[发明专利]一种基于AEKF的电池荷电状态估计方法及估计系统

说明书

技术领域

本发明涉及电池电气测试技术，尤其涉及一种基于AEKF的电池荷电状态估计方法及估计系统。

背景技术

目前，电池的剩余电量(StateofCharge，SOC)估计方法主要分为两大类：直接法与间接法。直接法是指通过实验设备直接测量电池的剩余电量；间接法主要通过电池内部的物化特性，在估计过程中需要高精度的设备，因此在实际中很难实现。安时积分法、开路电压法、内阻法等属于间接法，安时积分法在计算过程中会产生累积误差，导致计算得到的SOC随充放电时间的增加误差增大，同时安时积分法计算SOC初始值的准确性很难确定；开路电压法需要长时间的静置使电池内部电压稳定，在监测汽车运行过程中的电池剩余电量时难以实现；内阻法存在着估算内阻的困难，在硬件上也难以实现。此外，还可通过人工神经网络算法、卡尔曼滤波算法等间接法估算电池SOC，但神经网络算法和卡尔曼滤波算法由于其系统设置困难，且在电池管理系统中应用成本高，不具备优势。

发明内容

本发明所要解决的技术问题是，针对不同方法的优劣及适用性，提供一种基于AEKF的电池荷电状态估计方法及估计系统，以提高估计的电池SOC的准确性。本发明是这样实现的：

一种基于AEKF的电池荷电状态估计方法，包括如下步骤：

步骤1：初始化t₀时刻的x₀、P₀、Q₀、R₀，然后进入步骤2；其中x₀为电池荷电状态初始值，P₀为误差协方差初始值，Q₀为过程噪声初始值，R₀为观测噪声初始值；

步骤2：预估k时刻的电池荷电状态及k时刻的状态先验估计误差协方差然后进入步骤3；其中：

其中，A为一个采样间隔内的传递矩阵，为k-1时刻的电池荷电状态的后验估计值，B为输入矩阵，u_k-1为k-1时刻系统的输入量，noise_k-1为k-1时刻加入的白噪声；

其中，P_k-1为k-1时刻的状态估计后验误差协方差，A^T为传递矩阵A的转置矩阵，Q_k-1为k-1时刻的过程噪声；

步骤3：更新k时刻的实际电压信号与模型电压信号之间的差值e_k和卡尔曼滤波增益H_k，然后进入步骤4；其中：

其中，y_k为k时刻采集到的电池的实际电压信号，为k时刻的电池模型的模型电压信号，为k时刻的电池荷电状态先验估计值；

其中，H_k为k时刻的卡尔曼滤波增益矩阵，R_k为k时刻的观测噪声，C为输出矩阵，C^T为输出矩阵C的转置；

步骤4：更新基于遗忘因子的加权系数，然后进入步骤5；d_k-1＝(1-b)(1-b^k)^-1，其中，b为遗忘因子，d为基于遗忘因子的加权系数，d_k-1为k-1时刻的基于遗忘因子的加权系数值；

步骤5：更新过程噪声Q_k和观测噪声R_k，然后进入步骤6：