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UKF-AUKF鋰電池在線參數(shù)辨識(shí)和SOC聯(lián)合估計(jì)

        2022-10-29 12:07:52盧云帆邢麗坤張夢龍
        電源技術(shù) 2022年10期
        關(guān)鍵詞:模型

        盧云帆,邢麗坤,張夢龍,郭 敏

        (安徽理工大學(xué)電氣與信息工程學(xué)院,安徽淮南 232001)

        為了綠色、可持續(xù)發(fā)展,中國在努力實(shí)現(xiàn)能源結(jié)構(gòu)轉(zhuǎn)型,大力發(fā)展零排放和減碳能源技術(shù)。電動(dòng)汽車?yán)眯履茉醇夹g(shù),實(shí)現(xiàn)零排放。鋰離子蓄電池組作為車輛動(dòng)力能源,實(shí)時(shí)的SOC估計(jì)是車輛電池組安全使用和能量管理的必要參數(shù)之一。

        國內(nèi)外對鋰電池SOC估計(jì)做了大量的研究,目前絕大多數(shù)都以模型為基礎(chǔ):一是電化學(xué)模型,通過分析計(jì)算鋰電池化學(xué)反應(yīng)估計(jì)電池SOC,該法以相關(guān)的電化學(xué)機(jī)理為基礎(chǔ),計(jì)算較為復(fù)雜;二是黑箱模型,通過大量數(shù)據(jù)驅(qū)動(dòng)建立黑箱模型,如神經(jīng)網(wǎng)絡(luò)等[1],該法需要大量數(shù)據(jù)訓(xùn)練模型,抗干擾能力差;三是等效電路模型,通過等效電路模型結(jié)合濾波算法估計(jì)鋰電池SOC[2],該法計(jì)算量較小而且精度較高,具有很好的魯棒性,但該法對模型的精度要求較高。

        因此,學(xué)者們對等效電路模型參數(shù)辨識(shí)和SOC估計(jì)算法進(jìn)行了大量的研究。曹銘等[3]提出基于非線性最小二乘法(RLS)的離線參數(shù)辨識(shí),保證了模型的辨識(shí)精度,但是所辨識(shí)模型的參數(shù)固定,對復(fù)雜工況不具備適用性;ZHU 等[4]基于約束條件的RLS 進(jìn)行在線參數(shù)辨識(shí),用UKF 估計(jì)電池SOC,進(jìn)一步提高了模型精度,但RLS 算法采用的數(shù)據(jù)點(diǎn)較少,精度較低,且SOC算法對噪聲無法有效濾除;李心成等[5]采用帶遺忘因子的遞推最小二乘法(FFRLS)進(jìn)行參數(shù)辨識(shí),有效解決數(shù)據(jù)冗余問題,但該算法遺忘因子是固定的,不同工況下參數(shù)辨識(shí)誤差比較大,EKF 算法的噪聲固定,并不符合實(shí)際的生產(chǎn)應(yīng)用;XIONG 等[6]提出雙擴(kuò)展卡爾曼濾波算法(DEKF),進(jìn)行參數(shù)和SOC聯(lián)合估計(jì),實(shí)現(xiàn)了在線參數(shù)辨識(shí),大大提高了模型對于不同工況的適應(yīng)度,但是EKF 中的線性化過程因?yàn)槭÷圆糠指叽雾?xiàng),造成誤差持續(xù)存在,而且實(shí)際工況的噪聲影響無法處理。雖然上述研究使鋰電池SOC估計(jì)算法得到進(jìn)一步發(fā)展,但上述研究中仍存在模型參數(shù)固定、參數(shù)辨識(shí)精度較低、實(shí)際工況噪聲無法濾除等問題。

        針對實(shí)際工況下鋰電池參數(shù)時(shí)變特性不同噪聲對SOC估計(jì)影響較大的問題,提出宏觀時(shí)間尺度下采用UKF 算法對等效電路模型進(jìn)行參數(shù)辨識(shí),并聯(lián)合微觀時(shí)間尺度下的AUKF 算法估計(jì)鋰電池SOC,既解決了傳統(tǒng)離線參數(shù)辨識(shí)模型固定導(dǎo)致誤差較大的問題,又解決了EKF 因省略高次項(xiàng)導(dǎo)致算法精度低的問題,還濾除了環(huán)境和工況噪聲,提高了算法魯棒性、精確性。

