基于DAEKF算法的锂离子电池主要状态在线联合估计

doi:10.12141/j.issn.1000-565X.220050

华南理工大学学报(自然科学版) ›› 2023, Vol. 51 ›› Issue (1): 84-94.doi: 10.12141/j.issn.1000-565X.220050

所属专题： 2023年交通运输工程

基于DAEKF算法的锂离子电池主要状态在线联合估计

罗玉涛吴志强

华南理工大学机械与汽车工程学院，广东广州 510640

收稿日期:2022-02-02 出版日期:2023-01-25 发布日期:2023-01-02
通信作者: 罗玉涛（1972-），男，教授，博士生导师，主要从事新能源汽车和无人驾驶汽车研究。 E-mail:ctytluo@scut.edu.cn
作者简介:罗玉涛（1972-），男，教授，博士生导师，主要从事新能源汽车和无人驾驶汽车研究。
基金资助:
工信部制造业高质量发展专项资金资助项目(R?2H?023?QT?001?20221009?001)

Online Joint Estimation of Main States of Lithium-Ion Battery Based on DAEKF Algorithm

LUO Yutao WU Zhiqiang

School of Mechanical and Automotive Engineering，South China University of Technology，Guangzhou 510640，Guangdong，China

Received:2022-02-02 Online:2023-01-25 Published:2023-01-02
Contact: 罗玉涛（1972-），男，教授，博士生导师，主要从事新能源汽车和无人驾驶汽车研究。 E-mail:ctytluo@scut.edu.cn
About author:罗玉涛（1972-），男，教授，博士生导师，主要从事新能源汽车和无人驾驶汽车研究。
Supported by:
MIIT Special Fund for High-Quality Development of Manufacturing Industry(R?2H?023?QT?001?20221009?001)

摘要/Abstract

摘要：

为实现三元锂离子电池荷电状态（SOC）、能量状态（SOE）和健康状态（SOH）这3种主要状态的在线联合估计，并应对电动汽车实际使用工况中各种噪声干扰带来的开环累积误差问题，提高锂离子电池在线估计的稳定性，提出了一种基于双自适应扩展卡尔曼滤波（DAEKF）算法的三元锂离子电池多时间尺度主要状态在线联合估计方法。在二阶RC模型基础上推导DAEKF算法的状态空间方程，用带遗忘因子的递推最小二乘法（FFRLS）进行在线参数辨识，以微观时间尺度进行锂离子电池SOC和SOE的在线估计，以宏观时间尺度进行锂离子电池SOH的在线估计，从而实现锂离子电池3种主要状态的在线联合估计。最后，以NVR18650B型三元锂离子电池的不同运行工况对所提出的方法进行实验验证。实验结果表明：在两种验证工况下，文中方法都能够快速收敛辨识模型参数，微观时间尺度中SOC和SOE的估计误差均稳定保持在1%以内，宏观时间尺度中SOH的估计误差稳定保持在1.6%以内；与EKF算法相比，文中所提出的方法具有更高的估算精度以及更好的估计收敛性和稳定性。

关键词: 电动汽车, 锂离子电池, 多状态在线联合估计, 双自适应扩展卡尔曼滤波, 多时间尺度

Abstract:

In order to realize the online joint estimation of three major states of ternary lithium-ion battery, namely SOC (State of charge), SOH (State of Health) and SOE (State of Energy), and to deal with the open-loop cumulative error caused by various noises in the actual use of electric vehicles, and, furthermore, to improve the stability of online estimation of lithium-ion battery, this paper proposed an online joint estimation method of the three major states of ternary lithium-ion battery in multiple time scales based on double adaptive extended Kalman filter (DAEKF). In the investigation, the state space equation of DAEKF algorithm is derived based on the second-order RC model, and the parameters are identified online by the recursive least square method with forgetting factor (FFRLS). The SOC and SOE of lithium-ion battery are estimated online in the micro time scale, and the SOH of lithium-ion battery is estimated online in the macro time scale. Thus, the online joint estimation of the three major states of lithium-ion battery can be realized. Finally, the proposed method was verified by experiments under different operating conditions of NVR18650B ternary lithium-ion battery. The experimental results show that the proposed method can rapidly converge the model parameters under the two verification conditions; that the estimation errors of SOC and SOE in the micro time scale are kept within 1%, and the estimation errors of SOH in the macro time scale are kept within 1.6%; and that, as compared with the EKF algorithm, the proposed method has a higher estimation accuracy and better estimation convergence and stability.

Key words: electric vehicle, lithium-ion battery, multi-state online joint estimation, double adaptive extended Kalman filter, multi-time scale

中图分类号:

TM912.9

罗玉涛, 吴志强. 基于DAEKF算法的锂离子电池主要状态在线联合估计[J]. 华南理工大学学报(自然科学版), 2023, 51(1): 84-94.

