LiFePO4 Battery SOC Estimation under OCV-SOC Curve Error Based onAdaptive Multi-Model Kalman Filter

📄 arXiv: 2410.23646v1 📥 PDF

作者: Daniyaer Paizulamu, Lin Cheng, Yingrui Zhuang, Helin Xu, Ning Qi, Song Ci

分类: eess.SY

发布日期: 2024-10-31

备注: 10 pages,9 figures

💡 一句话要点

提出自适应多模型卡尔曼滤波，解决磷酸铁锂电池SOC估计中OCV-SOC曲线误差问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 磷酸铁锂电池 荷电状态估计 OCV-SOC曲线 自适应多模型卡尔曼滤波 等效电路模型

📋 核心要点

  1. 磷酸铁锂电池OCV-SOC曲线的平稳区特性，使得SOC估计极易受到老化和温度引起的OCV误差影响。
  2. 提出自适应多模型卡尔曼滤波（AMMKF），通过动态调整各滤波器参数并赋予概率，选择最优滤波器。
  3. 实验结果表明，该方法在不同OCV误差和工况下均表现出高精度和鲁棒性，RMSE低于3%，优于传统方法。

📝 摘要（中文）

磷酸铁锂电池因其长循环寿命和高安全性而被广泛应用于电动汽车和储能系统。然而，此类电池的OCV-SOC曲线（OSC）具有较长的平稳区域，使得荷电状态（SOC）的估计对OSC误差高度敏感，这种误差通常由老化和温度引起。为了解决这个问题，我们提出了一种考虑OSC误差的SOC估计方法。首先，我们建立了电池等效电路模型（ECM），并引入了一种基于自适应递归最小二乘的参数辨识算法。其次，我们推导了卡尔曼滤波的创新互相关矩阵（CCM）/自相关矩阵（ACM）与OSC误差之间的关系。然后，我们开发了一种自适应多模型卡尔曼滤波器（AMMKF），该滤波器根据OSC误差的符号动态调整每个滤波器的测量模型参数。通过根据每个滤波器的预测电压分布函数为其分配概率，从而选择最优滤波器。所提出的方法在各种OSC误差类型和操作条件下进行了测试。结果表明，该方法具有较高的精度和鲁棒性，均方根误差（RMSE）小于3%，比传统方法的估计误差降低了10%以上。

🔬 方法详解

问题定义：论文旨在解决磷酸铁锂电池SOC估计中，由于OCV-SOC曲线误差导致的估计精度下降问题。现有方法难以有效应对OCV-SOC曲线因老化和温度变化产生的误差，导致SOC估计精度不高。

核心思路：核心思路是利用自适应多模型卡尔曼滤波（AMMKF），构建多个卡尔曼滤波器，每个滤波器对应不同的OCV-SOC曲线误差假设。通过分析卡尔曼滤波器的创新互相关矩阵（CCM）和自相关矩阵（ACM），推断OCV-SOC曲线误差的符号，并根据预测电压分布函数为每个滤波器分配概率，从而选择最优的滤波器。

技术框架：整体框架包括以下几个主要步骤：1) 建立电池等效电路模型（ECM）；2) 使用自适应递归最小二乘法进行参数辨识；3) 推导卡尔曼滤波创新互相关矩阵（CCM）/自相关矩阵（ACM）与OCV误差的关系；4) 构建自适应多模型卡尔曼滤波器（AMMKF），动态调整各滤波器参数；5) 根据预测电压分布函数为各滤波器分配概率，选择最优滤波器；6) 进行SOC估计。

关键创新：最重要的创新点在于提出了基于创新互相关矩阵/自相关矩阵的OCV误差符号判断方法，并将其应用于自适应多模型卡尔曼滤波中。与传统方法相比，该方法能够动态地适应OCV-SOC曲线的误差，从而提高SOC估计的精度和鲁棒性。

关键设计：AMMKF的关键设计包括：1) 基于自适应递归最小二乘的参数辨识算法，用于准确估计电池模型参数；2) 基于创新互相关矩阵/自相关矩阵的OCV误差符号判断方法，用于动态调整滤波器参数；3) 基于预测电压分布函数的滤波器概率分配方法，用于选择最优滤波器。具体参数设置和网络结构（如果涉及）在论文中未详细说明，属于未知信息。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，所提出的AMMKF方法在各种OCV误差类型和操作条件下均表现出优异的性能，SOC估计的均方根误差（RMSE）小于3%，比传统方法的估计误差降低了10%以上，验证了该方法在实际应用中的有效性和优越性。

🎯 应用场景

该研究成果可应用于电动汽车、储能系统等领域，提高电池管理系统的SOC估计精度，从而优化能量管理策略，延长电池寿命，提高系统效率和安全性。精确的SOC估计对于电动汽车的续航里程预测和电池健康管理至关重要。

📄 摘要（原文）

LiFePO4 batteries are widely used in electric vehicles and energy storage systems due to long cycle life and high safety performance. However, the OCV-SOC curve (OSC) of these batteries features a long plateau region, making state of charge (SOC) estimation highly sensitive to OSC error, which arises due to aging and temperature. To address this, we propose an SOC estimation method that accounts for error in OSC. First, we establish battery equivalent circuit model (ECM) and introduce a parameters identification algorithm based on adaptive recursive least squares. Next, we derive the relationship between the innovation's cross-correlation matrix (CCM)/ auto-correlation matrix (ACM) of the Kalman filter and the OSC error. We then develop an adaptive multi-model Kalman filter (AMMKF), which dynamically adjusts the measurement model parameters of each filter based on the sign of the OSC error. By assigning a probability to each filter according to its predicted voltage distribution function, the optimal filter is selected. The proposed method is tested under various OSC error types and operating conditions. Results demonstrate that the proposed method achieves high accuracy and robustness, with an RMSE of less than 3\%, which is more than 10\% lower than the estimation error of traditional method.