【技术实现步骤摘要】
一种锂电池SOC估计的高阶卡尔曼滤波算法
[0001]本专利技术涉及高阶卡尔曼滤波算法
，尤其是涉及一种锂电池SOC估计的高阶卡尔曼滤波算法。
技术介绍
[0002]近些年来，由于能源短缺与环境污染的加重，新能源与新材料的研究与快速发展，促使电动汽车技术愈加成熟，也已经走进大众生活。电动汽车不同于传统汽车，具有节能、零排放和低噪声等优点，其使用的充电锂离子电池不仅具有高效率、高能量密度、低维护和长循环寿命等优点，还可以减少碳排放为遏制全球变暖做出贡献，因此已成为电动汽车主要应用电源之一。
[0003]电池荷电状态(State of charge，SOC)是指动力电池剩余容量与最大可用容量之比，精确预测电池SOC将决定是否能够最大限度的利用电池能量，也是锂电池安全稳定运行的前提和关键。锂电池SOC估计的难点在于无法直接测得，并且其内在系统具有高度非线性性，这些都给估计的准确性带来很大的困难。
[0004]电动汽车锂电池组SOC的实时精确估计不仅可以反映汽车的续航里程，同时也能指示不同电池间容量大小，改善电...
【技术保护点】
【技术特征摘要】
1.一种锂电池SOC估计的高阶卡尔曼滤波算法，其特征在于，包括以下步骤：S1、锂电池充放电动态过程建模，采用一阶戴维宁等效模型对电池的充放电特性来进行软测量；S2、隐变量引入扩维建模，一类非线性系统方程为x(k+1)＝A
(0)
(k)x(k)+A
(1)
(k)f
(1)
(x(k))+
…
+A
(r)
(k)f
(r)
(x(k))+w(k)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)y(k+1)＝C
(0)
(k+1)x(k+1)+C
(1)
(k+1)f
(1)
(x(k+1))+
…
+C
(r)
(k+1)f
(r)
(x(k+1))+v(k+1)
ꢀꢀ
(2)式中，x(k)∈R
n
是状态向量；y(k)∈R
m
是测量向量；是关于状态的非线性函数；w(k)是均值为零，方差为Q的高斯白噪声；v(k)是均值为零，方差为R的高斯白噪声；令α
(l)
(k):＝f
(l)
(x(k))；l＝1,2,
…
,r
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)是相对于原始变量x(k)的隐变量函数，简称隐变量；状态方程(1)与测量方程(2)等价改写为改写为对状态变量x(k)与隐变量完全扩维X(k)＝[x(k) α
(1)
(k)
…
α
(r)
(k)]
T
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)建立隐变量之间的线性动态关系式中，j＝0,1,
…
,r表示待辨识的模型参数；式(4)和(7)分别再等价描述为式(4)和(7)分别再等价描述为记W(k)＝[w(k) w
(1)
(k)
…
w
(r)
(k)]
T
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(11)
H(k)＝[C
(0)
(k+1) C
(1)
(k+1)
…
C
(r)
(k+1)]
ꢀꢀꢀꢀꢀ
(12)扩维状态X(k)的状态模型和观测模型为X(k+1)＝F(k)X(k)+W(k)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(13)y(k+1)＝H(k+1)X(k+1)+v(k+1)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(14)S3、针对锂电池基于扩维状态的状态模型和观测模型建立高阶卡尔曼滤波器。2.根据权利要求1所述的一种锂电池SOC估计的高阶卡尔曼滤波算法，其特征在于：所述步骤S1中，电池的电压动态方程为U
t
＝U
oc
‑
IR
o
‑
U
p
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(15)式中，U
t
表示端电压；U
oc
表示开路电压；U
p
表示极化电压；R
o
表示欧姆电阻；I表示流过电池的负载电流；采用激励响应分析方法模拟电池的浓差极化和电化学极化效应；其零输入响应和零状态响应分别描述为：U
p
＝U
p
(0)e
‑
t/τ
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(16)U
p
＝IR
p
(1
‑
e
‑
t/τ
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(17)在放电过程中，通过将电池视作零输入响应和零状态响应的叠加，式中，R
p
表示极化电...
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。