基于多新息无迹卡尔曼滤波算法融合的锂电池SOC估算方法技术

本发明专利技术公开了一种基于可变遗忘因子的递推最小二乘法(VFFRLS)和多新息无迹卡尔曼滤波(MIUKF)算法融合的锂电池电池荷电状态（SOC）估算方法，该方法包括以下步骤：获取锂电池出厂前离线辨识的阻容参数信息；基于混合脉冲放电实验，确定电池开路电压(OCV)与SOC关系曲线；建立二级RC等效电路模型，确定电池系统的状态方程和测量方程；利用可变遗忘因子的递推最小二乘法与多新息无迹卡尔曼滤波融合估算电池SOC。本发明专利技术在可变遗忘因子的递推最小二乘法与无迹卡尔曼滤波(UKF)算法上引入多新息(MI)模型，实现更高精度和稳定性的SOC估计。实现更高精度和稳定性的SOC估计。实现更高精度和稳定性的SOC估计。

【技术实现步骤摘要】
基于多新息无迹卡尔曼滤波算法融合的锂电池SOC估算方法


[0001]本专利技术涉及锂电池SOC估算
，具体涉及一种基于多新息无迹卡尔曼滤波算法融合的锂电池SOC估算方法、装置、计算机设备、存储介质及云服务器系统。

技术介绍

[0002]为实现锂电池安全、高效和长寿命运行，需要设计高效的电池管理系统（BMS）以防止电池过充、过放和实现均衡管理，而精确的电池SOC估计是电池管理系统设计的基础，同时，电池荷电状态具有高度复杂的非线性时变特性，难以直接测量，因此成为了设计和研究的重点和难点。SOC估计方法目前主要有安时积分法、开路电压法、基于机器学习的算法如神经网络算法和基于参数估计模型及系统辨识的卡尔曼滤波及其扩展等智能算法。
[0003]安时积分法的估计精度主要取决于初始SOC值、传感器误差累积等，在线估计时长较长后误差会累积，导致精度较低；开路电压法是利用电池开路电压(OCV)与SOC之间的函数映射关系估计SOC，由于确定的函数关系需要电池长时间的静置，该方法用于实时在线估计时误差较大；基于机器学习的算法需要大量标注好的样本数据，在线长时间运行时无法准确测量SOC，也即无法标注数据，而采用实验环境获取大量标注数据需要的成本极高，目前的研究和应用还较少；卡尔曼滤波法采用“预测—实测—修正”的递归方法估计SOC，通过建立电池模型并估计参数，根据测量的后验测量状态的概率更新系统模型参数确定的先验状态概率，比较适应电池SOC估计这类动态系统状态估计，是近年来SOC估计领域研究的主流方向。
[0004]卡尔曼滤波算法假设系统为线性系统，但电池的SOC估计是典型的非线性时变系统的状态估计，直接应用卡尔曼滤波算法会引入较大的线性误差，针对该问题，很多改进的方法被提出，主要是在卡尔曼滤波器算法框架内进行了延伸和扩展，其中扩展卡尔曼滤波器（Extended Kalman Filter, EKF）和无迹卡尔曼滤波器（Unscented Kalman Filter,UKF）应用较为广泛。
[0005]传统的卡尔曼滤波框架算法中，仅利用当前时刻的误差更新下一时刻的状态，模型简单容易计算，但也带来了问题，对高度复杂的非线性时变电池运行工况，下一时刻的状态很可能不仅与当前时刻有关，还与当前时刻之前的若干时刻有关，由此带来了精度的下降，为解决改问题进一步提升估计的进度，将多新息辨识理论引入测量方程。当前，研究人员对基于卡尔曼滤波框架及其扩展的SOC估计算法和电池模型参数辨识方面算法已进行了广泛深入的研究，但研究大多关注其中某一方面，融合SOC估计和参数辨识的联合估计算法研究较少，近期有研究人员提出过多尺度EKF联合估计SOC和参数辨识算法，未见进一步融合MI、UKF、VFFRLS等各类优势算法的联合估计方法。

