[发明专利]一种自适应模糊卡尔曼估计SOC算法

说明书

一种自适应模糊卡尔曼估计SOC算法，包括以下步骤：S1、建立电池的等效电路模型，应用扩展卡尔曼算法建立状态空间方程和观测方程，估计短时极化端电压变量Vsubgt;st/subgt;、中时极化端电压变量Vsubgt;mt/subgt;、长时极化端电压变量Vsubgt;lt/subgt;与电池荷电状态SOC变量；S2、在不同SOC与温度T匹配下，通过电池特性实验设定在电池充放电过程中等效电路模型的等效内阻、各极化电容与极化电阻；S3、实现卡尔曼的预测与更新，实时估计每个采样周期下的SOC的值；S4、在OCV‑SOC非平台期应用EKF与安时积分计算出平台期的修正安时积分因子，在平台期结束时再次应用EKF来验证平台期的修正安时积分，引入模糊控制对平台期修正因子进行误差修正，最终的修正因子应用到新一轮的非平台期修正算法的安时积分中。该发明的优点在于：不仅提高了算法的估计精度与算法调试时间，还可以通过定义自动调整方法中的参数使扩展卡尔曼的精度符合相应的要求。

技术领域

本发明涉及动力电池管理系统领域，尤其涉及一种自适应模糊卡尔曼估计SOC算法。

背景技术

电动汽车动力电池的荷电状态(State Of Charge，SOC)可以用来刻画电池当前的状态，对于车辆的运行至关重要。电池管理系统(Battery Management System，BMS)中最关键的是对电池的SOC状态进行估计，SOC估计的精确度可以提高电动汽车的续驶里程，也可以对电池的故障判断提供有效的保障。SOC估计中主要有安时积分、卡尔曼滤波以及神经网络等。

由于目前卡尔曼滤波是根据电池的开路电压与SOC表(OCV-SOC)查特定电压与温度下的SOC的值，但是由于磷酸铁锂的OCV-SOC的平台期内无法通过开路电压来有效的获取SOC的值，所以扩展卡尔曼在磷酸铁锂的平台期的SOC估计误差较大，在实际应用中可能会导致平台期前后SOC跳变的情况，也很难反应出SOC的真实状态。

发明内容

为了实现在磷酸铁锂电池平台期的SOC估计精度与跳变问题，以及随着电池的使用导致衰退的情形而无法有效估计出电池的SOC，本发明提供一种自适应模糊卡尔曼估计SOC算法。本发明采用以下技术方案：

一种自适应模糊卡尔曼估计SOC算法，包括以下步骤：

S1、建立电池的等效电路模型，应用扩展卡尔曼算法建立状态空间方程和观测方程，估计短时极化端电压变量V_st、中时极化端电压变量V_mt、长时极化端电压变量V_lt与电池荷电状态SOC变量；

S2、在不同SOC与温度T匹配下，通过电池特性实验设定在电池充放电过程中等效电路模型的等效内阻、各极化电容与极化电阻；

S3、对电池SOC估计搭建传统扩展卡尔曼算法，通过将状态空间方程与观测方程应用到卡尔曼方程中，实现卡尔曼的预测与更新，实时估计每个采样周期下的SOC的值；

S4、在OCV-SOC非平台期应用EKF与安时积分计算出平台期的修正安时积分因子，在平台期结束时再次应用EKF来验证平台期的修正安时积分，引入模糊控制对平台期修正因子进行误差修正，最终的修正因子应用到新一轮的非平台期修正算法的安时积分中。

本发明的优点在于：本发明在扩展卡尔曼估计SOC算法的基础上，引入模糊控制对扩展卡尔曼的平台期进行修正，使磷酸铁锂电池在平台期也较精确的估计出SOC且避免SOC跳变。

附图说明

图1为锂电池三阶等效电路模型。

图2为磷酸铁锂开路电压与SOC关系曲线。

图3为调节SOC估计误差的模糊逻辑图。

图4为对某一段时间内的持续充电数据进行仿真的效果图。

具体实施方式