[发明专利]基于强跟踪算法和自适应卡尔曼滤波的SOC预测方法及系统

权利要求书

1.一种基于强跟踪算法和自适应卡尔曼滤波的锂电池SOC预测方法，其特征在于，包括：

对待测电池在不同工况下进行充放电实验，记录实验数据；

对所述实验数据进行参数辨识，构建SOC预估状态方程和测量方程；

采用强跟踪算法对改进的自适应卡尔曼滤波算法进行优化；

采用优化后的自适应卡尔曼滤波方法对所述状态模型和测量模型的噪声进行修正；

利用修正后的状态模型和测量模型对电池SOC进行预测。

2.如权利要求1所述的一种基于强跟踪算法和自适应卡尔曼滤波的锂电池SOC预测方法，其特征在于，对待测电池在不同工况下进行充放电实验，记录实验数据，电池的SOC-OCV曲线。

3.如权利要求1所述的一种基于强跟踪算法和自适应卡尔曼滤波的锂电池SOC预测方法，其特征在于，构建SOC预估状态模型，具体为：

其中，SOC_k+1为预计K+1状态的电池剩余电量SOC；为预计K+1状态的极化效应所产生的等效电压UC1；为预计K+1状态的极化效应所产生的等效电压UC2；SOC_k为K状态的电池剩余电量SOC；为K状态的极化效应所产生的等效电压UC1；为K状态的极化效应所产生的等效电压UC2；R₁为电阻R1的电阻值；R₂为电阻R2的电阻值；η与Q_r为拓展卡尔曼滤波的固定常数；I_k为K状态的电流；q_k为K状态的系统噪声矩阵。

4.如权利要求1所述的一种基于强跟踪算法和自适应卡尔曼滤波的锂电池SOC预测方法，其特征在于，构建SOC预估测量模型，具体为：

其中，U_L,k为K状态的电压的观测值；U_oc为电池模型的理想电压源；R₀为电池模型的等效功耗电阻；r_k为K状态的测量噪声矩阵。

5.如权利要求1所述的一种基于强跟踪算法和自适应卡尔曼滤波的锂电池SOC预测方法，其特征在于，计算状态方程中噪声的平均值和协方差，具体为：

平均值：

协方差：

其中，c为遗传因子；为状态方程中噪声；为K+1时刻更新的状态矩阵；为K时刻对K+1时刻状态矩阵的预测；为协方差；K_k为K时候的增益系数；e_k为K时刻的估测误差；P_k+1|k+1为K+1时刻系统的协方差矩阵；为预测的观测值的协方差矩阵。

6.如权利要求5所述的一种基于强跟踪算法和自适应卡尔曼滤波的锂电池SOC预测方法，其特征在于，计算测量方程中噪声的平均值和协方差的过程与计算状态方程中噪声的平均值和协方差的过程相同。

7.如权利要求1所述的一种基于强跟踪算法和自适应卡尔曼滤波的锂电池SOC预测方法，其特征在于，根据实际估计的新息来调整误差的范围和卡尔曼滤波增益系数。

8.一种基于强跟踪算法和自适应卡尔曼滤波的锂电池SOC预测系统，其特征在于，包括：

数据获取模块，用于对待测电池在不同工况下进行充放电实验，记录实验数据；

预估模型构建模块，用于对所述实验数据进行参数辨识，构建SOC预估状态方程和测量方程；

算法优化模块，用于采用强跟踪算法对改进的自适应卡尔曼滤波算法进行优化；

噪声修正模块，用于采用优化后的自适应卡尔曼滤波方法对所述状态模型和测量模型的噪声进行修正；

预测模块，用于利用修正后的状态模型和测量模型对电池SOC进行预测。

9.一种终端设备，其包括处理器和存储器，处理器用于实现各指令；存储器用于存储多条指令，其特征在于，所述指令适于由处理器加载并执行权利要求1-7任一项所述的基于强跟踪算法和自适应卡尔曼滤波的锂电池SOC预测方法。

10.一种计算机可读存储介质，其中存储有多条指令，其特征在于，所述指令适于由终端设备的处理器加载并执行权利要求1-7任一项所述的基于强跟踪算法和自适应卡尔曼滤波的锂电池SOC预测方法。