LUO Yutao, WU Zhiqiang . Online Joint Estimation of Main States of Lithium-Ion Battery Based on DAEKF Algorithm[J]. Journal of South China University of Technology(Natural Science Edition), 2023, 51(1): 84-94.

图/表 15

图1

图2

图3

图4

图5

图6

表1

图7

图8

图9

图10

表2

两种验证工况下SOH的估计结果及误差"

参数	参数值
参数	验证工况1	验证工况2
初始最大容量/（A·h）	3.350	3.350
$C a c t$ 参考值/（A·h）	3.167	3.167
$C a c t$ 估计值/（A·h）	3.116	3.149
SOH参考值/%	94.54	94.54
SOH估计值/%	93.02	94.00
SOH估计误差/%	1.52	0.54

表2

图11

图12

表3

参考文献 22

1	罗勇，祁朋伟，黄欢，等．基于容量修正的安时积分SOC估算方法研究［J］．汽车工程，2020，42（5）：681-687．
	LUO Yong， QI Pengwei， HUANG Huan，et al ．Study on battery SOC estimation by Ampere-hour integral method with capacity correction［J］．Automotive Engineering，2020，42（5）：681-687．
2	STIGHEZZA M， BIANCHI V， MUNARI DE I ．FPGA implementation of an ant colony optimization based SVM algorithm for state of charge estimation in Li-ion batteries［J］．Energies， 2021，45（5）：6708-6726．
3	XI Z， WANG R， FU Y，et al ．Accurate and reliable state of charge estimation of lithium ion batteries using time-delayed recurrent neural networks through the identification of overexcited neurons［J］．Applied Energy，2022，305：117962/1-9．
4	HAN X， OUYANG M， LU L，et al ．A comparative study of commercial lithium ion battery cycle life in electric vehicle： capacity loss estimation［J］．Journal of Power Sources，2014，268：658-669．
5	QIU X， WU W， WANG S ．Remaining useful life prediction of lithium-ion battery based on improved cuckoo search particle filter and a novel state of charge estimation method［J］．Journal of Power Sources，2020，450：227700/1-13．
6	XU Y， HU B， WU T，et al ．Joint estimation of state of charge and state of health of lithium-ion battery based on fractional order model［J］．Journal of Power Electronics，2022，22：318-330．
7	LIU B， TANG X， GAO F ．Joint estimation of battery state-of-charge and state-of-health based on a simplified pseudo-two-dimensional model［J］．Electrochimica Acta，2020，344：136098/1-16．
8	ABALAWY M A， HOSNY N S， DAWSON J A，et al ．State of charge estimation of a Li-ion battery based on extended Kalman filtering and sensor bias［J］．International Journal of Energy Research，2021，14（21）：1-12．
9	罗玉涛，谢斌，何小颤．电动汽车锂离子电池组参数辨识与SOC估计［J］．华南理工大学学报（自然科学版），2012，40（12）：79-85．
	LUO Yu-tao， XIE Bin， HE Xiao-chan ．Parameter identification and SOC estimation of lithium-ion battery pack used in electric vehicles［J］．Journal of South China University of Technology （Natural Science Edition），2012，40（12）：79-85．
10	LIU K ．State estimation for advanced battery management： key challenges and future trends［J］．Renewable & Sustainable Energy Reviews，2019，114：109331-109334．
11	SHRIVASTAVA P， SOON T K， IDRIS M Y I B，et al ．Combined SOC and SOE estimation of lithium-ion battery for electric vehicle applications［C］∥Proceedings of the 2020 IEEE Energy Conversion Congress and Exposition （ECCE）．Detroit：IEEE，2020．
12	ZHANG S， ZHANG X ．Joint estimation method for maximum available energy and state-of-energy of lithium-ion battery under various temperatures［J］．Journal of Power Sources，2021，506：230132/1-18．
13	DONG G， CHEN Z， WEI J，et al ．An online model-based method for state of energy estimation of lithium-ion batteries using dual filters［J］．Journal of Power Sources，2016，301：277-286．
14	CHEN Y， YANG X， LUO D， et al ． Remaining available energy prediction for lithium-ion batteries considering electrothermal effect and energy conversion efficiency［J］．Journal of Energy Storage，2021，40：102728/1-13．
15	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．
16	LI X， XU J， HONG J，et al ．State of energy estimation for a series-connected lithium-ion battery pack based on an adaptive weighted strategy［J］．Energy，2021，214：118858/1-15．
17	田晟，吕清，李亚飞．基于STEKF的锂离子动力电池SOC估算［J］．华南理工大学学报（自然科学版），2020，48（2）：69-75．
	TIAN Sheng，LÜ Qing，LI Yafei，SOC estimation of Li-ion power battery based on STEKF［J］．Journal of South China University of Technology （Natural Science Edition），2020，48（2）：69-75．
18	YU Q， XIONG R， LIN C ．Online estimation of state-of-charge based on the H infinity and unscented Kalman filters for lithium ion batteries［J］．Energy Procedia，2017，105：2791-2796．
19	XIONG W， MO Y， ZHANG F ．Identification of parameters in Li-ion battery model by least squares method with variable forgetting factor［J］．International Journal of Computational Methods，2020，17（7）：286-300．
20	张禹轩．电动汽车动力电池模型参数在线辨识及SOC估计［D］．长春：吉林大学，2014．
21	曹铭，黄菊花，杨志平，等．车用锂离子动力电池自适应状态联合估计研究［J］．控制理论与应用，2020，37（9）：1951-1962．
	CAO Ming， HUANG Ju-hua， YANG Zhi-ping，et al ．Research on adaptive state of charge and state of power joint estimation algorithm of vehicle lithium ion power batteries［J］．Control Theory & Applications，2020，37（9）：1951-1962．
22	SUN D， YU X， WANG C，et al ．State of charge estimation for lithium-ion battery based on an intelligent adaptive extended Kalman filter with improved noise estimator［J］．Energy，2021，214：119025．

