基于RBMO和迭代H-Infinity滤波器的锂离子FULLRIVER蓄电池荷电状态估计
2026-11-17 20:40:39 点击:次
摘要
准确的荷电状态(SOC)估计对于电动挖掘机的能量管理至关重要,然而时变参数和模型线性化误差严重降低了其准确性。本文提出了一种结合红嘴蓝鹊优化器(RBMO)与迭代H-infinity滤波器(IHIF)的双时间尺度框架。RBMO对二阶等效电路模型进行全局离线辨识,消除了递归最小二乘法的初值依赖性。扩展卡尔曼滤波器(EKF)在慢时间尺度上跟踪模型参数,而IHIF在快时间尺度上进行迭代线性化,从而抑制截断误差和参数漂移。在实测挖掘机工况下,RBMO识别的端电压均方根误差(RMSE)为0.0021 V,比遗忘因子递推最小二乘法低4.5%,最大误差(MAX)下降了31.1%。所提出的IHIF-EKF方法实现了0.19%的平均绝对误差(MAE)、0.86%的最大误差和0.29%的均方根误差,相较于传统H-infinity滤波器分别降低了70.3%、55.7%和62.8%。即使初始SOC偏差达到40%,估计值也能在5秒内进入±1%的误差带,且收敛后的RMSE保持在0.29–0.30%以内。因此,该方法在实测挖掘机工况下能够提供准确的SOC估计,对初始SOC误差和参数漂移具有鲁棒性。锂离子电池; 荷电状态 (SOC); 红嘴蓝鹊优化算法 (RBMO); 双时间尺度; 迭代H-无穷滤波器 (IHIF); 鲁棒性; 电动挖掘机
1. 引言
对气候变化和能源安全日益增长的担忧,正推动全球战略向能源结构转型和绿色产业升级转变,其核心是实现二氧化碳排放达峰和碳中和的“双碳”目标。作为能源消耗和碳排放的主要来源,工程机械行业迫切需要绿色低碳转型。在此背景下,新能源工程机械以电力驱动取代了传统的内燃机。特别是电动挖掘机,已成为降低施工现场碳强度和构建绿色施工体系的关键技术路线[1,2,3]。与传统的柴油动力装备相比,电动挖掘机具有显著优势,包括零尾气排放、更低的运行噪音、更高的能量转换效率以及更低的维护成本。这些优点使其在对环境和噪音要求严格的复杂作业场景中极具应用前景,例如挖矿作业、隧道施工和市政工程[2,3].作为电动挖掘机的核心动力单元,锂离子电池的荷电状态(SOC)是电池管理系统(BMS)进行能量管理和安全调节的关键参数[4,5]。它直接决定了装备的功率输出稳定性、续航预测精度和运行安全性。然而,电动挖掘机在长期极端工况下运行,具有剧烈振动、负载多变和温度范围宽等特点,导致电池表现出高度非线性和时变特性[3]。在这些作业条件下,传统的SOC估算方法极易出现精度下降和扰动抑制能力不足的问题,甚至可能导致系统非计划停机等工程故障,严重限制了新能源工程机械的大规模应用。因此,开发一种高鲁棒性、准确且实时的SOC估算方法对于电动挖掘机的应用至关重要。
至今,锂离子电池SOC估计已建立三种主流研究范式[ %%]。第一类包括经验估计方法。其中,安时积分法因其原理简单、计算成本低而被广泛应用。它通过对实时电流进行时间积分来累积电量变化,从而估计SOC[6第二类方法包括近年来备受关注的数据驱动方法。这些方法将电池系统视为“黑盒”,无需复杂的物理或化学模型。相反,它们直接利用机器学习或深度学习技术,从海量的历史运行数据中学习输入(如电流、电压和温度)与SOC输出之间的非线性映射关系。7然而,这种方法是一种开环估计器,存在两个根本缺陷:首先,它严重依赖初始SOC的准确性,因为初始误差会贯穿整个估计过程;其次,它对电流传感器的测量精度和噪声高度敏感,导致微小的测量误差随时间累积并引起严重的SOC漂移,从而无法保证长期准确性。相比之下,开路电压(OCV)方法利用了SOC与电池静置较长时间后获得的稳定端电压之间的确定性非线性关系。当电池达到电化学平衡时,该方法能实现高精度,并常被用作其他方法的校准基准[4]。然而,其主要局限性在于需要较长时间的静止(通常超过1-2小时)来消除极化效应,考虑到电动挖掘机持续动态运行及其实时需求,这几乎无法实现。
例如,去噪自编码器结合门控循环单元网络已被用于提取时间特征,并降低SOC估计的均方根误差(RMSE)[],而时间延迟循环神经网络通过识别过激神经元,提高了SOC预测的准确性和可靠性[8] 长短期记忆(LSTM)网络及其变体,凭借其独特的门控机制,能够有效捕捉电池时间序列数据中的长程依赖关系,并缓解传统循环神经网络的梯度消失或爆炸问题,在SOC估计方面取得了令人期待的结果[9]。然而,数据驱动方法的性能严重依赖于训练数据的质量、数量和覆盖范围。对于电动挖掘机等工况复杂多变且有效样本数据相对稀缺的应用场景,此类模型的泛化能力往往面临严峻挑战。当实际工况超出训练集的覆盖范围时,估计精度可能会大幅下降。10此外,深度学习模型通常具有较高的计算复杂度,对BMS嵌入式硬件的算力提出了更严格的要求[11].
