Han Zhonghua 1,2, 1,2 Liu Shanshan, Shi Gang 2, 3 Dong Ting
(Collège de l'information et de l'ingénierie de contrôle, Université de Shenyang Jianzhu, Shenyang 110000;
Shenyang Institut de l'automatisation Académie chinoise des sciences, Shenyang 110000; 3. Institut chinois de l'électronique normalisation, Beijing 100007)
Un problème d'état de la batterie au lithium automobile de charge (SOC) de la, et l'algorithme de Kalman étendu (EKF) en se basant sur le circuit équivalent de Thévenin est un circuit d'un algorithme de réseau neuronal pour estimer la liaison. algorithme du filtre de Kalman au cours du processus d'estimation, la nécessité d'utiliser l'estimation en temps réel des valeurs de paramètres de modèle (nouvelle valeur), soit des paramètres différents à différents modèles de SOC. La pratique traditionnelle est la relation entre le SOC et les différents paramètres de montage normale, ce procédé présente une grande erreur dans le processus de montage. Pour résoudre ce problème, un circuit en utilisant un paramètre de montage du modèle de réseau neuronal et le SOC de chaque courbe. Les résultats ont montré que, par rapport à l'algorithme de Kalman étendu est simple, ce procédé permet d'estimer avec précision l'erreur de la capacité restante de la batterie est inférieure à 3%.
Batterie au lithium-ion du SOC; algorithme de Kalman étendu, réseau de neurones, le modèle de circuit RC
CLC: TM92
A
DOI: 10,16157 / j.issn.0258-7998.2016.07.019
format de citation chinois: Han Zhonghua, Liu Shanshan, Shi Gang, etc. algorithme de réseau estimation de neurones SOC de la batterie sur la base de Kalman étendu Technologie électronique, 2016,42 (7): 76-78,82.
Anglais format de citation: Han Zhonghua, Liu Shanshan, Shi Gang, et al. Estimation du SOC de la batterie sur la base de filtre de Kalman étendu avec des algorithmes de réseaux neuronaux .Application Technique électronique, 2016,42 (7): 76-78,82.
0 introduction
Après près de deux décennies de développement, la technologie de la batterie de puissance de l'industrie automobile mûr. Les véhicules électriques en raison de ses émissions zéro, zéro pollution, les avantages de l'efficacité énergétique et un énorme potentiel de développement dans les nouveaux véhicules d'énergie. Le plus important est de surveiller l'état de charge de la batterie .
état de la batterie est chargée à une certaine vitesse de décharge, le rapport de la puissance restante dans les mêmes conditions de la capacité nominale de la batterie. Si vous ne pouvez pas estimer avec précision le SOC de la batterie, il y aura une surcharge de la batterie ou une décharge, entraînant des dommages à la batterie interne. Et d'estimer avec précision le SOC est important pour le fonctionnement normal et en bonne santé des véhicules électriques. À l'heure actuelle, domestique et pour estimer le SOC de la batterie De nombreuses études, telles que la tension en circuit ouvert, lorsqu'une intégrale, méthode de tension en circuit ouvert lorsque la sécurité et de l'intégration combinée Kalman.Procédé Kaposi. Cependant, la tension de circuit ouvert de la méthode d'estimation SOC de la batterie dans le processus, la batterie doit se tenir longtemps à estimer avec précision, cette méthode ne convient pas pour les estimations en ligne. Ah inconvénient est la valeur d'intégration initiale de la batterie doit être très précis, mais au fil du temps, conduire à des erreurs de mesure des estimations inexactes accumuler, de sorte que cette méthode ne convient pas pour être utilisé seul. Une tension de circuit ouvert lors de la liaison méthode d'intégration de désavantage, la capacité de la batterie changera avec les conditions de fonctionnement changement, donc il y aura des erreurs cumulées. algorithme de filtrage de Kalman est une méthode efficace d'estimation de la ligne SOC de la batterie, mais cette méthode repose sur la précision du modèle de la batterie, les paramètres de la batterie est très sensible, la performance de la batterie est affectée par de nombreux facteurs tels que la température de la batterie, de charge et de décharge taux , cycle de vie et le taux d'auto-décharge et similaires. Le présent document de ne pas considérer ces types de facteurs. Compte tenu des méthodes de recherche SOC de la batterie, nous utilisons l'algorithme de filtre de Kalman combiné avec le réseau de neurones pour estimer le SOC de la batterie, cette méthode peut aussi être une estimation en temps réel d'un paramètre dans le modèle de la batterie.
