量测噪声方差阵相匹配的电池电荷状态估计方法与系统的制作方法
【技术领域】
[0001] 本发明涉及电动汽车动力电池电荷状态估计领域，具体为量测噪声方差阵相匹配 的电池电荷状态估计方法与系统。
【背景技术】
[0002] 电池是电动汽车整车系统中最重要组件之一，为了确保电动汽车的安全性，合理 管理电池至关重要。近年来，锂离子电池以其能量密度高，循环寿命长，无记忆效应，环境友 好等优点成为动力电池应用领域研宄的热点，并逐渐成为电动车辆动力电池的最佳选择。
[0003] 电荷状态（StateofCharge，S0C)是电池管理系统（BatteryManagement System，BMS)中的重要参数，然而它不能直接通过传感器测量所得，只能依据所建立的模 型，运用相应的算法，间接估计得到。由于电池运行时受充、放电电流、温度、自放电和寿命 等因素的影响，并且在使用过程中表现出的复杂非线性，对精确估计S0C造成一定难度。
[0004] 目前S0C估计方法主要有：存在累积误差问题的安时法、需长时间静置的开路电 压法、卡尔曼滤波法、需大量数据进行学习的模糊逻辑法和神经网络法等。
[0005] 对于电池内部的化学特性表现出的复杂非线性特点，将经典卡尔曼滤波的状态 估计扩展到非线性随机系统的状态估计中，出现了扩展卡尔曼滤波和无迹卡尔曼滤波 (UnscentedKalmanFilter，UKF)。UKF克服了扩展卡尔曼滤波中需要计算雅克比矩阵，要 求状态函数和量测函数必须是连续可微的缺点，但应用扩展卡尔曼滤波是以已知噪声统计 特性为先决条件。当噪声统计特性随实际工况条件剧烈变化时，无迹卡尔曼滤波器不具有 自适应能力，易出现滤波的状态估计精度下降甚至发散。为了克服这个缺点，又出现了自适 应无迹卡尔曼滤波（AdaptiveUnscentedKalmanFilter，AUKF)〇
[0006] AUKF虽然同时对量测噪声方差阵R和过程噪声方差阵Q进行调节时，但R与Q的 调整未能保证实际残差方差阵与估计得到的理论残差方差阵完全相匹配，并未区别对待系 统过程噪声引起的误差和量测噪声引起的误差，其鲁棒性较差。
【发明内容】
[0007] 本发明的目的是设计一种量测噪声方差阵相匹配的电池电荷状态估计方法，R本 身自适应调整的方法结合实际残差方差阵与估计的理论残差方差阵相匹配的方法，以方差 阵的完全匹配为目标，反向推算由虚拟的量测噪声方差阵A与量测噪声方差阵R之比构成 的调整因子ek，实现滤波增益的自适应调整，即方差阵相匹配的鲁棒自适应无迹卡尔曼滤 波算法。对滤波增益进行自适应调节，解决过程噪声引起的误差、量测噪声引起的误差所 造成的鲁棒性较差的问题，准确估计电池电荷状态S0C，即使在不同电池电荷状态S0C初值 下，也能较快地收敛到真值。
[0008] 本发明的另一目的是设计一种量测噪声方差阵相匹配的电池电荷状态估计系统， 其包括微处理器，其含有实现量测噪声方差阵相匹配的电池电荷状态估计方法的对应的软 件模块，可嵌入到使用动力电池的装备中，实现动力电池的实时电荷状态在线估计与显示。
[0009] 本发明设计的量测噪声方差阵相匹配的电池电荷状态估计方法包括如下步骤：
[0010]I、建立电池模型及参数辨识
[0011] I-1、建立电池模型
[0012] 目前，电动汽车电池模型主要有：电化学模型、神经网络模型、阻抗模型、等效电路 模型等。本发明根据电池的工作原理，采用联合模型，相对其他的模型，联合模型结构简单、 辨识容易，仿真精度较好，具有通用性。其数学表达式：
【主权项】
1.量测噪声方差阵相匹配的电池电荷状态估计方法，其特征在于包括如下步骤： I、 建立电池模型及参数辨识 I-1、建立电池模型 采用联合模型，其数学表达式：