第三类包括基于模型的滤波算法,这是当前工程应用中的主流解决方案。此类方法首先建立能够描述电池动态特性的等效电路模型(ECM),然后将SOC视为系统的状态变量,并采用先进的滤波算法进行闭环估计。其中,以扩展卡尔曼滤波(EKF)和无迹卡尔曼滤波(UKF)为代表的卡尔曼滤波家族应用最为广泛。EKF通过对非线性函数进行一阶泰勒级数扩展来实现线性化[12,13],而UKF通过无迹变换来近似状态分布,从而避免了雅可比矩阵的计算,并且对于强非线性系统,其精度通常高于EKF[14]。在标称运行条件下,这些算法能将SOC估计的平均绝对误差(MAE)稳定维持在1%至2.5%的水平[4]。为了进一步提高参数-状态联合估计的精度,也有研究报道了基于增强型二阶RC模型的离线-在线混合辨识策略[15].
然而,卡尔曼滤波系列算法的理论基础建立在最小均方误差准则之上,其最优性严格依赖于一个核心假设:即系统的过程噪声和测量噪声均服从高斯分布。但在电动挖掘机的实际运行中,电磁干扰、传感器异常以及负载电流的剧烈脉冲波动等因素,往往会产生具有重尾或脉冲特性的非高斯噪声[16,17]。在这种情况下,基于高斯假设的卡尔曼滤波器的性能会急剧下降,可能导致估计精度降低、收敛速度变慢,甚至出现滤波器发散,从而导致最大SOC估计误差飙升,严重损害系统可靠性[18].
为了解决非高斯噪声下的鲁棒估计问题,H-infinity滤波器(HIF)应运而生。与卡尔曼滤波器不同,HIF基于最小-最大优化准则,旨在最小化最坏情况下的估计误差。因此,它对系统模型不确定性和噪声的统计特性没有严格要求,在非高斯噪声环境下表现出固有的鲁棒性优势[18,19]。然而,传统HIF在处理非线性系统时仍需线性化,且其泰勒展开会引入截断误差。为进一步提高强非线性系统中的估计精度,研究人员提出了迭代H-infinity滤波器(IHIF)。IHIF的核心思想是在每次测量更新中引入数学上类似于高斯-牛顿法的多步迭代,重复对非线性测量函数进行线性化,直到估计值收敛,从而大幅减少由单次线性化引起的误差[20,21]。近年来,迭代和H-infinity型滤波器在SOC估计领域得到了积极发展。Wang等人[22]利用Levenberg–Marquardt方法优化了迭代EKF的误差协方差,在FUDS和BJDST工况下将SOC误差控制在2%以下。Yuan等人[23]将强跟踪H-infinity滤波器与动态遗忘因子递归最小二乘法(DFFRLS)相结合进行在线参数辨识,在DST、FUDS和BJDST工况下获得了0.30–0.46%的SOC均方根误差(RMSE)。Sang等人[24]提出了一种基于FFRLS参数识别的双自适应中心差分H-infinity滤波器,在UDDS和HWFET工况下的SOC误差分别为0.5%和0.63%。
尽管IHIF在抑制干扰和处理非线性方面具有巨大潜力,但其性能严重依赖于电池模型参数的准确性。参数辨识的精度直接决定了模型驱动算法的性能上限。传统的在线参数辨识方法,如遗忘因子递推最小二乘(FFRLS)算法,虽然计算简单,但对初始值高度敏感,易受噪声干扰,且容易收敛至局部最优解[22,23]。为了获得高度精确的全局最优参数,研究人员转向了元启发式优化算法。最近提出的一种新型算法——红嘴蓝鹊优化器(RBMO),模拟了红嘴蓝鹊的捕食和储食行为。