The invention discloses a battery charge state estimation method based on DAFEKF, which uses time-varying attenuation factor to suppress the memory length of the filter, so as to make full use of the current observation data, reduce the influence of outdated measurement values, and adjust the process noise and measurement noise covariance adaptively to prevent the process noise covariance. The variance or measurement noise covariance is too small or too large at the beginning of the estimation process, resulting in larger estimation error and even filter divergence. Therefore, the method adopts time-varying attenuation factor and adaptively adjusts process noise and measurement noise covariance, and has the advantages of high estimation accuracy, strong robustness and fast convergence speed.
【技术实现步骤摘要】
一种基于DAFEKF的电池荷电状态估计方法
本专利技术属于电池荷电状态估计
,特别涉及一种基于DAFEKF的电池荷电状态估计方法。
技术介绍
面对能源危机、环境污染的巨大挑战,以排放洁净化、能源多元化为主要特征的电动汽车在世界范围内得到迅速发展。电池系统作为电动汽车的关键核心部件,直接影响着电动汽车产品的技术水平和应用前景。然而,电池本体技术特别是可以商用的电池,在短时间内仍难以实现跨越式的发展。因此,针对当前电池本体技术,研究更高性能的电动汽车电池管理系统是当前电动汽车发展的重中之重。电池的荷电状态(StateofCharge,SOC)作为电池的关键参数,一直以来是电动汽车电池管理系统的核心问题和急需解决的技术难点,只有准确估计SOC才能起到优化电池性能、提高电池安全性和延长电池使用寿命等作用。然而,电池SOC估计易受温度、充放电倍率以及容量等因素影响,且电池系统具有高度的非线性。为了解决这一难题,科研人员在估计方法上进行了大量的研究。安时积分法是工程上最常用的算法,它是一种开环估计方法,简单易行,但忽略了电流检测时产生的累积误差和电池老化导致容量衰减造成的影响。开路电压法只能在静态条件下通过开路电压与SOC关系精确辨识SOC值,不适用于动态过程。基于模型的方法利用电池信息来建立电池模型,使用测量的电压信号作为反馈形成闭环估计,被认为是最流行也是最具前途的荷电状态估计方法。扩展卡尔曼滤波算法是最常用的基于模型的估计方法,具备闭环和在线估计等优点。然而,扩展卡尔曼滤波算法存在系统统计噪声的不确定性和当前滤波值对旧数据的过度依赖等问题,使电池SOC估计 ...
【技术保护点】
1.一种基于DAFEKF的电池荷电状态估计方法,其特征在于,包括以下步骤:第一步,用电流传感器和电压传感器分别测得在电池负载作用下电池上的电流和电压;第二步,利用测得的电压、电流信号进行电池模型参数辨识;第三步,初始化t0时刻的x0、P0、Q0、R0和α0;其中x0为电池初始荷电状态,P0为初始系统状态量误差的协方差,Q0为初始过程噪声的协方差,R0为初始观测噪声的协方差,α0为初始衰减因子;第四步,向前推算状态变量:
【技术特征摘要】
1.一种基于DAFEKF的电池荷电状态估计方法,其特征在于,包括以下步骤:第一步,用电流传感器和电压传感器分别测得在电池负载作用下电池上的电流和电压;第二步,利用测得的电压、电流信号进行电池模型参数辨识;第三步,初始化t0时刻的x0、P0、Q0、R0和α0;其中x0为电池初始荷电状态,P0为初始系统状态量误差的协方差,Q0为初始过程噪声的协方差,R0为初始观测噪声的协方差,α0为初始衰减因子;第四步,向前推算状态变量:其中A为传递矩阵,E为单位矩阵,B为输入矩阵,为电池的荷电状态,uk_1为系统输入量;第五步,向前推算误差协方差:Pk/k_1=(A+E)α(k)Pk_1(A+E)T+Qk;其中Pk/k_1为系统状态量的协方差,α(k)为时变衰减因子,Qk为过程噪声的协方差;第六步,卡尔曼增益更新:Kk=Pk/k-1CT[(CPk/k_1CT+Rk)]-1;其中Kk为卡尔曼增益,Rk为观测噪声的协方差,C为输出矩阵,CT为输出矩阵C的转置;第七步,状态估计测量更新:其中是系统状态量误差;第八步,误差协方差测量更新:Pk/k=[I-K(k)C]Pk/k-1;第九步,测量噪声和观测噪声更新:Qk=Qk_1+1/LQ(Q*-Qk-1)Q*=KkekekTKkT-Pk+(A+E)Pk_1(A+E)T;Rk=Rk_1+1/LR(R*-Rk_1)R*=ekekT-CPk-1CT;其中LQ和LR是过程和测量噪声的调整窗口的大小;第十步,衰减因子更新:M(k)=C...
【专利技术属性】
技术研发人员:徐俊,赵云飞,王霄,梅雪松,
申请(专利权)人:西安交通大学,
类型:发明
国别省市:陕西,61
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。