[发明专利]一种锂离子电池的SOC和SOH的联合估计装置及方法

权利要求书

1.一种锂离子电池的SOC和SOH的联合估计装置，其特征在于，包括：

自适应无迹卡尔曼滤波器，用以将电池SOC作为输入变量输入，生成电池SOC估计值；

扩展卡尔曼滤波器，用以将电池的当前容量作为输入变量输入，生成电池容量估计值；

所述电池SOC估计值更新扩展卡尔曼滤波器中的参数SOC，电池容量估计值更新自适应无迹卡尔曼滤波器中的电池容量参数。

2.一种锂离子电池的SOC和SOH的联合估计方法，其特征在于，包括：

将电池SOC作为输入变量输入自适应无迹卡尔曼滤波器中，生成电池SOC估计值；

将电池的当前容量作为输入变量输入扩展卡尔曼滤波器中，生成电池容量估计值；

所述电池SOC估计值更新扩展卡尔曼滤波器中的参数SOC，电池容量估计值更新自适应无迹卡尔曼滤波器中的电池容量参数。

3.根据权利要求2所述一种锂离子电池的SOC和SOH的联合估计方法，其特征在于，所述自适应无迹卡尔曼滤波器的估计模型为基于电化学阻抗谱的分数阶模型，其状态方程和测量方程为：

其中，x＝[z U₁ U₂]^T为系统的状态变量矩阵，x_k为k时刻状态变量矩阵，z为电池SOC；I_kk时刻的输入电流；y为输出变量；α＝[1 α₁ α₂]^T为阶数矩阵；T为采样周期，为二次项系数，为：ω_k、υ_k、分别为系统的高斯白噪声和测量高斯白噪声；A、B、C、D均为系数矩阵，各矩阵分别为：

B＝[-1/c_now 0 -1/C₂]^T，C＝[U_OC/z -1 0]，D＝[R₀]。

4.根据权利要求3所述一种锂离子电池的SOC和SOH的联合估计方法，其特征在于，所述自适应无迹卡尔曼滤波器生成电池SOC估计值的方法包括：

构建sigma点矩阵：

预测阶段，预测k时刻的状态变量矩阵和k时刻的误差协方差P_k|k-1：

更新阶段，更新新息e_k、卡尔曼增益K_k、过程噪声协方差R_k、过程噪声协方差Q_k，进而得到估计的状态变量矩阵进而确定估计的状态变量矩阵中的电池SOC估计值。

5.根据权利要3所述一种锂离子电池的SOC和SOH的联合估计方法，其特征在于，所述扩展卡尔曼滤波器的状态方程和测量方程分别为：

x_k为k时刻的状态变量，为：x_k＝c_now,k；y_k为k时刻的输出变量，观测矩阵C_k＝-I_k-1T/(c_now,k-1)²；w过程噪声，v为测量噪声，测量方程中的SOC_k为所述电池SOC估计值。

6.根据权利要5所述一种锂离子电池的SOC和SOH的联合估计方法，其特征在于，将电池的当前容量作为输入变量输入扩展卡尔曼滤波器中，生成电池容量估计值的方法包括：

预测阶段，预测k时刻的状态变量和k时刻的误差协方差P_k|k-1：

更新阶段，更新新息e_k和卡尔曼增益K_k，得到估计的状态变量和估计的协方差矩阵P_k，进而确定电池当前容量的估计值，所述电池当前容量的估计值更新系数矩阵B中的-1/c_now。

7.根据权利要3所述一种锂离子电池的SOC和SOH的联合估计方法，其特征在于，所述基于电化学阻抗谱的分数阶模型的建立方法包括：

建立分数阶等效电路；

根据所述分数阶等效电路建立连续电压方程：

所述连续电压方程结合安时积分方程的奥分数阶模型的空间状态方程：

式中，x为状态变量矩阵，I为电流激励变量；y为输出变量；α为阶数矩阵；A、B、C、D均为系数矩阵；

将所述空间状态方程离散化处理，得到：

式中，I_k、y_k、x_k分别为系统在k时刻的输入电流、输出量和系统的状态变量；ω_k、υ_k、分别为系统的高斯白噪声和测量高斯白噪声；

将代入离散化处理的空间方程中，得到所述分数阶模型。