[发明专利]基于改进遗传无迹卡尔曼滤波的车载锂电池状态估计方法

说明书

本发明提供一种基于改进遗传无迹卡尔曼滤波的车载锂电池状态估计方法，在锂电池恒流放电的情况下对锂电池的开路电压、电流进行采样；根据二阶RC等效电路模型建立锂电池的状态空间方程，计算开路电压估计值；使用卡尔曼滤波算法，对二阶RC等效电路模型进行估计并实时更新；利用改进的遗传算法寻求最优噪声协方差矩阵；使用无迹卡尔曼滤波算法，通过开路电压估计值对电池状态进行估计，得到当前开路电压估计值；然后通过锂电池开路电压与SOC的关系，输出当前开路电压估计值对应的SOC估计值。本发明解决了锂电池内部电化学反应造成的系统状态变量非线性化严重的问题，提高了估计的实时性和精确性。

技术领域

本发明属于车载锂电池领域，更具体地，涉及一种基于改进遗传无迹卡尔曼滤波的车载锂电池状态估计方法。

背景技术

锂离子电池以其循环寿命长、自放电率小、能量高、无记忆效应等优点被广泛应用在电动汽车领域。为了保障锂离子电池安全、可靠、高效地运行，需要精确估计电池的工作状态，并准确建立电池管理系统。其中锂离子电池的荷电状态(SOC)直接反映剩余电量的多少，只有准确地估计电池SOC才能避免锂离子电池过充过放行为，使电池保持良好的工作状态。

目前，国内外对锂离子电池SOC的估计方法主要包括如下几种：1)开路电压法(OCV)，利用开路电压与SOC的非线性关系，通过测量开路电压获取SOC值，该方法在测量过程中需将电池长时间静置，不适合SOC的在线估计；2)安时积分法(CC)，在已知初值下对电流作积分处理，该方法对SOC初值具有极高要求，同时忽略了电流检测时产生的累积误差和电池老化导致容量衰减造成的影响；3)电化学阻抗谱法(EIS)，通过交流阻抗谱寻找锂离子电池的欧姆-极化内阻与SOC的关系，该方法稳定性差，检测复杂，运行时间长，实时监测中应用较少；4)卡尔曼滤波(KF)，以等效模型为基础，利用观测数据对状态估计进行修正，该算法对模型精度要求较高，不适合非线性系统；5)扩展卡尔曼(EKF)，通过对非线性函数做线性化处理，再利用Kalman滤波完成对目标的估计，计算过程中由于方差矩阵的非正定性，会导致估计值发散；6)无迹卡尔曼(UKF)，摒弃非线性函数做线性化处理，利用无迹变换处理均值与协方差的非线性传递问题，该方法对非线性分布的统计量具有较高精度；7)粒子滤波(PF)，利用离散的粒子集近似描述系统随机变量的概率密度，能较精确地表达观测量与控制量的后验概率分布问题；8)神经网络法(NN)，对非线性系统具有较强处理能力，但需训练大量数据，同时估计误差受训练数据和训练方法的影响较大；9)滑模观测法(SMO)，该方法可以有效解决非线性模型对状态估计的影响，但频繁切换控制状态将导致系统出现抖振。

在锂离子电池实际工作过程中，环境温度、循环次数、检测精度等因素对锂离子电池的状态估计具有重要的影响。在实际应用中常常出现因系统非线性而导致估计值发散问题以及单纯利用粒子滤波算法因粒子数较少出现粒子匮乏现象。

发明内容

本发明要解决的技术问题是：提供一种基于改进遗传无迹卡尔曼滤波的车载锂电池状态估计方法，提高估计精度。

本发明为解决上述技术问题所采取的技术方案为：一种基于改进遗传无迹卡尔曼滤波的车载锂电池状态估计方法，其特征在于：它包括以下步骤：

S1、在锂电池恒流放电的情况下，对锂电池的开路电压、电流进行采样；

S2、根据二阶RC等效电路模型，建立锂电池的状态空间方程，利用S1采样的电流，采用状态空间方程计算开路电压估计值；比较采样的开路电压和计算的开路电压估计值；

S3、使用卡尔曼滤波算法，通过S2计算的开路电压估计值与测量值，对所述的二阶RC 等效电路模型进行估计并实时更新；

S4、通过对不同SOC值的锂电池恒流充放电，静止一段时间后测量开路电压，拟合得到锂电池开路电压与SOC的关系；

S5、利用改进的遗传算法寻求最优噪声协方差矩阵；