[发明专利]一种多尺度卡尔曼滤波与无迹卡尔曼滤波融合的电池SOC估算方法

说明书

本发明公开了一种多尺度卡尔曼滤波与无迹卡尔曼滤波融合的电池SOC估算方法，包括：步骤一、通过电池充放电测试系统和温度箱，对待测电池在不同温度以及不同工况下进行充放电测试，步骤二、根据测试过程中采集待测电池的样本参数构建电池实际容量计算模型，通过计算模型计算得到所述待测蓄电池的实际容量；步骤三、根据所述并根据所述测试过程中采集电池的样本参数建立待测蓄电池的一阶RC等效电路模型，根据基尔霍夫定律可以得到一阶等效电路模型的状态与观测方程；步骤四、利用多尺度自适应无迹卡尔曼滤波算法进行状态估计，输入测试电流和电压，以实际测量端电压与估计值误差最小为目标，获得待测蓄电池的SOC值的最优估计值，即为蓄电池SOC估算值。

技术领域

本发明涉及电动汽车电池管理领域，尤其涉及一种多尺度卡尔曼滤波与无迹卡尔曼滤波融合的电池SOC估算方法。

背景技术

电池管理系统是电动汽车的关键部分之一，可以有效地管理动力电池组的工作状态，为电动汽车的正常行驶提供安全保障。电池管理系统的主要功能之一就是获得每个单体电池的荷电状态(SOC)，判断其是否需要均衡策略来保证整个电池组处于稳定的工作状态。

但是在车辆行驶过程中，电池的内部工作状态是一个非线性的电化学反应，且容易受到外界环境温度和自身循环寿命的影响，因此获得一个精确的SOC值是非常困难的。目前，获得电池SOC的方法大都是通过采集单体电池的电流和电压以及工作环境的温度间接估算得到。其中最简单的方法主要有安时积分法，开路电压法。这些方法虽然简单可行，但他们都有自身的缺陷，必须在特定的条件下才能获得准确的电池SOC，例如安时积分法需要知道精确的初始值，开路电压法需要电池经过长时间的停止充放电等。还有一些神经网络去估算电池SOC的方法，如神经网络算法(neural networks)，小波神经网络算法(waveletneural network)，极限学习机(extreme learning machine)，支持向量机(supportvector machines)等。

目前，由于电池内部的化学反应是一个非线性的变化，一些滤波算法在非线性系统中具有很强的鲁棒性性，因此在电池SOC估算方面有很好的表现。为使算法在未知噪声的情况下依然有较高的估算精度，一种自适应扩展卡尔曼滤波算法(AEKF)被用来估算一阶电池模型的SOC。从数学公式推理上可以得知，状态方程中维数小于3时，CKF算法精度要小于UKF算法。模型参数在不同SOC和不同温度下并不是固定不变的，不同条件下进行SOC估算时，固定的模型参数将会影响估算精度。因此为了能进一步提高SOC的估算精度，本专利提出了利用遗忘因子的最小二乘法(FFRLS)来实现模型参数的在线更新，利用自适应无迹卡尔曼滤波算法(AUKF)来估算电池的SOC状态。但是最小二乘法中的初始参数值不容易确定，这将会导致算法初期误差很大，如果不能继续收敛，将影响整个工况实验的SOC估算精度。因此，一些双卡尔曼滤波算法被提出，其原理是利用一个卡尔曼滤波观测器去更新模型参数，然后将更新的参数传递给另一个卡尔曼滤波观测器去估算电池SOC状态，最后再将更新的SOC传递给前一个卡尔曼滤波器更新状态，交替循环实现整个工况的模型参数和SOC的更新，虽然DPF和改进的DAPF算法在非高斯噪声的情况下取得了比卡尔曼滤波算法更精确的SOC估算值，但是算法中粒子数目的选择是非常困难的，利用粒子滤波算法去更新具有慢速时变特性的模型参数，不一定能提高SOC精确度，反而因为粒子数目的增加，大大增加算法的计算量。由于电池模型参数具有慢速的时变特性，而电池SOC具有快速的时变特性，在同一尺度上频繁的参数更新有时不仅没有提高SOC的估算精度，反而会增加了计算量。

发明内容

本发明设计开发了多尺度卡尔曼滤波与无迹卡尔曼滤波融合的电池SOC估算方法一种将EKF与AUKF结合起来，不仅提高了算法初期的收敛速度和SOC估算精度，同时也大大降低了计算量。

本发明提供的技术方案为：

一种多尺度卡尔曼滤波与无迹卡尔曼滤波融合的电池SOC估算方法，包括：