[发明专利]基于PUHF算法的动力电池荷电状态估计方法

说明书

本发明公开了一种应用于动力电池的主动型混合均衡电路。传统的卡尔曼滤波算法在进行SOC估计时具有一定局限性。本发明方法包括：计算采样点通过状态方程变换后的加权值，作为状态的估计值，进而通过加权计算状态估计的方差；对采样点进行处理，采用投影法将不满足要求的采样点投影到范围内；计算采样点通过观测方程变换后的加权值，作为观测的估计值；计算卡尔曼增益；根据状态方程进行时间域更新，根据观测方程进行测量更新，计算状态及其方差的更新，递推所得到的状态更新值即为当前时刻电池的荷电状态。本发明方法可以准确地进行电池SOC估计，该方法收敛速度快，估计精度高，而且适用于各种动力电池SOC的快速估计。

技术领域

本发明属于电池技术领域，涉及一种基于PUHF(投影无迹H无穷滤波器，UnscentedH_∞filtering)算法的动力电池荷电状态估计方法。

背景技术

电动汽车以其节能、环保、零排放的优势占据了市场有效地位，成为了汽车产业的发展趋势，各国政府都采取相关政策推广电动汽车。动力电池是电动汽车的动力来源，锂电池因其输出功率大、无记忆效应、低自放电和工作温度范围广的优点，被广泛应用在电动汽车。电池管理系统(Battery Management System，BMS)是动力汽车的核心部分，主要作用是为了智能化管理及维护各个电池单元，防止电池出现过充电和过放电，延长电池的使用寿命，监控电池的状态。

荷电状态估计(State Of Charge，SOC)是电池管理系统需要计算的主要参数之一。电池管理系统根据检测到的SOC值可以采取相应的调控措施智能化的管理和维护各个电池单元，保证电池组安全，而且知道电池剩余电量司机可以更好的安排自己剩下行程。

国内外对SOC估计的方法很多，现有开路电压法、安时计量法、神经网络法和卡尔曼滤波法等。卡尔曼滤波法抗干扰能力强，更易于在硬件平台的实现，实用性和精确性更高，是现在SOC估计的主流算法。传统的卡尔曼滤波算法在进行SOC估计的时候，往往忽略了SOC值保持在0％-100％范围内这一约束条件，如果只局限于对原始数据的处理是远远不够的，有效利用先验约束条件，那么就可以得到更加精确SOC值。

发明内容

本发明的目的就是克服现有技术的不足，提供一种基于PUHF算法的动力电池荷电状态估计方法，将UHF(无迹H无穷滤波器,Unscented H_∞filtering)和投影法结合的 PUHF算法用于动力电池荷电状态估计，将条件约束问题考虑到这个算法中，该算法适用于所有电池。

本发明方法首先计算采样点通过状态方程变换后的加权值，作为状态的估计值，进而通过加权计算状态估计的方差；对采样点进行处理，采用投影法将不满足要求的采样点投影到范围内；计算采样点通过观测方程变换后的加权值，作为观测的估计值；计算卡尔曼增益；根据状态方程进行时间域更新，根据观测方程进行测量更新，计算状态及其方差的更新，递推所得到的状态更新值即为当前时刻电池的荷电状态。具体步骤是：

步骤(1).对锂电池进行放电实验，获取锂电池在k时刻的电池端电压y_k和电池放电电流i_k，k＝1,2,3,…；

步骤(2).建立电池模型：其中，SOC_k是k时刻电池剩余电量，SOC₀是电池剩余电量的初始值，η是电池的放电比例系数；Q_n是电池在室温25℃条件下、以1/30倍额定电流的放电速率放电时所能得到的额定总电量；

离散化表达式为：其中，Δt是测量时间间隔。

步骤(3).用状态方程和观测方程表示电池的各个时刻的荷电状态关系：

状态方程：