摘要
电池荷电状态(SOC)的准确估计对延长电池使用寿命、提高电池利用率和保障电池安全性具有重要意义。在不同环境温度下进行了锂离子电池的基本性能试验和动态工况试验,建立了温变双极化等效电路模型。基于该模型,采用H无穷滤波算法代替传统的扩展卡尔曼滤波算法,在无需假设过程噪声和测量噪声均服从高斯分布的前提下,实现了SOC的精确估计。在考虑温变和电池模型存在误差的条件下进行验证,不同温度条件下的SOC估计最大误差保持在±0.03范围内,证明了所提出的SOC估计算法具有较高的温度适应性和鲁棒性。
关键词
准确的电池荷电状态(state of charge, SOC)估计是电池管理系统(battery management system, BMS)的重要功能。电池模型是SOC估计精度的重要影响因素。等效电路模型是目前应用最为广泛、研究成果最多的一类锂离子电池模型。Hu
现有研究中的多数等效电路模型是在恒温条件下建立的,仅有少部分考虑到温变的影响。Wang
在锂离子电池SOC估计方面,基于模型的卡尔曼滤波系列算法是目前应用最广泛的算法。文献[
为了进一步提高SOC估计精度,笔者建立了考虑温变的双极化等效电路模型,与恒温条件下建立的双极化模型相比较,考虑了开路电压、电池内阻等参数的温度依赖性,增强了模型的鲁棒性,并且采用H无穷滤波算法代替传统的扩展卡尔曼滤波算法,在无需假设过程噪声和测量噪声服从高斯分布的前提下,实现了SOC的精确估计。
温度对电池的性能和寿命都有较大的影响。在低温环境下,电池内部的化学反应缓慢,容易导致内阻增大和容量降低;在高温环境下,化学反应激烈,容易造成快速的自放电。因此,有必要量化温度对电池的影响。而恒温双极化模型中的各参数保持不变,使得电池模型的温度鲁棒性很差,SOC估计结果也很不理想。温变双极化模型将电池模型各参数的温度依赖性定量地表示出来,从而提高模型的鲁棒性和SOC估计精度。
温变双极化等效电路模型结构如

图 1 温变双极化等效电路模型结构
Fig. 1 Structure of the temperature-dependent dual-polarization equivalent circuit model
根据基尔霍夫电流和电压定律,模型的动态方程表示为:
(1) |
式中:和分别表示电压和的变化率。
电池的SOC表示为:
(2) |
式中:SOC(t)和SOC(t0)分别表示SOC在时间为t、t0时的值;η为充放电效率,通常放电时该值取1,充电时取0.98;Q表示电池的最大可用容量,A∙h。
设采样间隔为,将
(3) |
式中,k表示第k个采样点。
温变双极化模型中需要识别的参数有:
。 | (4) |
所采用的电池测试系统如

图 2 电池测试系统
Fig. 2 Battery test system
标称容量/(mA∙h) | 标称电压/V | 充电截止电压/V | 放电截止电压/V | 充电截止电流/A |
---|---|---|---|---|
2 700 | 3.6 | 4.2 | 2.5 | 0.27 |
电池试验的测试流程主要参考《FreedomCAR功率辅助型混合电动车电池测试手册》和《USABC Electric Vehicle Battery Test Procedures Manual》。电池的基本性能试验包括静态容量测试(static capacity test,SCT)、双脉冲测试、混合脉冲功率性能(hybrid pulse power characteristic,HPPC)测试和动态工况试验,其中动态工况试验主要包括动态应力测试工况(dynamic stress test,DST)和联邦城市驾驶工况 (federal urban driving schedule, FUDS)。
通过静态容量测试(SCT)确定电池的容量。分别在5、15、25、35、45 ℃环境下对电池进行3次测试。将每个温度点下容量的平均值作为当前温度的最大可用容量,并拟合得到电池最大可用容量与温度的关系,如

图 3 最大可用容量与温度的拟合曲线
Fig. 3 Fitting curve of the maximum available capacity and temperature
可以看出,在一定的温度范围内,电池容量随环境温度升高而升高,5~25 ℃范围内容量随温度上升较快,当温度大于25 ℃后上升速度减缓,且5 ℃与45 ℃下的最大可用容量相差约468 mA∙h,约占其额定容量的17%。这说明在电池的建模过程中,温度对容量产生的影响是不能忽略的。
开路电压与荷电状态的关系通过双脉冲实验获得。以25 ℃为例,不同SOC值对应的UOCV如
SOC | UOCVd/V | UOCVc/V | UOCV/V |
---|---|---|---|
0.1 | 3.34 | 3.45 | 3.40 |
0.2 | 3.46 | 3.52 | 3.49 |
0.3 | 3.57 | 3.59 | 3.58 |
0.4 | 3.62 | 3.64 | 3.63 |
0.5 | 3.69 | 3.74 | 3.72 |
0.6 | 3.75 | 3.82 | 3.79 |
0.7 | 3.86 | 3.90 | 3.88 |
0.8 | 3.94 | 4.00 | 3.97 |
0.9 | 4.02 | 4.10 | 4.06 |
利用经验
, | (5) |
式中,c1~ c5为待拟合参数。