        1 鋰電池等效電路模型

        1.1 實(shí)驗(yàn)平臺(tái)

        實(shí)驗(yàn)對象采用由10 只18650 型三元鋰電池并聯(lián)而成的電池組,實(shí)驗(yàn)平臺(tái)如圖1 所示,溫控箱用來設(shè)置鋰電池工作溫度,這里設(shè)置恒溫25 ℃,PC 端通過串口對可編程電子負(fù)載發(fā)送指令,對電池進(jìn)行充放電實(shí)驗(yàn)。同時(shí)用數(shù)據(jù)采集卡采集鋰電池?cái)?shù)據(jù),并實(shí)時(shí)傳輸?shù)絇C 端。

        圖1 實(shí)驗(yàn)平臺(tái)實(shí)物圖

        1.2 二階等效電路模型

        鋰電池模型是SOC估計(jì)的基礎(chǔ),但是考慮到模型精度和計(jì)算量成正比,權(quán)衡計(jì)算量和精度,選用二階等效電路模型,在保證估計(jì)精度的同時(shí),計(jì)算量較小,更適合作為SOC估計(jì)的電池模型,二階等效電路結(jié)構(gòu)圖如圖2。

        圖2 鋰電池二階等效電路模型

        根據(jù)電路原理得到電路模型的回路狀態(tài)方程:

        觀測方程:

        式中:C1、C2為極化電容;Uoc為開路電壓;U0為端電壓;Ts為采樣時(shí)間;Qn為電池容量;R1、R2為極化電阻;R0為電池歐姆內(nèi)阻。

        將公式(1)、(2)差分離散化得到:

        2 模型參數(shù)辨識(shí)與驗(yàn)證

        2.1 模型的參數(shù)辨識(shí)實(shí)驗(yàn)

        模型的參數(shù)辨識(shí)主要通過兩個(gè)實(shí)驗(yàn)完成,一是通過恒流放電實(shí)驗(yàn)確定Uoc與SOC關(guān)系,二是通過UDDS 實(shí)驗(yàn)在線辨識(shí)R0、R1、C1、R2、C2。

        2.1.1 恒流放電實(shí)驗(yàn)

        采用恒定脈沖電流對電池放電,放電電流3 A,持續(xù)6 min,然后靜置4 h,記錄電池開路電壓。重復(fù)上述操作10 次,擬合得到Uoc關(guān)于SOC的函數(shù)關(guān)系。Uoc-SOC曲線如圖3所示。

        圖3 Uoc-SOC擬合曲線

        將SOC作為變量,通過公式(4)對Uoc與SOC的數(shù)據(jù)點(diǎn)做八階擬合,從而得到Uoc與SOC的函數(shù):

        2.1.2 UDDS 工況

        采用UDDS 工況作為在線參數(shù)辨識(shí)實(shí)際工況。在滿足電池工作情況下,循環(huán)一次工況,電池SOC值減少5%,實(shí)驗(yàn)從SOC為1 時(shí)開始對該工況進(jìn)行20 次循環(huán),直至SOC=0,采用UDDS 工況電流激勵(lì)電池組,通過數(shù)據(jù)采集卡采集工況下電池組的實(shí)測電壓,得到實(shí)際工況下電流、電壓如圖4 所示。

        圖4 UDDS循環(huán)工況實(shí)驗(yàn)電壓、電流曲線

        2.2 基于UKF 算法的在線參數(shù)辨識(shí)

        在線參數(shù)辨識(shí)是通過采集鋰電池前一時(shí)刻的電流電壓數(shù)據(jù),并進(jìn)行實(shí)時(shí)參數(shù)辨識(shí),得到每個(gè)時(shí)刻最新的模型參數(shù),從而達(dá)到電池模型參數(shù)隨工況變化而自適應(yīng)更新的效果,使模型和SOC估計(jì)更加精確。UKF 在線參數(shù)辨識(shí)具體算法流程[7]如下。

