用于确定状态噪声协方差矩阵的方法和相应设备与流程

本发明涉及监测电蓄能器的电池的工作状态，并且尤其涉及监测飞机机载电池的工作状态。

更具体地，本发明涉及监测电蓄能器的电池的充电状态(也称为soc)。

背景技术：

估计充电状态soc是电能储存系统管理的必要部分。

目前，存在各种用于确定电池的充电状态的方法。

这些方法中的一种方法包括使用采用卡尔曼滤波器的充电状态观测器，在该卡尔曼滤波器中，通过校正增益，将所测量的电池电压与通过模型估计的电压之间的误差用来来校正电池模型的状态。调整所述增益值，以便调节观测器的动力学/动态行为。

该滤波器(也被称为扩展卡尔曼滤波器ekf)基于下述的模型——该模型以状态方程的形式描述电池的行为。

校正所述模型的内部状态(尤其是充电状态soc)，以使得作为模型输出的估算电压与测得的电池端子间电压之间的差最小化。

由于递归计算的动态校正增益，保持了模型行为和电池行为之间的收敛。

卡尔曼滤波器使用误差协方差b、状态噪声协方差q和测量噪声协方差r矩阵，这些协方差矩阵作用于系统的动力学/动态行为。

充电状态观测器需要矩阵p、r和q的初始化。

第一矩阵p在每次迭代时计算在每个状态变量中发现的误差。基于对操作条件的了解、或基于要考虑的与100％的soc估计中的初始误差相对应的最坏情况初始化来对该矩阵进行初始化。第二矩阵r是如此地用实验方法定义的：即通过对在休息阶段测量的电池电压进行采样来量化来自传感器的噪声。

识别第三个矩阵q是最关键的任务。这代表了模型中的错误，并且因此需要对所使用的模型有良好的了解和理解。

由于所观测的系统的状态不是物理可测量的，因此在现有技术中凭经验来定义矩阵q，或甚至凭直觉来定义矩阵q，这影响了现有技术方法的可靠性。

技术实现要素：

因此，本发明的目的是克服现有技术的缺点，并提供一种用于确定状态噪声协方差矩阵q的方法，该方法考虑了电池的工作条件。

因此，根据第一方面，本发明的一个主题是一种用于确定状态噪声协方差矩阵的方法，所述状态噪声协方差矩阵用于调整包括一组工作点的电池的充电状态的观测器。

该方法包括：

-针对每个工作点，确定电池的电气模型的阻抗的值的步骤；

-计算通过电气模型获得的电压与在电池的端子之间实际测得的电压之间的电压差的步骤，所述电气模型的阻抗是在上述确定步骤完成时确定的；

-储存所述阻抗的值和所述电压差的值的步骤；

-针对所述电池的各个工作点产生协方差矩阵的步骤，所述协方差矩阵包括基于来自上述计算步骤的电压差而获得的标准偏差。

因此，获得针对电池的该组工作点中的每个工作点的测定误差。因此，这些误差不是固定的，而是取决于电池的工作条件。

根据另一个特征，阻抗的值是基于电池的端子之间的电压和通过电池的电流而确定的。

根据又一个特征，使用最小二乘法来确定阻抗的值。

例如，电池的电气模型的阻抗包括电池的阻抗和电阻。

有利地，根据电池的充电状态、通过电池的电流和电池的温度来储存所述阻抗的值。

根据该方法的又一个特征，储存针对每个充电状态的电压差。

有利地，根据温度和通过电池的电流来获得电压差。

在一个实施例中，基于电池的端子之间的电压的测量值与所述电压的估计值之间的差来获得电压差。

在一个有利的实施方式中，观测器是扩展卡尔曼滤波器。

根据另一方面，本发明的另一主题是一种用于确定电蓄能器的电池的充电状态的设备，其包括：电池的充电状态的观测器；存储器，针对电池的每个工作点，电池的电气模型的阻抗的值被储存在所述存储器中；用于计算通过其阻抗已被储存的电气模型而获得的电压与电池的端子之间的实际测量的电压之间的电压差的装置；以及用于产生协方差矩阵的装置，所述矩阵包括针对电池的各个工作点的标准偏差，所述标准偏差根据所计算的电压差来获得。

附图说明

在阅读以下描述时，本发明的其他目的、特征和优点将变得显而易见，所述描述仅通过非限制性示例并参考附图的方式来给出，在附图中：

-图1示出了电池的电气模型；

-图2示出了用于确定状态噪声协方差矩阵的方法的主要步骤；以及

-图3是实现图2的方法的框图。

具体实施方式

参考图1，可以以电气模型的形式来对电池、并且特别地飞机机载的电池进行建模，该电气模型包括电压源ocv(其表示电池的开路电压)、电阻r0和阻抗z1(其分别描述电池的静态行为和动态行为)。

