一种多时间尺度双UKF自适应估算SOC和电池容量C的方法技术

本发明专利技术公开了一种多时间尺度双UKF自适应估算SOC和电池容量C的方法，先建立电池状态空间方程；利用多时间尺度双UKF自适应方法估算SOC和电池容量C；对用于宏UKF和微UKF的系统参数和状态变量以及系统噪声进行初始化；更新宏UKF的预测方程；选择合适的sigma点更新微UKF的预测方程，并更新系统的过程噪声；利用微UKF的校正方程，估计微Kalman滤波器的状态变量；当双时间尺度趋近时，将微Kalman滤波器的状态估计值传到宏Kalman滤波器中，作为测量值；对微Kalman滤波器的数据进行更新，宏Kalman滤波器的测量校正，更新电池参数。本发明专利技术能够提高BMS对动力电池SOC的估算精度及估算稳定性。

【技术实现步骤摘要】

本专利技术涉及新能源汽车的动力电池管理系统领域，具体是一种多时间尺度双UKF自适应估算SOC和电池容量C的方法。
技术介绍
在节能环保的时代背景下，新能源汽车成为汽车行业发展的必然趋势。动力电池为新能源电动汽车提供动力，是电动汽车的核心组成部分之一，动力电池的性能完全决定了新能源电动车的性能。电池管理系统(BatteryManagementSystem，简称BMS)主要就是为了能够提高电池的利用率，防止电池出现过充电与过放电，延长电池的使用寿命，监控电池的状态。其中，动力电池的荷电状态(StateofCharge，简称SOC，用z表示)是BMS中重要参数，其估算方法是BMS中的关键技术。基于电池模型估计动力电池SOC的方法是将电池的荷电状态SOC作为状态量建立起标准的状态空间模型从而实现动力电池SOC估算。该方法可以直接应用基于电池状态空间模型的Kalman滤波方法。相对于其他的SOC估算方法，Kalman滤波法应用的比较广泛，它是一种时域估计方法，将现代控制理论中的状态空间思想引入到最优滤波理论中，可处理时变系统，并且Kalman滤波采用递归计算方法，计算量和数据存储量小，便于计算机在线计算，而且精确度、鲁棒性好。其中，无损Kalman滤波(UnscentedKalmanFilter，简称UKF)方法是在动力电池SOC的估算中研究的比较多的一种方法，特别适用于像动力电池这种强非线性系统，可以获得精确度较高的SOC值。
技术实现思路
本专利技术的目的在于提供一种提高BMS对动力电池SOC的估算精度及估算稳定性的多时间尺度双UKF自适应估算SOC和电池容量(用C表示)的方法，以解决上述
技术介绍
中提出的问题。为实现上述目的，本专利技术提供如下技术方案：一种多时间尺度双UKF自适应估算SOC和电池容量C的方法，包括如下步骤：步骤一，建立电池状态空间方程；电池状态空间方程如式(1)所示：xk,l+1=F(xk,l,θk,uk,l)+wk,lYk,l=g(xk,uk)+vk,lwk,l~(0,Qk)vk,l~(0,Rk)---(1)]]>其中，xk,l为状态向量，uk,l为确定性的输入量，Yk,l为输出向量；非线性函数F(xk,l,θk,uk,l)和g(xk,uk)关于状态连续可微；wk,l和νk,l分别为系统的扰动噪声和观测噪声，两者均为高斯白噪声；Qk为系统扰动协方差矩阵，Rk为观测噪声协方差矩阵；步骤二，利用多时间尺度双UKF自适应方法估算SOC和电池容量C；(1)对用于宏UKF和微UKF的系统参数和状态变量以及系统噪声进行初始化；(2)更新宏UKF的预测方程；(3)选择合适的sigma点更新微UKF的预测方程，并更新系统的过程噪声wk-1,l；(4)利用微UKF的校正方程，估计微Kalman滤波器的状态变量；(5)当双时间尺度趋近时，将微Kalman滤波器的状态估计值传到宏Kalman滤波器中，作为测量值；(6)对微Kalman滤波器的数据进行更新，以进行下一个循环；(7)宏Kalman滤波器的测量校正，更新电池参数。