本发明涉及动力电池管理领域，特别涉及一种SOC估计方法。
背景技术：
近年来，随着空气质量的日益恶化以及石油资源的渐趋匮乏，新能源汽车，尤其是纯电动汽车成为当今世界各大汽车公司的开发热点。动力电池组作为电动汽车的关键部件，动力电池SOC被用来直接反应电池的剩余电量，是整车控制系统制定最优能量管理策略的重要依据，动力电地SOC值的准确估计对于提高电池安全可靠性、提高电池能量利用率、延长电池寿命具有重要意义。目前，常用的SOC估计方法主要有开路电压法、安时积分法、卡尔曼滤波法和神经网络法等。
开路电压法，根据OCV-SOC关系，单独使用到适用于电动汽车的驻车状态，不能在线、动态估算。通常，开路电压法用于为其它估计方法提供SOC的初始值。
安时积分方法的基本原理：安时积分法具有成本低、测量方便等优点，缺点为需要借助其它方法获得SOC初始值；电流测量精度对SOC估计精度具有决定性影响；积分过程的累积误差无法消除。
神经网络法具有良好的非线性映射能力，理论上动力电池的非线性特性能够较好的由神经网络映射，但其需要大量的数据进行训练，使用复杂，训练数据和训练方法对估计精度的影响较大。
卡尔曼滤波法(KF，KalmanFilter)应用在线性系统中，核心思想是对动态系统的状态做出最小均方意义上的最优估计，卡尔曼滤波的优点在于误差纠正能力较强，不足在于估计精度对电池模型的准确性依赖较高。近年来在非统性系统中衍生出扩展卡尔曼滤波与无迹卡尔曼滤波等算法。
扩展卡尔曼滤披(EKF)对非线性函数的Taylor展开式进行一阶线性化截断，忽略其余高阶顶，从而将非线性问题转化为线性，可以将卡尔曼线性滤波算法应用于非线性系统中。这样一来，解决了非线性问题。然而该种方法也带来了两个缺点，其一是当强非线性时EKF违背局部线性假设，Taylor展开式中被忽略的高阶项带来大的误差时，EKF算法可能会使滤波发散；另外，由于EKF在线性化处理时需要用雅克比矩阵，其繁琐的计算过程导致该方法实现相对困难。
无迹卡尔曼滤波(UKF)是一种新型的滤波估计算法。UKF以UT变换为基础，摒弃了对非线性函数进行线性化的传统做法，采用卡尔曼线性滤波框架，对于一步预测方程，使用无迹(UT)变换来处理均值和协方差的非线性传递。UKF没有线性化忽略高阶项，因此非线性分布统计量的计算精度较高。但是传统的无迹卡尔曼滤波算法协方差看作常量，不能满足噪声实时更新的特性，从而对精度产生了一定的影响。
技术实现要素：
本发明的目的是在普通UKF算法的基础上进行改进，将每次测量的输出值和模型估 计得到的输出值的残差及各状态sigma点估算的输出值残差的加权和作为新息来估计当前时刻的噪声协方差，让其随时间而更新，实时反馈，从而提高精度。
为实现上述目的，本发明提供的技术方案为：一种SOC估计方法，包括以下步骤，
S1、建立锂电池组在t时刻的SOC方程：
其中ki为充放电倍率补偿系数，kt为温度补偿系数，kc为循环次数补偿系数，CN为电池实际可用容量；
S2、对锂电池进行等效电路建模，采用二阶RC电路建立为等效电路模型，该等效电路模型包括依次串联的一电压源Voc、一内阻R以及两个时间常数不同的RC并联环路；
S3、建立SOC的状态方程：
其中：
S4、根据步骤S3建立的状态方程，更新状态方程估计的时间为
S5、更新均方差时间为
S6、先验估计系统输出为
S7、计算滤波增益矩阵；
S8、根据步骤S4更新的状态方程估计时间、步骤S6的系统输出先验估计、步骤S7的滤波增益矩阵来估计最优的状态为
S9、根据步骤S5更新的均方差时间、步骤S7的滤波增益矩阵来估计均方误差为
S10、建立过程噪声和测量噪声更新方程，
其中μk和yk|k-1，i分别是测量输出量的残差和各sigma点估算得到的测量输出量的残差。
具体的，步骤S4状态方程的建立方法为：
S41、确定初始状态为
S42、对S41中的初始状态进行扩维：
其中Q、R是协方差矩阵，是对称的矩阵，而且对角线上是各个维度上的方差；
S43、对S42中的扩展状态计算均值：
对S42中的扩展状态计算方差：
S44、选取2L+1个采样点，其中Sample＝{zi，Xk-1，i}，i＝0，1，2…，2L+1；Xk-1，i为所选粒子，zi是相应的加权值。
