[发明专利]一种基于DAFEKF的电池荷电状态估计方法

说明书

本发明公开了一种基于DAFEKF的电池荷电状态估计方法，该方法采用时变衰减因子来抑制滤波器的记忆长度，以便充分利用当前观测数据，减小陈旧测量值的影响，同时自适应地调整过程噪声和测量噪声协方差，防止过程噪声协方差或测量噪声协方差在估算过程开始时太小或者过大造成估计误差变大甚至滤波器发散等现象。因此，本发明采用时变衰减因子和自适应地调整过程噪声和测量噪声协方差，具有估计精度高、鲁棒性强、收敛速度快等优点。

技术领域

本发明属于电池荷电状态估计技术领域，特别涉及一种基于DAFEKF的电池荷电状态估计方法。

背景技术

面对能源危机、环境污染的巨大挑战，以排放洁净化、能源多元化为主要特征的电动汽车在世界范围内得到迅速发展。电池系统作为电动汽车的关键核心部件，直接影响着电动汽车产品的技术水平和应用前景。然而，电池本体技术特别是可以商用的电池，在短时间内仍难以实现跨越式的发展。因此，针对当前电池本体技术，研究更高性能的电动汽车电池管理系统是当前电动汽车发展的重中之重。

电池的荷电状态(State of Charge,SOC)作为电池的关键参数，一直以来是电动汽车电池管理系统的核心问题和急需解决的技术难点，只有准确估计SOC才能起到优化电池性能、提高电池安全性和延长电池使用寿命等作用。然而，电池SOC估计易受温度、充放电倍率以及容量等因素影响，且电池系统具有高度的非线性。为了解决这一难题，科研人员在估计方法上进行了大量的研究。安时积分法是工程上最常用的算法，它是一种开环估计方法，简单易行，但忽略了电流检测时产生的累积误差和电池老化导致容量衰减造成的影响。开路电压法只能在静态条件下通过开路电压与SOC关系精确辨识SOC值，不适用于动态过程。基于模型的方法利用电池信息来建立电池模型，使用测量的电压信号作为反馈形成闭环估计，被认为是最流行也是最具前途的荷电状态估计方法。

扩展卡尔曼滤波算法是最常用的基于模型的估计方法，具备闭环和在线估计等优点。然而，扩展卡尔曼滤波算法存在系统统计噪声的不确定性和当前滤波值对旧数据的过度依赖等问题，使电池SOC估计收敛速度变慢和误差加大。

综上所述，为了实现电池SOC的闭环和在线估计，可采用基于模型的方法。然而，现有基于模型的方法如扩展卡尔曼滤波算法存在系统统计噪声的不确定性和当前滤波值对旧数据的过度依赖等问题。所以提出一种可以准确估计电池SOC的估计算法是目前电动汽车电池管理领域的一大关键问题。

发明内容

为克服上述现有技术的缺点，本发明的目的在于提供一种基于双自适应衰减扩展卡尔曼滤波(Dual Adaptive Fading Extended Kalman Filter,DAFEKF)的电池荷电状态估计方法，以解决扩展卡尔曼滤波算法存在系统统计噪声的不确定性和当前滤波值对旧数据的过度依赖等问题，提高系统的鲁棒性和估计精度。

本发明采用如下技术方案来实现的：

一种基于DAFEKF的电池荷电状态估计方法，包括以下步骤：

第一步，用电流传感器和电压传感器分别测得在电池负载作用下电池上的电流和电压；

第二步，利用测得的电压、电流信号进行电池模型参数辨识；

第三步，初始化t₀时刻的x₀、P₀、Q₀、R₀和α₀；其中x₀为电池初始荷电状态，P₀为初始系统状态量误差的协方差，Q₀为初始过程噪声的协方差，R₀为初始观测噪声的协方差，α₀为初始衰减因子；

第四步，向前推算状态变量：其中A为传递矩阵，E为单位矩阵，B为输入矩阵，为电池的荷电状态，u_k-1为系统输入量；