[发明专利]一种基于卡尔曼滤波框架估算电池SOC的自适应优化方法

说明书

本发明公开了一种基于卡尔曼滤波框架估算电池SOC的自适应优化方法，将二阶RC等效电路作为电池模型，利用电池脉冲实验数据和MATLAB参数识别工具箱对二阶RC等效电路参数进行辨识，然后根据基尔霍夫电压定律构建电池的状态方程和观测方程，以观测量与观测方程估计的差值为依据，在扩展卡尔曼滤波算法中加入自适应优化策略，并将优化后的扩展卡尔曼滤波算法应用于电池SOC估算。结果表明：本发明提出的方法比传统扩展卡尔曼滤波算法估算电池SOC时，精度提高0.3％，而且波动性更小，具有很好地精确性和实用性。

技术领域

本发明属于电池管理系统状态估算领域，更为具体的，涉及一种基于卡尔曼滤波框架估算电池SOC的自适应优化方法。

背景技术

近年来，很多研究对电池荷电状态(SOC)估算方法进行了探索。一类是模型驱动法，如电化学模型、等效电路模型。电化学模型利用电池内部复杂的电化学反应机理来建立电池电量损失关系，其精度较高，但计算十分复杂，很难应用于实际工程中。等效电路模型利用电池的外部特性，基于安时积分和卡尔曼滤波或粒子滤波等自适应滤波方法来估算电池SOC，通过闭环方式减小模型初始值带来的估算误差，精度较高且计算压力较小；还有一类为数据驱动法，如神经网络、遗传算法、支持向量机。数据驱动法不需要理解电池内部机理或外部特性，而以一种黑盒控制为原理，通过大量样本训练来找到输入和输出之间的对应关系，其通用性较差，实际使用受限。

在此基础上，等效电路模型估算电池SOC受到很多学者的青睐，进而一系列从卡尔曼(KF)到扩展卡尔曼(EKF)再到容积卡尔曼(CKF)等以卡尔曼滤波为框架的改进算法不断出现。但是，卡尔曼滤波算法及以其为框架的联合算法存在一个最大的弊端：其观测的值能够滤波的类型只有高斯白噪声，所以应用卡尔曼滤波算法的前提条件为假设其处理的系统噪声服从高斯分布。但是实际系统可能是高斯白噪声，也有可能是有色噪声，因此它的滤波效果受到限制。

发明内容

本发明针对以卡尔曼滤波算法框架来估算电池SOC时，其滤波类型只能为高斯白噪声而导致滤波效果受到限制的情况下，提出一种基于卡尔曼滤波框架估算电池SOC的自适应优化方法，使得在利用卡尔曼滤波框架估算电池SOC时，能够根据测量反馈的变化，自适应更改噪声参数，从而使得滤波效果更好。

一种基于卡尔曼滤波框架估算电池SOC的自适应优化方法，建立电池二阶RC等效电路模型，对电池二阶RC等效电路模型的参数进行辨识，然后对扩展卡尔曼滤波算法加入自适应优化策略，将自适应优化后的扩展卡尔曼滤波算法应用于电池SOC估算。

进一步，所述自适应优化策略为：

设

如果(Δ_k-Δ_k-1＜0)

否则(Δ_k-Δ_k-1＝0)

R_k＝R_k-1

否则(Δ_k-Δ_k-1＞0)

其中Δ_k为k时刻观测量与观测方程估计的差值，z_k为电池在k时刻的观测量，为电池在k时刻的状态先验估计，R_k为k时刻观测方程噪声方差。

进一步，所述自适应优化后的扩展卡尔曼滤波算法应用于电池SOC估算的具体过程为：

(1)建立电池的状态方程和观测方程