        根據(jù)公式(3)的狀態(tài)空間方程,引入?yún)?shù)變量和狀態(tài)變量為自變量后的狀態(tài)空間方程:

        式中:θ=[R R1C1R2C2]T;宏觀尺度L=60 s;微觀尺度序列l(wèi)∈(1~L);wk、vk為系統(tǒng)的過程噪聲和觀測噪聲;rk為模型參數(shù)過程噪聲。

        初始化參數(shù)變量和參數(shù)變量協(xié)方差,確定UKF 算法的參數(shù)a=0.01,ki=0,b=2,M=5。

        第一步:計(jì)算k時(shí)刻采樣點(diǎn)

        第二步:計(jì)算權(quán)重

        第三步:參數(shù)預(yù)測值+1和系統(tǒng)方差預(yù)測值Pxx

        第四步:更新預(yù)測參數(shù)

        第五步:更新觀測值+1和觀測方差預(yù)測值Pyy

        第六步:參數(shù)變量協(xié)方差Pxy、無跡卡爾曼增益K

        第七步:觀測更新

        第八步:系統(tǒng)參數(shù)更新

        2.3 多工況下參數(shù)模型的驗(yàn)證

        脈沖放電工況的電流電壓曲線如圖5 所示,通過與傳統(tǒng)遞推最小二乘法(RLS)離線參數(shù)辨識(shí)所得模型進(jìn)行比較分析,其端電壓誤差如圖6 所示。

        圖5 脈沖放電工況電壓電流曲線

        由圖6 可以看出,相比于傳統(tǒng)離線參數(shù)辨識(shí),在線參數(shù)辨識(shí)所得的電池模型的端電壓誤差更小,更契合與當(dāng)前電池的實(shí)際狀態(tài)。通過數(shù)據(jù)分析,UKF 在線參數(shù)辨識(shí)所得模型電壓的平均絕對誤差(MAE)為0.004 2,均方根誤差(RMSE)為0.006 3;RLS 離線參數(shù)辨識(shí)所得模型預(yù)測電壓的MAE 為0.007 4,RMSE 為0.009 9;結(jié)果說明,UKF 在線參數(shù)辨識(shí)所辨識(shí)的模型精度更高,誤差波動(dòng)小,魯棒性更好。

        圖6 端電壓誤差

        上述脈沖放電工況實(shí)驗(yàn)較為簡單,并不符合實(shí)際電動(dòng)汽車工作狀況。因此,采用UDDS 工況進(jìn)一步分析復(fù)雜工況下的模型精度和聯(lián)合估計(jì)算法的精度。UDDS 工況下UKF 在線參數(shù)辨識(shí)模型端電壓誤差和RLS 離線參數(shù)辨識(shí)模型端電壓誤差如圖7 所示。

        圖7 模型端電壓誤差曲線

        通過數(shù)據(jù)分析可得,UKF 在線參數(shù)辨識(shí)所得模型電壓的平均絕對誤差(MAE)為0.004 5,均方根誤差(RMSE)為0.006 8;EKF 在線參數(shù)辨識(shí)的模型端電壓MAE 為0.005 2,RMSE 為0.007 6,RLS 離線參數(shù)辨識(shí)所得模型預(yù)測電壓的MAE 為0.005 6,RMSE 為0.008 4;與離線參數(shù)辨識(shí)相比較,UKF 和EKF 在線參數(shù)辨識(shí)的精度都要更高,誤差波動(dòng)更小,證實(shí)了在線參數(shù)辨識(shí)的優(yōu)異性,其模型更精準(zhǔn)。通過UKF 與EKF 在線參數(shù)辨識(shí)相比較,UKF 模型誤差更小,說明了UKF解決了EKF 線性化造成的誤差增大問題,提高了模型的精度,進(jìn)一步驗(yàn)證UKF 在線參數(shù)辨識(shí)即使在電流急劇變化的復(fù)雜工況中,仍然可以保持較高的精度和較好的魯棒性。

