[发明专利]一种用于动力电池反应控制模块的多传感器融合方法及装置

权利要求书

1.一种用于动力电池反应控制模块的多传感器融合方法，其特征在于：包括如下步骤：

S1、定义真实值x_t和预测值之间的误差e′_t、以及真实值x_t与估计值之间的误差e_t，得到预测误差协方差矩阵P_t′和估计误差协方差矩阵P_t；

S2、将预测误差协方差矩阵P_i′代入并展开、求导、最终定义和数据融合操作得到均方差最小的数据融合值，提高系统的精度与可靠性；

S3、通过基于实际传感器采集数据进行实际理论计算推导，验证算法的有效性。

2.根据权利要求1所述的用于动力电池反应控制模块的多传感器融合方法，其特征在于：所述步骤S1中，所述真实值x_t和预测值之间的误差e′_t、以及真实值x_t与估计值之间的误差e_t分别为：

其中，Q为测量矩阵，K_kalman为卡尔曼增益矩阵，v_t为过程噪声矩阵；

所述预测误差协方差矩阵P_t′和估计误差协方差矩阵P_t分别为：

其中，E[v_tv_t^T]＝C，K_kalman为卡尔曼增益矩阵，Q为测量矩阵，x_t为真实值，为真实值的预测值，P_t′为预测误差协方差矩阵，P_t为估计误差协方差矩阵。

3.根据权利要求2所述的用于动力电池反应控制模块的多传感器融合方法，其特征在于：所述步骤S2的具体过程如下：

S21、将预测误差协方差矩阵P_t′代入，得到

P_t＝(I-K_kalmanQ)P_t′(I-K_kalmanQ)^T+K_kalmanCK_kalman^T (5)，

其中，K_kalman为卡尔曼增益矩阵，P_t′为预测误差协方差矩阵，Q为测量矩阵，P_t为估计误差协方差矩阵；

S22、而卡尔曼滤波本质是最小均方差估计，将式(5)展开并求迹可得

tr(P_t)＝tr(P_t′)-2tr(K_kalmanQP_t′)+tr(K_kalman(QP_t′Q^T+C)K_kalman^T) (6)，

其中，K_kalman为卡尔曼增益矩阵，P_t′为预测误差协方差矩阵，Q为测量矩阵，P_t为估计误差协方差矩阵；

S23、最优估计K_kalman使tr(P_t)最小，对式(6)两边求导令其等于0可得

K_kalman＝P_t′Q^T(QP_t′Q^T+C)^-1 (7)，

其中，K_kalman为卡尔曼增益矩阵，P_t′为预测误差协方差矩阵，Q为测量矩阵，取值按照系统进行调试；

通过将上述推导过程整理可得

P_t′＝P_t-K_kalmanHP_t＝(I-K_kalmanH)P_t (9)，

其中，为真实值的预测值，为真实值的估计值，为观测值的预测值，K_kalman为卡尔曼增益矩阵，H为过程激励噪声协方差矩阵，P_t为估计误差协方差矩阵，P_t′为预测误差协方差矩阵；

S24、最终定义卡尔曼滤波的计算过程为

其中，A为状态转移矩阵，B为输入增益矩阵，为上一状态的真实值的预测值，u_t-1为上一状态预测模型的输入，P_t′为预测误差协方差矩阵，P_t-1为上一状态估计误差协方差矩阵，H为过程激励噪声协方差矩阵；

定义卡尔曼滤波器的校正过程为

其中，z_t为观测值，为观测值的预测值，Q为测量矩阵，为真实值的预测值，K_kalman为卡尔曼增益矩阵，P_t′为预测误差协方差矩阵，为真实值的估计值，为测量余量；

S25、对各种传感器的数据进行数据融合，得到均方差最小的数据融合值，提高系统的精度与可靠性。