[发明专利]一种多新息混合Kalman滤波和H无穷滤波算法

说明书

本发明公开了一种多新息混合Kalman滤波和H无穷滤波算法，包括1）建立锂电池的一阶RC电路模型，根据该模型写出描述锂电池系统的状态空间表达式，将电流和电压作为输入，利用递推最小二乘法进行参数辨识；2）分别建立多新息扩展卡尔曼滤波器和多新息滤波器，定义混合滤波性能评价指标实现更好的权值分配，建立基于多新息的混合Kalman/H∞滤波器；3）通过对权值表达式中的参数取不同值来验证一种多新息的混合Kalman/H∞滤波算法收敛精度高和鲁棒性好的优势。本发明通过建立基于多新息的混合Kalman/H∞滤波器，解决了现有SOC估计方法未能充分利用当前新息和历史信息而导致估计误差增大的问题，并通过合理设置权值提高了SOC的估计精度和滤波器的鲁棒性。

技术领域

本发明涉及一种锂电池SOC估计方法，特别涉及一种多新息混合Kalman滤波和H无穷滤波算法。

背景技术

目前，储能电池正往以磷酸铁锂为正极材料的锂离子电池方向发展，其中最重要的原因是锂电池的能量密度高、循环使用寿命较长，所以受到该领域专家和研究人员的关注。锂电池SOC作为电池管理系统关键估计量,对电池的寿命、工作效率和保护等方面起着重要作用。因此，锂电池SOC的准确估计对于锂电池的高效使用以及整个能量管理系统具有重要意义。

近年来，常用的锂电池SOC状态估计方法主要分为传统SOC估计方法和新型SOC估计方法两类。传统SOC估计方法主要包括放电实验法、开路电压法和安时积分法。放电实验法对锂离子电池进行一定倍率的恒定电流进行放电实验，将放电电流乘以放电时间从而计算所释放的电量。这种方法虽然较可靠、精确，但是由于实验条件苛刻难以广泛使用。开路电压法测量电池的SOC通常需要搁置2小时以上，因此会在测量开路电压的工作上耗费较多时间。安时积分法和放电实验法类似，但是需要知道确切的SOC初始值，由于对电流进行时间的积分，所以测量过程中噪声将会对计算的容量值产生较大的误差影响。新型SOC估计方法主要包括基于神经网络的SOC预测法、Kalman滤波算法、H_∞滤波算法以及这些方法的改进。基于神经网络的SOC预测法需要大量的样本数据，工作量较大。Kalman滤波算法具有速度快，易操作等优点，但该方法需要得到准确的锂电池模型，锂电池模型中噪声分布特性未知将导致该方法产生较大的误差；扩展Kalman滤波法由于未考虑系统未知噪声中先验数据的影响，导致滤波估计精度不高。H_∞滤波算法虽然具有较好的鲁棒性，但是由于忽略了历史信息，导致估计精度不高。但是，SOC的估计精度仍然受电池模型的不确定参数的影响。因此，如何合理处理当前数据和历史新息是今后SOC估计的重要研究问题之一。

发明内容

本发明的目的是克服现有技术缺陷，提供一种多新息混合Kalman滤波和H无穷滤波算法，解决了现有SOC估计方法未能充分利用当前新息和历史信息而导致估计误差增大的问题。

本发明的目的是这样实现的：一种多新息混合Kalman滤波和H无穷滤波算法，具体包括以下步骤：

步骤1)建立锂电池的一阶RC电路模型，根据该模型写出描述锂电池系统的状态空间表达式，将电流和电压作为输入，利用递推最小二乘法进行参数辨识；

步骤2)分别建立多新息扩展卡尔曼滤波器和多新息H_∞滤波器，对卡尔曼滤波器的性能进行讨论，定义混合滤波性能评价指标实现更好的权值分配，建立基于多新息的混合Kalman/H_∞滤波器；

步骤3)最后通过对权值表达式中的参数取不同值来验证多新息的混合Kalman/H_∞滤波算法收敛精度高和鲁棒性好的优势。

作为本发明的进一步改进，所述步骤1)具体包括：

步骤1-1)首先建立锂电池的一阶RC电路模型，根据模型写出锂电池的状态空间表达式：

U_oc＝U+R₁i+U_c (1)