图 4 25 ℃下SOC-UOCV拟合曲线
Fig. 4 SOC-UOCV fitting curve at 25 ℃
拟合的残差平方和为0.000 811 27,说明该曲线的拟合程度较好。采用同样的方法拟合其他温度下的SOC-UOCV曲线,
温度/℃ | c1 | c2 | c3 | c4 | c5 |
---|---|---|---|---|---|
5 | 3.010 0 | 1.009 7 | -0.041 3 | -0.307 1 | -0.094 4 |
15 | 2.636 7 | 1.798 2 | -0.056 3 | -0.509 8 | 0.081 9 |
25 | 2.951 0 | 0.998 1 | -0.051 5 | -0.399 4 | -0.085 6 |
35 | 2.727 7 | 1.617 8 | -0.073 8 | -0.505 2 | 0.049 0 |
45 | 2.362 9 | 2.162 8 | -0.113 9 | -0.790 6 | 0.100 4 |

图 5 SOC-T-UOCV曲面
Fig. 5 SOC-T-UOCV surface
电池模型的阻容参数通过HPPC测试获得,HPPC测试的电流及电压变化曲线如

图 6 HPPC测试电流及电压变化曲线
Fig. 6 HPPC test current and voltage curve
根据欧姆定律,在电流发生变化时利用电压的突变值计算充放电欧姆内阻,将两次计算的结果求平均作为最终的欧姆内阻值,计算公式如下。
, | (6) |
。 | (7) |
式中:R0d为放电内阻,Ω;R0c为充电内阻,Ω;Id为放电电流,A;Ic为充电电流,A;V1~V8为测得的端电压,用于计算电流发生变化时电压的突变值,V。
为了降低电池模型的复杂度,采用每个温度点下的充放电欧姆内阻的均值作为最终结果并绘制成曲面图,如

图 7 SOC-T-R0 曲面
Fig. 7 SOC-T-R0 surface
极化内阻和极化电容的识别需要利用零输入响应公式,用充放电脉冲电流结束之后静置阶段的电压数据来计算。在
。 | (8) |
式中:表示静置阶段t时刻端电压的记录值,V;t表示静置阶段的时间,s。
选择不同温度和不同SOC值下的HPPC试验数据,拟合得到相应的R1、R2、C1和 C2,结果如


图 8 R1、R2、C1和 C2的计算结果
Fig. 8 Calculation results of R1, R2, C1, and C2
可以看出,4个极化参数在不同温度、不同SOC和不同充放电方向下数值都发生了一定的变化,采取查表的方式根据当前电池所处的环境温度、SOC和充放电方向来确定极化参数的数值大小。
将18650PF单体电池放在恒温箱中,温度调至25 ℃,静置3 h,然后开展FUDS工况试验。试验结束后将所采集的试验数据输入到仿真模型中,并将模型输出的电压值与试验测得的电压值进行对比,结果如

图 9 恒温条件FUDS工况下仿真与试验结果
Fig. 9 Simulation and test results under constant temperature and FUDS condition
可以看出,在FUDS工况下,模型的误差在-0.08~0.06 V之间,证明所建的温变双极化等效电路模型具有较高的精度。
为了证明所建立的温变双极化等效电路模型在不同环境温度下都具有较好的适应性,采用改变恒温箱温度的方法,给18650PF单体电池创造一个变温环境,使环境温度从9 ℃逐渐上升到45 ℃。将试验所得的温度和电流数据作为温变双极化模型的输入,对比模型输出电压和实测电压,同时也将电流数据导入到不考虑温度变化的恒温双极化模型中,仿真结果如

