[发明专利]基于结合改进的粒子群算法的扩展卡尔曼滤波SOC估算方法

说明书

本发明属于电动汽车电池管理技术领域，涉及基于结合改进的粒子群算法的扩展卡尔曼滤波SOC估算方法。该方法以对锂电池SOC值的精确估算为目标，提出一种结合改进粒子群算法的卡尔曼滤波算法，通过在EKF算法时间更新和状态更新的基础上加入改进的粒子群算法进行噪声协方差矩阵寻优，从而提高了估算精度。建立Thevenin等效电路模型在一定程度上弥补了内阻模型无法表征锂电池动态特性的缺点，并加入两个RC回路来表征电池内部的极化反应，具有更好的表征效果，在此模型的基础上运用扩展卡尔曼滤波算法实现锂离子电池SOC估算模型的建立和SOC值的数学迭代运算。

技术领域

本发明属于电动汽车电池管理技术领域，涉及一种基于扩展卡尔曼滤波的锂电池SOC估算方法，该方法以对锂电池SOC值的精确估算为目标，提出一种结合改进粒子群算法的卡尔曼滤波算法，通过在EKF算法时间更新和状态更新的基础上加入改进的粒子群算法进行噪声协方差矩阵寻优，从而提高了估算精度。建立Thevenin等效电路模型在一定程度上弥补了内阻模型无法表征锂电池动态特性的缺点，并加入两个RC回路来表征电池内部的极化反应，具有更好的表征效果，在此模型的基础上运用扩展卡尔曼滤波算法实现锂离子电池SOC估算模型的建立和SOC值的数学迭代运算。

背景技术

锂离子电池因其绵长的循环寿命和超高的能量密度被广泛应用于电动汽车。为保证电动汽车和混合动力汽车安全可靠且高效地运行，建立一个精密的电池管理系统(Battery Management System，BMS)，精确实时地监控电池状态至关重要；对动力电池荷电状态估算(State of Charge,SOC)的准确认知，不仅可使电池处于最佳工作状态，还可防止电池因过充、过放电而引起的寿命衰减和安全问题。电池荷电状态的估算是电池管理系统其他研究方向的基石和根本，在对其它内容进行研究之前，必须要保证电池荷电状态估算的准确性和及时性。电池荷电状态的定义为剩余容量与额定容量的比值，表示电池在下次充电前可以正常工作的时间，无论是对于纯电动汽车，还是混合动力汽车，一个可靠且精确的SOC估算是极为重要的。

常见的SOC估算方法主要有电化学分析法、开路电压法、安时积分法、神经网络法、卡尔曼滤波法等。最常用的是安时积分法，该方法相对简单可靠，能够实现SOC动态估算。卡尔曼滤波法也是一种常用方法。但传统的卡尔曼滤波算法适用于线性系统。后来通过研究者的不断改进和研究，提出了扩展卡尔曼滤波算法(EKF)、无迹卡尔曼滤波算法(UKF)和各种自适应卡尔曼滤波算法。这些改进的卡尔曼滤波算法可以适用于非线性系统。神经网络(Neural network)法是一种新型智能算法，该方法不依赖对象的数学模型，具有较强的自适应学习能力与非线性映射能力是该方法的优点。

安时积分法相对简单可靠，能够实现SOC动态估算。但该方法的初始值SOC(0)如果较大，因电流积分的影响，会不断累计误差，且该方法受额定容量和库伦效率的影响。

传统的卡尔曼滤波算法适用于线性系统。适用于非线性系统的EKF算法在对系统状态进行估计时，是将过程噪声和测量噪声视做均值为0的高斯白噪声，一般认为系统噪声协方差阵是常数。但实际上，噪声受外部条件影响很大，实际的噪声是时变的，噪声协方差矩阵的不准确会造成累计误差。

发明内容

针对现有技术的不足，本发明旨在通过结合改进的粒子群算法，在动态工况下优化EKF算法的噪声协方差矩阵，提高SOC估算精度。

为达到上述目的，本发明提供如下技术方案：

基于结合改进的粒子群算法的扩展卡尔曼滤波SOC估算方法，包括以下步骤：

步骤一建立改进的锂电池等效电路模型

1.1确立基本等效电路模型；

1.2对所选等效电路模型进行改进；

1.3通过实验数据对改进的等效电路模型进行参数辨识；

1.4利用实验数据验证所建立电路模型的精确性；