[发明专利]一种基于改进粒子滤波算法的二元荷电状态估算方法

说明书

本发明公开了一种基于改进粒子滤波算法的二元荷电状态估算方法，基于传统的Thevenin模型，与能准确反映蓄电池倍率容量特性的KiBaM模型相结合，作为二元荷电状态综合模型。采用递推最小二乘法在线辨识模型参数，再将一种改进粒子滤波算法应用于综合模型即可实现二元荷电状态估算。在标准粒子滤波算法的基础上，进一步引入了残差重采样算法以及Thompson‑Taylor算法等相关步骤，这种重采样算法有效缓解了序贯重要性采样方法必然面对的粒子退化问题。常规重采样很容易加剧粒子贫化，通过Thompson‑Taylor算法产生新粒子保证粒子的多样性，增强系统的滤波性能，更好地适应蓄电池的非线性工作特性，从而实现荷电状态的准确实时估算。

技术领域

本发明属于蓄电池管理系统领域，涉及一种基于改进粒子滤波(PF,ParticleFilter)算法的蓄电池综合模型二元荷电状态估算方法。

背景技术

电池管理系统(BMS,Battery Management System)作为连接电池组与电动汽车动力单元的桥梁，是电动汽车的重要组成部分。荷电状态(SOC,State of Charge)估算是电动汽车BMS主要功能之一，准确估算电池组的SOC，能够准确地为操作人员反馈电池组的续航里程，同时系统可以根据当前的SOC数据，自动对电池负载有效权衡、选择及调整，最大限度地发挥电池的工作性能，延长电池组使用寿命。蓄电池SOC无法直接测量，且在不同的充放电倍率下，呈现高度非线性变化。由于等效模型的误差、电压电流的测量误差、模型参数的高敏感度以及电池的老化程度也提高了SOC估算的复杂度。因此，SOC估算技术一直是当前相关领域和行业的研究热点和难点。

发明内容

本发明目的在于提供一种解决标准粒子滤波算法中粒子退化和贫化问题、荷电状态估算结果具有较高精度的基于改进粒子滤波(PF,Particle Filter)算法的二元荷电状态估算方法。

为实现上述目的，采用了以下技术方案：本发明所述方法包括以下步骤：

步骤1，建立蓄电池综合模型；

步骤2，基于改进PF算法的SOC估算方法；

步骤3，基于改进PF算法及递推最小二乘法(RLS，Recursive Least-square)的SOC估算方法；

步骤4，基于二元SOC估算性能测试。

进一步的，步骤1中，蓄电池模型的建立是以经典的Thevenin模型为基础，引入对蓄电池容量特性进行分析的KiBaM模型(双井模型)，将经典的Thevenin模型与KiBaM模型相结合形成综合模型；

推导后的离散状态空间综合模型：

其中M和N满足：

观测方程表示为：

V_k＝F(S_k)-V_C,k-R₀i_k (2)

其中，ρ＝e^-(α+β)T；Q_b表示蓄电池的额定容量；w表示可用井宽度；1-w表示受限井宽度；k为可用井恢复系数。

进一步的，步骤2中，模型建立以后，需要对模型参数进行辨识，并进行SOC估算，SOC估算采用一种如下的改进的粒子滤波算法；

在标准PF递推算法的基础上，引入残差重采样算法以及Thompson-Taylor算法；

步骤2.1，粒子滤波算法实现SOC估算

PF算法的递推过程如下：