一种基于DAFEKF的电池荷电状态估计方法技术

本发明专利技术公开了一种基于DAFEKF的电池荷电状态估计方法，该方法采用时变衰减因子来抑制滤波器的记忆长度，以便充分利用当前观测数据，减小陈旧测量值的影响，同时自适应地调整过程噪声和测量噪声协方差，防止过程噪声协方差或测量噪声协方差在估算过程开始时太小或者过大造成估计误差变大甚至滤波器发散等现象。因此，本发明专利技术采用时变衰减因子和自适应地调整过程噪声和测量噪声协方差，具有估计精度高、鲁棒性强、收敛速度快等优点。

A battery state estimation method based on DAFEKF

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the memory length of the filter, so as to make full use of the current observation data, reduce the influence of outdated measurement values, and adjust the process noise and measurement noise covariance adaptively to prevent the process noise covariance.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估计收敛速度变慢和误差加大。综上所述，为了实现电池SOC的闭环和在线估计，可采用基于模型的方法。然而，现有基于模型的方法如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。所以提出一种可以准确估计电池SOC的估计算法是目前电动汽车电池管理领域的一大关键问题。
技术实现思路
为克服上述现有技术的缺点，本专利技术的目的在于提供一种基于双自适应衰减扩展卡尔曼滤波(DualAdaptiveFadingExtendedKalmanFilter,DAFEKF)的电池荷电状态估计方法，以解决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，提高系统的鲁棒性和估计精度。本专利技术采用如下技术方案来实现的：一种基于DAFEKF的电池荷电状态估计方法，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)＝CAP(k)ATCTN(k)＝E(eykeykT)-CBQ(k)BTCT-R(k)通过上式实现衰减因子的更新；第十一步，k值加1，并返回第四步，直到系统过程结束。本专利技术进一步的改进在于，第三步中，采用初始化模块初始化t0时刻的x0、P0、Q0、R0和α0；第四步中，采用向前推算状态变量模块向前推算状态变量；第五步中，采用向前推算误差协方差模块向前推算误差协方差；第六步中，采用卡尔曼增益更新模块进行卡尔曼增益更新；第七步中，采用状态估计测量更新模块进行状态估计测量更新；第八步中，采用误差协方差测量更新模块进行误差协方差测量更新；第九步中，采用测量噪声和观测噪声更新模块进行测量噪声和观测噪声更新；第十步中，采用衰减因子更新模块进行衰减因子更新。本专利技术进一步的改进在于，第一步中，电流传感器为霍尔电流传感器，或为分流器类可测量电流的器件。本专利技术进一步的改进在于，第一步中，电池为铅酸电池、镍氢电池、镍镉电池或锂离子电池。本专利技术进一步的改进在于，第二步中，电池模型为电化学模型、等效电路模型或者数学模型。本专利技术进一步的改进在于，第二步中，电池模型参数辨识采用实验离线辨识或者算法在线辨识。本专利技术具有如下有益的技术效果：1、由总体技术方案第五步的向前推算误差协方差可知，本专利技术所提出的算法采用时变衰减因子，抑制滤波器的记忆长度，以便充分利用当前观测数据，减小陈旧量测值的影响。2、由总体技术方案第九步的测量噪声和观测噪声更新可知，本专利技术所提出的算法自适应地调整过程噪声和测量噪声协方差，解决了过程噪声协方差或测量噪声协方差在估算过程开始时太小或过小，会使估计误差变大甚至滤波器发散的问题。附图说明图1为本专利技术所提出的算法进行电池荷电状态估计的系统结构示意图。图2为本专利技术实施例采用的电路模型的等效电路图。图3为本专利技术实施例的电池模型参数辨识效果图，其中，图3(a)、图3(b)和图3(c)分别是一阶RC电池模型中欧姆内阻、极化内阻和极化电容的辨识结果。图4为本专利技术所提出的算法进行电池荷电状态估计的效果图，其中，图4(a)和图4(b)分别是SOC估计曲线和SOC估计误差曲线。具体实施方式下面结合附图和实施例对本专利技术作详细描述。如图1所示，本专利技术提供的一种基于DAFEKF的电池荷电状态估计方法，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、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。第本文档来自技高网...

【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