[发明专利]一种SOC估计的基于参数估计准则的自适应滤波方法

说明书

本发明属于目标跟踪领域，公开了一种SOC估计的基于参数估计准则的自适应滤波方法。本发明提出了一个参数估计准则来估计准确的SOC估计模型，并借此将SOC估计的自适应滤波问题转化为一个有约束的优化问题。通过解决求解问题，从而实现对SOC模型中过程噪声协方差和观测噪声协方差的估计。本发明使得SOC系统在噪声协方差不准确的情况下也具有最优的估计效果。

技术领域

本发明属于状态估计领域，特别涉及一种SOC估计的基于参数估计准则的自适应滤波方法。

背景技术

电池的荷电状态(State of Charge，SOC)指电池目前所存储的电量，是电池管理系统控制策略的重要参数，为电池组控制策略提供判断标准。目前比较常用的SOC估算方法有安时积分法、开路电压法、模糊神经网络法和Kalman滤波法等。Kalman滤波方法能够根据采集到的电压电流，由递推算法得到SOC的最小方差估计，解决SOC初值估计不准和累计误差的问题。

Kalman滤波是由Kalman与1960年首次提出的，它是一种基于线性最小协方差估计的递推算法，使用状态空间算法在时域内设计滤波器，适用于对多维随机过程进行动态估计。Kalman滤波要求状态转移矩阵、观测矩阵且噪声的统计特性必须准确。在实际的系统应用中，存在状态转移矩阵、观测矩阵以及噪声的统计特性不完全已知的情况，这些不确定因素使得Kalman滤波算法不再是最优的估计算法。自适应滤波的作用是在滤波器的计算过程中，利用观测值修正预测值并且估计噪声统计参数，从而使滤波计算模型接近真实模型，提高滤波的精度。自适应滤波的方有很多，如贝叶斯法、极大似然估计法、相关法与协方差匹配法等。

Sage-Husa自适应滤波是应用最广泛的自适应滤波算法之一，但是在滤波过程，该算法容易使过程噪声协方差Q和观测噪声协方差R失去半正定性和正定性，导致滤波发散。张常云已经从理论上证明该算法无法同时估计过程噪声协方差和观测噪声协方差，但是在Q(或R)已知时，可以估计出R(或Q)。而后续的研究者不断地改良Sage-Husa自适应滤波，也只能在Q(或R)已知时，抑制滤波器的发散，同时估计出R(或Q)；其根本原因是在过程噪声协方差和观测噪声协方差都未知时，并不能提供足够的信息同时估计过程噪声协方差和观测噪声协方差。

发明内容

为了解决上述问题，本发明提出了一个SOC估计的参数估计准则来估计准确系统模型，并借此将SOC估计的自适应滤波问题转化为一个有约束的优化问题。通过解决求解问题，从而实现对SOC模型的过程噪声协方差Q和观测噪声协方差R的估计。其中SOC用来反映电池的剩余容量，其数值上定义为剩余容量占电池容量的比值。通常把一定温度下电池充电到不能再吸收电量的状态定义为100％SOC，而将电池不能放出电量的状态定义为0％SOC。定义式如下

Q_r指的是电池的剩余电量，Q₀指的是电池的标称容量。

具体内容如下：

步骤1.建立SOC估计系统模型的一阶形式

SOC估计的离散线性系统的模型如下：

x_k＝F_k,k-1x_k-1+B_k,k-1u_k-1+w_k,k-1

z_k＝H_kx_k+v_k

其中，k为时刻，x_k和x_k-1是SOC估计的离散线性系统的状态向量，实际物理意义为k时刻和k-1时刻的电池SOC的数值。F_k,k-1＝1是系统从时刻k-1到时刻k的状态转移矩阵