基于扩展卡尔曼粒子滤波算法的动力电池soc估计方法
【专利摘要】本发明公开了一种基于扩展卡尔曼粒子滤波算法的动力电池SOC估计方法，现有方法存在不能满足在线估计，累计误差大，发散等问题。本发明方法结合扩展卡尔曼滤波和粒子滤波方法，采用扩展卡尔曼滤波来产生重要密度函数，避免粒子退化现象，提高估计精度。本发明方法可以有效的估计电池SOC，精度较高，而且适用于各种电池SOC估计。
【专利说明】基于扩展卡尔曼粒子滤波算法的动力电池SOC估计方法
【技术领域】
[0001]本发明公开了基于扩展卡尔曼粒子滤波算法的动力电池SOC估计方法，属于锂电池的【技术领域】。
【背景技术】
[0002]动力电池作为电动汽车的关键技术部件，其性能直接影响到整车性能的好坏。电池荷电状态(state of Charge, S0C)是用来描述电池剩余电量的数量，进而反映电动汽车的续驶里程。动力电池荷电状态估计是电池管理系统的重要功能，也是其发展急需解决的技术难点，实时准确的SOC估计对电池性能、使用寿命以及电动汽车的发展有重大意义。动力电池的高度非线性使得许多滤波方法难以得到准确的估计结果，因此，必须建立一个合适的电池模型，采用精确的估计滤波方法，这样才能获得更准确的结果。
[0003]目前，电动汽车使用的动力电池SOC估计方法主要有安时计量法、开路电压法、神经网络法和卡尔曼滤波法等。安时计量法简单易实现，但累计误差大，对测量设备精度要求高；开路电压法只适用于电池静置足够长时间后进行估计，不能实时估计；神经网络能够在线估计，但缺点是需要大量的训练数据；卡尔曼滤波法将非线性系统线性化，但对非线性强度高的系统，容易导致滤波效果下降，甚至发散，粒子滤波算法存在粒子退化并且算法抖动等问题。
【发明内容】
[0004]本发明所要解决的技术问题是针对上述【背景技术】的不足，提供了基于扩展卡尔曼粒子滤波算法的动力电池SOC估计方法。
[0005]本发明为实现上述发明目的采用如下技术方案:
[0006]基于扩展卡尔曼粒子滤波算法的动力电池SOC估计方法，、包括如下步骤:
[0007]步骤1，建立电池电量数学模型，得到电池系统离散空间模型；
[0008]步骤2，利用扩展卡尔曼粒子滤波算法预测动力电池SOC:
[0009]步骤2-1，在初始采样时刻，由初始概率分布随机产生粒子集；
[0010]步骤2-2，在当前采样时刻内，由扩展卡尔曼滤波算法得到当前时刻每个粒子状态量右侧估计值以及协方差右侧估计值；
[0011]步骤2-3,计算当前时刻各粒子权重,归一化当前时刻粒子权重，由归一化的当前时刻粒子权重得到有效粒子数:
[0012]当有效粒子数目小于粒子数目阈值时，返回步骤2-1 ;否则，输出当前时刻电池荷电状态更新值；
[0013]步骤2-4，进入下一采样时刻，重复步骤2-2至步骤2-3。
[0014]所述基于扩展卡尔曼粒子滤波算法的动力电池SOC估计方法中，步骤2-2利用如下方法计算当前时刻每个粒子状态量右侧估计值以及协方差右侧估计值:
[0015]步骤A，扩展卡尔曼滤波器预测方程:[0016]状态变量预测估计:4 = /Ku., &—丨)，
[0017]协方差误差预测估计:Pkj = AkH + Σ J
[0018]步骤B，扩展卡尔曼滤波器校正方程:
[0019]卡尔曼增益计算.Kl= PkjCr^C^1C1k + X 1 , [0020]状态变量最优估计:.<,= + Kk\Yk -g{x, ?Uk)]，
[0021 ]协方差最优估计:~、E- KiC^Pkj，
