一种改进的无迹粒子滤波锂电池SOC估计方法技术

本发明专利技术针对粒子滤波存在的粒子退化和多样性不足等缺陷，提出一种权值递减粒子群改进无迹粒子滤波的锂电池SOC估计方法。文章选取改进的戴维南电路模型作为锂电池的等效模型，利用无迹卡尔曼滤波生成粒子滤波中的重要密度函数。引入粒子群优化算法改进重采样过程中粒子匮乏现象，粒子通过搜索重要性分布中的最优粒子位置，不断迭代更新自身位置，使每个粒子不断向最优位置移动，最大程度逼近后验概率密度函数。粒子滤波和粒子群算法的联合能同时改进粒子滤波中的重要密度函数和重采样过程，解决粒子退化和匮乏现象，克服了现有算法针对单一的缺陷进行改进的不足，提高了SOC估算的准确度和估算效率。准确度和估算效率。

【技术实现步骤摘要】
一种改进的无迹粒子滤波锂电池SOC估计方法


[0001]本专利技术涉及新能源测控领域，提出一种基于权值递减粒子群改进无迹粒子滤波的锂电池SOC估计方法。

技术介绍

[0002]电池荷电状态SOC的准确估计是电池管理系统的核心，其工作特性呈高度非线性。针对非线性状态估计问题，无法直接得到后验概率密度的表达式，只能采取两类近似的方法。一是将非线性问题进行线性化处理，比如扩展卡尔曼滤波方法，将非线性系统通过泰勒一阶线性化，但在实际应用中，可能会使滤波发散；二是针对非线性问题，采取近似逼近后验概率密度函数的方法。典型的有卡尔曼滤波方法和粒子滤波等。粒子滤波方法由于不受系统模型和噪声分布的影响，广泛用于处理非线性问题。但基本粒子滤波方法存在权值退化和粒子匮乏现象，不能有效表示整个后验概率密度函数。
[0003]针对粒子滤波存在的缺陷，已经有一些有效方法被提出，比如无迹卡尔曼粒子滤波、扩展卡尔曼粒子滤波等，主要对重要密度函数进行改进；同时，也提出一些方法对重采样过程进行改善，比如遗传算法、线性优化组合重采样等算法，但是这些算法都是针对单一的缺陷进行改进。如何针对锂电池剩余电量进行准确估计，找到精确度更高、鲁棒性更好的算法是值得考虑的。

