The invention discloses a method for the estimation of battery SOC multi classifier decision based on gain observer, which comprises the following steps: establishing mathematical model of S1, the open circuit voltage of the cell and cell SOC; S2, using different gain dragon Berg observer and extended Calman filter algorithm to estimate the battery SOC, and record the error signal between the output expansion Calman filtering algorithm and the real measured value; S3, according to the error signal classifier design; Dragon Berg observer battery SOC estimation using S4, the dragon, Berg observer gain by decision classifier. The invention relates to a multi classifier decision gain observer estimation method can effectively estimate the battery SOC battery SOC based on high precision and little dependence on the battery model, can avoid the data saturation; the algorithm error correction capability in the operation process of the strong. The invention is a method based on classifier decision multiple gain observer to estimate battery SOC, and can be widely applied in the field of battery SOC estimation.
【技术实现步骤摘要】
一种基于分类器决策的多增益观测器估计电池SOC的方法
本专利技术涉及电池SOC估算领域,尤其是一种基于分类器决策的多增益观测器估计电池SOC的方法。
技术介绍
锂电池是一个包含着复杂物理与电化学变化的强耦合的高度非线性的系统,其建模十分困难。如何在模型不是十分准确的情况下实现对电池荷电状态(stateofcharge,SOC)的精确且具有快速纠错能力的状态估计,对准确预测车辆行驶里程和提高车辆运行的可靠性有着重要的意义。目前,电动汽车中估计SOC的方法主要有:安时积分法、开路电压法、龙伯格观测器、卡尔曼滤波算法、粒子滤波算法等。安时积分简单易行,但是初始误差无法确定,且随着时间推移有累积误差;开路电压法需要对电池长时间静置,只适合于实验室使用;龙伯格观测器结构简单但收敛缓慢,算法依赖模型且性能较差;卡尔曼滤波法计算量适中但对模型依赖严重,且无法克服数据饱和的问题;粒子滤波法精度高但是算法十分复杂。上述算法不能区分电池充放电过程中模型输出与实际测量值的误差来源,精度依赖模型,且运行过程中的纠错能力较差。
技术实现思路
为了解决上述技术问题,本专利技术的目的是提供一种电池SOC估算精度高、对电池模型依赖性小的基于分类器决策的多增益观测器估计电池SOC的方法。本专利技术所采用的技术方案是:一种基于分类器决策的多增益观测器估计电池SOC的方法,包括以下步骤:S1、建立电池开路电压与电池SOC的数学模型;S2、利用不同增益的龙伯格观测器和扩展卡尔曼滤波算法对电池SOC进行估计,并记录扩展卡尔曼滤波算法的输出与真实测量值之间的误差信号;S3、根据所述误差信号设计分类器;S ...
【技术保护点】
一种基于分类器决策的多增益观测器估计电池SOC的方法,其特征在于,包括以下步骤:S1、建立电池开路电压与电池SOC的数学模型;S2、利用不同增益的龙伯格观测器和扩展卡尔曼滤波算法对电池SOC进行估计,并记录扩展卡尔曼滤波算法的输出与真实测量值之间的误差信号;S3、根据所述误差信号设计分类器;S4、利用龙伯格观测器估计电池SOC,龙伯格观测器的增益由所述分类器决定。
【技术特征摘要】
1.一种基于分类器决策的多增益观测器估计电池SOC的方法,其特征在于,包括以下步骤:S1、建立电池开路电压与电池SOC的数学模型;S2、利用不同增益的龙伯格观测器和扩展卡尔曼滤波算法对电池SOC进行估计,并记录扩展卡尔曼滤波算法的输出与真实测量值之间的误差信号;S3、根据所述误差信号设计分类器;S4、利用龙伯格观测器估计电池SOC,龙伯格观测器的增益由所述分类器决定。2.根据权利要求1所述的基于分类器决策的多增益观测器估计电池SOC的方法,其特征在于,所述步骤S3包括以下步骤:S31、根据误差信号得到分类器的判据信号;S32、根据所述判据信号设计分类器。3.根据权利要求2所述的基于分类器决策的多增益观测器估计电池SOC的方法,其特征在于,所述判据信号包括经过低通滤波的误差信号的绝对值E1和经过低通滤波的误差信号在带有遗忘因子的累加作用下的累加和的绝对值E2。4.根据权利要求3所述的基于分类器决策的多增益观测器估计电池SOC的方法,其特征在于,所述步骤S32包括以下步骤:S321、提取扩展卡尔曼滤波算法估计SOC时产生的绝对值E1和绝对值E2,计算其均值μ和标准差σ;提取扩展卡尔曼滤波估计SOC时的SOC误差小于第一预定值和大于第二预定值部分数据的绝对值E1和...
【专利技术属性】
技术研发人员:吕洲,刘博洋,
申请(专利权)人:深圳市麦澜创新科技有限公司,
类型:发明
国别省市:广东,44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。