狀態(tài)方程如下:

        電容CPEI、電容CPE2用分?jǐn)?shù)階表示如下:

        1.2 鋰電池分?jǐn)?shù)階模型參數(shù)辨識(shí)及模型精度驗(yàn)證

        遺傳算法步驟如下:隨機(jī)產(chǎn)生初值并轉(zhuǎn)換為二進(jìn)制代碼,代表不同個(gè)體的二進(jìn)制代碼可以通過相互交換、獨(dú)自變異[7]產(chǎn)生新個(gè)體。將二進(jìn)制碼解碼后代入適應(yīng)度函數(shù),判斷是否滿足要求,當(dāng)滿足設(shè)定條件時(shí)停止[8],適應(yīng)性條件如式(4)所示:

        式中:Ye(j)是預(yù)測(cè)輸出;Yr(j)是期望輸出;M是被測(cè)數(shù)據(jù)組的長度。

        遺傳算法流程圖如圖2 所示。

        圖2 遺傳算法流程圖

        一代種群中,個(gè)體的不同會(huì)導(dǎo)致適應(yīng)度和遺傳概率的不同,不同個(gè)體的交叉概率和變異概率可以表示如下:

        式中:Jmin表示適應(yīng)性條件的最小值,可以看出最優(yōu)的個(gè)體概率均為0,J(i)的值越大,獲得進(jìn)化的機(jī)會(huì)越多。

        自適應(yīng)遺傳算法(AGA)辨識(shí)出來的分?jǐn)?shù)階模型參數(shù)(R0、R1、R2、C1、C2)是整個(gè)脈沖放電過程的最優(yōu)解,參數(shù)辨識(shí)結(jié)果如表1 所示。分?jǐn)?shù)階模型與整數(shù)解模型的誤差對(duì)比如圖3 所示,誤差數(shù)據(jù)如表2 所示,分?jǐn)?shù)階模型的最大誤差為0.037 5 V,平均誤差為0.004 6 V,均優(yōu)于整數(shù)階模型。

        表1 AGA 算法參數(shù)辨識(shí)結(jié)果

        圖3 分?jǐn)?shù)階模型與整數(shù)解模型誤差對(duì)比

        表2 模型誤差對(duì)比 V

        2 基于分?jǐn)?shù)階擴(kuò)展卡爾曼濾波算法估計(jì)SOC

        2.1 分?jǐn)?shù)階擴(kuò)展卡爾曼濾波算法

        EKF 算法可以處理非線性系統(tǒng)的問題,原理是將非線性系統(tǒng)的空間方程在xk處進(jìn)行泰勒級(jí)數(shù)展開,只保留一階項(xiàng),得到近似的線性空間方程,對(duì)EKF 的狀態(tài)變量,用G-L 定義求分?jǐn)?shù)階導(dǎo)數(shù)[9-10],采樣時(shí)間h取為1,得到如下表達(dá)式:

        式中:Δ 是差分算子;n是階數(shù)。

        將式(2)分?jǐn)?shù)階模型表達(dá)式離散化,可得離散化分?jǐn)?shù)階鋰電池模型表達(dá)式[11-12]:

        基于分?jǐn)?shù)階模型,用EKF 算法估算鋰電池SOC,運(yùn)用Matlab 軟件在城市循環(huán)工況(UDDS)下對(duì)算法進(jìn)行仿真驗(yàn)證,結(jié)果如圖4~5 所示,分?jǐn)?shù)階模型的引入使算法的精度得到了提高,整數(shù)階EKF 算法因?yàn)槟P途葐栴},誤差始終向一側(cè)偏移,將模型更改為分?jǐn)?shù)階后,模型的精度提高,雖然在初始階段,EKF 算法誤差較小,但是隨著時(shí)間的累計(jì),分?jǐn)?shù)階擴(kuò)展卡爾曼濾波(FOEKF)算法精度逐漸提高。經(jīng)計(jì)算,EKF 算法估算SOC誤差平均值為0.015 3,最大誤差為0.033 3,F(xiàn)OEKF算法估算SOC誤差平均值為0.011 2,最大誤差為0.032 5。

        圖4 FOEKF和EKF算法估算SOC曲線圖

        圖5 FOEKF和EKF算法估算SOC誤差對(duì)比圖

        2.2 分?jǐn)?shù)階多新息自適應(yīng)擴(kuò)展卡爾曼濾波算法

        EKF 算法的狀態(tài)噪聲和觀測(cè)噪聲是恒定值,這會(huì)導(dǎo)致估計(jì)誤差變大。自適應(yīng)擴(kuò)展卡爾曼濾波(AEKF)算法可以對(duì)新息或者殘差進(jìn)行實(shí)時(shí)監(jiān)測(cè),修正狀態(tài)噪聲和觀測(cè)噪聲。AEKF 算法過程如下:

