[发明专利]基于多重渐消因子卡尔曼滤波锂电池荷电状态估计方法

摘要

本发明提供了基于多重渐消因子卡尔曼滤波锂电池荷电状态估计方法，属于锂电池荷电状态估计方法技术领域。本发明通过建立等效电路模型，推导电压电流方程；结合实际容量与放电倍率关系定义SOC方程；通过离散化得到状态方程以及测量方程；对模型的参数进行辨识；通过扩展卡尔曼滤波得到线性化状态方程，并得到初始化、时间更新和测量更新；在扩展卡尔曼滤波协方差的更新方程式中加入一个渐消因子矩阵，并通过调节渐消因子实现对状态的强跟踪性能。本发明通过引入多重渐消因子对不同状态以不同的速率进行渐消跟踪，能有效的提高算法对SOC估计的收敛速度和估计精度。

主权项

1.基于多重渐消因子卡尔曼滤波锂电池荷电状态估计方法，其特征在于，包括以下步骤：步骤一：电池模型建立采用Thevenin模型建立等效电路模型，由基尔霍夫定律推导等效电路模型的电压电流方程；结合实际容量与放电倍率的关系，定义安时法的SOC方程；通过离散化电压电流方程和SOC方程得到状态方程以及测量方程；测量方程中包括开路电压关于SOC的非线性函数；步骤二：模型的参数辨识通过不同放电倍率下实际容量与其关系进行二次多项式拟合得到实际容量和放电倍率的关系；从充电和放电两个方向对开路电压进行获取，利用最小二乘法法对充电和放电两个方向的开路电压值数据进行多项式拟合；通过间隔放电实验，测试不同SOC处和不同放电倍率对模型参数的影响，并利用电池在脉冲下的激励响应特性对模型参数进行离线辨识；步骤三：扩展卡尔曼滤波采用泰勒展开并略去二阶及以上高阶项方法对非线性系统状态空间模型进行线性化处理，得到线性化的状态空间方程，利用线性化的状态空间方程得到扩展卡尔曼滤波的具体实现过程，对状态和协方差的初值进行初始化，状态和协方差的一步预估以及卡尔曼增益、状态和协方差的更新；步骤四：带多重渐消因子强跟踪卡尔曼滤波在扩展卡尔曼滤波协方差的更新方程式中加入一个渐消因子矩阵，并通过调节渐消因子使得输出的状态方差和最小，以及输出的残差序列在各个时刻正交，从而实现对状态的强跟踪性能。