        2.4 UKF-AUKF 聯(lián)合估計(jì)鋰電池SOC

        宏觀時(shí)間尺度下采用UKF 進(jìn)行在線參數(shù)辨識(shí)[8],微觀時(shí)間尺度下用AUKF 估計(jì)鋰電池SOC,具體流程參考文獻(xiàn)[9],實(shí)現(xiàn)基于UKF-AUKF 的鋰電池在線參數(shù)辨識(shí)和SOC聯(lián)合估計(jì)。首先建鋰電池狀態(tài)空間方程,對于電路模型參數(shù)初值,吸取離線參數(shù)辨識(shí)精確的優(yōu)點(diǎn),用遞推最小二乘法離線參數(shù)辨識(shí)得到的模型參數(shù),作為鋰電池聯(lián)合估計(jì)的初值;以60 s 的微觀時(shí)間尺度序列進(jìn)行SOC估計(jì),SOC估計(jì)到達(dá)60 s 后,切換時(shí)間尺度為宏觀時(shí)間尺度進(jìn)行一次參數(shù)辨識(shí),將辨識(shí)出的參數(shù)更新到狀態(tài)空間方程中,再切換為微觀時(shí)間尺度進(jìn)行SOC估計(jì),循環(huán)往復(fù)實(shí)現(xiàn)在線參數(shù)辨識(shí)與SOC的聯(lián)合估計(jì)。具體流程如圖8 所示。

        圖8 UKF-AUKF聯(lián)合估計(jì)流程圖

        3 聯(lián)合估計(jì)的精度驗(yàn)證

        模型誤差大小取決于參數(shù)辨識(shí)的模型精度[10],模型的精度主要體現(xiàn)在兩個(gè)方面:一是模型端電壓與真實(shí)值的誤差,前面已經(jīng)進(jìn)行了探討;另一方面體現(xiàn)在SOC的估計(jì)精度上。為了驗(yàn)證實(shí)際工況下的算法性能和精度,用脈沖放電工況和UDDS工況作為實(shí)際工況,通過對比SOC的估計(jì)精度,來驗(yàn)證聯(lián)合估計(jì)算法的在線參數(shù)辨識(shí)精度和鋰電池SOC估計(jì)精度。

        3.1 脈沖放電工況

        下面通過與RLS 離線參數(shù)辨識(shí)下EKF 算法估計(jì)鋰電池SOC進(jìn)行對比。SOC估計(jì)誤差如圖9 所示。

        圖9 SOC估計(jì)誤差

        由圖9 可以看出,整體上UKF-AUKF 的SOC誤差更小,波動(dòng)較少,魯棒性好。靜置階段兩種參數(shù)辨識(shí)得到的模型精度相差不大,但在電流變化時(shí),UKF 在線參數(shù)辨識(shí)總是可以很快跟蹤到參數(shù)變化,而RLS 辨識(shí)的模型總是恒定不變的,因此誤差會(huì)變大,出現(xiàn)波動(dòng)。UKF 參數(shù)辨識(shí)下鋰電池SOC估計(jì)的平均絕對誤差為0.004 6,均方根誤差為0.014 2;RLS 參數(shù)辨識(shí)下SOC估計(jì)的平均絕對誤差為0.007 1,均方根誤差為0.023 6。從數(shù)據(jù)上可以看出,UKF 所辨識(shí)的電池模型精度要比RLS 所辨識(shí)的電池模型精度高得多,并且更加穩(wěn)定,在電流變化時(shí)更夠快速追蹤SOC的變化。

        3.2 UDDS 工況

        為進(jìn)一步探究聯(lián)合估計(jì)算法的精度,下面對UDDS 工況下各參數(shù)辨識(shí)所得模型進(jìn)行SOC估計(jì),電池SOC估計(jì)如圖10所示,各聯(lián)合估計(jì)的SOC估計(jì)誤差如圖11 所示。

        圖10 UDDS下各算法的SOC估計(jì)

