[发明专利]基于扩展卡尔曼粒子滤波算法的动力电池SOC估计方法

权利要求书

1.基于扩展卡尔曼粒子滤波算法的动力电池SOC估计方法，其特征在于，包括如下步骤：

步骤1，建立电池电量数学模型，得到电池系统离散空间模型；

步骤2，利用扩展卡尔曼粒子滤波算法预测动力电池SOC：

步骤2-1，在初始采样时刻，由初始概率分布随机产生粒子集；

步骤2-2，在当前采样时刻内，由扩展卡尔曼滤波算法得到当前时刻每个粒子状态量右侧估计值以及协方差右侧估计值；

步骤2-3，计算当前时刻各粒子权重，归一化当前时刻粒子权重，由归一化的当前时刻粒子权重得到有效粒子数，

当有效粒子数目小于粒子数目阈值时，返回步骤2-1；否则，输出当前时刻电池荷电状态更新值；

步骤2-4，进入下一采样时刻，重复步骤2-2至步骤2-3。

2.根据权利要求1所述的基于扩展卡尔曼粒子滤波算法的动力电池SOC估计方法，其特征在于，步骤2-2利用如下方法计算当前时刻每个粒子状态量右侧估计值以及协方差右侧估计值：

步骤A，扩展卡尔曼滤波器预测方程：

状态变量预测估计：xk,i-=f(xk-1,i+,uk-1),]]>

协方差误差预测估计：Pk,i-=Ak-1Pk-1,i+Ak-1T+Σw;]]>

步骤B，扩展卡尔曼滤波器校正方程：

卡尔曼增益计算：Kk=Pk,i-CkT(CkPk,i-CkT+Σv)-1,]]>

状态变量最优估计：xk,i+=xk,i-+Kk[Yk-g(xk,i-,uk)],]]>

协方差最优估计：Pk,i+=(E-KkCk)Pk,i-,]]>

其中，为k时刻第i个粒子状态量左侧估计值，为k-1时刻第i个粒子状态量右侧估计值，u_k-1为k-1时刻输入控制变量，为k时刻第i个粒子协方差左侧估计值，A_k-1为k-1时刻系统矩阵，为k-1时刻第i个粒子协方差右侧估计值，K_k为k时刻卡尔曼增益，C_k为k-1时刻协方差矩阵，为k时刻第i个粒子状态量右侧估计值，Y_k为k时刻SOC量测结果，u_k为k时刻输入控制变量，为k时刻第i个粒子协方差右侧估计值，E为单位矩阵，w、v为互不相关的系统噪声，f、g分别为非线性状态转移函数和非线性测量函数。

3.根据权利要求2所述的基于扩展卡尔曼粒子滤波算法的动力电池SOC估计方法，其特征在于，步骤2-3利用表达式计算有效粒子数目N_eff，其中，q_i为k时刻第i个粒子状态量右侧估计值的后验概率，N为粒子总数。