[发明专利]基于扩展卡尔曼滤波的锂电池SOC估计方法

权利要求书

1.一种基于扩展卡尔曼滤波的锂电池SOC估计方法，其特征在于，包括以下步骤：

构建锂电池的等效电路模型；

根据所述等效电路模型建立离散非线性系统状态及观测方程；

根据所述离散非线性的系统状态及观测方程得到扩展卡尔曼滤波算法所需的线性系统状态及观测方程；

通过计算所述扩展卡尔曼滤波算法的预测及校正部分的低通滤波结果、以及分段变换所述扩展卡尔曼滤波算法的预测及校正部分中不同数量级的观测协方差来更新所述扩展卡尔曼滤波算法的预测及校正部分；

判断所述扩展卡尔曼滤波算法的预测及校正部分的更新过程是否完成：

若是，则引入最大互相关熵准则信息重构所述扩展卡尔曼滤波算法所需的线性系统状态及观测方程；

根据重构的所述扩展卡尔曼滤波算法所需的线性系统状态及观测方程估计所述锂电池的SOC。

2.根据权利要求1所述的基于扩展卡尔曼滤波的锂电池SOC估计方法，其特征在于，所述等效电路模型为Thevenin一阶RC模型。

3.根据权利要求2所述的基于扩展卡尔曼滤波的锂电池SOC估计方法，其特征在于，所述离散非线性系统状态及观测方程为：

其中，η为充电效率，C_N为所述锂电池的额定总容量，Δt为采样间隔，τ为积分时间常数，R_p为所述锂电池的极化电阻，w₁、w₂及v表示由所述等效电路模型和外部干扰引起的不相关的零均值高斯白噪声，R_i为所述锂电池内部的欧姆内阻，i为所述锂电池的工作电流，U_oc为开路电压，U_p为为跨在C_p两端的极化电压，下标k表示时间步。

4.根据权利要求3所述的基于扩展卡尔曼滤波的锂电池SOC估计方法，其特征在于，所述扩展卡尔曼滤波算法所需的线性系统状态及观测方程为：

其中，x_k为状态变量，z_k为观测变量，w_k为系统噪声，A_k为状态转移矩阵，B_k为输入矩阵，C_k为观测矩阵；

此外，所述状态转移矩阵A_k、输入矩阵B_k、观测矩阵C_k的表达式具体为：

5.根据权利要求4所述的基于扩展卡尔曼滤波的锂电池SOC估计方法，其特征在于，所述通过计算所述扩展卡尔曼滤波算法的预测及校正部分的低通滤波结果、以及分段变换所述扩展卡尔曼滤波算法的预测及校正部分中不同数量级的观测协方差来更新所述扩展卡尔曼滤波算法的预测及校正部分，具体包括以下步骤：

计算所述扩展卡尔曼滤波算法的预测及校正部分中观测残差的低通滤波结果；

根据所述低通滤波结果确定所述锂电池SOC估计值与实际值之间的容许误差时间点；

根据所述容许误差时间点分段变换所述扩展卡尔曼滤波算法的预测及校正部分中观测协方差的阶段变换数值；

根据所述阶段变换数值更新所述扩展卡尔曼滤波算法中的观测协方差。

6.根据权利要求5所述的基于扩展卡尔曼滤波的锂电池SOC估计方法，其特征在于，其中，

所述预测部分为：

其中，ε_k为观测残差；

所述校正部分为：

其中，R_k为观测协方差，K为卡尔曼增益。

7.根据权利要求6所述的基于扩展卡尔曼滤波的锂电池SOC估计方法，其特征在于，所述观测协方差的阶段变换数值包括第一数量级数值和第二数量级数值，具体通过以下公式根据所述阶段变换数值更新所述扩展卡尔曼滤波算法中的观测协方差：

其中，t₀为初始时间点，t₁为容许误差时间点，R_s为第一数量级数值，R_L为第二数量级数值。