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技术方案

本发明专利技术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。本发明专利技术加大有效粒子数；有效避免了方差的过修正；估算精度优。

【技术实现步骤摘要】
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
本专利技术涉及电动汽车动力电池电荷状态估计
，具体为利用具有方差调整因子的拉普拉斯分布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。
技术介绍
近年来，由于锂离子电池的优异性能，使其被广泛应用于电动汽车、便携式电子设备及航空航天等领域。动力电池电荷状态(StateofCharge，SOC)是电池管理系统(BatteryManagementSystem，BMS)描述电池状态的一个重要参数，对电荷状态准确的估算，可防止电池的过充和过放，有效延长电池的使用寿命。目前研究者已给出了诸多实时估算电荷状态SOC的方法。安时法通过精确测量电流实现电荷状态估计，是电荷状态估计的最基本方法，也是目前SOC测量的标准方法。基于电压的SOC估计方法是通过SOC-OCV(opencircuitvoltage,开路电压)关系表,查表获得SOC，但OCV的测量需要电池长时间的静置。卡尔曼滤波(KF，KalmanFilter)也是电荷状态估计的常用方法。考虑到电池的非线性特性，此SOC估计方法又进一步改进为有扩展卡尔曼滤波(EKF，ExtentedKalmanFilter)，无迹卡尔曼滤波(UKF，UnscentedKalmanFilter)，自适应无迹卡尔曼滤波，粒子滤波(PF，ParticleFilter)，无迹粒子滤波(UPF，UnscentedParticleFilter)等。高斯粒子滤波(GPF)算法是粒子滤波(PF)算法的一种变形，高斯滤波和粒子滤波结合，称为高斯粒子滤波(GaussianParticleFilter，GPF)。它通过高斯分布来近似未知变量的后验分布,实时性上要优于粒子滤波算法,性能上要优于扩展卡尔曼滤波(EKF)、无味卡尔曼滤波(UKF)等算法。高斯粒子滤波比其它的高斯滤波方法适用性更强，能处理更多非线性动态系统问题；而与一般的粒子滤波相比，因为高斯粒子滤波用高斯分布近似后验分布，所以只要所用的高斯分布是正确的，就不会产生粒子退化问题，就不需要对粒子进行重采样，从而使算法的计算量降低，复杂度也降低。高斯粒子滤波以预测概率密度函数N(xk-1|k-1,Pk|k-1)，作为重要性概率密度函数，但没有考虑最新的量测信息，重要性采样粒子分布与后验概率分布产生的粒子存在较大偏差，归一化重要性权值只集中在部分粒子上，导致其他粒子权重几乎接近于0，使得权值方差增大，故有效粒子数减小，滤波性能下降。
技术实现思路
本专利技术的目的是设计一种似然度函数粒子滤波的动力电池电荷状态估计方法，以端电压预测值与量测值之差作为似然度函数的输入，在有效粒子数较少时,用拉普拉斯分布的似然度函数替换高斯分布的似然度函数，更新计算权值，拉普拉斯分布的似然度函数在峰值之后逐渐减小，下降速度慢，似然度函数曲线与横轴之间的高度降低缓慢，且可自适应调节，增加有效粒子数，拓宽了下一时刻抽样范围，提高了滤波稳定性；引入方差调节因子γ，自适应地修改似然度函数的方差，有效地避免了方差的过修正问题。本专利技术的另一目的是设计一种实现上述似然度函数粒子滤波的动力电池电荷状态估计方法的似然度函数粒子滤波的动力电池电荷状态估计系统。本专利技术设计的一种似然度函数粒子滤波的动力电池电荷状态估计方法，采用目前最广泛使用的一种电池等效模型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，表示电池的极化反应，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(FFRLS，Forgetting-factorrecursiveleastsquaremethod)，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，本专利技术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。本方法主要包括如下步骤：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，较佳方案N为45～55，有效粒子数阈值Nthr。根据经验选定Nthr＝(0.5～0.85)N，较佳方案为Nthr＝(0.73～0.81)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为电池总容量。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本文档来自技高网...

【技术保护点】
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：dUp(t)dt=-Up(t)RpCp+i(t)CpU(t)=UOC(t)-R0i(t)-Up(t)---(1)]]>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：SOC(t)=SOC0-1/QN∫0tη0i(t)dt---(3)]]>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，本专利技术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SOCk=SOCk-1-ik-1TQN---(4)]]>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：Uoc(SOCk)＝a1SOCk8+a2SOCk7+a3SOCk6+a4SOCk5+a5SOCk4+a6SOCk3+a7SOCk2+a8SOCk+a9   (6)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SOCk=SOCk-1-ik-1TQN]]>进行状态预测，即求得：x^ki=xk-1i-ik-1T/QN;]]>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为电池总容量；Ⅱ‑2、计算状态预测值的均值xk|k‑1和协方差Pk|k‑1xk|k-1=1NΣi=1Nx^ki---(7)]]>Pk|k-1=1NΣi=1N(x^ki-xk|k-1)(x^ki-xk|k-1)T---(8)]]>Ⅱ‑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：y1,ki=Uoc(x~ki)-R0ik-Up,k,]]>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ωki=1/2πRexp(-1/(2R)(y1,k-y1,ki)2),]]>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Neffωki=ω^kiΣi=1Nω^ki---(9)]]>Neff=1Σi=1N(ωki)2---(10)]]>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；Neff=N/(1+Var(ωki))]]>为的方差；xk|k=...

【技术特征摘要】
1.一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...

【专利技术属性】
技术研发人员：党选举，刘政，姜辉，伍锡如，张向文，汪超，杨倩，言理，黄品高，王土央，
申请(专利权)人：桂林电子科技大学，
类型：发明
国别省市：广西;45