[发明专利]似然度函数粒子滤波的动力电池电荷状态估计方法和系统

摘要

本发明为一种似然度函数粒子滤波的动力电池电荷状态估计方法和系统，由电池Thevenin模型，得到状态和量测方程，参数初始化后，进行状态预测计算状态预测值的均值和协方差，再重新采样、重构采样分布函数。计算电池端电压预测值，计算粒子权值，权值归一化和计算有效粒子数。有效粒子数Neff与有效粒子数阈值Nthr比较，当Neff小于Nthr，采用拉普拉斯分布作为似然度函数，并引入方差调节因子和工况适应因子，以自适应地修改似然度函数的方差，适应动力电池不同工况。最终得到更新的SOC估计值和协方差。本系统微控制器连接电压和电流传感器，微控制器内有各程序执行模块。本发明加大有效粒子数；有效避免了方差的过修正；估算精度优。

主权项

一种似然度函数粒子滤波的动力电池电荷状态估计方法，采用Thevenin模型描述电池的静态和动态性能；电池的极化电阻Rp与电池的极化电容Cp并联构成一阶RC结构，RC两端电压为Up(t)；串接欧姆电阻R0和Uoc，Uoc为电池的开路电压OCV，采样得到电池端电压U(t)和流过欧姆内阻R0的电流i(t)；电池Thevenin模型数学表达式如下：用后向差分法对Thevenin电池模型离散化，整理后得到对应的后向差分离散模型：U(k)＝aU(k‑1)+bI(k)+cI(k‑1)+(1‑a)UOC(k)    (2)式中：UOC(k)表示k时刻的开路电压；U(k)为k时刻的电池输出端电压；I(k)为k时刻的回路电流；a,b,c为离散模型参数；采用含遗忘因子的递推最小二乘法，进行电池后向差分模型的参数辨识，求得a、b、c、UOC(k)的值，根据方程(2)，对应得到k时刻的电池端电压的预测值U(k)；定义SOC如下：式中：SOC0是SOC的初始值；QN为电池的额定容量；η0为电池的充放电库伦效率，取η0＝1；i(t)为放电电流；结合电池的离散模型，对电池特性描述如下，状态方程量测方程UK＝UOC(SOCk)‑R0ik‑Up,k   (5)式中：Up,k为k时刻极化电容两端电压；T为采样周期；UOC(SOCk)表示电池的开路电压和SOC的非线性关系；UOC(SOCk)与SOC关系如下：根据实验得到的SOC和在线辨识得到的开路电压UOC，运用含遗忘因子的递推最小二乘法(FFRLS)，求出式(6)中的a1～a9；根据式(5)，由SOC的预测值SOCk得到端电压的预测值Uk；其特征在于主要包括如下步骤：步骤Ⅰ、参数初始化设定SOC的初始值和滤波协方差初始值，分别记作x0|0和P0|0，设定采样粒子数为N，N取值为30～100；有效粒子数阈值为Nthr，设定Nthr＝(0.5～0.85)N；步骤Ⅱ、重要性采样从正态分布，即高斯分布N(xk‑1|k‑1,Pk‑1|k‑1)中随机采样N个粒子记作为从N(xk‑1|k‑1,Pk‑1|k‑1)中采样得到的大小为N的以xk‑1|k‑1为中心值、Pk‑1|k‑1为方差的高斯分布；xk‑1|k‑1和Pk‑1|k‑1分别为k‑1时刻滤波均值和协方差，即SOCk‑1及其协方差；Ⅱ‑1、状态预测采用步骤Ⅰ中的式(4)状态方程进行状态预测，即求得：其中，为k‑1时刻的对SOC的第i个采样点；为k时刻从预测粒子集采样的第i个采样点；ik‑1为k‑1时刻的电流，放电时电流值为正，充电时电流值为负；T为采样周期，QN为电池额定容量；Ⅱ‑2、计算状态预测值的均值xk|k‑1和协方差Pk|k‑1Ⅱ‑3、重新采样、重构采样分布函数以状态预测值的均值xk‑1|k‑1和协方差Pk‑1|k‑1重构高斯分布得N(xk|k‑1,Pk|k‑1)，并重新采样为从高斯分布N(xk|k‑1,Pk|k‑1)中采样的N个粒子；步骤Ⅲ、计算粒子权值并归一化Ⅲ‑1、计算电池端电压预测值将粒子代入量测方程(5)中计算电池端电压预测值表示k时刻粒子对应的端电压预测值集合；即：由式(6)计算得到；Ⅲ‑2、计算粒子权值k时刻第i个粒子的权值由高斯分布的似然度函数计算得到，即R为高斯似然度函数的方差，根据经验赋值；y1,k为k时刻的量测值，表示k时刻第i个粒子对应的端电压预测值；Ⅲ‑3、权值归一化和计算有效粒子数Neff为归一化后的权值；Neff为相对于采样粒子数N而言的有效粒子数；为的方差；xk|k为状态估计值；Pk|k为协方差估计值；步骤Ⅳ、有效粒子数Neff与有效粒子数阈值Nthr的比较高斯粒子滤波的预测粒子分布即先验概率分布π(xk|k‑1)，代表粒子数分布；后验概率分布即粒子实际概率分布，代表粒子的权值分布；当Neff小于Nthr，进入步骤Ⅴ；否则进入步骤Ⅵ；步骤Ⅴ、更换似然度函数采用拉普拉斯分布作为似然度函数；拉普拉斯分布的概率密度函数，或称为似然度函数如下：式中：x为预测方程所得状态预测值，或者x为量测方程所得量测值对应物理量的预测值，μ和R分别是该拉普拉斯分布的中心值和方差；借鉴高斯滤波的方法，用代替拉普拉斯分布的概率密度函数(13)中的x‑μ，得到修改后的拉普拉斯分布似然度函数其中x、μ、R的赋值分别参照高斯分布的似然度函数中的y1,k、R，然后进行归一化；步骤Ⅵ、状态更新和协方差更新即执行步骤Ⅲ‑3的式(11)(12)，得到更新的SOC估计值和更新的协方差；步骤Ⅶ、判断滤波时间大于设定运行时间，则滤波结束；否则，k＝k+1，返回步骤Ⅱ。