通过其独特的“俯冲”和“滚动”搜索策略,在解决复杂优化问题时,它比粒子群优化(PSO)和遗传算法等传统算法表现出更强的全局搜索能力、更快的收敛速度和更高的解精度[24];其改进变体进一步增强了约束优化中探索与利用之间的平衡[25,26]。先前的研究表明,RBMO在解决优化问题时表现出极高的收敛稳定性和准确性[27,28然而,现有的SOC估算方法在应用于电动挖掘机时仍存在三个不足。首先,包括IHIF在内的H-infinity型滤波器对模型不确定性具有鲁棒性,但其精度仍依赖于模型参数;大多数现有研究要么使用离线识别的固定参数,要么通过FFRLS型算法在线识别参数[23,24],而后者对初始值敏感,且可能收敛至局部最优。其次,元启发式算法主要用于离线模型拟合[29],且其全局搜索能力尚未被用于为SOC估算框架内的在线参数跟踪器提供可靠的初始值。第三,现有研究大多在DST、FUDS和UDDS等标准乘用车工况上进行验证[25,26,27,28],而建筑机械高频率、脉冲式的占空比会加剧线性化误差和参数漂移,这一点却鲜有考虑。
元启发式算法,如混合白鲨与鲸鱼优化算法[29] 也已被应用于电池模型辨识,但主要用于离线模型拟合,而非用于在SOC估计框架内初始化在线参数跟踪器。为填补这些空白,本研究构建了一个基于RBMO离线参数辨识、EKF在线参数跟踪和IHIF状态估计的双时间尺度SOC估计框架,并在电动挖掘机工况下进行了验证。主要贡献有三点。首先,关于电池动态特性的多尺度表征,在双时间尺度框架内建立了一个二阶RC等效电路模型,从而将端电压的快速响应变化与内部参数的慢漂移变化解耦[26,27]. 第二,关于提高参数辨识精度,引入了RBMO算法进行离线参数优化,利用其全局优化能力获取高精度初始ECM参数,从而解决传统辨识算法固有的对初始值敏感和局部最优问题。第三,关于抗干扰能力和实时估计,提出了一种IHIF-EKF双层协同滤波架构,其中EKF在慢时间尺度上跟踪缓慢变化的参数,而IHIF在快时间尺度上执行多步迭代线性化校正,从而抵抗参数漂移和线性化误差,同时H-infinity准则提供了不依赖高斯噪声假设的最坏情况误差界限。
本文余下部分安排如下。第2节建立了二阶RC等效电路模型和OCV-SOC关系。第3节介绍了基于RBMO的离线参数辨识及其与FFRLS的对比。第4节开发了由基于EKF的在线参数更新和基于IHIF的SOC估计组成的双时间尺度联合估计框架。第5节报告了实验结果,包括估计精度对比和初始SOC误差下的鲁棒性测试,并提供了全面的讨论。第6节总结了结论。
2. 锂离子电池建模
2.1. 二阶等效电路模型
等效电路模型是电池建模中最常用的方法之一。虽然高阶等效电路模型具有更高的精度,但也会在参数辨识过程中带来更大的困难。因此,二阶RC模型(也称为二阶泰文模型)因其在建模精度和计算易用性之间取得了良好的平衡,而被广泛采用[15,28]。在本研究中,建立了一个二阶RC等效电路模型来描述电池的动态电学特性。如图所示图1,二阶RC模型由代表开路电压的理想电压源()、欧姆内阻()以及两个分别表征电化学极化和浓差极化效应的并联RC网络(和)组成。欧姆电阻考虑了由电极、电解质、隔膜和接触界面引起的电压降,而两个RC支路则捕捉了与电池内部电化学过程相关的瞬态响应。和分别是描述电荷转移过程的电化学极化电阻和电容;和分别是描述锂离子在电解质中及电极颗粒内扩散和传质过程的浓度极化电阻和电容;表示电池端电压,并且代表读档电流,在放电过程中取正值。
