[发明专利]一种基于UKF-AUKF的锂电池SOC联合估计方法

权利要求书

1.本发明的一种基于无迹卡尔曼滤波算法在线参数辨识和自适应无迹卡尔曼滤波联合估计锂电池荷电状态主要包括以下步骤：

步骤1：搭建实验平台实验。

步骤2：锂电池模型是SOC估计的基础，权衡计算量和精度，选用二阶等效电路模型。运用电路知识建立锂电池回路方程，再根据拉普拉斯变换建立锂电池在线参数的状态空间方程。

步骤3：模型的参数辨识主要通过两个实验完成，一是通过恒流放电实验确定Uoc与SOC关系，二是通过UDDS实验在线辨识R0、R1、C1、R2、C2。确定等效电路各参数与SOC的函数关系。

步骤4：宏观时间尺度下，用无迹卡尔曼滤波算法进行锂电池参数辨识。

步骤5：当锂电池电池模型的参数进行更新后，切换为微观时间尺度，用自适应无迹卡尔曼滤波算法估算锂电池SOC。

步骤6：在脉冲放电工况和UDDS工况(城市道路循环)下进行联合估计精度的验证。

进一步的，所述的步骤2包括：

步骤2.1：建立锂电池二阶等效电路模型，根据二阶等效电路模型列出回路方程跟观测方程：

U₀＝U_oc(SOC)-R₀I-U₁-U₂ (2)

式中：C1、C2为极化电容，Uoc为开路电压，U0为端电压，Ts为采样时间，Qn为电池容量，R1、R2为极化电阻，R0为电池欧姆内阻。

步骤2.2：将公式(1)、(2)差分离散化得到：

步骤2.3：对于一个非线性系统

其中，是系统噪声值，是测量噪声值。

进一步的，所述的步骤3包括：

步骤3.1：以30A的恒定脉冲电流对充满电的锂电池进行放电，持续6分钟，即0.1个SOC值，放电结束后将电池静置四小时，记录电池开路电压，重复上述操作10次；拟合得到Uoc-SOC曲线如图2所示。

步骤3.2：根据实验测得10组Uoc与SOC关系的数据点，将SOC作为变量，对Uoc与SOC的数据点做八阶拟合(八阶拟合效果较好)，从而得到Uoc与SOC的函数。

步骤3.3：采用美国城市循环工况(UDDS)作为在线参数辨识实际工况。在满足电池工作情况下，循环一次工况，电池SOC值减少5％，进行20次循环，直至SOC＝0。

步骤3.4：恒温箱设为25度，采用UDDS工况电流激励电池组，通过数据采集卡采集工况下电池组的实测电压，得到实际工况下电流、电压，得到UDDS循环工况实验电压、电流曲线如图3所示。

进一步的，所述的步骤4包括：

步骤4.1：首先根据公式(3)的状态空间方程，表示出以参数变量和状态变量为自变量的状态空间方程：

上式中θ＝[R R₁ C₁ R₂ C₂]^T,宏观尺度L＝60s，微观尺度序列l∈(1～L)w_kv_k为系统的过程噪声和观测噪声，ρ_k为模型参数过程噪声。

步骤4.2：初始化参数变量和参数变量协方差，确定UKF算法的参数α＝0.01，ki＝0，β＝2，M＝5。

步骤4.3：计算k时刻采样点

步骤4.4：计算权重

步骤4.5：参数预测值和系统方差预测值

步骤4.6：更新预测参数,

步骤4.7：更新观测值和观测方差预测值Pyy,

步骤4.8：参数变量协方差和无迹卡尔曼增益K

步骤4.9：系统的观测值更新

步骤4.10：系统的参数更新

进一步的，所述的步骤5包括：

步骤5.1：UKF-AUKF联合估计锂电池SOC，宏观时间尺度下采用UKF进行在线参数辨识，微观时间尺度下用AUKF估计锂电池SOC，实现基于UKF-AUKF的锂电池在线参数辨识和SOC联合估计。

步骤5.2：对于电路模型参数初值，吸取离线参数辨识精确的优点，用递推最小二乘法离线参数辨识得到的模型参数，作为锂电池联合估计的初值

步骤5.3：建立锂电池初始状态的电池等效电路模型和状态空间方程

步骤5.4：以60s的微观时间尺度序列进行SOC估计，SOC估计到达60s后，切换时间尺度为宏观时间尺度进行一次参数辨识，将辨识出的参数更新到状态空间方程中，再切换为微观时间尺度进行SOC估计，循环往复实现在线参数辨识与SOC的联合估计。

进一步的，所述的步骤6包括：

步骤6.1：模型的精度主要体现在两个方面，一是模型端电压与真实值的误差，另一方面体现在SOC的估计精度上。

步骤6.2：用脉冲放电工况和UDDS工况作来验证联合估计算法的在线参数辨识精度和锂电池SOC估计精度。

步骤6.3：为进一步探究联合估计算法的精度，分别是采用传统RLS离线参数辨识的RLS-EKF算法，采用EKF在线参数辨识DEKF算法，以及本发明UKF-AUKF算法进行比较。