[发明专利]一种基于非线性预测扩展卡尔曼滤波的电池SOC估计方法

说明书

技术领域

本发明涉及电池的电荷状态SOC估计方法，尤其涉及一种基于非线性预测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(KF)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(EKF)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EKF有效应用的前提条件是：

1)要求系统模型准确已知；

2)过程噪声被假设为协方差已知的零均值高斯白噪声过程。

在基于EKF的电池SOC估计中，电池动态模型中存在的误差被作为过程噪声来处理，而且一般假定为零均值、协方差已知的高斯白噪声。然而，这种假设往往缺少理论根据，不能正确反映电池模型误差的真实特性，从而导致SOC估计精度下降，甚至使滤波器发散。

发明内容

本发明的目的就是为解决上述问题，提出了一种基于非线性预测扩展卡尔曼滤波(NPEKF)的电池SOC估计方法，能够在电池模型存在较大模型误差的情况下准确估计电池SOC，有效地解决存在显著模型误差的非线性滤波问题，与传统基于EKF的SOC估计算法相比较，NPEKF算法具有以下优点：1)过程噪声的统计特性无需事先准确知道(不必满足高斯分布)，对于未知的电池模型误差，作为滤波器解的一部分可以实时地得到它的一步预测估计值；2)电池模型误差的结构形式不受限制，可以是线性的，也可以是非线性的；3)省去了由于协方差的求解而带来的运算负担，而且不必计算非线性状态函数与测量函数的雅可比矩阵。

为了实现上述目的，本发明所采用的技术方案为：

一种基于非线性预测扩展卡尔曼滤波的电池SOC估计方法，包括步骤：

1)将整个方法所需要的时间平均分成N个时间段，每一个时间段代表一步，即第k个时间段为第k步；其中k≤N，k与N均为正整数；

2)根据基尔霍夫电压和电流定理，建立电池系统的模型；以电池的电流为输入变量，以SOC值与支路电压为状态变量，得到电池系统的先验状态估计方程；以电池两端的电压为输出变量，以电池的电流为输入变量，以SOC值与支路电压为状态变量，得到电池系统的测量方程；根据电池系统模型的测量方程，得到电池系统模型的误差矩阵d(k)与电池系统的模型误差分配矩阵G(k)；

3)对步骤2)所得的先验状态估计方程进行补偿：利用电池系统的模型误差矩阵d(k)与电池系统的模型误差分配矩阵G(k)对步骤2)所得的先验状态估计方程进行补偿，得到精准的先验状态估计方程，k＝n，n为正整数，n≤N；

4)求解第k+1步电池系统的后验状态估计方程，得到SOC值；

5)根据步骤4)得到的第k+1步电池系统的后验状态估计结果，与电池的SOC真值进行比较，验证非线性预测卡尔曼滤波NPEKF算法的有效性，k＝n+1，并转到步骤3)，直至第N步执行完。

所述步骤3)中对先验状态估计方程进行补偿的具体步骤为：

31)对电池系统的模型误差分配矩阵G(k)进行初始化；

32)求解电池系统的模型误差矩阵d(k)；

33)对步骤2)所得的先验状态估计方程进行补偿：

其中为第k+1步的先验状态估计，为关于的函数，x_k为状态变量；u_k为输入变量。

所述步骤31)还包括对NPEKF滤波器的初始化：