基于擴展卡爾曼粒子濾波算法的動力電池soc估計方法
【專利摘要】本發明公開了一種基于擴展卡爾曼粒子濾波算法的動力電池SOC估計方法，現有方法存在不能滿足在線估計，累計誤差大，發散等問題。本發明方法結合擴展卡爾曼濾波和粒子濾波方法，采用擴展卡爾曼濾波來產生重要密度函數，避免粒子退化現象，提高估計精度。本發明方法可以有效的估計電池SOC，精度較高，而且適用于各種電池SOC估計。
【專利說明】基于擴展卡爾曼粒子濾波算法的動力電池SOC估計方法
【技術領域】
[0001]本發明公開了基于擴展卡爾曼粒子濾波算法的動力電池SOC估計方法，屬于鋰電池的【技術領域】。
【背景技術】
[0002]動力電池作為電動汽車的關鍵技術部件，其性能直接影響到整車性能的好壞。電池荷電狀態(state of Charge, S0C)是用來描述電池剩余電量的數量，進而反映電動汽車的續駛里程。動力電池荷電狀態估計是電池管理系統的重要功能，也是其發展急需解決的技術難點，實時準確的SOC估計對電池性能、使用壽命以及電動汽車的發展有重大意義。動力電池的高度非線性使得許多濾波方法難以得到準確的估計結果，因此，必須建立一個合適的電池模型，采用精確的估計濾波方法，這樣才能獲得更準確的結果。
[0003]目前，電動汽車使用的動力電池SOC估計方法主要有安時計量法、開路電壓法、神經網絡法和卡爾曼濾波法等。安時計量法簡單易實現，但累計誤差大，對測量設備精度要求高；開路電壓法只適用于電池靜置足夠長時間后進行估計，不能實時估計；神經網絡能夠在線估計，但缺點是需要大量的訓練數據；卡爾曼濾波法將非線性系統線性化，但對非線性強度高的系統，容易導致濾波效果下降，甚至發散，粒子濾波算法存在粒子退化并且算法抖動等問題。

【發明內容】

[0004]本發明所要解決的技術問題是針對上述【背景技術】的不足，提供了基于擴展卡爾曼粒子濾波算法的動力電池SOC估計方法。
[0005]本發明為實現上述發明目的采用如下技術方案:
[0006]基于擴展卡爾曼粒子濾波算法的動力電池SOC估計方法，、包括如下步驟:
[0007]步驟1，建立電池電量數學模型，得到電池系統離散空間模型；
[0008]步驟2，利用擴展卡爾曼粒子濾波算法預測動力電池SOC:
[0009]步驟2-1，在初始采樣時刻，由初始概率分布隨機產生粒子集；
[0010]步驟2-2，在當前采樣時刻內，由擴展卡爾曼濾波算法得到當前時刻每個粒子狀態量右側估計值以及協方差右側估計值；
[0011]步驟2-3,計算當前時刻各粒子權重,歸一化當前時刻粒子權重，由歸一化的當前時刻粒子權重得到有效粒子數:
[0012]當有效粒子數目小于粒子數目閾值時，返回步驟2-1 ;否則，輸出當前時刻電池荷電狀態更新值；
[0013]步驟2-4，進入下一采樣時刻，重復步驟2-2至步驟2-3。
[0014]所述基于擴展卡爾曼粒子濾波算法的動力電池SOC估計方法中，步驟2-2利用如下方法計算當前時刻每個粒子狀態量右側估計值以及協方差右側估計值:
[0015]步驟A，擴展卡爾曼濾波器預測方程:[0016]狀態變量預測估計:4 = /Ku., &—丨)，
[0017]協方差誤差預測估計:Pkj = AkH + Σ J
[0018]步驟B，擴展卡爾曼濾波器校正方程:
[0019]卡爾曼增益計算.Kl= PkjCr^C^1C1k + X 1 , [0020]狀態變量最優估計:.<,= + Kk\Yk -g{x, ?Uk)]，
[0021 ]協方差最優估計:~、E- KiC^Pkj，
[0022]其中，r；,為k時刻第i個粒子狀態量左側估計值，x1-1j為k-Ι時刻第i個粒子狀態量右側估計值，Ulri為k-Ι時刻輸入控制變量，4為k時刻第i個粒子協方差左側估計值，Alri為k-Ι時刻系統矩陣，^ k-Ι時刻第i個粒子協方差右側估計值，Kk為k時刻卡爾曼增益，Ck為k-Ι時刻協方差矩陣，4力k時刻第i個粒子狀態量右側估計值，Yk為k
時刻SOC量測結果，Uk為k時刻輸入控制變量，乃"力k時刻第i個粒子協方差右側估計值，
E為單位矩陣，W、V為互不相關的系統噪聲，f、g分別為非線性狀態轉移函數和非線性測量函數。
[0023]所述基于擴展卡爾曼粒子濾波算法的動力電池SOC估計方法中，步驟2-3利用表 JVrr =——-——
達式?計算有效粒子數目Neff,其中,qi為k時刻第i個粒子狀態量右側估計值