具体的，步骤S44粒子点按如下方式选取：
对应的加权系数为：
其中λ为比例系数，满足λ＝α2(L+t)-L，z(m)、z(c)分别是粒子点均值和方差相对应的加权值；而表示(L+λ)PX，k-1的平方根矩阵的第i列。
具体的，步骤S10建立的过程噪声和测量噪声更新方程，将每次测量的输出值的残 差μk和模型估计得到的输出值的残差yk及各状态sigma点估算的输出值残差yk|k-1，i的加权和作为新息来估计当前时刻的噪声协方差，让其随时间而更新，实时反馈，从而提高精度。
本发明有益效果在于能够让原本固定不变的噪声协方差随时间而更新，实时反馈，从而提高精度，对初始值具有较好的鲁棒性，递推计算过程中能够较快的收敛到正确值，且估算精度高，动态性能好，计算量小，方便实现。
附图说明
图1是本发明等效电路模型示意图。
具体实施方式
参照附图1介绍本发明的具体实施方式。
非线性离散时间系统状态方程和观测方程的一般形式为
ωk的为系统噪声，vk为观测噪声，对于UKF，其迭代方程是基于特定选取的一组采样点来进行的，采样点的选取依据是要使其均值和方差与状态变量的期望均值和方差保持一致，然后这些点通过非线性系统模型进行传递，产生一系列的预测点群，最后通过对这些点群的均值和方差进行纠正，便可以估计出期望的均值和方差，UKF迭代之前，先将状态变量扩展为原始状态、过程噪声和测量噪声三者的叠加。对于锂电池，由安时积分法可得在t时刻电池组的SOC为：
其中ki为充放电倍率补偿系数，kt为温度补偿系数，kc为循环次数补偿系数，CN为电池实际可用容量。
根据非线性离散时间系统状态方程和观测方程的一般形式以及 得到状态方程：
Uk＝Ek-IkR-Us，k-Up，k+v(k)
＝F(SOCk)-IkR-Us，k-Up，k+v(k)
其中：
根据附图1的电路模型：
xk＝[SOCk，Us，k，Up，k]为系统的原始状态；yk为原始输出，对应电路模型中的Uk；uk为控制量，对应电路模型中的IK，且令ψ＝[y1，y2，…，yk]，然后进行无迹卡尔曼滤波运算。
先进行状态估计时间的更新：基于上一时刻状态最优估计得到扩展状态的均值和方差，据此选择(2L+1)个采样点，最后将采样点通过状态方程进行变换并完成状态预测。
初始化，确定初始状态：
状态扩维：
其中，Q、R是协方差矩阵，是对称的矩阵，而且对角线上是各个维度上的方差。
扩展状态均值：
扩展状态方差：
选取采样点：Sample＝{zi，Xk-1，i}，i＝0，1，2…，2L+1；其中Xk-1，i为所选粒子，zi是相应的加权值。粒子点按如下方式选取：
对应的加权系数为：
λ为比例系数，满足：λ＝α2(L+t)-L，z(m)、z(c)分别是粒子点均值和方差相对应的加权值；而 表示(L+λ)PX，k-1的平方根矩阵的第i列；参数t满足t≥0以保证方差矩阵为正定，一般默认t＝0；α控制粒子分布距离，且满足10-2≤α≤1，在此取α＝1；β于减小高阶项误差，对以正态分布最优取β＝2。分析采样点又可分为和三部分，据此进行状态估计的时间更新为：
均方误差时间更新：
系统输出先验估计：
滤波增益矩阵计算：
状态最优估计：
均方误差估计：
由于过程噪声和测量噪声都是时变的，为了让噪声协方差实时更新：
其中μk和yk|k-1，i分别是测量输出量的残差和各sigma点估算得到的测量输出量的残差。即可实现过程噪声和测量噪声的实时更新。至此自适应估计卡尔曼滤波建立完成。
传统的无迹卡尔曼滤波算法协方差看作常量，不能满足噪声实时更新的特性，从而 对精度产生了一定的影响，为消除此影响，本发明在普通UKF算法的基础上进行改进，步骤S10建立的过程噪声和测量噪声更新方程，将每次测量的输出值的残差μk和模型估计得到的输出值的残差yk及各状态sigma点估算的输出值残差yk|k1，i的加权和作为新息来估计当前时刻的噪声协方差，让其随时间而更新，实时反馈，从而提高精度。
以上所述并非对本发明的技术范围作任何限制，凡依据本发明技术实质，对以上的实施例所作的任何修改、等同变化与修饰，均仍属于本发明的技术方案的范围内。