其中Uk，Xk和Ik分别是当前k时刻电池端电压，SOC和电流；电池放电过程Ik为正值， 充电过程Ik为负值；a。，&1，a2, &3和a4是通过最小二乘法得到的相关参数；Rtl是欧姆内阻； rIk是k时刻库伦效率，Cn是电池的标称容量，At表不米样间隔；《 15是k时刻系统过程噪 声，Vk是k时刻量测噪声；采样得到Uk、Ik; I -2、模型参数辨识 模型参数辨识方法采用最小二乘法得：c= [a〇,av a2,a3,a4,R〇]T= (MtM)^1MtU (3) 其中，U= [U1,U2,. . .，UN]T是端电压序列，M=[MpM2,. . .，MN]T是递归矩阵，
II、 自适应无迹卡尔曼滤波 自适应无迹卡尔曼滤波估计SOC过程如下： II -1、初始状态统计特性为：
X。是SOC初始值，冬是SOC初始值的平均值，Ptl为初始误差协方差阵； II-2、SOC的估计值的过程 SOC的估计值j)A
是k时刻自协方差阵，是k时刻互协方差阵，Kk是k时刻的滤波增益，zk是k 时刻电池端电压的真实值，A是k时刻的SOC值； III、方差阵相匹配的鲁棒自适应无迹卡尔曼滤波 鲁棒卡尔曼滤波中的系统信息 WV-i ⑶ 定义系统实际残差方差阵Ck:
其中L为所选取的平滑窗口，根据经验法，取L= 16 ;系统估计的理论残差方差阵为 及，两者的比值为：
其中tr(_)表示矩阵的迹； 当描述系统噪声统计特性准确时，即系统量测噪声的实际值与给定值一致，用于描述 两者的匹配程度的残差方差实际值的迹与估计的理论值的迹之比值0为1 ; 当系统量测噪声的实际值与给定值不一致时，0偏离1;调整因子ek结合Rk本身自 适应调节，对估计的理论残差方差阵进行调整；
ek〈〇时，取自适应调整因子= 修正Rk，S为衰减因子； 当ek为正值时，取自适应调整因子f,,=q修正Rk; 求取自适应调整因子€，并与R本身自适应调整相结合，以€Rk修正理论计算得到量 测噪声统计特性，具体如下： 自适应调整因子4带入公式（13)调整滤波增益，得到新的滤波增益NKk:
2. 根据权利要求1所述的量测噪声方差阵相匹配的电池电荷状态估计方法，其特征在 于： 所述步骤IV中衰减因子0. 3〈S〈〇. 7。
3. 根据权利要求1或2所述的量测噪声方差阵相匹配的电池电荷状态估计方法设计的 量测噪声方差阵相匹配的电池电荷状态估计系统，包括微控制器及其连接的显示器，其特 征在于： 所述微控制器是嵌入式微控制器，动力电池输出端接有电压传感器和电流传感器；电 压传感器和电流传感器经模数转换模块连接嵌入微控制器，嵌入微控制器含有模型参数辨 识模块、调整因子计算模块、滤波增益自适应调整、鲁棒自适应无迹卡尔曼滤波SOC估计模 块，还接有CAN总线接口和/或RS232接口；本系统与动力电池一起，嵌入在使用动力电池 的设备中，在一个采样周期内完成电压、电流的采集、电池模型参数辨识及SOC在线估计， 所得SOC结果在显示器上显示或直接传送到该设备的控制器局域网络。
【专利摘要】本发明为量测噪声方差阵相匹配的电池电荷状态估计方法与系统，本法步骤为：建立电池模型、电压电流采样，最小二乘法参数辨识模型参数；自适应无迹卡尔曼滤波估计SOC；调整滤波增益的方差阵相匹配的鲁棒自适应无迹卡尔曼滤波，计算系统量测噪声实际残差方差阵值和估计的理论残差方差阵，得到εk。εk大于1自适应调整因子否则调整滤波增益，求得SOC估计值本系统动力电池所接电压、电流传感器经模数转换模块连接微控制器。微控制器含模型参数辨识模块、调整因子计算模块、滤波增益自适应调整、鲁棒自适应无迹卡尔曼滤波SOC估计模块。SOC直接显示或传送到设备CAN网络。本发明动态调整滤波增益，提高了SOC估计的鲁棒性。
【IPC分类】G01R31-36
【公开号】CN104714188
【申请号】CN201510147926
【发明人】党选举, 李爽, 姜辉, 伍锡如, 张向文, 杨青, 朱国魂, 唐士杰, 莫妍
【申请人】桂林电子科技大学
【公开日】2015年6月17日
【申请日】2015年3月31日