[发明专利]一种基于UKF-AUKF的锂电池SOC联合估计方法

说明书

本发明公开了锂电池荷电状态(SOC)的精确估计是电动汽车安全行驶的保障。为了降低实际复杂工况下，电池模型不契合实际电池参数时变特性造成的误差，采用无迹卡尔曼滤波算法(UKF)对锂电池二阶等效模型进行在线参数辨识，再联合自适应无迹卡尔曼滤波算法(AUKF)估计锂电池SOC，将时变参数反馈到SOC估计的模型中，提高SOC估计精度和对各工况适应性，UDDS工况下通过与离线单一扩展卡尔曼滤波算法(EKF)、在线双扩展卡尔曼滤波算法(DEKF)进行比较分析，实验结果验证了UKF‑AUKF的精确性和鲁棒性。

技术领域

本发明涉及锂电池荷电状态估计领域，具体来说是一种基于UKF(无迹卡尔曼滤波)在线参数辨识联合AUKF(自适应无迹卡尔曼滤波)估计SOC的方法。

背景技术

为了迎合可持续发展的时代要求，新能源电动汽车得到快速发展。锂电池是电动汽车工作运行的核心，因此对锂电池状态估计成为重中之重。国内外对锂电池SOC估计做了大量的研究，目前绝大多数研究都以模型为基础，一是电化学模型，通过分析计算锂电池化学反应估计电池SOC，该法需要一定相关化学理论，而且计算较为复杂；二是黑箱模型，通过大量数据驱动建立黑箱模型，如神经网络等，但该法需要大量数据训练模型，在复杂工况和环境下效果较差；三是等效电路模型，通过电阻电容构成的电路模型结合各种滤波算法估计SOC，该法计算量较小而且精度较高，并且各种复杂工况下的估计精度都能得到保障，因此得到广泛应用。

模型精度直接影响着SOC的估计精度，曹等人提出基于RLS的离线参数辨识，保证了模型的辨识精度；基于约束条件的RLS进行在线参数辨识，用UKF估计电池SOC，进一步提高了模型精度，但RLS算法采用的数据点较少，精度还是相对较低；采用带遗忘因子的递推最小二乘法(FFRLS)进行参数辨识，并用EKF估计电池SOC，通过设定遗忘因子来舍弃历史数据，有效解决数据冗余问题，但该算法遗忘因子是固定的，可能适用于当前工况，但是对于其他工况可能会使误差急剧增大，该法对于不同工况并不具备普适性；双扩展卡尔曼滤波算法(DEKF)，进行参数和SOC联合估计，实现了在线参数辨识，大大提高模型对于不同工况的适应度，但是EKF中的线性化过程因为省略部分高次项，造成误差持续存在，而且实际工况的噪声影响无法处理。

发明内容

针对实际工况下锂电池参数时变特性，和噪声对SOC估计影响较大的问题。本发明提出宏观时间尺度下采用UKF算法对等效电路模型进行参数辨识，并联合微观时间尺度下的AUKF算法估计锂电池SOC，即解决了传统离线参数辨识模型固定导致误差较大的问题，又解决了EKF因省略高次项导致算法精度低的问题，进一步滤除了环境和工况噪声，提高了算法鲁棒性、精确性。

本发明所采用的技术方案是：

步骤1：搭建实验平台实验对象采用由十节18650三元锂电池并联而成的电池组，实验平台如图1所示，温控箱用来设置锂电池工作温度，这里设置恒温25度，PC端通过串口对可编程电子负载、可编程DC电源发送指令，对电池进行充放电实验。同时用数据采集卡采集锂电池数据，并实时传输到PC端。

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。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：