[发明专利]基于小模型误差准则扩展卡尔曼滤波的电池SOC估计方法

说明书

技术领域

本发明涉及一种基于小模型误差准则扩展卡尔曼滤波的电池SOC估计方法。

背景技术

车载动力电池作为电动汽车的关键部件，其性能对整车的动力性、经济性和安全性至关重要，是制约电动汽车规模发展的关键因素。为最大限度地发挥动力电池的性能并延长电池的使用寿命，对电池进行有效管理至关重要，而准确获得电池的荷电状态(state of charge，SOC)是电池管理最核心的技术。电池SOC估计是判断电池是否过充过放，是否需要均衡或更换某一单体电池的重要依据。因此，提高电池SOC估计精度，对于提高电池使用效率、延长电池循环寿命以及保障电池安全可靠，有着重要的意义。

目前常用的电池SOC估计方法可以分为以下四类：①基于安时计量的估计方法，主要有放电实验法和Ah计量法；②基于电池表征参数测量值的估计方法，主要有开路电压法和内阻法；③基于经验方程和数学模型的估计方法，主要有线性模型法、神经网络法、模糊逻辑法、支持向量机法和相关向量机法；④基于电池等效电路模型的估计方法，主要有卡尔曼滤波法、观测器法和粒子滤波法。近几年新兴的基于电池等效电路模型的估计方法因其模型物理意义明确，易于参数辨识，已成为电池研究的热点。其中扩展卡尔曼滤波算法备受关注，它适应于电流波动比较剧烈的SOC估计，非常适合应用在电动汽车上。但是，该方法高度依赖于精确的电池模型，并且系统噪声必须服从高斯白噪声分布。由于对电池特性的了解不全面，或为计算方便而将模型简化，加之精确的噪声先验统计特性很难获得，所以往往会导致滤波性能变差甚至严重影响状态估计的精度，在初始估计值不准确时很可能导致滤波无法收敛。因此，实时预测模型误差并对测量噪声模型进行修正十分必要。另一方面，电池等效电路模型的状态方程通常具有包括SOC在内的多个状态空间变量，而这些状态变量均是SOC的函数，都与模型输出存在一定的关系，因此对于同一个模型输出值可能存在多个SOC解，有可能导致SOC估计偏离真值。

发明内容

本发明为了解决上述问题，公开了一种基于小模型误差准则扩展卡尔曼滤波(SMECEKF)的电池SOC估计方法，该方法首先基于AIC准则(Akaike Information Criterion，赤池信息量准则)建立了一种变阶数的RC模型，为SOC的精确估计打下良好基础；其次，在不同工况下离线获取电池端电压、电流以及对应的模型误差数据，并建立基于模糊神经网络的模型误差预测模型。然后，在滤波中基于该神经网络在线预测模型误差，只有当预测的误差较小时才对状态估计进行测量更新，从而克服了由于模型误差和系统噪声统计特性不确定引起滤波发散的问题。另一方面，针对系统状态变量的选取，只将SOC作为状态空间变量，提高了算法的收敛速度和估计精度。同时，引入滤波增益系数，优化滤波增益矩阵，解决了由于电池端电压跳变造成SOC估计波动的问题。该算法能有效消除由于模型误差造成的滤波估计误差，并且能适用于电池在各种复杂工况下的动态过程。

为了实现上述目的，本发明采用如下技术方案：

一种基于小模型误差准则扩展卡尔曼滤波的电池SOC估计方法，包括以下步骤：

S1.建立一种基于AIC准则的变阶数RC电池等效电路模型，即针对锂电池在充放电初期和末期电压急剧变化的特性提出应选择三阶RC模型，而针对SOC在20％～80％的平台期间电压变化平稳的特性应选择二阶RC模型，为SOC估计提供一个精确且简练的电池模型；

S2.在不同工况下离线获取电池的端电压、电流数据，与模型输出值比较获得对应的模型误差数据；并根据模型误差的大小模糊化为1和0的开关变量；

S3.将模糊化的模型误差作为样本训练神经网络，建立基于模糊神经网络的模型误差预测模型；

S4.电池静置至少8个小时，将SOC作为唯一的状态空间变量；

S5.扩展卡尔曼滤波器初始化和时间更新：状态估计更新、误差协方差更新；

S6.在滤波过程中基于建立的模糊神经网络在线预测模糊化的模型误差Flag，并对其进行解模糊；根据解模糊结果，建立测量噪声修正模型；

S7.根据步骤6的测量噪声修正模型判断模型误差是否满足条件，如果满足条件引进滤波增益系数，计算卡尔曼增益矩阵；

S8.进行状态测量更新和误差协方差测量更新；

S9.得到第k步的估计结果，并与SOC真值进行比较，验证SMECEKF算法的有效性，并转到步骤5。