技术实现思路

[0006]本专利技术的目的是为了解决现有技术中的上述缺陷，提供一种基于多新息无迹卡尔曼滤波算法融合的锂电池SOC估算方法、装置、计算机设备、存储介质及云服务器系统。
[0007]本专利技术的第一个目的在于提供一种基于多新息无迹卡尔曼滤波算法融合的锂电池SOC估算方法。
[0008]本专利技术的第二个目的在于提供一种基于多新息无迹卡尔曼滤波算法融合的锂电池SOC估算装置。
[0009]本专利技术的第三个目的在于提供一种计算机设备。
[0010]本专利技术的第四个目的在于提供一种存储介质。
[0011]本专利技术的第五个目的在于提供一种云服务器系统。
[0012]本专利技术的第一个目的可以通过采取如下技术方案达到：一种基于多新息无迹卡尔曼滤波算法融合的锂电池SOC估算方法，所述估算方法包括以下步骤：S1、获取锂电池出厂前离线辨识的阻容参数信息；参数信息如下：R0=0.0018欧姆；R1=0.0025欧姆；R2=0.0012欧姆；C1=4.49E+04法拉；C2=7.23E+07法拉；S2、基于混合脉冲放电实验，确定锂电池开路电压OCV与SOC关系曲线，电池的开路电压OCV与SOC间有相对较为稳定的函数关系，实验条件下一般测试一个或几个充、放电周期，不存在长时间累积误差的问题，此时安时积分法测量SOC具有很高的精度，可作为基准值。将不同时点测得的SOC和OCV值通过函数拟合（一般通过多项式拟合），即可求得SOC和OCV的函数关系；S3、建立二阶RC等效电路模型，确定锂电池系统的状态方程和测量方程；S4、利用可变遗忘因子的递推最小二乘法与多新息无迹卡尔曼滤波融合估算锂电池SOC。
[0013]进一步地，所述步骤S3过程如下：S31、确定锂电池系统的状态方程和测量方程一般形式如下：x
k+1=
f(x
k
,u
k
,k,w
k
)（1）y
k+1=
h(x
k+1
,k)（2）式中x
k+1
、x
k
是k+1和k时刻的状态变量值，u
k
是k时刻的控制变量值, w
k
~N(0,Q
k
) 是k时刻的锂电池系统的状态噪声协方差变量，v
k+1
~N(0,R k+1
) 是k+1时刻的锂电池系统测量噪声协方差变量，w
k
和v
k+1
相互独立，y
k+1
是k+1时刻的测量变量值，式（1）为状态方程，由k时刻的状态变量值预测k+1时刻的状态变量值，式（2）为测量方程，由k+1时刻的状态变量值测量k+1时刻的测量变量值；S32、确定锂电池系统的状态方程和测量方程的具体代入量：基于二阶RC等效电路模型并以无迹卡尔曼滤波算法为理论依据，选取k时刻电池SOC
k
值、二阶RC等效电路模型中低阶极化电压V
p1,k
和高阶极化电压V
p2,k
作为锂电池系统的状态变量值，即（3）选取k时刻电池端电压V
k
作为测量变量值，即y
k= V
k
（4）
选取k时刻电流I
k
作为控制变量值，即u
k= I
k
（5）从而分别得到基于具体代入变量的状态方程（1）和测量方程（2）：（6）（7）式中，R0为欧姆内阻，R
p1
为低阶极化内阻，R
p2
为高阶极化内阻，τ
p1
低阶时间常数，取值为低阶极化内阻和低阶极化电压的乘积，τ
p2
为高阶时间常数，取值为高阶极化内阻和高阶极化电压的乘积，C
n
代表锂电池的电容量，T为锂电池系统采样时间，SOC
k
‑1为k
‑
1时刻电池SOC值，V
p1,k
‑1、V
p2,k
‑1分别为二阶RC等效电路模型中低阶极化电压值和高阶极化电压值，I
k
‑1为k
‑
1时刻电流值。
[0014]进一步地，所述步骤S4本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多新息无迹卡尔曼滤波算法融合的锂电池SOC估算方法，其特征在于，所述估算方法包括以下步骤：S1、获取锂电池出厂前离线辨识的阻容参数信息；S2、基于混合脉冲放电实验，确定锂电池开路电压与SOC关系曲线；S3、建立二阶RC等效电路模型，确定锂电池系统的状态方程和测量方程；S4、利用可变遗忘因子的递推最小二乘法与多新息无迹卡尔曼滤波融合估算锂电池SOC；其中，所述步骤S3过程如下：S31、确定锂电池系统的状态方程和测量方程一般形式如下：x
