基于扩展卡尔曼滤波的锂电池SOC估计方法技术

本发明专利技术提供了一种基于扩展卡尔曼滤波的锂电池SOC估计方法，包括以下步骤：构建锂电池的等效电路模型；根据等效电路模型建立离散非线性系统状态及观测方程；根据离散非线性的系统状态及观测方程得到扩展卡尔曼滤波算法所需的线性系统状态及观测方程；更新扩展卡尔曼滤波算法的预测及校正部分；判断扩展卡尔曼滤波算法的预测及校正部分的更新过程是否完成：若是，则重构扩展卡尔曼滤波算法所需的线性系统状态及观测方程；根据重构的扩展卡尔曼滤波算法所需的线性系统状态及观测方程估计锂电池的SOC。本发明专利技术能够同时兼顾到起始估计阶段的锂电池SOC估计值收敛速度，以及收敛到容许误差范围内后平稳估计阶段锂电池SOC估计值波形的平滑性。形的平滑性。形的平滑性。

【技术实现步骤摘要】
基于扩展卡尔曼滤波的锂电池SOC估计方法


[0001]本专利技术涉及动力锂电池SOC
，具体涉及一种基于扩展卡尔曼滤波的锂电池SOC估计方法。

技术介绍

[0002]目前估计锂电池SOC(Stateofcharge，荷电状态)的策略主要有：安时积分法、开路电压法、神经网络预测以及扩展卡尔曼滤波算法等。其中，扩展卡尔曼滤波是在卡尔曼算法基础上针对非线性系统改进的滤波策略，是一种估计电池SOC的有效技术手段。但是，受制于非高斯噪声干扰、电池等效电路模型误差以及系统状态初值与实际存在偏差等问题，扩展卡尔曼滤波的SOC估计结果往往不容易收敛，严重时甚至出现发散的情况。
[0003]为此，有学者提出在扩展卡尔曼滤波算法中引入Sage
‑
Husa估计器，基于最大后验准则的Sage
‑
Husa估计器利用递归形式实时估计噪声的统计特性，以提升扩展卡尔曼滤波算法估计SOC的精度，但此手段过于依赖观测残差，当系统状态初值与实际存在偏差时，反而会对起始估计阶段的收敛速度产生较大影响；此外，还有学者提出了扩展卡尔曼滤波本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于扩展卡尔曼滤波的锂电池SOC估计方法，其特征在于，包括以下步骤：构建锂电池的等效电路模型；根据所述等效电路模型建立离散非线性系统状态及观测方程；根据所述离散非线性的系统状态及观测方程得到扩展卡尔曼滤波算法所需的线性系统状态及观测方程；通过计算所述扩展卡尔曼滤波算法的预测及校正部分的低通滤波结果、以及分段变换所述扩展卡尔曼滤波算法的预测及校正部分中不同数量级的观测协方差来更新所述扩展卡尔曼滤波算法的预测及校正部分；判断所述扩展卡尔曼滤波算法的预测及校正部分的更新过程是否完成：若是，则引入最大互相关熵准则信息重构所述扩展卡尔曼滤波算法所需的线性系统状态及观测方程；根据重构的所述扩展卡尔曼滤波算法所需的线性系统状态及观测方程估计所述锂电池的SOC。2.根据权利要求1所述的基于扩展卡尔曼滤波的锂电池SOC估计方法，其特征在于，所述等效电路模型为Thevenin一阶RC模型。3.根据权利要求2所述的基于扩展卡尔曼滤波的锂电池SOC估计方法，其特征在于，所述离散非线性系统状态及观测方程为：其中，η为充电效率，C
N
为所述锂电池的额定总容量，Δt为采样间隔，τ为积分时间常数，R
p
为所述锂电池的极化电阻，w1、w2及v表示由所述等效电路模型和外部干扰引起的不相关的零均值高斯白噪声，R
i
为所述锂电池内部的欧姆内阻，i为所述锂电池的工作电流，U
oc
为开路电压，U
p
为为跨在C
p
两端的极化电压，下标k表示时间步。4.根据权利要求3所述的基于扩展卡尔曼滤波的锂电池SOC估计方法，其特征在于，所述扩展卡尔曼滤波算法所需的线性系统状态及观测方程为：其中，x
k
为状态变量，z
k
为观测变量，w
k
为系统噪声，A
k
为状态转移矩阵，B
k
为输入矩阵，C
k
为观测矩阵；此外，所述状态转移矩阵A
k
、输入矩阵B
k
、观测矩阵C
k
的表达式具体为：

【专利技术属性】
技术研发人员：谈发明，王琪，张士荣，闵孝忠，朱燕婷，
申请(专利权)人：江苏理工学院，
类型：发明
国别省市：