[发明专利]用于大型无人机锂离子电池组SOC估计的无迹粒子滤波方法

说明书

本发明公开了一种用于大型无人机锂离子电池组SOC估计的无迹粒子滤波方法，包括以下步骤：S01、根据锂离子电池组SOC的影响因素与内部因参数耦合而具有的非线性工作特性之间的关系构建电池模型；S02、采集电池组的各项数据并进行整合；S03、整合后的数据利用无迹卡尔曼滤波算法得到的均值和方差来更新粒子滤波算法采样中的粒子集；S04、根据步骤S03的计算预测锂离子电池组工作特性。具有采用无迹卡尔曼滤波具有良好的滤波效果，它通过采取对系统状态变量的概率密度拟合，从而巧妙地避开了线性化过程带来的误差，估算精度进一步提升，系统鲁棒性更好的优点。

技术领域

本发明涉及电池检测领域，特别是涉及一种用于大型无人机锂离子电池组 SOC估计的无迹粒子滤波方法。

背景技术

在大型无人机锂离子电池组的电源管理系统(Battery Management System，BMS)设计和实现中，SOC估算是其中的一个重点和难点，由于电池的充放电具有严重的非线性关系，并不能简单的通过电压等单一变量反映锂离子电池SOC；然而，只有准确的对锂离子电池组的SOC进行实时检测，给无人机的飞行控制器或者地面操作人员进行反馈，才能安全的规划作业时间和航程，SOC估算成了 BMS设计中关键问题之一。

为了满足大电容电池的大型无人机需求，常常将锂离子电池进行串并联组合使用，但由于电池在充电、放电的使用过程中过充、过放、过热等现象时常发生，或多或少电池间或存在不一致性问题，这是不可避免的，进而降低其使用效率、缩短电池的使用寿命；不一致性问题会随着使用次数的增多而加剧，只能采取相关措施抑制其加剧，但不能在根本上去除这一问题产生；电池管理系统因其能检测电池物理参数、估计荷电状态(State ofCharge，SOC)/健康状态(State of Health，SOH)/功率状态(State of Power，SOP)、均衡管理等，在无人机发展领域孕育而生，因此，电池管理系统可实现对锂离子电池组工作状态的监控、不一致性的均衡与控制，防止电池在充电过程出现欧姆极化、浓差极化和电化学极化构成的极化现象；其中，锂离子电池组SOC值可以表征电池的剩余电量，精确估算可以为电池管理系统更为准确地判断均衡的时机，为大型无人机预判剩余电量提供参考依据；选择三元锂离子电池组作为本文的研究对象，进行SOC预估，探获SOC值。

近年来，针对锂离子电池组的等效构建和荷电状态估算，成为国际社会能源研究的重点方向之一，是世界范围内的热门话题，国内外大批优秀研究单位、研究人员对电池SOC估计积极展开研究，宾夕法尼亚州立大学、加州理工学院、伦敦帝国理工学院、斯坦福大学和国家可再生能源室等单位均对锂离子电池积极展开研究，以清华大学为代表的相关科研单位在参数检测、模型构建、状态预估同步开展研究，获得了大量的创新性研究成果，这些成果对锂离子电池研究提供了关键参照依据；在动力电池中，SOC的准确估算和能量管理至关重要，现有SOC估算方法主要有库伦计量法、放点测试法、开路电压法、卡尔曼滤波法、人工神经网络法以及粒子滤波法等，Wang等提出了一种新的无迹卡尔曼滤波估计方法电池模型，不需要线性化处理，降低了SOC估计的计算量，其误差为1.42％；罗世昌等考虑到扩展卡尔曼滤波算法存在的不足，应用粒子滤波算法对锂电池SOC进行在线估计，有效地降低扩展卡尔曼滤波(Extended Kalman Filter,EKF)过程中高阶损失误差；樊翠玲等采用改进粒子滤波算法提高锂电池SOC估算的精度，通过UKF算法更新粒子，试验结果表明SOC估计最大误差为1.846％，明显低于采用卡尔曼滤波和粒子滤波算法的SOC估计误差，但该过程在粒子重采样阶段，只通过权值与阈值大小的比对，选择粒子重排，未对粒子集枯竭现象进行抑制；Xiong等提出了一种用于锂离子电池的双尺度粒子滤波能态预测算法，极大程度提高了SOC的估算精度；本发明在Thevenin等效电路模型基础上，针对传统粒子滤波算法估算荷电状态精度不高等缺点，因此有必要提出一种用于大型无人机锂离子电池组SOC估计的无迹粒子滤波方法，并通过锂离子电池组充放电测试数据对更新算法进行验证。

发明内容