【技术实现步骤摘要】
交互式多模型切换和参数在线识别的遗传粒子滤波算法
本专利技术主要涉及电池状态估计算法
,具体涉及一种交互式多模型切换和参数在线识别的遗传粒子滤波算法。
技术介绍
目前针对电动汽车动力电池状态估计算法大多在对SOC估计时使用卡尔曼滤波法以及改进的卡尔曼滤波法或者标准粒子滤波算法,以及在估计SOH时忽视SOC与SOH之间的关系。其主要存在以下三个问题:一.在针对SOC估计时,卡尔曼滤波算法只适用于噪声为高斯密度分布线性系统的环境下,而电动汽车动力电池的工作环境大多为非线性环境;改进后的卡尔曼滤波算法主要是对其非线性部分进行线性化,难以满足现在行业对动力电池状态估计精度的要求。而标准粒子滤波算法具有粒子退化的风险,如果继续迭代下去,大量资源会消耗在处理微不足道的粒子上,会造成资源的浪费,同时影响估计结果;二.在估算电池状态时,如果仅仅使用单一电池模型进行估计,估算精度会逐渐变差;三.在动力电池工作时SOC与SOH之间相互影响,如果不抑制将进一步降低估计精度。
技术实现思路
本专利技术目的就是为了弥补已有技术的缺陷,提供一种交互式多模型切换和参数在线识别的遗传粒子滤波算法,既能够在非线性环境下保持良好的估算精度,同时也能抑制在动力电池工作过程中SOC和SOH之间的相互作用,提高动力电池状态估计精度。本专利技术是通过以下技术方案实现的:步骤1:状态估计的方法为:采用粒子滤波算法进行状态估计,并将遗传算法的选择、交叉以及变异的方法代替传统粒子滤波的重采样;步骤1.1:首先输入上一刻的状态估计结果集合,进行基于电池模型集合的输入交互运算;步骤1.2:再输入电池端电压的 ...
【技术保护点】
1.一种交互式多模型切换和参数在线识别的遗传粒子滤波算法,其特征在于包括以下步骤:步骤1:状态估计的方法为:采用粒子滤波算法进行状态估计,并将遗传算法的选择、交叉以及变异的方法代替传统粒子滤波的重采样;步骤1.1:首先输入上一刻的状态估计结果集合,进行基于电池模型集合的输入交互运算;步骤1.2:再输入电池端电压的测量值对状态估计的预测值更新,计算似然函数进行模型概率的更新计算;步骤1.3:最后根据模型概率计算结果对状态估计进行输出交互运算,得到最终状态的估计结果;步骤2:利用步骤1中的状态估计方法分别对SOC和SOH值进行估计;步骤3:更新SOC和SOH值:将步骤2得到的SOH值用以更新SOC估计模型,再运用步骤1计算得到新的SOC值,将新的SOC值作为模型参数更新SOH估计模型,再通过遗传粒子滤波得到SOH值的估计,实现SOC与SOH的联合估计。
【技术特征摘要】
1.一种交互式多模型切换和参数在线识别的遗传粒子滤波算法,其特征在于包括以下步骤:步骤1:状态估计的方法为:采用粒子滤波算法进行状态估计,并将遗传算法的选择、交叉以及变异的方法代替传统粒子滤波的重采样;步骤1.1:首先输入上一刻的状态估计结果集合,进行基于电池模型集合的输入交互运算;步骤1.2:再输入电池端电压的测量值对状态估计的预测值更新,计算似然函数进行模型概率的更新计算...
【专利技术属性】
技术研发人员:刘兴涛,郑超逸,郑昕昕,曾国建,刘新天,何耀,
申请(专利权)人:合肥工业大学智能制造技术研究院,
类型:发明
国别省市:安徽,34
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。