技术实现思路

[0004]本专利技术针对现有技术的不足，提出一种权值递减粒子群改进无迹粒子滤波的锂电池SOC估计方法，同时改进粒子滤波中的重要密度函数和重采样过程，解决了粒子滤波中出现的粒子退化和匮乏现象，提高了SOC估算的准确度和估算效率。
[0005]锂电池等效建模是SOC准确估计的基础，文章选取改进的戴维南电路模型作为锂电池的等效模型，根据测量锂电池的外部特性，建立起与内部参数的联系；通过采用混合脉冲功率性能实验方法提取实验数据，结合最小二乘原理拟合进行离线参数辨识。
[0006]本专利技术的技术方案是：首先，利用无迹卡尔曼滤波生成粒子滤波中的重要密度函数，将落在先验分布中的样本点转移到似然区域中，增加重合度，提高有效粒子数量，使粒子选择更加靠近观测值区间；针对重采样过程中出现的粒子匮乏现象，引入粒子群优化思想，让粒子在每一次迭代过程中，通过搜索重要性分布中的最优粒子位置，不断迭代更新自身位置，使每个粒子不断向最优位置移动，最大程度逼近后验概率密度函数。具体步骤为：1、初始化：根据先验概率分布，随机生成SOC初始粒子，得到粒子权值，计算出粒子群初始的均值和协方差；2、重要性采样(1)、应用UKF算法更新粒子群中的每个粒子状态；(2)、计算通过UPF算法得到的粒子群集合的均值和方差；
(3)、从重要性密度函数中抽样新粒子样本集：3、权值计算并归一化通过对状态方程和测量方程的更新，得到：归一化权值：4、粒子群算法优化重采样（1）定义适应度函数：适应度函数值实质上就是粒子的权值，其作用是计算每个粒子的适应度来更新每个粒子的位置，再与粒子集局部最优和全局最优值进行比较，来使粒子集移动；（2）初始化：将经过UPF重要性采样生成的粒子集合作为粒子群的初始位置；（3）通过公式(8)来迭代更新每个粒子的速度和位置，并计算每个粒子的适应度值，根据适应度值更新粒子局部最优和全局最优值，使粒子不断向真实值靠近；其中，ω为惯性权重系数，以平衡粒子群优化的全局和局部搜索能力。c
1, c2是学习因子，通过调整学习因子可以决定粒子向个体最优和全局最优移动的权重，P
pbest
是局部最优值；P
gbest
是全局最优值；（4）当达到最大迭代次数或者达到设定的最优阈值时，停止搜索，输出最优估计结果，更新状态变量SOC值；5、状态变量更新更新状态量SOC值，计算得到系统的后验概率估计值；
附图说明
[0007]图1本专利技术估算锂电池荷电状态算法结构。
[0008]图2为本专利技术重采样改善示意图。
[0009]图3为本专利技术算法结构图。
具体实施方式
[0010] 针对提髙SOC估算精度目标，通过把SOC作为状态方程中的变量，输出端电压作为观测方程的变量，构建状态方程和观测方程以实现SOC值的迭代计算。其中，SOC
k
为状态变
量，是k时刻的SOC值；U
L
(k)为工作电压输出观测变量；系统噪声参数w
k
和观测噪声参数v
k
均为高斯白噪声。通过迭代计算，从上一个状态值SOC
k
、输入信号I(k)和测量信号U
L
(k)计算出卡尔曼模型的估算值SOC
k+1
；利用无迹变换代替状态变量统计特性线性化变换，对于不同时刻的k值，随机向量SOC和观测变量U
L
(k)构成离散时间非线性系统。通过把该框架应用于估算过程中，构建锂离子电池SOC估算模型如图1所示。将滤波算法应用在锂电池SOC估算时，其状态方程和观测方程为：UPF算法思想：用无迹卡尔曼滤波算法(Unscented Kalman Filter,UKF)来产生粒子滤波(Particle Filter，PF)的重要性分布函数，以UT变换为基础，在采样阶段，利用UKF算法以及最新的观测信息来计算每个粒子的均值和方差，并利用均值和方差来采样并更新粒子，增加粒子数与似然分布的重叠部分，使粒子的选择更靠近观测值区间，提高滤波精度。
[0011]具体步骤为：步骤一：给定先验分布中，抽取粒子初始状态：步骤二：每个粒子Sigma点的构造：步骤三：Sigma点一步预测：步骤四：更新Sigma采样点；步骤五：计算输出预测均值及方差：步骤六：融入最新观测值，进行更新：
步骤七：测量更新：步骤八：计算采样更新粒子：步骤九：更新粒子权值并归一化：步骤九：更新粒子权值并归一化：步骤十：重采样，计算有效粒子数：若（为设定粒子数目阈值），依据建议分布函数进行重采样，得到新的样本集；步骤十一：更新估计值：PSO思想如图2所示：粒子群优化思想不是简单的进行粒子复制，而是在每一次迭代过程中，让粒子在空间全局移动，通过局部最优解和全局最优解来搜索重要性分布中的最优粒子位置，使每个粒子不断向最优位置移动，很好地解决了重采样过程中的粒子匮乏现象。
[0012]具体步骤为：（1）定义适应度函数：（1）定义适应度函数：是测量噪声，是时刻真实的端电压测量值；是时刻估计测量值。适应度函数值实质上就是粒子的权值，其作用是计算每个粒子的适应度来更新每个粒子的位置，再与粒子集局部最优和全局最优值进行比较，来使粒子集移动。
[0013]（2）初始化：将经过UPF重要性采样生成的粒子集合作为粒子群的初始位置。
[0014]（3）通过公式(8)来迭代更新每个粒子的速度和位置，并计算每个粒子的适应度值，根据适应度值更新粒子局部最优和全局最优值，使粒子不断向真实值靠近；
其中，为惯性权重系数，以平衡粒子群优化的全局和局部搜索能力。，是学习因子，通过调整学习因子可以决定粒子向个体最优和全局最优移动的权重，是第个粒子在当前时刻的局部最优值；是粒子群在当前时刻的全局最优值。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种改进的无迹粒子滤波锂电池SOC估计方法，其特征在于，提出了一种权值递减粒子群改进无迹粒子滤波的锂电池SOC估计方法，能同时改进粒子滤波中的重要密度函数和重采样过程，解决了粒子滤波中出现的粒子退化和匮乏现象，克服了现有算法针对单一缺陷进行改进的不足，提高了SOC估算的准确度和估算效率。2.根据权利要求1所述的一种权值递减粒子群改进无迹粒...

【专利技术属性】
技术研发人员：陈蕾，王顺利，于春梅，
申请(专利权)人：西南科技大学，
类型：发明
国别省市：