/:1
、的后驗概率，N為粒子總數。
[0024]本發明采用上述技術方案，具有以下有益效果:本發明可以精確的對動力電池荷電狀態(SOC)進行估計，能解決現有估計方法存在的不能滿足在線估計，累計誤差大，發散，粒子退化等問題，估計精度高。
【專利附圖】

【附圖說明】
[0025]圖1是擴展卡爾曼濾波器流程圖。
[0026]圖2是本發明實施方式流程圖。
[0027]圖3為具體實施例中實驗電池放電電流波形。
[0028]圖4為采用擴展卡爾曼濾波、粒子濾波和擴展卡爾曼粒子濾波三種算法對電池SOC進行估計的結果比較圖。
【具體實施方式】
[0029]下面結合附圖對發明的技術方案進行詳細說明:
[0030]本發明適用于各動力電池的SOC估計，對于不同的動力電池模型，確定其擴展卡爾曼粒子濾波離散狀態空間模型后，利用擴展卡爾曼粒子濾波方法估計S0C，其中，在擴展卡爾曼粒子濾波器采樣后對各采樣時刻采集的樣本進行重要性采樣得到各采樣時刻的粒子集，利用各采樣時刻的粒子集訓練擴展卡爾曼粒子濾波器預估S0C。[0031]下面以電化學復合電池模型為例闡述本發明的技術方案，利用本發明所述的基于擴展卡爾曼粒子濾波算法的動力電池SOC估計方法估計電池的S0C，如圖2所示包括如下步驟。
[0032]步驟1，電化學復合模型狀態空間方程的確定；
[0033]動力電池電化學復合模型的狀態空間方程如式(I)所示，觀測方程如式(2)所示:
[0034]
【權利要求】
1.基于擴展卡爾曼粒子濾波算法的動力電池SOC估計方法,其特征在于,包括如下步驟: 步驟1，建立電池電量數學模型，得到電池系統離散空間模型； 步驟2，利用擴展卡爾曼粒子濾波算法預測動力電池SOC: 步驟2-1，在初始采樣時刻，由初始概率分布隨機產生粒子集； 步驟2-2，在當前采樣時刻內，由擴展卡爾曼濾波算法得到當前時刻每個粒子狀態量右側估計值以及協方差右側估計值； 步驟2-3，計算當前時刻各粒子權重，歸一化當前時刻粒子權重，由歸一化的當前時刻粒子權重得到有效粒子數， 當有效粒子數目小于粒子數目閾值時，返回步驟2-1 ;否則，輸出當前時刻電池荷電狀態更新值； 步驟2-4，進入下一采樣時刻，重復步驟2-2至步驟2-3。
2.根據權利要求1所述的基于擴展卡爾曼粒子濾波算法的動力電池SOC估計方法，其特征在于，步驟2-2利用如下方法計算當前時刻每個粒子狀態量右側估計值以及協方差右側估計值: 步驟A，擴展卡爾曼濾波器 預測方程:
3.根據權利要求2所述的基于擴展卡爾曼粒子濾波算法的動力電池SOC估計方法，其


【文檔編號】G01R31/36GK103472398SQ201310361928
【公開日】2013年12月25日 申請日期:2013年8月19日 優先權日:2013年8月19日
【發明者】周曉鳳, 趙又群, 臧利國 申請人:南京航空航天大學