[发明专利]一种基于AEKF的电池荷电状态估计方法及估计系统

摘要

本发明涉及电池电气测试技术，尤其涉及一种基于AEKF的电池荷电状态估计方法及估计系统。本发明采用自适应扩展卡尔曼滤波算法估计电池SOC，并增加了基于遗忘因子的加权系数改变了卡尔曼滤波算法的参数自适应调整方式，促使整个算法受参数初始值设置的影响很小，克服了原有的安时积分法计算电池SOC初始值不准确及累计误差的现象，可以更准确可靠地估计电池SOC。同时，本发明收敛性好，收敛速度快，且算法移植性好，稳定可靠。本发明可应用于电动汽车电池管理领域，将本发明应用于电动汽车蓄电池的SOC估计，可以准确地计算电动汽车的续航里程，便于驾驶者对车辆的掌控，更适用于电流波动剧烈的电动汽车环境。

主权项

一种基于AEKF的电池荷电状态估计方法，其特征在于，包括如下步骤：步骤1：初始化t₀时刻的x₀、P₀、Q₀、R₀，然后进入步骤2；其中x₀为电池荷电状态初始值，P₀为误差协方差初始值，Q₀为过程噪声初始值，R₀为观测噪声初始值；步骤2：预估k时刻的电池荷电状态及k时刻的状态先验估计误差协方差然后进入步骤3；其中：其中，A为一个采样间隔内的传递矩阵，为k‑1时刻的电池荷电状态的后验估计值，B为输入矩阵，u_k‑1为k‑1时刻系统的输入量，noise_k‑1为k‑1时刻加入的白噪声；其中，P_k‑1为k‑1时刻的状态估计后验误差协方差，A^T为传递矩阵A的转置矩阵，Q_k‑1为k‑1时刻的过程噪声；步骤3：更新k时刻的实际电压信号与模型电压信号之间的差值e_k和卡尔曼滤波增益H_k，然后进入步骤4；其中：其中，y_k为k时刻采集到的电池的实际电压信号，为k时刻的电池模型的模型电压信号，为k时刻的电池荷电状态先验估计值；其中，H_k为k时刻的卡尔曼滤波增益矩阵，R_k为k时刻的观测噪声，C为输出矩阵，C^T为输出矩阵C的转置；步骤4：更新基于遗忘因子的加权系数，然后进入步骤5；d_k‑1＝(1‑b)(1‑b^k)^‑1，其中，b为遗忘因子，d为基于遗忘因子的加权系数，d_k‑1为k‑1时刻的基于遗忘因子的加权系数值；步骤5：更新过程噪声Q_k和观测噪声R_k，然后进入步骤6：$Q_k=(1-d_{k-1})Q_{k-1}+d_{k-1}G(H_k{e}_k{e}_k^T{H}_k^T+P_k^{-}-{\mathrm{AP}}_k^{-}{A}^T)G^T;$$R_k=(1-d_{k-1})R_{k-1}+d_{k-1}(e_k{e}_k^T-{\mathrm{CP}}_k^{-}{C}^T);$其中：G为白噪声，Q_k‑1为k‑1时刻的过程噪声，R_k‑1为k‑1时刻的观测噪声，为k时刻的实际电压信号与模型电压信号之间的差值e_k的转置，为k时刻的卡尔曼滤波增益矩阵H_k的转置；步骤6：更新k时刻的电池荷电状态的后验估计值和k时刻的电池荷电状态后验估计误差协方差然后进入步骤7；I为单位矩阵；步骤7：k值增加1，并返回步骤1。