[发明专利]基于噪声干扰的强跟踪容积卡尔曼滤波的电池估算方法

说明书

一种基于噪声干扰的强跟踪容积卡尔曼滤波的电池估算方法，结合电池受到的噪声干扰和强跟踪容积卡尔曼滤波CKF(Cubature Kalman Filter)进行电池的剩余电量的估算，包括如下特征；1)分析电池电荷充放电的规律，得到电池SOC(State Of Charge)的估算理论；2)建立考虑电池温度和充放电倍率等内部影响因素的电池SOC等模型，采用一阶RC等效模型建立电池状态方程；3)通过强跟踪容积卡尔滤波算法对电池SOC进行在线估算；4)判断是否有噪声干扰，若有则进行自适应平方根容积卡尔曼滤波，对噪声进行滤除，若无噪声，直接估算电池SOC。本发明对于电池模型的剩余电量的估算有较好的估算效果，同时克服了电池电路随着时间累积产生误差的缺点，同时此算法应用于实际中噪声不是很理想的高斯分布。

技术领域

本发明在解决纯电动汽车电池估算不精确的问题，从而提出来的一种基于噪声干扰的强跟踪滤波电池剩余电量的估算方法。特别设计到电池等效一阶RC模型，噪声干扰滤波，以及强跟踪的CKF(Cubature Kalman Filter)容积卡尔曼卡滤波算法的电池估算方法。

背景技术

随着传统石化能源的日益枯竭，我国正在大力推广新能源，其中新能源汽车的应用和普及，正在日益走进各大城市，走进我们的生活。电动汽车管理系统(BatteryManagement System)便是新能源汽车中的核心技术之一，电池剩余电量的精确估算，也是各大企业攻克的难点之一。

传统的估算方法，存在以下的几个方面的问题；电池估算在(1)计算初期数据量较为少，对于电池的初试数据测量的不够准确，同时锂离子电池容量随着使用，累积产生的误差较大(2)所建立的电池建模复杂：由于锂离子电池老化过程，电池内部一直在进行着复杂的电化学反应。建立复杂的电池化学模型实施起来带来，从成本和时间上考虑都不是很划算。由于整个过程也是非线性的。导致预测难以精确。(3)采用神经网络这样的可深度训练的方法，这种方法虽然在精度上能够有较大的提高，但是需要大量的电池使用数据，对于在实时运行过程中的电动汽车来说，进行电池剩余电量的估算，是无法达到实时性的。

中国发明专利“基于分数神经网络和双容积卡尔曼滤波的电池SOH(健康状况)在线估计方法”(公布号：CN201710628189，公布日：2017年12月05日)提供了一种离线训练分阶神经网络模型训练，在采用双容积卡尔曼滤波算法(DCKF)，对分数阶神经网络模型进行在线更新。

中国发明专利“基于小模型误差准则扩展卡尔曼滤波的电池SOC估计方法”(公布号：CN20141-186625，授权日：2017年02月15日)涉及一种基于模糊神经网络的模型误差预测模型。采用可变阶数的RC模型对电池进行剩余电量的估算。

以上专利的方法，需要大量的训练数据，且在电池SOC的实时估算方面不能够很好的满足。故在实际的工程应用上无法大量推广。在目前的企业中常常使用的方法，是使用安时积分法对电池进行估算，缺点是由于在SOC初值计算时，其电压、电流和温度的不同导致容量变化，使得积分误差累积，最终会使估算不准确。为了弥补在估算时电池初始SOC不精确的问题，以及随时间累积所产生的误差，本发明提出了一种基于噪声干扰的强跟踪强容积卡尔曼波的方法对电池剩余电量进行估算。

发明内容

本发明解决的问题在于提供了一种基于噪声干扰的强跟踪容积卡尔曼滤波的电池估算方法，对电池剩余电量进行估算，解决了电池组系统性能受到自身内部因素(比如充放电的倍率和内部发热)干扰下的问题，同时解决在汽车使用过程中环境噪声干扰的问题，该方法采用强跟踪容积卡尔曼滤波方法作为工具，以自适应平方根容积卡尔曼滤波为辅助，在有噪声干扰情况下，利用自适应平方根容积卡尔曼滤波算法对噪声发散的信号进行有效的滤除，在没有噪声干扰时，直接使用强跟踪容积卡尔滤波方法估算电池的SOC。整个估算过程中使用等效型建立电路状态方程，使用基于强跟踪容积卡尔曼滤波算法，能够实时的采集和分析电池电荷状态量，且在抑制噪声干扰有优良的特性。

本发明目的是通过以下的方案来实现的；