可以基于该电气模型的分量以及电池的电流来表示电池的输出电压。

因此，该模型的内部状态变量是充电状态soc和阻抗z1端子之间的电压v1。假设状态的噪音服从正态定律。它们是白噪音、高斯(分布)的且中心化的。

在这些条件下，状态噪声协方差矩阵q(其表示电气模型分量中的误差)被表达为：

其中：(σv1)²和(σsoc)²分别表示状态v1和soc量的估计中的误差方差。

参数σsoc表征了充电状态soc的不确定性。该参数影响所估计的充电状态相对于实际充电状态的收敛速度和估计的不确定性。因此，例如，当参数σsoc很大时，很快收敛到实际soc，代价是增加了不确定性。

由于确定该参数的值与最终应用有关而不是与电池的电气模型有关，因此该参数由用户凭经验来确定。

因此假设建模误差仅发生在对参数σv1的识别中。

因此，用于确定矩阵q的方法主要包括：基于针对电池的各个工作点的测量电压与预估电压之间的误差的标准偏差来产生协方差矩阵。

因此，电池的模型的特点在于一特征矩阵，该特征矩阵包括m个电流状态、n个温度和p个测得的充电状态值。

因此，参考图2，在第一阶段i中，实施测试电池的阶段，从而可以获得针对每个工作点的分量r0和z1的值——其通过电流、温度和充电状态值ii、tj、sock来定义。因此，对于每个工作点重复测试协议。

基于电压值vm和电流值im，通过使用最小二乘法(步骤1)识别传递函数来确定分量r0和z1的值，并且根据充电状态soc、电流和温度将所获得的结果保存在矩阵中。

在完成该先前测试阶段之后，电池的电气模型的分量被储存在一针对所有工作点(即针对给定电流ii和给定温度tj下的所有充电状态sock＝1，...p)的映射中(步骤2)。

并行地，针对每个被测的sock，保存由识别产生的误差(被称为残余误差r(sock)，所述误差为测量电压vm和通过模型预测的电压之间的误差(步骤3)。

接下来，该方法从以下阶段ii进行到实际产生矩阵q。

如上所述，充电状态soc是待观测的状态量。相对于温度和电流来说，它对模型参数的影响最小。因此，误差对该状态量的依赖性可以忽略不计。另外，电阻r0的估计通常比阻抗z1的估计更直接且更准确。

因此，假设在测量的输出电压和预测电压之间的误差主要是由电压v1引起的。

然后通过计算残差的标准偏差σ[r(soc1...p)](其在测量电压和预测电压之间获得)来确定参数σv1的值(步骤4)。然后，按矩阵来为由温度值和电流值定义的每个工作点制表(步骤5)。

由此获得取决于电池的工作条件的状态噪声协方差矩阵q.

新矩阵q被写成：

其中σv1被表示为电流i和温度t的函数。

因此，上述方法使得能够在所设想的应用的工作范围内(尤其在极端温度(低温)和电流(大电流)限制下)确定矩阵q。

此外，上述发明基于特别简单的电池电气模型。然而，该方法不限于这样的电气模型，并且可以适用于更复杂的电气模型。

例如，当使用包括数量增加的电气建模分量的电气模型时，这些分量端子之间的电压构成被添加到基本模型中的模型分量。因此，在上述阶段1的步骤3中，针对每一个电气建模分量，计算测量电压和预测电压之间的残差。因此，测量和预测之间的电压误差被分布在各个状态量上。

此外，阻抗z1实际上可以以各种形式来建模，例如通过一系列使用电阻和电容的rc电路来建模。

在不脱离本发明的范围的情况下，也可以改变模型的类型，例如可以使用电化学模型。

参考图3，上述方法可以借助于示意性示出的设备来实现，该设备包括与存储器7组合的、结合有电池充电状态观测器6(在这种情况下是扩展卡尔曼滤波器)的计算机c，所述存储器7储存针对电池的每个工作点在先前的测试阶段中获得的电池电气模型的至少一个分量的值(在这种情况下是电阻值和阻抗值)、以及在确定这些分量时的误差，所述计算机被适当地编程，以根据温度和电流来计算在电池的使用期间所述误差的标准偏差，以便产生用于卡尔曼滤波器6的矩阵q。