[发明专利]基于平方根扩展卡尔曼滤波的锂电池健康状态预测方法

摘要

本发明公开的基于平方根扩展卡尔曼滤波的锂电池健康状态预测方法，首先建立锂电池状态参数的数学模型，得到欧姆内阻的状态方程和欧姆内阻的观测方程；其次，辨识锂电池模型离线参数，得到SREKF的初始值；同时得到预测端电压Uc的输出序列；然后对EKF改进得到SREKF；最后将测量的锂电池的电压、电流和余量序列输入到SREKF中不更新状态方程和观测方程，采用的预测端电压Uc的输出序列和测量端电压序列更新SREKF的锂电池系统当前状态的最优值，根据实验测量值的数目迭代SREKF得到欧姆内阻预测值序列，即锂电池健康状态的状态量。本发明公开的方法解决了传统的EKF估计锂电池内阻时，存在估计误差大，精度不高，鲁棒性差的问题。

主权项

1.基于SREKF的锂电池健康状态的预测方法，其特征在于，具体操作过程包括如下步骤：步骤1，建立锂电池状态参数的数学模型，得到锂电池系统欧姆内阻的状态方程和欧姆内阻的观测方程；步骤2，辨识锂电池模型离线参数，得到步骤4的平方根扩展卡尔曼滤波算法的初始值；步骤3，获得SOC‑U_oc的函数关系，将U_oc的输出序列代入步骤1的观测方程中，得到预测端电压U_c的输出序列；步骤4，对扩展卡尔曼滤波算法进行改进得到平方根扩展卡尔曼滤波算法；步骤5，将实验测量得到的锂电池电流序列输入到步骤4所建立的平方根扩展卡尔曼滤波算法中不断更新步骤1中建立的状态方程和观测方程，同时将实验测量得到的锂电池剩余容量序列输入到步骤3中得到的预测端电压U_c输出序列和此时输入的实验测量得到的锂电池端电压序列不断更新步骤4中的平方根扩展卡尔曼滤波算法中的锂电池系统当前状态的最优值x_k|k，根据所给的实验测量序列值的数目使平方根扩展卡尔曼滤波算法不断迭代得到欧姆内阻预测值序列R₀，即得到表征锂电池健康状态的状态量。