图 10 变温DST工况下两种模型的精度对比
Fig. 10 Accuracy comparison of two models under variable temperature DST condition
从试验结果可以看出,在温度比较低的情况下,电压误差较大,但温变双极化模型的误差仍可保持在±0.11 V范围内,而恒温双极化模型的最大误差达到0.18 V。温变双极化模型的平均绝对误差为0.058 V,小于恒温双极化模型的平均绝对误差0.096 V,误差减少了39.58%。
在基于等效电路模型的SOC估计算法中,卡尔曼系列滤波算法具有较高的精度和较小的计算量等特点,但同时也存在一定的局限性:
1)要求过程噪声和测量噪声为服从高斯分布的白噪声,然而在实际应用中,车载电池系统会受到复杂环境因素的影响,难以获得噪声的先验知识。
2)估计的准确度与模型的精确度具有较强的关联性,当模型精度不够或者模型精度随动态工况的变化而逐渐降低后,此类方法的估计误差会越来越大。
为了克服卡尔曼系列滤波算法对噪声的苛求和对精准建模的依赖,引入对模型精度要求更低和对各种噪声干扰有更强鲁棒性的H无穷滤波算法。
1981年Zame
建立如下离散线性系统:
(9) |
式中:为状态变量;为输入变量;为输出变量;为状态矩阵;为输入矩阵;为观测矩阵;为输入输出矩阵;为过程噪声,由建模误差生成;υk为测量噪声,由电流和电压的测量噪声生成。
为了避免出现EKF算法需要预先假设噪声信息的情况,H无穷滤波算法定义了代价函数J:
。 | (10) |
式中:P0表示初始状态误差协方差矩阵;Qk和 Rk通常表示过程噪声协方差矩阵和测量噪声协方差矩阵;Sk是根据设计者对各个状态量的重视程度而进行设计的对称正定矩阵;N为采样点个数。
从
, | (11) |
式中,θ为性能边界。
为了得到最优结果,需要找到满足要求的使代价函数J最小。假设自然界是我们的对手(存在干扰),它希望通过特殊的、和,使代价函数J最大化。所以当、和使代价函数J最大的时候,需要找到合适的使代价函数J最小。重新整合
。 | (12) |
H无穷滤波可以简单描述为:当、和使
通过寻找最小
(13) |
式中:Kk为增益矩阵,I为单位矩阵。
类似于基于EKF算法,基于H无穷滤波算法的SOC估计方法主要分为预测和更新两个阶段。详细的计算流程如下。
1)建立温变双极化等效电路模型的离散化方程:
(14) |
2)初始化:
(15) |
式中:E为求平均值;为初始的状态误差协方差矩阵。
3)先验估计(预测):时间更新
系统状态预估:
。 | (16) |
式中,为状态量的先验估计。
误差协方差矩阵预估:
。 | (17) |
式中,为状态误差协方差矩阵的先验估计。
4)后验估计(修正):测量更新
新息矩阵:
。 | (18) |
增益矩阵:
。 | (19) |
系统状态修正:
。 | (20) |
式中,为状态量的后验估计。
误差协方差修正:
。 | (21) |
式中,为状态误差协方差矩阵的后验估计。
5)时间尺度更新:
将时刻的状态和协方差矩阵作为输出,准备时刻的状态估计。其中状态变量;系统的输入,表示电池的电流;系统的输出,表示电池的端电压。的定义如下:
。 |
在DST和FUDS工况下分别对采用EKF算法和H无穷滤波算法的SOC估计方法进行精度验证。结果如图

图 11 DST工况下SOC仿真与试验结果
Fig. 11 SOC simulation and test results under DST condition

图 12 FUDS工况下SOC仿真与试验结果
Fig. 12 SOC simulation and test results under FUDS condition
在DST和FUDS工况下,2种滤波算法的SOC估计误差如
工况 | SOC估计误差 | |||
---|---|---|---|---|
扩展卡尔曼滤波 | H无穷滤波 | |||
最大误差 | 均方根误差 | 最大误差 | 均方根误差 | |
DST | 0.038 | 0.011 | 0.019 | 0.006 |
FUDS | 0.040 | 0.013 | 0.019 | 0.007 |
在DST工况下进行变温条件下的SOC估计精度验证。结果如

图13 变温DST工况下SOC仿真与试验结果
Fig. 13 SOC simulation and test results under DST condition with variable temperatures
算法 | SOC估计误差 | |
---|---|---|
最大误差 | 均方根误差 | |
扩展卡尔曼滤波 | 0.060 | 0.018 |
H无穷滤波 | -0.023 | 0.009 |
为了验证H无穷滤波算法对模型的鲁棒性,将温变条件下的电流试验数据导入到恒温双极化等效电路模型中,并在此基础上采用H无穷滤波算法和EKF算法进行SOC估计,仿真结果如

