【技术实现步骤摘要】
基于扩展卡尔曼滤波算法的电池SOC估算方法及装置
本专利技术涉及电池的参数估算
，更具体地说是指基于扩展卡尔曼滤波算法的电池SOC估算方法及装置。
技术介绍
参数估计是自适应估计理论中一个重要的研究领域，广泛应用于电池SOC估算，如最小均方算法因其简单易于实现而得到了较广泛的应用，然而，最小均方算法的收敛速度较慢，且稳态值在最优值附近波动较大，具有较大的稳态均方误差，为了解决收敛速度慢的问题，递归最小二乘算法被随后提出，其通过递归最小化加权误差平方和达到更快的收敛速度，却以较高的计算复杂度为代价，另一方面，扩展卡尔曼滤波算法利用系统内在的动态变化模型，可以达到比前两种算法更优的估计性能，具体来说，通过状态方程进行预测和观测方程进行更新，扩展卡尔曼滤波算法能够快速的收敛，且稳态估计值更为准确。以上讨论是基于没有关于待估计系统的先验信息提供时的情况，现已有研究表明，利用稀疏特性改进最小均方算法和递归最小二乘算法，如已提出的基于范数的最小均方算法和比例自适应最小均方误差算法及相应的递归最小二乘算法，均可达到较原算法更...
【技术保护点】
1.基于扩展卡尔曼滤波算法的电池SOC估算方法，其特征在于，包括以下步骤：/n对待估计电池参数向量，及待估计电池参数向量的误差协方差矩阵进行初始化；/n根据状态方程计算一步预测参数向量和预测误差协方差矩阵；/n根据一步预测参数向量计算坐标变换矩阵；/n根据预测误差协方差矩阵、坐标变换矩阵并结合观测方程，计算卡尔曼增益；/n根据卡尔曼增益，更新参数向量及误差协方差矩阵，以获得电池SOC参数。/n
【技术特征摘要】
1.基于扩展卡尔曼滤波算法的电池SOC估算方法，其特征在于，包括以下步骤：
对待估计电池参数向量，及待估计电池参数向量的误差协方差矩阵进行初始化；
根据状态方程计算一步预测参数向量和预测误差协方差矩阵；
根据一步预测参数向量计算坐标变换矩阵；
根据预测误差协方差矩阵、坐标变换矩阵并结合观测方程，计算卡尔曼增益；
根据卡尔曼增益，更新参数向量及误差协方差矩阵，以获得电池SOC参数。
2.根据权利要求1所述的基于扩展卡尔曼滤波算法的电池SOC估算方法，其特征在于，所述“对待估计电池参数向量，及待估计电池参数向量的误差协方差矩阵进行初始化”步骤中，待估计电池参数向量和待估计电池参数向量的误差协方差矩阵分别初始化为：
Ρ(0/0)＝δ2E3×3
其中，表示0时刻的电池参数向量估计值，03×1表示3×1维零向量；P(0/0)表示0时刻的误差协方差矩阵，E3×3表示3×3维单位矩阵，δ是给定的常数。
3.根据权利要求2所述的基于扩展卡尔曼滤波算法的电池SOC估算方法，其特征在于，所述“根据状态方程计算一步预测参数向量和预测误差协方差矩阵”步骤中，状态方程为：
ω(n)＝A(n-1)ω(n-1)+B(n-1)It(n-1)+u(n)
其中，ω(n)＝[SOC(n)Ue(n)Ud(n)]H是n时刻电池参数向量,SOC(n)为n时刻电池剩余电量，Ue(n)和Ud(n)为n时刻电池二阶RC模型的电容电压，It(n-1)为n-1时刻电流，A(n-1)和B(n-1)为n-1时刻电池二阶RC模型的状态方程线性化处理的匹配系数，分别为：
其中，τe(n-1)和τd(n-1)表示n-1时刻二阶RC模型的时间常数，Re和Rd为二阶RC模型的极化内阻，T为采样周期，ηc为库伦效率，Q为电池额定容量，u(n)为零均值白噪声矢量，满足：
其中，E{·}表示取期望，Qu(n1)为n1时刻的过程噪声协方差矩阵。
4.根据权利要求3所述的基于扩展卡尔曼滤波算法的电池SOC估算方法，其特征在于，所述“根据状态方程计算一步预测参数向量和预测误差协方差矩阵”步骤中，一步预测参数向量和预测误差协方差矩阵分别为：
P(n/n-1)＝A(n-1)P(n-1/n-1)AH(n-1)+Qu
其中，为n-1时刻电池参数向量估计值，P(n-1/n-1)为n-1时刻的误差协方差矩阵。
5.根据权利要求4所述的基于扩展卡尔曼滤波算法的电池SOC估算方法，其特征在于，所述“...
【专利技术属性】
技术研发人员：王立，熊磊，严哲清，汪林军，
申请(专利权)人：深圳埃瑞斯瓦特新能源有限公司，
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。