基于自适应球型无迹卡尔曼滤波的锂电池的SOC估计方法技术

本发明专利技术公开了基于自适应球形无迹卡尔曼滤波滤波的锂电池的SOC估计方法，包括如下步骤：通过间歇式老化程度测定和实时校准计算处理过程，实现锂离子电池SOC估算的容量归一化表征；在容量归一化表征的基础上，通过老化状态对电量的影响系数计算获得老化因素影响的老化影响系数；在定期测定校准基础上，通过额定容量与循环次数相关值的同步获取和修正，获得叠加循环次数修正的函数关系；在老化影响系数和循环次数修正计算的基础上，结合两因素影响的叠加计算处理，获得老化过程对锂离子电池额定容量影响修正的老化过程特性，构造基于自适应球形无迹卡尔曼滤波的锂离子电池组SOC估算模型，通过锂离子电池组SOC估算模型得到锂电池的SOC估计值。电池的SOC估计值。电池的SOC估计值。

【技术实现步骤摘要】
基于自适应球型无迹卡尔曼滤波的锂电池的SOC估计方法


[0001]本专利技术涉及，具体是基于自适应球型无迹卡尔曼滤波的锂电池的SOC估计方法。

技术介绍

[0002]在锂离子电池的整个生命周期中，电池管理系统(Battery Management System，BMS)对核心参数SOC的监控和调节将影响应急动力输出的效果和安全性；因此，实时监测该参数的变化，并基于此保障锂离子电池的工作性能是非常必要的；由于BMS中的成组SOC估算技术尚不成熟，使用过程中存在的安全隐患严重制约了锂离子电池的发展；对于锂离子电池而言，可靠的BMS管理依靠准确的SOC值；在该值已知的情况下，不仅对其进行可靠能量管理和安全控制，而且还避免锂离子电池的提前损坏，延长其使用寿命；因此，精确估算SOC值，对保障锂离子电池的工作性能及其能量和安全管理至关重要；锂离子电池的SOC估算模型构建和精确估算值得获取，已成为其能量和安全管理的核心问题；锂离子电池由具有高能量密度和闭路电压的钴酸锂电池单体组合构成，其安全性受到所处工作状态的影响；SOC表征了锂离子电池的剩余容量，是电池管理系统最基本也是最重要的的一个关键参数；此外，锂离子电池的充放电过程包含复杂电能、化学能和热能转换等环节，过充电和过放电现象易引发安全事故，精确SOC估算在防止过充电和过放电中起着重要作用；在锂离子电池的应用中，其安全性依然是最为关注的问题，SOC估算是其安全使用的基础和前提。

