当前位置：首页 > news >正文

基于电池二阶等效模型的SOC观测器设计

news 2026/5/12 14:38:14

一、二阶等效电路模型基础

锂电池二阶RC等效模型由两个RC极化环节和一个欧姆内阻构成，能够较好地描述电池的动态特性。其状态方程为：

其中：

x1x_1x1：SOC（状态变量1）
x2x_2x2：极化电压（状态变量2）
R0R_0R0：欧姆内阻
R1,C1和R2,C2R_1,C_1和R_2,C_2R1,C1和R2,C2：极化电阻和电容
f(x1)f(x_1)f(x1)：SOC与开路电压（OCV）的非线性关系

二、观测器设计方法

1.扩展卡尔曼滤波（EKF）

核心思想：通过泰勒展开对非线性函数线性化，结合卡尔曼滤波框架进行状态估计。
实现步骤：
1. 雅可比矩阵计算：对f(x1)f(x_1)f(x1)求导，得到雅可比矩阵F。
2. 协方差更新：通过预测和更新步骤迭代计算状态协方差矩阵PPP。
3. 增益矩阵：计算卡尔曼增益KKK，最小化估计误差协方差。

代码示例：

function[x_est,P]=EKF_update(x_est_prev,P_prev,I,U_meas)% 预测步骤x_pred=x_est_prev+[(eta*Q_N/(C_N))*I*Delta_t-x_est_prev(1)/R1/C1*Delta_t;x_est_prev(1)/R2/C2*Delta_t-x_est_prev(2)/R2/C2*Delta_t];F=[1-1/(R1*C1)*Delta_t,0;1/(R2*C2)*Delta_t,1-1/(R2*C2)*Delta_t];P_pred=F*P_prev*F'+Q;% Q为过程噪声协方差矩阵% 更新步骤H=[1,1;0,1];% 观测矩阵（假设OCV与SOC的导数为1）K=P_pred*H'/(H*P_pred*H'+R);% R为测量噪声协方差矩阵x_est=x_pred+K*(U_meas-U_oc_model(x_est_pred(1)));P=(eye(2)-K*H)*P_pred;end

2.滑模观测器（SMO）

核心思想：通过设计滑模面和切换函数，增强对模型不确定性和噪声的鲁棒性。
实现步骤：
1. 滑模面设计：选择滑模面s=xest−xtrues=x_{est}−x_{true}s=xest−xtrue，确保系统状态收敛。
2. 切换控制律：引入等效控制项补偿模型不确定性。
3. 自适应增益：动态调整增益参数以抑制抖振。

代码示例：

function[x_est,s]=SMO_update(x_est_prev,I,U_meas)% 滑模面设计s=x_est_prev(1)-x_oc_model(x_est_prev(1))-x_est_prev(2);% 等效控制律u_eq=(U_meas-R0*I-x_est_prev(2))/(1+x_est_prev(1));% 切换控制律（含自适应增益）K=0.1+0.05*exp(-0.1*abs(s));% 自适应增益x_est=x_est_prev+K*s*Delta_t;end

3.T-S模糊观测器

核心思想：将非线性模型分解为多个局部线性子模型，通过模糊规则整合。
实现步骤：
1. 隶属度函数设计：选择SOC作为前件变量，划分模糊区域（如0-0.2, 0.2-0.8, 0.8-1.0）。
2. 局部模型线性化：在每个模糊区域对二阶模型进行线性化。
3. 观测器联合设计：为每个子模型设计线性观测器，加权融合输出。

代码示例：

functionx_est=TS_FUZZY_observer(I,U_meas,SOC)% 模糊隶属度计算mu1=max(0,1-5*(SOC-0.2));% 0-0.2区域隶属度mu2=max(0,1-5*abs(SOC-0.5));% 0.2-0.8区域隶属度mu3=max(0,1-5*(SOC-0.8));% 0.8-1.0区域隶属度% 局部观测器（以中间区域为例）A1=[1-1/(R1*C1)*Delta_t,0;1/(R2*C2)*Delta_t,1-1/(R2*C2)*Delta_t];x_est=mu1*LSM_update(A1,SOC,I)+mu2*LSM_update(A2,SOC,I)+mu3*LSM_update(A3,SOC,I);end

三、参数辨识与在线更新

1.离线参数辨识（HPPC测试）

步骤：
1. 通过混合动力脉冲能力测试（HPPC）获取不同SOC下的电流-电压响应。
2. 使用最小二乘法（LS）或递推最小二乘法（RLS）辨识R0,R1,C1,R2,C2R_0,R_1,C_1,R_2,C_2R0,R1,C1,R2,C2。

代码示例：

functionparams=HPPC_identify(data)% data包含HPPC测试的电流、电压、SOC序列% 构建回归矩阵ΦPhi=[ones(size(data.I)),data.I,data.I.^2,...data.SOC,data.SOC.^2];% 最小二乘解params=Phi\data.U;end

2.在线参数更新（FFRLS）

核心思想：结合遗忘因子递推最小二乘法（FFRLS）和卡尔曼滤波，动态修正参数。

代码示例：

function[params,P]=FFRLS_update(params_prev,P_prev,I,U_meas)% 预测步骤y_pred=model_output(params_prev,I);e=U_meas-y_pred;% 增益矩阵更新K=P_prev*Phi'/(Phi*P_prev*Phi'+R);% 参数更新params=params_prev+K*e;P=(eye(size(params))-K*Phi)*P_prev;end