[发明专利]一种基于正态伽马滤波的电池荷电状态估计方法

说明书

本发明提供了一种基于正态伽马滤波的电池荷电状态估计方法，通过电池混合脉冲功率特性实验对电池模型初始状态的各个参数进行辨识，通过采集长时间静置的电池端电压标定开路电压与SOC关系曲线，通过最小二乘方法进行曲线拟合，得到开路电压与SOC的关系函数，建立系统状态方程和量测方程，建立电池模型参数的状态空间方程及量测方程，利用基于正态伽马的双无迹卡尔曼滤波算法在线联合估计电池的SOC和电池模型参数，本发明使电池模型和估计算法对恶劣环境具有较好的适应性，因而具有精度高、实时性好、鲁棒性强等优点。

技术领域

本发明涉及电池荷电领域，尤其是一种电池荷电状态估计方法。

背景技术

电池荷电状态(state of charge，SOC)反映了电池的剩余电量，对其准确估计是电池管理系统的核心功能之一，对保障电池安全使用，延长电池循环寿命具有重要意义。然而，SOC通常难以直接测量获取，只能利用其它一些可测量的量(电压、电流、温度)进行估算。由于这种关系存在强烈的非线性特性，而且往往会受到工况、温度、老化程度等诸多因素影响而实时地发生变化，所以在线准确估计SOC十分困难。

目前常用的SOC估计方法可大致分为四类：传统的开路电压法和安时积分法、自适应滤波算法及数据驱动类算法。现有方法的不足之处在于：1)开路电压法需要长时间静置电池，无法进行实时预测。2)安时积分法要求SOC初值准确度高，且严重依赖于电流传感器精度。同时噪声、温漂、电磁干扰等引起的测量误差会不断积累，无法被校正。3)神经网络法、模糊逻辑法和支持向量机法等学习算法，有赖于数据驱动，需要大量的实验数据作为先验知识，若样本数据不能较为全面地反映电池特性则估计精度也难以得到保证。而且在实际应用中要求电池管理系统具有强大的数据处理能力和内存。4)自适应滤波算法则是在电路等效模型的基础上，通过扩展卡尔曼滤波(EKF)及其衍生算法来进行SOC估计。此类方法克服了安时积分法对SOC初值要求严格的问题，同时不需要大量的训练数据，具有研究与发展前景。但是在实际应用过程中，电池模型参数随SOC、温度以及电池老化程度的不同而变化，而且电压或电流传感器的统计信息可能未知或时变，甚至在恶劣环境下传感器数据可能会出现野值。这将导致传统的EKF类方法估计精度不高、鲁棒性差。因而需要开发鲁棒的SOC估计算法。

发明内容

为了克服现有技术的不足，本发明提供一种基于正态伽马滤波的电池荷电状态估计方法，通过引入辅助变量构建正态伽马分布，结合双无迹卡尔曼(Dual UnscentedKalman Filter，DUKF)滤波算法来实时估计电池的SOC、电池模型参数以及量测噪声协方差，具有精度高、鲁棒性强等优点。

本发明解决其技术问题所采用的技术方案包括以下步骤：

步骤1：选择一阶RC网络作为电池等效电路模型，通过电池混合脉冲功率特性(HPPC)实验对电池模型初始状态的各个参数进行辨识，包括电池的欧姆内阻、极化电阻和极化电容，将欧姆内阻、极化电阻和极化电容辨识后的数值作为DUKF迭代的初值；

步骤2：通过采集长时间静置的电池端电压标定开路电压(OCV)与SOC关系曲线，具体实验步骤为：

(1)：充电：首先以0.2C电流对电池进行恒流恒压充电，使电池SOC为100％；

(2)：静置：将电池静置1小时，测量电池此时端电压；

(3)：间断放电：以0.2C电流对电池放电直至电池SOC下降10％；

(4)：静置：将电池静置1小时，测量电池此时端电压；

(5)：重复步骤(3)-(4)8次，即可分别得到SOC为80％、70％、60％、50％、40％、30％、20％、10％时的OCV；

(6)：以0.2C电流对电池放电至截止电压，静置1小时，测量此时的电池端电压，可得到SOC为0％时的OCV，由此得到OCV与SOC关系曲线；