技术实现思路

[0003]本专利技术的目的在于克服现有技术的不足，提供基于自适应球型无迹卡尔曼滤波的锂电池的SOC估计方法，包括如下步骤：
[0004]通过间歇式老化程度测定和实时校准计算处理过程，实现锂离子电池SOC估算的容量归一化表征；
[0005]在容量归一化表征的基础上，通过老化状态对电量的影响系数计算获得老化因素影响的老化影响系数；
[0006]在定期测定校准基础上，通过额定容量与循环次数相关值的同步获取和修正，获得叠加循环次数修正的函数关系；
[0007]在老化影响系数和循环次数修正计算的基础上，结合两因素影响的叠加计算处理，获得老化过程对锂离子电池额定容量影响修正的老化过程特性，构造基于自适应球形无迹卡尔曼滤波的锂离子电池组SOC估算模型，通过锂离子电池组SOC估算模型得到锂电池的SOC估计值。
[0008]进一步的，所述的构造基于自适应球形无迹卡尔曼滤波的锂离子电池组SOC估算模型，包括：
[0009]通过把SOC作为其状态方程中的变量，输出闭路电压作为观测方程的变量，构建状态方程和测量方程表达式；
[0010]SOC
(k+1)
为状态变量，是k+1时刻的SOC值；U
(k)
为工作电压输出观测变量；状态方程
系数A为系统矩阵，B为控制输入矩阵；H为观测矩阵，初始值为[0 0 1]；系统噪声参数θ
(k)
和观测噪声参数v
(k)
均为高斯白噪声，协方差分别为Q和R；U
(k)
为考虑测量误差v
(k)
影响的电压信号输出；
[0011]通过迭代计算，从上一个状态值SOC
(k+1)
、输入信号I
(k)
和测量信号U
(k)
计算出卡尔曼模型的估算值SOC
(k)
；
[0012]利用球形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，具有高斯白噪声θ
(k)
的随机向量SOC和具有高斯白噪声v
(k)
的观测变量U
(k)
构成离散时间非线性系统；通过把该估算框架应用于估算过程中，构建锂离子电池组SOC估算模型。
[0013]进一步的，所述的通过锂离子电池组SOC估算模型得到锂电池的SOC估计值，包括：
[0014]池状态空间模型如下所示：
[0015][0016]针对不同时刻k，该SOC估算过程包括融合高斯白噪声θ
(k)
的随机状态变量SOC，以及融入高斯白噪声v
(k)
的观测随机变量U
(k)
；f(*)是一个非线性状态方程，用于描述锂离子电池组的SOC状态；g(*)是一个非线性观测方程，用于描述输出闭路电压的特征；噪声矩阵θ
(k)
的方差使用Q进行描述，噪声矩阵v
(k)
的方差使用R进行描述。
[0017]进一步的，不同时刻k的估算通包括以下步骤：
[0018]使用球型无迹变换找出采样点，设初始设置状态变量x和误差协方差P0，如下式所示：
[0019][0020]对应权重系数为：
[0021][0022]式中，ω
i
代表均值和协方差权重的权重，ω0一般取0；
[0023]球面无迹变换的Sigma点计算如下式所示：
[0024][0025]选择的Sigma点数为(n+2)。当ω0为0时，相当于忽略x0点，只取(n+1)个点，其中，为n维向量；当j为1时，初始化一元向量：
[0026][0027]当j为2,3,
…
,n时，n维向量有：
[0028][0029]k+1时刻的系统状态变量的预计值：
[0030]x
i(k+1|k)
＝f(k，x
i(k|k)
)，i＝1，2，
…
，2n
[0031][0032]同样对k+1时刻误差方差矩阵进行预测为：
[0033][0034]将k+1时刻的状态量预测值点集代入观测方程，利用观测方程获取k+1时刻观测预计值，在观测方程中进行一次状态传递。继而加权得到k+1时刻测量量的均值：
[0035]y
i(k+1|k)
＝g[x
i(k+1|k)
]，i＝1，2，
…
，2n+1
[0036][0037]计算k+1时刻测量值的方差矩阵：
[0038][0039]计算k+1时刻的状态量与测量量的协方差：
[0040][0041]计算卡尔曼滤波增益：
[0042][0043]进一步的，无迹卡尔曼算法与自适应协方差算法相结合，通过实时修正误差协方差Q和R的值，抑制噪声值的不确定性，从而降低SOC估计误差，其中自适应算法如下式：
[0044][0045]其中，Δ＝P
(k+1)
‑
P
(k+1|k)
，d
(k+1)
代表缩放参数，c为遗忘因子，0.95≤c≤0.995；
[0046]误差方差矩阵更新：
[0047][0048]本专利技术的有益效果是：本专利技术是基于锂离子电池动力应用需求和工作特性实验分析，结合现代控制理论研究思想，基于自适应球形无迹卡尔曼算法的锂离子电池SOC估算方法，具有较强的适用性；针对锂离子电池SOC值精确估算目标，本发本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于自适应球形无迹卡尔曼滤波的锂电池的SOC估计方法，其特征在于，包括如下步骤：通过间歇式老化程度测定和实时校准计算处理过程，实现锂离子电池SOC估算的容量归一化表征；在容量归一化表征的基础上，通过老化状态对电量的影响系数计算获得老化因素影响的老化影响系数；在定期测定校准基础上，通过额定容量与循环次数相关值的同步获取和修正，获得叠加循环次数修正的函数关系；在老化影响系数和循环次数修正计算的基础上，结合两因素影响的叠加计算处理，获得老化过程对锂离子电池额定容量影响修正的老化过程特性，构造基于自适应球形无迹卡尔曼滤波的锂离子电池组SOC估算模型，通过锂离子电池组SOC估算模型得到锂电池的SOC估计值。2.根据权利要求1所述的基于自适应球形无迹卡尔曼滤波的锂电池的SOC估计方法，其特征在于，所述的构造基于自适应球形无迹卡尔曼滤波的锂离子电池组SOC估算模型，包括：通过把SOC作为其状态方程中的变量，输出闭路电压作为观测方程的变量，构建状态方程和测量方程表达式；SOC
(k+1)
为状态变量，是k+1时刻的SOC值；U
(k)
为工作电压输出观测变量；状态方程系数A为系统矩阵，B为控制输入矩阵；H为观测矩阵，初始值为[0 0 1]；系统噪声参数θ
(k)
和观测噪声参数v
(k)
均为高斯白噪声，协方差分别为Q和R；U
(k)
为考虑测量误差v
(k)
影响的电压信号输出；通过迭代计算，从上一个状态值SOC
(k+1)
、输入信号I
(k)
和测量信号U
(k)
计算出卡尔曼滤波模型的估算值SOC
(k)
；利用球形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，具有高斯白噪声θ
(k)
的随机向量SOC和具有高斯白噪声v
(k)
的观测变量U
(k)
构成离散时间非线性系统；通过把该估算框架应用于估算过程中，构建锂离子电池组SOC估算模型。3.根据权利要求2所述的基于自适应球形无迹卡尔曼滤波的锂电池的SOC估计方法，其特征在于，所述的通过锂离子电池组SOC估算模型得到锂电池的SOC估计值，包括：池状态空间模型如下所示：针对不同时刻k，该S...

【专利技术属性】
技术研发人员：王顺利，戚创事，侯燕，曹文，于春梅，朱永杰，陈超，陈蕾，黄燕，范永存，候萍，李阳，刘珂，
申请(专利权)人：四川新智绿能测控技术有限公司，
类型：发明
国别省市：