图 14 变温DST工况下基于恒温双极化模型的SOC仿真与验证结果
Fig. 14 SOC simulation and test results based on constant-temperature dual-polarization model under DST condition with variable temperatures
算法 | SOC估计误差 | |
---|---|---|
最大误差 | 均方根误差 | |
扩展卡尔曼滤波 | -0.092 | 0.028 |
H无穷滤波 | -0.030 | 0.012 |
在不同环境温度下进行了锂离子电池的基本性能试验和动态工况试验,建立了考虑温变的双极化等效电路模型,与不考虑温变的恒温双极化模型相比平均绝对误差减小了39.58 %。针对传统的扩展卡尔曼滤波算法必须假设噪声为白噪声的缺陷,使用H无穷滤波算法对不同工况和不同环境温度下的SOC进行估计。验证结果表明,相较于扩展卡尔曼滤波算法,采用H无穷滤波算法的SOC估计精度对工况和温度的鲁棒性更高,而且在电池模型存在误差的条件下,H无穷滤波算法也能将SOC估计的均方根误差减少57%。
参考文献
Hu X S, Li S B, Peng H E. A comparative study of equivalent circuit models for Li-ion batteries[J]. Journal of Power Sources, 2012, 198: 359-367. [百度学术]
Liaw B Y, Nagasubramanian G, Jungst R G, et al. Modeling of lithium ion cells—a simple equivalent-circuit model approach[J]. Solid State Ionics, 2004, 175(1/2/3/4): 835-839 [百度学术]
Dubarry M, Vuillaume N, Liaw B Y. From single cell model to battery pack simulation for Li-ion batteries[J]. Journal of Power Sources, 2009, 186(2): 500-507. [百度学术]
Xiong R, Sun F C, He H W. Data-driven state-of-charge estimator for electric vehicles battery using robust extended Kalman filter[J]. International Journal of Automotive Technology, 2014, 15(1): 89-96. [百度学术]
Hu M H, Li Y X, Li S X, et al. Lithium-ion battery modeling and parameter identification based on fractional theory[J]. Energy, 2018, 165: 153-163. [百度学术]
Wang Y J, Zhang C B, Chen Z H. A method for state-of-charge estimation of LiFePO4 batteries at dynamic currents and temperatures using particle filter[J]. Journal of Power Sources, 2015, 279: 306-311. [百度学术]
Xu Y D, Hu M H, Fu C Y, et al. State of charge estimation for lithium-ion batteries based on temperature-dependent second-order RC model[J]. Electronics, 2019, 8(9): 1012. [百度学术]
Aung H, Low K S. Temperature dependent state-of-charge estimation of lithium ion battery using dual spherical unscented Kalman filter[J]. IET Power Electronics, 2015, 8(10): 2026-2033. [百度学术]
Sun F C, Xiong R. A novel dual-scale cell state-of-charge estimation approach for series-connected battery pack used in electric vehicles[J]. Journal of Power Sources, 2015, 274: 582-594. [百度学术]
Hu X S, Sun F C, Zou Y. Comparison between two model-based algorithms for Li-ion battery SOC estimation in electric vehicles[J]. Simulation Modelling Practice and Theory, 2013, 34: 1-11. [百度学术]
Divakarla K P, Emadi A, Razavi S N. Journey mapping—a new approach for defining automotive drive cycles[J]. IEEE Transactions on Industry Applications, 2016, 52(6): 5121-5129. [百度学术]
Hu X S, Yuan H, Zou C F, et al. Co-estimation of state of charge and state of health for lithium-ion batteries based on fractional-order calculus[J]. IEEE Transactions on Vehicular Technology, 2018, 67(11): 10319-10329. [百度学术]
Xu Y D, Hu M H, Zhou A J, et al. State of charge estimation for lithium-ion batteries based on adaptive dual Kalman filter[J]. Applied Mathematical Modelling, 2020, 77: 1255-1272. [百度学术]
Wang L M, Lu D, Liu Q, et al. State of charge estimation for LiFePO4 battery via dual extended Kalman filter and charging voltage curve[J]. Electrochimica Acta, 2019, 296: 1009-1017. [百度学术]
Xu Z C, Wang J, Fan Q, et al. Improving the state of charge estimation of reused lithium-ion batteries by abating hysteresis using machine learning technique[J]. Journal of Energy Storage, 2020, 32: 101678. [百度学术]
Zhang Z Y, Jiang L, Zhang L Z, et al. State-of-charge estimation of lithium-ion battery pack by using an adaptive extended Kalman filter for electric vehicles[J]. Journal of Energy Storage, 2021, 37: 102457. [百度学术]
Lin C, Mu H, Xiong R, et al. Multi-model probabilities based state fusion estimation method of lithium-ion battery for electric vehicles: state-of-energy[J]. Applied Energy, 2017, 194: 560-568. [百度学术]
Lin X F, Perez H E, Mohan S, et al. A lumped-parameter electro-thermal model for cylindrical batteries[J]. Journal of Power Sources, 2014, 257: 1-11. [百度学术]
Zames G. Feedback and optimal sensitivity: model reference transformations, multiplicative seminorms, and approximate inverses[J]. IEEE Transactions on Automatic Control, 1981, 26(2): 301-320. [百度学术]