[发明专利]基于改进自适应双无迹卡尔曼滤波器的锂离子动力电池SoC估计方法

说明书

本发明公开了基于改进自适应双无迹卡尔曼滤波器的锂离子动力电池SoC估计方法，主要步骤为：1)建立锂离子动力电池基于等效电路模型的状态滤波器和参数滤波器。2)耦合锂离子动力电池基于等效电路模型的状态滤波器和参数滤波器，建立双无迹卡尔曼滤波器。3)将待检测锂离子动力电池的运行参数输入到双无迹卡尔曼滤波器中，进行锂离子动力电池等效电路模型的参数校正和荷电状态SoC估计。本发明保证了cholesky分解的有效性，克服了由于初值误差、噪声扰动、计算模块浮点误差等原因造成的协方差矩阵非正定从而导致迭代停止的问题，增强了滤波过程的数值稳定性和算法的鲁棒性。

技术领域

本发明涉及荷电状态预测领域，具体是基于改进自适应双无迹卡尔曼滤波器的锂离子动力电池SoC估计方法。

背景技术

电动车辆动力电池的荷电状态(SoC，State-Of-Charge)是动力电池运行状态的重要参数，同时也是电池管理系统(BMS，Battery-Management-System)中对动力电池进行相关控制的基本参数。SoC的估计精度将直接影响BMS的控制效果。

现有的SoC估计方法中基于等效电路模型的估计方法下，卡尔曼滤波滤波算法以其跟踪特性和实时性被广泛运用于微控制器中。由于基于等效电路模型所建立的状态方程和观测方程的非线性特点，传统卡尔曼滤波器不再适用，其一阶近似形式，扩展卡尔曼滤波器(EKF，Extended-Kalman-Filter)被广泛运用至SoC的估计应用中。然而由于其仅仅对非线性观测方程取一阶泰勒展开，因此精度方面受到很大的限制。无迹卡尔曼滤波器(UKF，Unscent-Kalman-Filter)利用UT变换，对迭代状态量作点集采样，这样的方法能够至少达到二阶精度，在高斯噪声的前提下能达到三阶精度，因此改善了EKF下SoC的估计精度不足的问题。

噪声自适应算法基于Sega-Husa的理论，对UKF算法进行噪声自适应迭代，补偿了原算法中噪声固定所带来的估计误差，形成了自适应无迹卡尔曼滤波器(AUKF，Adaptive-UKF)。

双滤波器理论是将两个滤波器耦合在一起，其中一个进行模型的状态估计，另一个进行对模型的参数估计，其优点在于能够在状态估计的同时进行对模型参数的修正辨识，提高模型精度，从而进一步提高状态量的估计精度。双无迹卡尔曼滤波算法(DUKF，Dual-UKF)是基于这种理论被提出的。

传统的UKF算法在迭代过程中要求对协方差矩阵进行cholesky分解，这要求协方差矩阵必须保证正定性，然而在实际情况中由于初值误差、噪声扰动、计算模块浮点误差等原因很容易造成协方差矩阵非正定从而导致迭代停止。为了解决这一问题，平方根无迹卡尔曼滤波算法(SRUKF，Squre-Root-UKF)被提出可以使用协方差矩阵的cholesky分解因子(即协方差矩阵的平方根)代替协方差矩阵进行迭代，提高数值稳定性并保证迭代矩阵的正定性。然而，在SRUKF算法中会出现对cholesky因子进行cholesky一阶更新的步骤，其过程仍需要作cholesky分解，因此矩阵非正定性导致迭代停止的问题依然会存在，这对于算法在实际微控制器中的应用而言是一个致命的缺陷。

传统的DUKF算法中，模型参数估计滤波器由于参数向量一般在五维以上，因此在UT变换时至少需要采集13个点，形成的采样矩阵规模至少可达到6×13。不仅如此，每次进行的协方差矩阵的更新、迭代很大程度上增加了运算量，这对微控制器的计算能力提出了很高的要求，有时可能会使算法因计算速度不足而受到效果上的影响。

发明内容

本发明的目的是解决现有技术中存在的问题。

为实现本发明目的而采用的技术方案是这样的，基于改进自适应双无迹卡尔曼滤波器的锂离子动力电池SoC估计方法，主要包括以下步骤：

1)获取待检测锂离子动力电池型号和运行参数，并建立锂离子动力电池等效电路模型。