1 modèle de circuit équivalent
À l'heure actuelle, la reconnaissance internationale d'un modèle de circuit équivalent à sont: un modèle de modèle linéaire général Rint, modèle Thévenin (modèle RC), modèle PNGV, modèle de réseau de neurones, et l'Université de Tsinghua, qui a proposé Lin Chengtao et ainsi de suite. Cependant, l'estimation SOC de la batterie, un des modèles de batterie ne peut pas être trop compliquée ni trop simple, caractéristiques de liaison de la batterie doit être modélisé. Dans ce modèle de papier Thévenin, le modèle peut refléter efficacement les caractéristiques de la batterie, et est simple et pratique. Le modèle de la batterie représentée sur la Fig.
Selon la loi de Kirchhoff, une direction de courant dans le dessin est une direction positive, l'équation de circuit peut être obtenu:
Dans lequel, UL représente la tension de charge de la batterie, Uoc indique la tension en circuit ouvert de la batterie, R0 représente la résistance interne de la batterie, I représente le courant de charge de la batterie, UP représente la tension aux deux extrémités de la bague RC, CP est la capacité de polarisation RP est la résistance de polarisation.
2 batterie estimation SOC
Dans l'introduction à chaque méthodes d'estimation ont été évaluées, compte tenu des avantages et des inconvénients de chaque méthode pour estimer et lu beaucoup de littérature a révélé que plus l'algorithme de filtre de Kalman utilisé à ce stade, il y a un inconvénient, car au cours de l'algorithme d'estimation , besoin d'utiliser une estimation en temps réel de la valeur des derniers paramètres du modèle, qui est, des paramètres différents à différents modèles de SOC. Lorsque la valeur SOC estimé du nouvel algorithme sera déterminé en fonction de chaque valeur de paramètre à l'heure actuelle et la valeur de paramètre de courbe de SOC. approche classique consiste à courber le SOC et les différents paramètres soumis à ajustement des paramètres ordinaire, mais cette méthode il y a une grande erreur dans le processus d'adaptation, il provoquera algorithme d'estimation moins précise en utilisant le phénomène se produit lorsque le SOC de la batterie. Par conséquent, cette adresse de papier cette question a été améliorée, le SOC de la batterie et correspondent aux paramètres de l'algorithme de réseau de neurones, après l'algorithme de Kalman étendu pour estimer le SOC de la batterie.
En résumé, cet article à la situation réelle SOC étendu algorithme de Kalman combiné réseau de neurones pour calculer la batterie. Les réseaux de neurones utilisés pour ajuster la courbe des paramètres individuels de la batterie (UOC, R0, RP, CP, P) et le SOC, la réutilisation de l'algorithme filtrage de Kalman SOC estimée de la batterie.
2,1 équation de circuit spatiale
Le circuit de la batterie Thevenin modèle de circuit équivalent, lorsqu'il est combiné Procédé d'intégration, les variables d'état du système batterie restant de préférence (SOC), la tension UP 2 ème cycles RC. i courant de la batterie (t) que l'excitation, la tension aux bornes batterie UL en tant que sortie.
équation d'état peut être exprimée comme suit:
2.2 Neural Network Fitting
À l'heure actuelle, les réseaux de neurones artificiels est devenu un champ chaud de contrôle intelligent; structure simple, facile à utiliser, hautement adaptatif, l'avantage d'auto-apprentissage, ainsi l'approximation de la fonction, la reconnaissance des formes, le contrôle intelligent d'autres domaines ont un large éventail d'applications. Dans cet article, un algorithme de réseau neuronal pour adapter la relation curvilinéaire CP condensateurs polarisés, les paramètres de la constante de temps et le SOC, pour surmonter le phénomène de l'erreur d'ajustement polynomial est grande, de sorte que l'estimation plus précise, comme illustré sur la figure 2.
2,3 algorithme de filtre de Kalman
L'équation de modèle de batterie d'état:
Filtre de Kalman étendu 2,4
filtre de Kalman est utilisé principalement pour traiter système linéaire discret, tandis que le système est conçu de système non linéaire ici, devrait utiliser le filtre de Kalman étendu (EKF) .
