[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

说明书

技术领域

本发明公开了基于扩展卡尔曼粒子滤波算法的动力电池SOC估计方法，属于锂电池的技术领域。 

背景技术

动力电池作为电动汽车的关键技术部件，其性能直接影响到整车性能的好坏。电池荷电状态（State of Charge，SOC）是用来描述电池剩余电量的数量，进而反映电动汽车的续驶里程。动力电池荷电状态估计是电池管理系统的重要功能，也是其发展急需解决的技术难点，实时准确的SOC估计对电池性能、使用寿命以及电动汽车的发展有重大意义。动力电池的高度非线性使得许多滤波方法难以得到准确的估计结果，因此，必须建立一个合适的电池模型，采用精确的估计滤波方法，这样才能获得更准确的结果。 

目前，电动汽车使用的动力电池SOC估计方法主要有安时计量法、开路电压法、神经网络法和卡尔曼滤波法等。安时计量法简单易实现，但累计误差大，对测量设备精度要求高；开路电压法只适用于电池静置足够长时间后进行估计，不能实时估计；神经网络能够在线估计，但缺点是需要大量的训练数据；卡尔曼滤波法将非线性系统线性化，但对非线性强度高的系统，容易导致滤波效果下降，甚至发散，粒子滤波算法存在粒子退化并且算法抖动等问题。 

发明内容

本发明所要解决的技术问题是针对上述背景技术的不足，提供了基于扩展卡尔曼粒子滤波算法的动力电池SOC估计方法。 

本发明为实现上述发明目的采用如下技术方案： 

基于扩展卡尔曼粒子滤波算法的动力电池SOC估计方法，、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。 

所述基于扩展卡尔曼粒子滤波算法的动力电池SOC估计方法中，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;]]>