[发明专利]一种基于DAFEKF的电池荷电状态估计方法

摘要

本发明公开了一种基于DAFEKF的电池荷电状态估计方法，该方法采用时变衰减因子来抑制滤波器的记忆长度，以便充分利用当前观测数据，减小陈旧测量值的影响，同时自适应地调整过程噪声和测量噪声协方差，防止过程噪声协方差或测量噪声协方差在估算过程开始时太小或者过大造成估计误差变大甚至滤波器发散等现象。因此，本发明采用时变衰减因子和自适应地调整过程噪声和测量噪声协方差，具有估计精度高、鲁棒性强、收敛速度快等优点。

主权项

1.一种基于DAFEKF的电池荷电状态估计方法，其特征在于，DAFEKF表示双自适应衰减扩展卡尔曼滤波，该方法包括以下步骤：第一步，用电流传感器和电压传感器分别测得在电池负载作用下电池上的电流和电压；第二步，利用测得的电压、电流信号进行电池模型参数辨识；第三步，初始化t₀时刻的x₀、P₀、Q₀、R₀和α₀；其中x₀为电池初始荷电状态，P₀为初始系统状态量误差的协方差，Q₀为初始过程噪声的协方差，R₀为初始观测噪声的协方差，α₀为初始衰减因子；第四步，向前推算状态变量：其中A为传递矩阵，E为单位矩阵，B为输入矩阵，为电池的荷电状态，u_k‑1为系统输入量；第五步，向前推算误差协方差：P_k/k‑1＝(A+E)α(k)P_k‑1(A+E)^T+Q_k；其中P_k/k‑1为系统状态量的协方差，α(k)为时变衰减因子，Q_k为过程噪声的协方差；第六步，卡尔曼增益更新：K_k＝P_k/k‑1C^T[(CP_k/k‑1C^T+R_k)]^‑1；其中K_k为卡尔曼增益，R_k为观测噪声的协方差，C为输出矩阵，C^T为输出矩阵C的转置；第七步，状态估计测量更新：其中是系统状态量误差；第八步，误差协方差测量更新：P_k/k＝[I‑K_kC]P_k/k‑1；第九步，测量噪声和观测噪声更新：Q_k＝Q_k‑1+1/L_Q(Q^*‑Q_k‑1)Q^*＝K_ke_ke_k^TK_k^T‑P_k+(A+E)P_k‑1(A+E)^T；R_k＝R_k‑1+1/L_R(R^*‑R_k‑1)R^*＝e_ke_k^T‑CP_k‑1C^T；其中L_Q和L_R是过程和测量噪声的调整窗口的大小；第十步，衰减因子更新：M(k)＝CAP_kA^TC^TN(k)＝E(e_ke_k^T)‑CBQ_kB^TC^T‑R_k通过上式实现衰减因子的更新；第十一步，k值加1，并返回第四步，直到系统过程结束。