        式中:ek代表新息,若為則表示殘差。

        觀測(cè)噪聲方差Rk和狀態(tài)噪聲方差Qk的自適應(yīng)過程如下:

        式中:Fk為新息的實(shí)時(shí)估計(jì)方差;M為滑動(dòng)數(shù)據(jù)窗口長度[13]。

        將多新息和EKF 算法結(jié)合,計(jì)算量會(huì)略有增大,但是精度得到了提高。將單新息ek擴(kuò)展到新息矩陣,如下所示[14]:

        同時(shí),將增益Kk也擴(kuò)展成為增益矩陣,那么,狀態(tài)向量的更新如下所示:

        式中:Ki,k是k時(shí)刻的增益;Ep,k是新息矩陣;p是新息長度。

        在UDDS 工況下,運(yùn)用Matlab 軟件對(duì)算法進(jìn)行仿真驗(yàn)證,將AGA 算法辨識(shí)出來的參數(shù)代入模型中,仿真結(jié)果如圖6~7 所示,仿真數(shù)據(jù)如表3 所示,分?jǐn)?shù)階多新息自適應(yīng)擴(kuò)展卡爾曼濾波(FOMIAEKF)算法估計(jì)誤差的平均值和最大值都有所減小,說明該算法可以有效提高SOC估計(jì)精度。

        圖6 FOMIAEKF和FOEKF算法估算SOC曲線圖

        圖7 FOMIAEKF和FOEKF算法估算SOC誤差對(duì)比圖

        表3 FOEKF 與FOMIAEKF 算法估計(jì)SOC 誤差對(duì)比

        3 鋰電池SOC 和健康狀態(tài)聯(lián)合估計(jì)

        3.1 UKF 算法估計(jì)鋰電池健康狀態(tài)

        用UKF 算法估算鋰電池健康狀態(tài)(SOH),將電池容量C和電池內(nèi)阻R0作為健康狀態(tài)的估計(jì)量,UKF 算法估計(jì)流程首先確定狀態(tài)值初始值x0和后驗(yàn)狀態(tài)誤差協(xié)方差初始值P0,計(jì)算采樣點(diǎn):

        式中:L為狀態(tài)向量的長度。

        UKF 算法增益矩陣的更新如式(14)所示:

        3.2 聯(lián)合估計(jì)模型仿真

        鋰電池在使用過程中會(huì)不斷老化,它的內(nèi)阻會(huì)變化,容量會(huì)降低。但是辨識(shí)出來的模型參數(shù)是根據(jù)實(shí)驗(yàn)結(jié)果得到的定值。將SOC和SOH聯(lián)合估計(jì),根據(jù)SOH估計(jì)出來的內(nèi)阻值和容量值實(shí)時(shí)修正SOC估計(jì)的參數(shù)[15],從而提升SOC估計(jì)的精度。圖8 是聯(lián)合估計(jì)算法估算SOC的曲線圖,圖9 是聯(lián)合估計(jì)算法估算SOC的誤差圖,聯(lián)合估計(jì)算法誤差在2.5%之內(nèi)。圖10 為不同算法估算SOC誤差對(duì)比圖,聯(lián)合估計(jì)算法比FOMIAEKF 算法精度更高,說明聯(lián)合估計(jì)算法可以有效提高SOC估算精度。表4 為不同算法估算SOC 誤差對(duì)比。

        圖8 聯(lián)合估計(jì)算法SOC估計(jì)值

        圖9 聯(lián)合估計(jì)算法估算SOC誤差圖

        圖10 不同算法估算SOC誤差對(duì)比圖

        由表4 可知,普通EKF 算法估算SOC的平均誤差為0.015 3,用分?jǐn)?shù)階理論提高模型精度后,F(xiàn)OEKF 算法估算平均誤差為0.011 2。針對(duì)EKF 算法濾波過程中狀態(tài)噪聲和預(yù)測(cè)噪聲恒定不變的情況,提出一種自適應(yīng)EKF 算法,可以實(shí)時(shí)更新噪聲方差矩陣,F(xiàn)OAEKF 算法估算SOC的平均誤差為0.010 1,精度得到了提高,但是沒有充分利用歷史新息數(shù)據(jù)。針對(duì)這種情況,將單新息變?yōu)槎嘈孪⒕仃?,充分利用了之前未被利用的新息?shù)據(jù),F(xiàn)OMIAEKF 算法估算SOC的平均誤差為0.009 1,精度相比于普通的EKF 算法有了明顯提高。針對(duì)隨著鋰電池不斷老化,模型參數(shù)會(huì)發(fā)生變化的情況,提出了聯(lián)合估計(jì)算法,用UKF 算法估算SOH,實(shí)時(shí)更新分?jǐn)?shù)階模型參數(shù),聯(lián)合估計(jì)算法估算SOC的平均誤差為0.007 6,精度有了進(jìn)一步的提高。