        圖11 UDDS下各算法的SOC估計(jì)誤差

        圖10 表示各算法的SOC估計(jì),從圖中可以看出UKFAUKF 最貼近于真實(shí)值,DEKF 算法估計(jì)精度稍差,RLS-EKF估計(jì)精度最差;在保證SOC算法都為EKF 算法時(shí),DEKF 明顯優(yōu)于RLS-EKF,證明了在線參數(shù)辨識(shí)模型的精確性,相比于DEKF,UKF-AUKF 的SOC估計(jì)誤差更小,進(jìn)一步說明了UKF-AUKF 解決了EKF 算法中用泰勒公式展開線性化這一過程,避免了因線性化而省略高次項(xiàng)造成的誤差;該算法在復(fù)雜工況下誤差波動(dòng)較小,根據(jù)表1 的RMSE 數(shù)據(jù),說明了UKF-AUKF 對噪聲能夠很好的濾除,使得SOC誤差更平穩(wěn),魯棒性更強(qiáng),解決了實(shí)際SOC估計(jì)過程中噪聲變化的問題。幾種算法的SOC誤差分析見表1。

        表1 各算法SOC 誤差分析

        從RLS-EKF 和DEKF 結(jié)果可以看出,相比于傳統(tǒng)的離線參數(shù)辨識(shí),在線參數(shù)辨識(shí)精度明顯要高,在線參數(shù)辨識(shí)的模型隨著工況的變化自適應(yīng)更新,更契合鋰電池實(shí)際工況;UKF-AUKF 精度最高,相比于DEKF,其SOC估計(jì)誤差更小,而且隨著工況的急劇變化,其誤差波動(dòng)不大,極其穩(wěn)定,魯棒性好。

        4 結(jié)論

        本文通過UKF 算法對鋰電池二階等效模型進(jìn)行在線參數(shù)辨識(shí),結(jié)合AUKF 估計(jì)鋰電池SOC,將SOC的平均絕對誤差降低到0.005 1,解決了復(fù)雜工況下鋰電池參數(shù)時(shí)變問題和SOC估計(jì)過程中噪聲影響的問題,大幅度提高電池模型精度;通過脈沖放電工況和UDDS 工況下各種參數(shù)辨識(shí)方法和SOC估計(jì)算法對比分析,驗(yàn)證了本文方法的精確性和穩(wěn)定性。本文的模型建立以及SOC估計(jì)算法的實(shí)現(xiàn)都是恒溫條件下的分析研究,對于不同溫度適用性還有待于研究,接下來將就不同溫度下UKF-AUKF 適用性進(jìn)一步展開實(shí)驗(yàn),驗(yàn)證算法適用性。

        猜你喜歡
        模型
        一半模型
        一種去中心化的域名服務(wù)本地化模型
        適用于BDS-3 PPP的隨機(jī)模型
        提煉模型 突破難點(diǎn)
        函數(shù)模型及應(yīng)用
        p150Glued在帕金森病模型中的表達(dá)及分布
        函數(shù)模型及應(yīng)用
        重要模型『一線三等角』
        重尾非線性自回歸模型自加權(quán)M-估計(jì)的漸近分布
        3D打印中的模型分割與打包
        亚洲一区二区三区日本久久九| 蜜桃视频网站在线观看一区| 风情韵味人妻hd| 久久综合久久鬼色| AV人人操| 97久久国产精品成人观看| 亚洲综合国产成人丁香五月激情| 精品国产一区二区三区免费 | 一 级做人爱全视频在线看| 88久久精品无码一区二区毛片| 欧美成人在线A免费观看| 国产精品久久国产三级国| 久久久精品视频网站在线观看| 欧美极品jizzhd欧美| 欧美a视频在线观看| 午夜在线观看一区二区三区四区| 成人免费自拍视频在线观看| 无码骚夜夜精品| 久久尤物av天堂日日综合| 加勒比av在线一区二区| 初尝人妻少妇中文字幕| 亚洲av有码在线天堂| 国产三级黄色的在线观看| 国产一区亚洲二区三区极品| 欧美日韩国产码高清综合人成 | 波多野结衣国产一区二区三区| 国产在线视频网站不卡| 国内精品免费一区二区三区| 亚洲av国产精品色午夜洪2| 精品人妻丰满久久久a| 亚洲色图偷拍自拍在线| 亚洲av无码成人网站在线观看 | 日韩高清毛片| 日韩精品一区二区三区视频| 午夜无码一区二区三区在线观看| 日日碰狠狠躁久久躁9| 亚洲欧洲日产国码无码av野外| 亚洲中文字幕久久精品色老板| 99久久精品国产一区二区三区| 无码午夜剧场| 久久精品国产亚洲av网站|