Pour un système non linéaire, l'équation du système:
3 vérification algorithme
La pile a été placée à l'environnement la température ambiante (25 ), la constante de la batterie décharge de courant, un courant de décharge de 1 / 3C. Les résultats obtenus avec l'algorithme de Kalman étendu combine algorithme de réseau de neurones pour estimer le SOC de la batterie et l'algorithme de Kalman étendu maintenant populaire (EKF) pour estimer les résultats sont effectués en comparant la SOC réelle du boîtier de la batterie, on peut voir en utilisant le nouvel algorithme décrit ici estimé plus précis. La figure 3 est une estimation des résultats expérimentaux des deux algorithmes.
Après avoir comparé les résultats observés processus de décharge à courant constant, en utilisant la liaison EKF algorithme de réseau neuronal pour estimer SOC de la batterie d'être plus efficace que de simplement sur EKF. (C), l'erreur peut être vu sur la figure 3, cette erreur est estimée à moins de 3%, plus de 5% seule erreur d'estimation EKF est beaucoup plus petite.
4 Conclusion
Dans le présent document, les réseaux de neurones artificiels complètes algorithme de Kalman pour estimer le SOC de la batterie, une erreur inférieure à 3%, par rapport à l'erreur type de Kalman étendu de 5%, l'erreur est réduite. L'algorithme peut résoudre Ah sensible aux problèmes d'intégration initiale, mais cette méthode ne tient pas compte des facteurs et des facteurs de vie de la batterie d'auto-décharge, et les facteurs précédents ont un impact significatif sur le fonctionnement réel du véhicule électrique, donc, dans les travaux futurs nous allons examiner plus avant le cycle de vie des principaux facteurs de la batterie. Les expériences montrent que l'algorithme peut être mis en uvre devis en ligne l'état de charge de la batterie, la précision de l'estimation est inférieure à 3%. Cette étude a jeté une bonne base pour une étude plus approfondie.
références
Scrosati B, batteries GARCHE J.Lithium: état, perspectives et avenir .POWER Sources, 2010,195 (9): 2419-2430.
Meng Liangrong statu quo et la tendance du développement des batteries de véhicules électriques Industrie de la batterie, 200611 (3): 202-206.
Tan Xiaojun. Électrique Système de gestion de la batterie du véhicule Guangzhou: Université Zhongshan Press, 2011.
Trouble -. Quanshi, Qi Zhanning véhicule électrique défini et un procédé de détection d'un SOC de la batterie Journal de l'Université Tsinghua (sciences naturelles), 2001,41 (11): 95-97.
Wei, Jiang Jiuchun, câble Li Yu, et une batterie au lithium phosphate de fer d'estimation SOC Électronique de mesure et instrument, 2010,24 (8): 769-774.
Yinan Dong, Zhang Wanxing. Prédiction de la batterie à base de phosphate de fer de lithium SOC Neural Network Électronique de mesure et instrument, 2011,25 (5): 433-437.
Lingguo Wei. Etude système de gestion de batterie lithium-ion intelligente des réseaux de neurones artificiels basés sur le véhicule électrique Tianjin: Tianjin University, 2006.
Il stratégie de recherche Yao et système de gestion des techniques d'estimation état des batteries au lithium Hefei: Université des sciences et de la technologie de la Chine, 2012.
Jiangjiu Chun, Wen Feng, Wenjia Peng, et pur modèle véhicules électriques et des paramètres modèles identifiés par la batterie au lithium-ion . La science et la technologie d'alimentation, 2010,25 (1): 67-74.
Lin Chengtao, Qiu Bin, Shi entrée complète du comparateur de courant batterie de véhicule électrique modèle de circuit équivalent Construction mécanique, 2005,41 (12): 76-81.
Sun Dong, Chen Kun intérêt, Mao Huafu. État de batterie au lithium de la charge est estimée par l'observateur du mode de glissement discret La Société chinoise de génie électrique, 2015 (1): 185-191.
Sheng APPLIED monté en flèche secondaire Dans le réseau de neurones avec assemblage Xiaorong .BP Curve Science, technologie et ingénierie, 2011,1 (28): 55-57.
Chen, Ren Zhiliang, carrés de colonne Hai ajustement de courbe et de réaliser Matlab Ordnance Industry Automation, 200524 (3): 107-108.
SAEED S, REZA G, Y BOR L.Un roman bord état de charge méthode d'estimation pour batteries Li-ion âgées basé sur adaptatif étendue de modèle filtre de Kalman .Journal des sources d'énergie, 2014,245 (1): 337-344.
CHARKHGARD M, Farrokhi estimation M.State de charge pour les batteries lithium-ion utilisant des réseaux de neurones et EKF .IEEE Transactions sur l'électronique industrielle, 2010,57 (12): 4178-4187.
