[发明专利]一种基于后向平滑滤波框架的锂电池SOC在线估计方法

说明书

本发明公开了一种基于后向平滑滤波框架的锂电池SOC在线估计方法，包括以下步骤：步骤一、对锂电池进行测试以获取开路电压关于荷电状态的函数，并通过开路电压获得出锂电池的初始SOC；步骤二、建立锂电池等效电路模型，并确定锂电池的离散状态方程和观测方程；步骤三、进行模型参数辩识，辨识所述锂电池等效电路模型参数；步骤四、建立后向平滑平方根容积卡尔曼滤波器；步骤五、采集锂电池的实时电压电流数据，对电池SOC进行估计。本发明该算法在传统平方根容积卡尔曼算法基础上，结合后向平滑滤波框架，利用最新的量测信息进行后向平滑递归运算，减小了观测噪声及观测误差等因素的影响，在提高估计精度的同时也加快了收敛速度。

技术领域

本发明涉及电动汽车的电池管理系统领域，特别涉及一种基于后向平滑滤波框架的锂电池SOC在线估计方法。

背景技术

近几年来，以电池为主要动力来源的纯电动车和混合动力车被广泛投入使用。这种新兴交通工具以其低碳排放，节能轻便的特点受到人们的重视。而锂离子电池作为电动汽车和混合动力汽车的储能装置，需要采取有效的电池管理方法，减缓电池容量衰减，提高电池使用的寿命，保障电动汽车的可靠性和安全性。其中，电池荷电状态(SOC)估计一直是电池管理研究方向的热点问题，电池SOC的准确估计能够用来预防电池过充和过放，减少对电池的损害，进而提高电池使用性能，在电池的管理系统中发挥至关重要的作用。

通常SOC的估计方法可以分为为模型和非模型的方法。非模型的方法是指不依赖任何摸型的估计方法，通常为开环算法。这类方法中，应用最广泛的是安时积分法和开路电压法。安时积分法的精度很大程度上会受到初始SOC估计值和电流观测精度的影响。而开路电压法的原理是根据电池的开路电压与荷电状态之间筒单对应关系，来进行荷电状态的估计。这种估计方法的缺点，一是要想获取电池的开路电压，必须将电池长时间空载静置，二是部分电池的开路电压曲线存在着明显的“平台期”，在“平台期”中开路电压伴随SOC的变化并不明显，因此在“平台期”所估计的SOC误差较大。

基于模型的方法又可分为两类。第一类基于黑箱模型来描述电池SOC与其影响因素之间的非线性关系；第二类是将各种电学特性模型与滤波算法结合的方法。前者非常依赖于训练数据的数量和质量，训练周期长，计算量大，不适合用于SOC的在线实时估计。后者对处理器的计算速度有一定的要求，计算成本更高，但是这一类方法相较于安时积分法有闭环反馈修正的优点，因此这种方法更适合用于SOC的在线实时估计。目前常见的是基于等效电路模型(ECM)并使用卡尔曼滤波法及其衍生算法的方法。

但是，基于扩展卡尔曼滤波(EKF)的SOC估算，利用一阶泰勒公式将高度非线性的锂电池系统线性化的过程中不可避免地引入了线性化误差，并导致滤波的不稳定性；无迹卡尔曼滤波(UKF)虽然克服了EKF局部线性化引起的误差，而且避免了求解雅可比矩阵的不便，但UKF在无迹变换(UT)时的中心点权值可能为负，导致UKF或UT变换数值不稳定。文献(梁嘉宁,谭霁宬,孙天夫,王峥.基于容积卡尔曼滤波算法估计动力锂电池荷电状态[J].集成技术,2018,7(06):31-38.)将容积卡尔曼滤波(CKF)用于SOC估计中。相比EKF和UKF，CKF具有更好的数值稳定性和更高的滤波精度。但是，CKF也存在球面容积点可能超出积分区域、计算过程中协方差矩阵的正定性可能被破坏等问题。文献(冷炎.基于CKF的锂电池SOC估算及其电池管理系统研究[D].江苏大学,2016.)提出了平方根容积卡尔曼滤波(SRCKF)，解决了CKF存在的计算过程中协方差矩阵的正定性被破坏的问题，但仍未解决滤波发散，收敛速度一般等问题。

综上所述，为了得到精度高、稳定性好、收敛速度快的SOC在线估算方法，本发明将后向平滑滤波框架与平方根容积卡尔曼滤波结合，提出了一种基于后向平滑滤波框架的锂电池SOC在线估计方法。使其具有精度高、鲁棒性强、抗白噪声能力强的特点，且易于实现。

发明内容

为了解决现有技术中存在的问题，本发明提供了一种基于后向平滑滤波框架的锂电池SOC在线估计方法。该方法相比传统平方根容积卡尔曼滤波法精度更高，鲁棒性更好，且计算量并未显著增加。