[发明专利]一种基于粒子群优化扩展卡尔曼滤波算法的锂电池SOC估算方法

说明书

一种基于粒子群算法优化扩展卡尔曼滤波器的电池SOC估算方法，包括如下步骤：先对粒子的位置和速度随机初始化，然后对粒子的适应度进行计算，找到最佳粒子的速度和位置并进行更新，并对粒子适应度再次进行计算，判断粒子个体极值和粒子全局极值是否进行了更新。重复执行上述步骤，直到执行完预设的迭代次数或达到了所需要的精度要求，最后得到粒子全局极值。根据扩展卡尔曼滤波器的初始系数值，对采集到的电压、电流进行计算，得到了基于粒子群优化扩展卡尔曼滤波算法的仿真结果。该发明可以有效提高电池SOC的估算精度，具有良好的跟踪性能和抗噪声能力。

技术领域

本发明涉及一种基于粒子群优化扩展卡尔曼滤波算法的锂电池SOC(state ofcharge，荷电状态)估算方法。

背景技术

当今社会，煤、石油等化石燃料的大量使用使得全球气候和环境问题不断突出，使许多国家都开始重视节能减排和发展低碳经济。因此具有节能环保优势的电动汽车得到各国的重视而迅速发展。动力电池作为电动汽车的关键部件，准确估计对提高电池安全可靠性、提高电池能量利用率、延长电池使用寿命具有重要意义。

目前,常用的电池SOC估计方法主要有安时积分法、开路电压法、神经网络法、内阻法、卡尔曼滤波法等。安时积分法：安时积分法需要知道电池SOC的初始值，而电流测量存在一定的误差，误差会随着时间的积累而增大。开路电压法：开路电压法估计SOC需要将电池静置较长时间达到稳定状态，而且在电流变化很大的情况下，电池SOC的估算误差较大，所以不适合实时估计的需要。神经网络法：神经网络法虽具有非线性的基本特性，但神经网络的输入变量的选择是否合适，变量数量是否恰当，都会影响电池SOC估算的准确性，而且需要进行长时间细致的学习，需要大量的数据进行训练，其精度依赖于对神经网络进行训练的数据量大小。内阻法：利用电池的交流或直流内阻与荷电量的关系判断电池的SOC。由于这种对应关系的规律性不强且对硬件和软件的要求较高，因此其实际应用有一定的难度。卡尔曼滤波法：卡尔曼滤波法可以对动态系统进行最优估计。在动态系统控制、导航、通信等领域有广泛应用。在估算电池的荷电状态SOC时，将SOC看作是电池系统的一个内部状态变量，通过递推算法实现SOC的最小方差估算。在算法的实现过程中能保持很好的精度，并且对初始值的误差有很强的修正作用，对噪声也有很强的抑制作用。但卡尔曼滤波只能对线性系统进行建模。而电池系统比较复杂，若采用线性系统对电池进行SOC的估算，则估算误差较大。用扩展卡尔曼滤波(EKF，Extended Kalman Filter)来进行SOC估算时，需要将非线性函数用Taylor级数展开并线性化，这样一方面增加了计算的复杂性。另一方面，进行Taylor级数展开忽略了高阶项，增大了估算误差。

发明内容

为了克服现有SOC估算方法的估算精度较低的不足，本发明提出一种基于粒子群算法优化的扩展卡尔曼滤波算法的锂电池SOC估算方法。该方法根据扩展卡尔曼滤波法在算法的实现过程中能保持很好的精度，并且对初始值的误差有很强的修正作用，采用粒子群算法(PSO，particle swarm optimization)，对影响扩展卡尔曼滤波的收敛性及滤波性能的噪声矩阵进行优化，得到最优的系统噪声矩阵和测量噪声矩阵，提高了SOC的估算精度。

本发明可以通过如下技术方案实现：

一种基于粒子群算法优化扩展卡尔曼滤波算法的锂电池SOC估算方法，所述方法包括以下步骤：

S1：在锂电池SOC估算过程中，建立锂电池等效电路模型，对扩展卡尔曼的参数和粒子的位置、速度进行初始化；

S2：计算各个粒子的适应度值，由粒子适应度值决定粒子最优位置；

S3：对粒子群算法的最佳粒子的速度和位置进行更新。并对粒子适应度再次进行计算；

S4：确定粒子个体极值和粒子全局极值。依照适应度函数判断优劣，最终找到适应度值最大的粒子，即最优解；