基于擴展卡爾曼濾波法的鋰離子電池SOC估算

董 超，尚 鴻，杜明星

（天津理工大學 天津市復雜系統控制理論及應用重點實驗室，天津 300384）

基于擴展卡爾曼濾波法的鋰離子電池SOC估算

董 超，尚 鴻，杜明星

（天津理工大學 天津市復雜系統控制理論及應用重點實驗室，天津 300384）

0 引言

國內外普遍采用 SOC來表示電池的剩余電量狀況，其數值上定義為電池剩余容量與電池容量的比值。而在電池管理系統中，SOC估算對于電動汽車的運行極其重要。電池 SOC的準確估算可以給整車控制提供良好的判斷依據，同時可以避免損害動力電池，合理利用動力電池所提供的電能，并有效控制和預測電動車續駛里程，從而延長電池的使用壽命。

目前國內外的常用的估算方法主要有以下四種[1～3]：1）安時計量法：此方法沒有從電池內部解決電量與電池狀態的關系，而只是從外部記錄進出電池的能量，不可避免的使電量的計量可能因為電池狀態的變化而失去精確度，且隨著時間推移會逐漸增大，存在難以消除的累積誤差；2）開路電壓法：此方法需要電池經過長時間的靜置，以達到電壓穩定，不能實時在線測量；3）線性模型法：這種模型適用于電流較小、SOC 變化速度較慢的情況，對測量誤差和錯誤的初始條件，有很高的魯棒性；4）神經網絡法：它估計誤差受數據和訓練方法的影響大，而且需要大量的訓練數據。

本文針對鋰離子電池采用擴展卡爾曼濾波法估算SOC，并在MATLAB中仿真驗證該方法。該方法即使并不知道模型的確切性質，也可以估計信號的過去和當前狀態，甚至能估計將來的狀態，同時通過濾波實現較其他方法更高的估算精度。

1 擴展卡爾曼濾波法估算電池SOC

電池系統是嚴重非線性系統，本文采用擴展卡爾曼濾波法，通過建立電池系統的Thevenin模型，將得到的狀態方程線性化處理后，應用卡爾曼濾波算法進行SOC估算。

Kalman濾波法是由一系列數學公式遞歸描述，提供一種高效的計算方法來估計過程的狀態，并使估計均方誤差最小。Kalman濾波法應用于電池SOC估計時，電池模型由狀態方程和測量方程組成[4]，SOC為系統狀態Xk的分量。控制輸入uk中包含電流、溫度等參數，系統輸出yk為電池模型計算的負載電壓。系統噪聲wk、測量噪聲vk均為Gauss型白噪聲，協方差分別為Q和R。Kalman濾波法適用于電流變化較快的情況。圖1為Kalman濾波結構圖[5]。

圖1 Kalman 濾波結構圖

圖中，Ak為系數矩陣；Bk為控制輸入矩陣；Ck為測量矩陣。

狀態方程：

測量方程：

1.1 電池模型的建立

為了更好地反映電池的動靜態特性，并且運算簡單，本文采用Thevenin模型，電路模型如圖2所示。

圖2 鋰離子電池Thevenin 模型

由電池Thevenin 模型，可以得出：

電動勢E(t)在數值上等于電池的開路電壓，與電池SOC函數關系為：

S(t)表示t時刻電池的SOC。圖3為電池SOC與電池電動勢（EMF）關系曲線。

圖3 電池SOC-EMF曲線

電池SOC可以通過安時積分法得到：

1.2 線性化處理

根據此電池模型建立的狀態方程是非線性的，將式（3）～式（6）線性離散化得到電池的狀態方程為

狀態空間模型（7）、（8）的A(k)、B(k)和C(k)分別為：

1.3 估算電池系統SOC

為系統k-1時刻對k時刻的狀態預測值。

從式（11）和式（12）中可以看出，Q和R決定了濾波的效果，Q是建立模型中的誤差造成的，R主要是在測量輸出電壓過程中引起的，共同影響增益矩陣K和誤差協方差矩陣P的性能。

2 實驗驗證

本文電池實驗系統采用的鋰離子單體電池的標稱容量為11Ah，內阻3～8m，充電電壓3.65±0.05V，最大放電電流12I3(連續)18I3(30s)，放電終止電壓2.0V。動力電池組是由單體電池經過3并聯107串聯的方式構成。實驗數據通過電池測試平臺采集。電池測試平臺由NI數據采集板卡、智能充電機、恒溫箱、電池保護模塊、可編程直流電子負載、主機及Labview應用軟件組成。實驗工況的室溫是25℃，采用“靜置–小電流恒流放電–大電流恒流放電”的過程循環進行，持續5000s，循環3次。通過測試平臺采集實驗數據，在MATLAB仿真程序中，利用SOC的定義公式和擴展卡爾曼濾波法分別得到SOC的真實值和估計值。圖4是電池端電壓曲線，圖5是SOC對比曲線。

圖4 電池端電壓曲線

圖5 SOC對比曲線

從圖4和圖5可以看出，端電壓在負載發生變化時SOC估計值與實際值相比沒有太大的變化，說明擴展卡爾曼濾波SOC估計算法有很好的穩定性；從圖5可以看出，SOC估計值和實際值幾乎重合，說明該算法具有較高的精度。

3 結論

本文基于Thevenin模型應用擴展卡爾曼濾波法估算鋰離子電池SOC，通過實驗測試與仿真研究，證明該算法可以有效跟蹤鋰離子電池SOC的變化，并且抗干擾能力強，具有較高的控制精度。

[1]Aylor J H,Thieme A,Johnson B W.A battery state of charge indicator for electric wheelchairs[J].IEEE Trans.on Industrial Electronics,1992,39(5):398-409.

[2]Ehret C,Piller S,Schroer W,et al.State-of-charge Determination for Lead-acid Batteries in PV Applications [A].Proceedings of the 16th European Photovoltaic Solar Energy Conference[C].Glasgow,2000:1125-1132.

[3]張利,王為,陳澤堅,等.新能源汽車 SOC 估算的模糊預測算法研究[J].電子測量與儀器學報,2011,25(4):315-319.

[4]Gregory L P.Kalman-filter SOC Estimation for LIB cells[A].Proceedings of the 19th International Electric Vehicle Symposium[C].2002:198-221.

[5]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].清華大學學報,2006,46(2):247-251.

Estimation of lithium-ion battery SOC based on extended kalman filtering

DONG Chao, SHANG Hong, DU Ming-xing

SOC(State of Charge)的準確估算可以為整車控制提供良好的判斷依據，本文采用擴展卡爾曼濾波法，基于戴維南（Thevenin）模型對鋰離子電池SOC的估算進行了研究。并通過工況實驗，在MATLAB環境下對該算法進行了仿真驗證，結果證明擴展卡爾曼濾波法可以有效跟蹤鋰離子電池SOC的變化，并且抗干擾能力強，具有較高的控制精度。

擴展卡爾曼濾波；鋰離子電池；SOC；Thevenin模型

董超（1978 -），男，山東人，高級工程師，碩士，研究方向為電池管理系統、控制理論與控制工程、計算機應用技術。

U482.3

A

1009-0134(2014)06(上)-0021-03

10.3969/j.issn.1009-0134.2014.06(上).06

2014-03-23

國家高技術研究發展計劃（863計劃）項目（2011AA11A279）