作为本专利技术进一步的方案：在步骤一中，对于一阶RC电池模型，动力电池状态空间方程为：U·D=-UDCDiffRDiff+iLCDiffUcell=UOCV-UD-iLR0---(2)]]>其中，UOCV为电池开路电压；通过实验辨识，确定UOCV：UOCV=K0+Klzk+K2zk+K3ln(zk)+K4ln(1-zk)---(3).]]>作为本专利技术进一步的方案：在步骤二中，UKF自适应方法步骤描述如下：(1)选择n+1个sigma点；(2)预测状态值；(3)预测滤波误差方差矩阵；(4)量测更新方程；(5)计算Kalman增益；(6)状态和误差更新方程。作为本专利技术进一步的方案：在步骤二中，在步骤二中，对过程噪声和观测噪声的处理使用UKF自适应方法，计算公式如下：μk=Ukl-K0+K1zk+K2zk+K3ln(zk)+K4ln(1-zk)+UKD-R0ik---(4)]]>Fk=Σn=k-l+1kμnμnTM---(5)]]>vk=Fk+Σi=02W(i)(Uk|k-1(i)-Ukt+μk)(Uk|k-1(i)-Ukt+μk)T---(6)]]>Qk=KkFkKkT---(7).]]>作为本专利技术进一步的方案：在步骤二中，对电池容量C的估算描述如下：(1)对电池容量C进行更新，并将电池容量更新分为较大、准确、较小三种；(2)将电池容量C代入微UKF中进行SOC的估算；(3)将SOC估计值作为电池容量C估计的输入，从而获得准确的电池容量C的值。考虑到电池容量C与可测量端电压Ui没有较强的关系，而负载电流i与C有直接关系，但是短期内电流的积累对C的影响很小，这使得准确估算出C比较困难，考虑到两个时间尺度双UKF自适应方法，可以通过较长时间的积累以放大这种效果，并且考虑SOC与电池容量C的关系有dk=zk,l=zk,0+TCk-Σj=0L-1nk,jik,j---(8)]]>这里运用两个滤波器的时间尺度不同，将i或者说SOC对电池容量C的作用进行放大，并将微Kalman滤波器的输出作为测量值对宏Kalman滤波器的状态变量进行修正，同时UKF的使用也将对微UKF估计的SOC值的精度要求有所降低。与现有技术相比，本专利技术的有益效果是：本专利技术提出的多时间尺度双UKF的自适应估算方法，通过使用两个UKF滤波器提高BMS对动力电池SOC的估算精度及估算稳定性。其中一个UKF滤波器为微Kalman滤波器，进行电池状态参数(如SOC)的估算；另一个UKF滤波器为宏Kalman滤波器，用来估算电池的参数(如电池容量C)。另外由于所估算量的变化程度快慢不同，两个Kalman滤波器之间以不同时间尺度周期进行数据的交换和更新，同时加入自适应环节来处理噪声的问题。附图说明图1为动力电池一阶RC模型图；图2为多时间尺度双UKF自适应算法框架图；图3为自适应环节流程图；图4为电池容量的估算示意图。具体实施方式下面将结合本专利技术实施例，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。由于电池模型的不确定性、动力电池周围环境的强干扰和强噪声、动力电池的老化导致电池参数具有易变性等因素，SOC和电池容量的估算精度会降低，因此需要对电池模型的参数进行更新。本专利技术提出的多时间尺度双UKF的自适应估算方法通过使用两个UKF滤波器来解决这些问题。其中一个UKF滤波器为微Kalman滤波器，进行电池状态参数(如SOC)的估算；另一个UKF滤波器为宏Kalman滤波器，用来估算电池的参数(如电池容量C)。另外由于所估算量的变化程度快慢不同，两个Kalman滤波器之间以不同时间尺度周期进行数据的交换和更新，同时加入自适应环节来处理噪声的问题。实施例1请参阅图1-4，本专利技术实施例中，一种多时间尺度双UKF自适应估算SOC与电池容量C的方法进行详细说明。步骤一，建立电池状态空间方程本文档来自技高网...