        表4 不同算法估算SOC 誤差對(duì)比

        4 結(jié)論

        本文引入分?jǐn)?shù)階思想建立鋰電池等效電路模型,用AGA算法離線辨識(shí)模型參數(shù),通過脈沖放電實(shí)驗(yàn)對(duì)模型精度進(jìn)行驗(yàn)證,結(jié)果表明,分?jǐn)?shù)階的引入有效地提高了模型的精度。在UDDS 工況下,運(yùn)用EKF 算法對(duì)整數(shù)階模型和分?jǐn)?shù)階模型的SOC值進(jìn)行估算,仿真結(jié)果進(jìn)一步證明了分?jǐn)?shù)階模型的精度更高。隨后,針對(duì)EKF 算法的不足進(jìn)行改進(jìn),提出了多新息自適應(yīng)EKF 算法,解決了EKF 算法噪聲恒定以及未充分利用新息數(shù)據(jù)的問題,并通過與SOH聯(lián)合估計(jì)實(shí)時(shí)修正分?jǐn)?shù)階模型參數(shù),減少模型老化帶來的影響。仿真結(jié)果表明,F(xiàn)OMIAEKF 算法和聯(lián)合估計(jì)算法可以有效地提高SOC估算精度和跟蹤速度。

        猜你喜歡
        新息卡爾曼濾波鋰電池
        傳遞函數(shù)辨識(shí)(21):線性回歸系統(tǒng)的遞階遞推參數(shù)估計(jì)
        M估計(jì)的強(qiáng)跟蹤SVD-UKF算法在組合導(dǎo)航中的應(yīng)用
        電子科技(2018年7期)2018-07-23 05:30:32
        基于遞推更新卡爾曼濾波的磁偶極子目標(biāo)跟蹤
        自適應(yīng)卡爾曼濾波在航空重力異常解算的應(yīng)用研究
        基于模糊卡爾曼濾波算法的動(dòng)力電池SOC估計(jì)
        基于SVM的鋰電池SOC估算
        基于新息正交性自適應(yīng)濾波的慣性/地磁組合導(dǎo)航方法
        基于擴(kuò)展卡爾曼濾波的PMSM無位置傳感器控制
        一種多采樣率EKF的鋰電池SOC估計(jì)
        基于自適應(yīng)卡爾曼濾波的新船舶試航系統(tǒng)
        99久久国产一区二区三区| 亚洲av综合av一区| 亚洲色精品三区二区一区 | 高潮又爽又无遮挡又免费| 国产成年无码v片在线| 中文字幕久无码免费久久| 亚洲国产成人av第一二三区 | 亚洲av中文无码乱人伦下载| 亚洲精品字幕在线观看| 久久国产精品99精品国产987| 国产丝袜长腿在线看片网站| 无码人妻一区二区三区免费看 | 中文字幕人妻少妇美臀| 二区免费在线视频观看| 亚洲av无码专区亚洲av伊甸园| 久久久久亚洲精品无码网址色欲| 无码毛片高潮一级一免费| 久久av少妇亚洲精品| 熟女人妻在线中文字幕| 国产在线精品一区二区中文| 四虎影永久在线观看精品| 特黄三级一区二区三区| 国产毛片av一区二区| 亚洲色精品aⅴ一区区三区| 老色鬼永久精品网站| 精品人妻日韩中文字幕| 久久精品国产亚洲av久| 久久精品国产亚洲av高清色欲 | 国产不卡在线播放一区二区三区| 国产天堂av在线一二三四| 免费观看的av毛片的网站| 国产极品美女高潮抽搐免费网站 | 欧美与黑人午夜性猛交久久久| 中国女人a毛片免费全部播放| 国产精品一区二区久久久av| 免费无码a片一区二三区| 国产精品亚洲一区二区杨幂| 香蕉蜜桃av一区二区三区| 国内精品久久久久影院薰衣草| 无限看片在线版免费视频大全| 日韩精品夜色二区91久久久|