参数	规格或取值
电池类型	三元锂离子电池
电池型号	NVR18650B
体系组分	NCM系
工作电压/V	2.50~4.20
额定电压/V	3.60
额定容量/（A·h）	3.35

工况	算法	最大误差/%
工况	算法	SOC	SOE	SOH
验证工况1	EKF	2.753	2.653	1.991
验证工况1	DAEKF	0.859	0.751	1.520
验证工况2	EKF	2.837	2.952	1.536
验证工况2	DAEKF	0.848	0.540	0.844

[1]	上官文斌, 岳炼, 吕辉, 等. 基于载荷谱的电池包疲劳试验与计算方法[J]. 华南理工大学学报(自然科学版), 2024, 52(3): 50-56.
[2]	董萍, 韦述阳, 刘明波. 多网络协作下电动汽车参与电力市场的调度策略[J]. 华南理工大学学报(自然科学版), 2023, 51(12): 83-94.
[3]	裴明阳, 朱宏昱. 电动汽车动态无线充电路段优化建模方法[J]. 华南理工大学学报(自然科学版), 2023, 51(10): 135-151.
[4]	张桂珍刘洋严明保. PEO基固态聚合物电解质膜的免溶剂熔融制备及性能[J]. 华南理工大学学报(自然科学版), 2022, 50(8): 119-127.
[5]	安周建, 赵亚兵, 敏政, 等. 基于风冷散热的锂离子电池外部冷却模式与内部热物性特征的耦合分析[J]. 华南理工大学学报(自然科学版), 2022, 50(2): 121-128.
[6]	刘汉武, 雷雨龙, 付尧, 等. 基于多目标优化的增程式电动汽车自适应制动回馈控制策略[J]. 华南理工大学学报（自然科学版）, 2021, 49(7): 42-50,65.
[7]	上官文斌, 方致远, 李利平, 等. 动力总成-副车架悬置系统的刚体模态和位移控制计算方法[J]. 华南理工大学学报(自然科学版), 2021, 49(3): 1-7.
[8]	甘云华, 谭梅鲜, 梁嘉林, 等. 恒功率放电下锂离子电池的产热特性[J]. 华南理工大学学报（自然科学版）, 2020, 48(7): 1-8.
[9]	郭烈, 葛平淑, 许林娜, 等. 转向工况下的分布式电动汽车稳定性控制[J]. 华南理工大学学报（自然科学版）, 2020, 48(3): 100-107.
[10]	田晟吕清李亚飞. 基于 STEKF 的锂离子动力电池 SOC 估算[J]. 华南理工大学学报（自然科学版）, 2020, 48(2): 69-75.
[11]	杨金明孙杰杉刘润鹏. 电动汽车无线充电系统原边和副边整流桥的无源控制[J]. 华南理工大学学报(自然科学版), 2020, 48(10): 11-18,47.
[12]	严军华王舒笑袁浩然陈勇单锐. 电动汽车能耗与气体排放分析及环境影响评价 [J]. 华南理工大学学报（自然科学版）, 2018, 46(6): 137-144.
[13]	李礼夫张东羽. 基于形态与性能的动力电池循环寿命预测方法 [J]. 华南理工大学学报（自然科学版）, 2018, 46(4): 1-7.
[14]	张勇顾腾飞 . 电池交换式电动汽车换电站优化模型研究[J]. 华南理工大学学报（自然科学版）, 2018, 46(12): 128-138.
[15]	熊会元何山查鸿山朱雄来. 双轴驱动纯电动汽车驱动转矩的分配控制策略[J]. 华南理工大学学报(自然科学版), 2018, 46(11): 117-124.

基于DAEKF算法的锂离子电池主要状态在线联合估计

Online Joint Estimation of Main States of Lithium-Ion Battery Based on DAEKF Algorithm

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 15

参考文献 22

相关文章 15

编辑推荐

Metrics

本文评价