【技术保护点】
一种多时间尺度双UKF自适应估算SOC和电池容量C的方法，其特征在于，包括如下步骤：步骤一，建立电池状态空间方程；电池状态空间方程如式(1)所示：xk,l+1=F(xk,l,θk,uk,l)+wk,lYk,l=g(xk,uk)+vk,lwk,l~(0,Qk)vk,l~(0,Rk)---(1)]]>其中，xk,l为状态向量，uk,l为确定性的输入量，Yk,l为输出向量；非线性函数F(xk,l,θk,uk,l)和g(xk,uk)关于状态连续可微；wk,l和νk,l分别为系统的扰动噪声和观测噪声，两者均为高斯白噪声；Qk为系统扰动协方差矩阵，Rk为观测噪声协方差矩阵；步骤二，利用多时间尺度双UKF自适应方法估算SOC和电池容量C；(1)对用于宏UKF和微UKF的系统参数和状态变量以及系统噪声进行初始化；(2)更新宏UKF的预测方程；(3)选择合适的sigma点更新微UKF的预测方程，并更新系统的过程噪声wk‑1,l；(4)利用微UKF的校正方程，估计微Kalman滤波器的状态变量；(5)当双时间尺度趋近时，将微Kalman滤波器的状态估计值传到宏Kalman滤波器中，作为测量值；(6)对微Kalman滤波器的数据进行更新，以进行下一个循环；(7)宏Kalman滤波器的测量校正，更新电池参数。...

【技术特征摘要】
1.一种多时间尺度双UKF自适应估算SOC和电池容量C的方法，其特征在于，包括如下步骤：步骤一，建立电池状态空间方程；电池状态空间方程如式(1)所示：xk,l+1=F(xk,l,θk,uk,l)+wk,lYk,l=g(xk,uk)+vk,lwk,l~(0,Qk)vk,l~(0,Rk)---(1)]]>其中，xk,l为状态向量，uk,l为确定性的输入量，Yk,l为输出向量；非线性函数F(xk,l,θk,uk,l)和g(xk,uk)关于状态连续可微；wk,l和νk,l分别为系统的扰动噪声和观测噪声，两者均为高斯白噪声；Qk为系统扰动协方差矩阵，Rk为观测噪声协方差矩阵；步骤二，利用多时间尺度双UKF自适应方法估算SOC和电池容量C；(1)对用于宏UKF和微UKF的系统参数和状态变量以及系统噪声进行初始化；(2)更新宏UKF的预测方程；(3)选择合适的sigma点更新微UKF的预测方程，并更新系统的过程噪声wk-1,l；(4)利用微UKF的校正方程，估计微Kalman滤波器的状态变量；(5)当双时间尺度趋近时，将微Kalman滤波器的状态估计值传到宏Kalman滤波器中，作为测量值；(6)对微Kalman滤波器的数据进行更新，以进行下一个循环；(7)宏Kalman滤波器的测量校正，更新电池参数。2.根据权利要求1所述的多时间尺度双UKF自适应估算SOC和电池容量C的方法，其特征在于，在步骤一中，对于一阶RC电池模型，动力电池状态空间方程为：U·D=-UDCDiffRDiff+iLCDiffUcell=UO...

【专利技术属性】
技术研发人员：孙兰娟，程迎兵，王昶卜，周萌芳，李健，
申请(专利权)人：南京世界村汽车动力有限公司，
类型：发明
国别省市：江苏;32