[发明专利]一种应用于AGV车SOC估算动态调整滤波增益的方法

说明书

本发明涉及一种应用于AGV车SOC估算动态调整滤波增益的方法，将扩展卡尔曼滤波法的滤波增益改进为动态调整滤波增益，有效提高扩展卡尔曼滤波法的跟踪效果。本发明充分分析了AGV车特殊的工况，指出安时积分法在估算其SOC值不准确的原因所在，提出使用扩展卡尔曼滤波法估算其电池SOC值，针对传统扩展卡尔曼滤波法跟踪效果差的问题，改进其滤波增益为动态变化增益，提高估算SOC值的实时性，保证AGV车SOC值的准确性在5％以内，有效解决了工程中AGV车SOC值估算不准确的问题。

技术领域

本发明属于AGV车电池剩余容量估算的技术领域，具体涉及一种应用于AGV车SOC估算动态调整滤波增益的方法。

背景技术

自动引导车(AGV)是一种自动化的搬运设备，主要应用在工业生产中。AGV车一般使用蓄电池作为电源，在AGV车能量管理系统中准确估算SOC是至关重要的，可以保证AGV车高效安全地运行，同时也能够避免由于过充或过放影响AGV车电池的使用寿命。但是蓄电池的剩余容量和很多因素有关，而且AGV车工况特殊，这就使得蓄电池SOC值估算变得复杂，准确度难以得到保证。

SOC估算方法主要有开路电压法，电流积分法，卡尔曼滤波法，神经网络法。AGV车中常用的是电流积分法，但是AGV车工况特殊，电流积分法估算SOC值的准确度并不理想，而且会产生累积误差。虽然在实际工业应用中对电流积分法估算的SOC值会进行校对，但是并没有从根本上解决电流积分法依赖初值，累积误差较大的问题。开路电压法无法在线实时估算SOC值，神经网络法对训练方法和训练数据依赖性很大，目前还没有得到很好的使用。卡尔曼滤波法估算电池SOC不依赖于初值，不会产生误差，适合应用在电流变化幅度较大的工况中，综合分析卡尔曼滤波法更加适合应用在AGV车SOC估算中。

AGV车运行在工业生产线中，其工作节奏较快，一般不会预留专门的充电时间，只有在等待工序完成的时间里才进行充电，而且充电电流大，充电倍率可以达到1C-2C，充电时间短，一般是几秒或者是几十秒。而AGV车在正常工作时电流较小，一般是在0.5C之内。所以AGV车的工况就可以概括为充电电流大，放电电流小，充电时间短，充电频率高。图1描述了AGV车在12分钟内充放电变化情况，放电电流为正，充电电流为负。从图中可以看出AGV车在10分钟内就充电两次，而且每次充电电流达到了100A，而放电电流仅有5A左右。在这种电流波动幅度大，充电频率高的情况下如何准确估算SOC值是一个值得研究的问题。

电流积分法是估算SOC值的常用方法，但是电流积分法依赖初值，对电流的测量精度要求较高，AGV车在特殊工况下SOC初始值和电流测量精度都难以得到保证，所以电流积分法估算AGV车SOC值的准确度不是很高。卡尔曼滤波法的基本思想是一个不断加权迭代的过程，在整个滤波的过程中有两个值，分别是模型的预测值和仪器的测量值，然后预测值和测量值进行综合加权得到了最优估计值。并且卡尔曼滤波法不依赖初始值，不会产生累积误差，能够保证特殊工况下SOC值的准确性。但是卡尔曼滤波法依赖电池模型，电池模型的精度直接影响SOC值估算的精度，所以准确建立电池模型是卡尔曼滤波法估算SOC值的基础。

发明内容

为了克服上述现有技术存在的不足，本发明的目的在于提高扩展卡尔曼滤波法的跟踪效果，设计了一种应用于AGV车SOC估算动态调整滤波增益的方法，该方法有效提高扩展卡尔曼滤波法的跟踪效果，解决了AGV车电池剩余容量估算不准确的问题。

为了达到上述目的，本发明所采用的技术方案是：一种应用于AGV车SOC估算动态调整滤波增益的方法，其特征在于，将扩展卡尔曼滤波法的滤波增益改进为动态调整滤波增益，有效提高扩展卡尔曼滤波法的跟踪效果，其中：

通过实验数据的拟合可以得出修正函数符合指数函数的变化规律，令其动态修正函数如式(11)所示：

则改进后扩展卡尔曼滤波算法中的增益K_k’如式(12)所示：