k+1=
f(x
k
,u
k
,k,w
k
)（1）y
k+1=
h(x
k+1
,k)（2）式中x
k+1
、x
k
是k+1和k时刻的状态变量值，u
k
是k时刻的控制变量值, w
k
~N(0,Q
k
) 是k时刻的锂电池系统的状态噪声协方差变量，v
k+1
~N(0,R k+1
) 是k+1时刻的锂电池系统测量噪声协方差变量，w
k
和v
k+1
相互独立，y
k+1
是k+1时刻的测量变量值，式（1）为状态方程，由k时刻的状态变量值预测k+1时刻的状态变量值，式（2）为测量方程，由k+1时刻的状态变量值测量k+1时刻的测量变量值；S32、确定锂电池系统的状态方程和测量方程的具体代入量：基于二阶RC等效电路模型并以无迹卡尔曼滤波算法为理论依据，选取k时刻电池SOC
k
值、二阶RC等效电路模型中低阶极化电压V
p1,k
和高阶极化电压V
p2,k
作为锂电池系统的状态变量值，即（3）选取k时刻电池端电压V
k
作为测量变量值，即y
k = V
k
（4）选取k时刻电流I
k
作为控制变量值，即 u
k = I
k
（5）从而分别得到基于具体代入变量的状态方程（1）和测量方程（2）：（6）（7）式中，R0为欧姆内阻，R
p1
为低阶极化内阻，R
p2
为高阶极化内阻，τ
p1
低阶时间常数，取值为低阶极化内阻和低阶极化电压的乘积，τ
p2
为高阶时间常数，取值为高阶极化内阻和高阶极
化电压的乘积，C
n
代表锂电池的电容量，T为锂电池系统采样时间，SOC
k
‑1为k
‑
1时刻电池SOC值，V
p1,k
‑1、V
p2,k
‑1分别为二阶RC等效电路模型中低阶极化电压值和高阶极化电压值，I
k
‑1为k
‑
1时刻电流值；其中，所述步骤S4过程如下：S41、确定可变遗忘因子递推最小二乘法模型及参数；所述步骤S41过程如下：确定递推最小二乘法公式如下：（8）式中，θ
k
是k时刻待辨识的电池模型参数值，是k+1时刻与参数θ
k
有关的模型增益值，是k+1时刻与参数θ
k
有关的锂电池的输入数据值，上标T表示矩阵转置，是k时刻与参数θ
k
有关的状态误差协方差值，是k+1时刻与参数θ
k
有关的状态误差协方差值，e
k+1
是k+1时刻的递推最小二乘型算法误差值，λ是可变遗忘因子值；引入可变遗忘因子值后，得到计算公式如下：（9）（10）（11）式（9）中，e
μ
表示μ时刻的估计误差值，e
k+1
为k+1时刻的估计误差值，y
k+1
是k+1时刻的测量变量值，是k+1时刻的测量变量估计值；式（10）中，Le(k+1)为k+1时刻的累积权重值，ρ为敏感因子值，S为开窗大小值；式（11）中，λ为可变遗忘因子值，λ
min
和λ
max
分别为遗忘因子最小值和最大值；S42、确定多新息无迹卡尔曼滤波模型及参数；S43、根据可变遗忘因子递推最小二乘法和多新息无迹卡尔曼滤波模型及参数估算锂电池SOC。2.根据权利要求1所述的锂电池SOC估算方法，其特征在于，所述步骤S42过程如下：S421、确定状态变量值的初始值x0(+)和后验状态误差协方差的初始值P0；S422、计算无迹变换采样点：（12）
式中，表示k时刻状态变量值x
k
无迹变换采样点的第i个状态值，x
k
(+)表示为k时刻的状态变量值x
k
的后验状态估计值，P
k
表示k时刻的状态变量值x
k
的均方差值，L为状态变量值的维度值，η代表缩放比值，权重值计算如下所示：（13）表示状态变...

【专利技术属性】
技术研发人员：裴海龙，袁洪元，韩有军，周钰，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：