[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

说明书

本发明公开了一种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，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。本发明对自适应卡尔曼滤波算法可以克服环境噪声为非高斯白噪的工况；将强跟踪算法应用于SOC计算，使估算结果在突发工况下可以快速跟随。

技术领域

本发明涉及电池电量管理技术领域，尤其涉及一种基于强跟踪算法和自适应卡尔曼滤波的锂电池荷电状态(以下简称SOC)预测方法。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

电动汽车作为一种新型的交通工具，其发展和使用必将逐渐成为一种主流的生活方式。动力锂电池作为电动汽车的核心，需要具有相对更好的充电和放电性能，并且需要具有较高的能量比以及高功率承受力。

电动汽车中的电池管理系统(BMS)是电池安全可靠运行的保证，在电池管理系统的实际应用中，电池所处的工作状态并不是一成不变的，其数据采集过程的噪声统计特性往往不是单纯的高斯白噪声，这就要求电池SOC的估算方法在保证实时更新电池荷电状态的同时还应具有以下两个功能：

第一，突发情况下，SOC估算方法要具有快速追踪的能力，能够在极短时间内追踪电池状态，使驾驶人员及时了解电池实际情况；

第二，除环境变更情况以外，在电池稳定工作区间内电池SOC估算应具有较高精度，能够适应非高斯白噪声情况下的环境。

现有技术公开的锂电池SOC预测方法，大都不具备快速跟踪能力，在电池状态突变的情况下无法快速追踪电池状态；并且，在非高斯白噪声的环境下无法高精度的预测SOC。

发明内容

为了解决上述问题，本发明提出了一种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，通过将强跟踪算法与自适应卡尔曼滤波算法相结合，有效地提高了估算精度，解决了突发状态的强跟踪问题和非高斯白噪状态下的估算问题。

在一些实施方式中，采用如下技术方案：

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，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。

进一步地，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。

进一步地，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。