[0022]其中，r；,为k时刻第i个粒子状态量左侧估计值，x1-1j为k-Ι时刻第i个粒子状态量右侧估计值，Ulri为k-Ι时刻输入控制变量，4为k时刻第i个粒子协方差左侧估计值，Alri为k-Ι时刻系统矩阵，^ k-Ι时刻第i个粒子协方差右侧估计值，Kk为k时刻卡尔曼增益，Ck为k-Ι时刻协方差矩阵，4力k时刻第i个粒子状态量右侧估计值，Yk为k
时刻SOC量测结果，Uk为k时刻输入控制变量，乃"力k时刻第i个粒子协方差右侧估计值，
E为单位矩阵，W、V为互不相关的系统噪声，f、g分别为非线性状态转移函数和非线性测量函数。
[0023]所述基于扩展卡尔曼粒子滤波算法的动力电池SOC估计方法中，步骤2-3利用表 JVrr =——-——
达式?计算有效粒子数目Neff,其中,qi为k时刻第i个粒子状态量右侧估计值
/:1
、的后验概率，N为粒子总数。
[0024]本发明采用上述技术方案，具有以下有益效果:本发明可以精确的对动力电池荷电状态(SOC)进行估计，能解决现有估计方法存在的不能满足在线估计，累计误差大，发散，粒子退化等问题，估计精度高。
【专利附图】
【附图说明】
[0025]图1是扩展卡尔曼滤波器流程图。
[0026]图2是本发明实施方式流程图。
[0027]图3为具体实施例中实验电池放电电流波形。
[0028]图4为采用扩展卡尔曼滤波、粒子滤波和扩展卡尔曼粒子滤波三种算法对电池SOC进行估计的结果比较图。
【具体实施方式】
[0029]下面结合附图对发明的技术方案进行详细说明:
[0030]本发明适用于各动力电池的SOC估计，对于不同的动力电池模型，确定其扩展卡尔曼粒子滤波离散状态空间模型后，利用扩展卡尔曼粒子滤波方法估计S0C，其中，在扩展卡尔曼粒子滤波器采样后对各采样时刻采集的样本进行重要性采样得到各采样时刻的粒子集，利用各采样时刻的粒子集训练扩展卡尔曼粒子滤波器预估S0C。[0031]下面以电化学复合电池模型为例阐述本发明的技术方案，利用本发明所述的基于扩展卡尔曼粒子滤波算法的动力电池SOC估计方法估计电池的S0C，如图2所示包括如下步骤。
[0032]步骤1，电化学复合模型状态空间方程的确定；
[0033]动力电池电化学复合模型的状态空间方程如式(I)所示，观测方程如式(2)所示:
[0034]
【权利要求】
1.基于扩展卡尔曼粒子滤波算法的动力电池SOC估计方法,其特征在于,包括如下步骤: 步骤1，建立电池电量数学模型，得到电池系统离散空间模型； 步骤2，利用扩展卡尔曼粒子滤波算法预测动力电池SOC: 步骤2-1，在初始采样时刻，由初始概率分布随机产生粒子集； 步骤2-2，在当前采样时刻内，由扩展卡尔曼滤波算法得到当前时刻每个粒子状态量右侧估计值以及协方差右侧估计值； 步骤2-3，计算当前时刻各粒子权重，归一化当前时刻粒子权重，由归一化的当前时刻粒子权重得到有效粒子数， 当有效粒子数目小于粒子数目阈值时，返回步骤2-1 ;否则，输出当前时刻电池荷电状态更新值； 步骤2-4，进入下一采样时刻，重复步骤2-2至步骤2-3。
2.根据权利要求1所述的基于扩展卡尔曼粒子滤波算法的动力电池SOC估计方法，其特征在于，步骤2-2利用如下方法计算当前时刻每个粒子状态量右侧估计值以及协方差右侧估计值: 步骤A，扩展卡尔曼滤波器 预测方程:
3.根据权利要求2所述的基于扩展卡尔曼粒子滤波算法的动力电池SOC估计方法，其
【文档编号】G01R31/36GK103472398SQ201310361928
【公开日】2013年12月25日 申请日期:2013年8月19日 优先权日:2013年8月19日
【发明者】周晓凤, 赵又群, 臧利国 申请人:南京航空航天大学