[发明专利]基于小模型误差准则扩展卡尔曼滤波的电池SOC估计方法

摘要

本发明公开了一种基于小模型误差准则扩展卡尔曼滤波的电池SOC估计方法，首先，基于AIC准则建立了一种变阶数的RC模型，为SOC的精确估计打下良好基础；其次，在不同工况下离线获取电池端电压、电流以及对应的模型误差等数据，并建立基于模糊神经网络的模型误差预测模型；然后，在滤波中基于该神经网络在线预测模型误差，只有当预测的误差较小时才对状态估计进行测量更新，从而克服了由于模型误差和系统噪声统计特性不确定引起滤波发散的问题；解决了由于电池端电压跳变造成SOC估计波动的问题。该算法能有效消除由于模型误差造成的滤波估计误差，并且能适用于电池在各种复杂工况下的动态过程。

主权项

一种基于小模型误差准则扩展卡尔曼滤波的电池SOC估计方法，其特征是：包括以下步骤：S1.建立一种基于AIC准则的变阶数RC电池等效电路模型，即针对锂电池在充放电初期和末期电压急剧变化的特性提出应选择三阶RC模型，而针对SOC在20％～80％的平台期间电压变化平稳的特性应选择二阶RC模型；S2.在不同工况下离线获取电池的端电压、电流数据，与模型输出值比较获得对应的模型误差数据；并根据模型误差的大小模糊化为1和0的开关变量，其中，模型误差数据模糊化的具体方法如下：为当模型误差大于等于0.001V，令模糊化的模型误差Flag等于1；当模型误差小于0.001V，令Flag等于0；S3.将模糊化的模型误差作为样本训练神经网络，建立基于模糊神经网络的模型误差预测模型；S4.电池静置至少8个小时，将SOC作为唯一的状态空间变量；S5.扩展卡尔曼滤波器初始化和时间更新：状态估计更新、误差协方差更新；S6.在滤波过程中基于建立的模糊神经网络在线预测模糊化的模型误差Flag，并对其进行解模糊；根据解模糊结果，建立测量噪声修正模型；S7.根据步骤S6的测量噪声修正模型判断模型误差是否满足条件，如果满足条件引进滤波增益系数，计算卡尔曼增益矩阵；S8.进行状态测量更新和误差协方差测量更新；S9.得到电池的端电压的估计结果，并与SOC真值进行比较，验证小模型误差准则扩展卡尔曼滤波算法的有效性，并转到步骤S5。