[发明专利]一种抗野值鲁棒无迹卡尔曼滤波的动力电池SOC估计方法

说明书

本发明公开了一种抗野值鲁棒无迹卡尔曼滤波的动力电池SOC估计方法，属于动力电池技术领域，包括如下步骤：利用复合模型方法结合安时法设计动力电池的状态和观测方程，确定车载电池的模型方程，建立电池等效模型；进行模型参数辩识，递推最小二乘法辨识电池模型观测试方程的相关参数，系统输入量为持续激励，辩识迭代次数使最终结果收敛并趋于稳定；采用改进的抗野值鲁棒无迹卡尔曼滤波算法对电池SOC进行估计。本发明将测量误差模型修正为归一化受污染正态分布模型，结合贝叶斯定理计算野值出现的后验概率作为加权系数自适应调整测量预测相关方差及增益阵，能够有效克服野值干扰的问题。

技术领域

本发明涉及一种动力电池SOC估计方法，特别是涉及一种抗野 值鲁棒无迹卡尔曼滤波的动力电池SOC估计方法，属于动力电池技 术领域。

背景技术

以往动力电池荷电状态SOC估计通常先验地假设测量噪声为正 态随机序列，但是在实际应用中，由于测量设备本身或者数据传输过 程中可能出现错误或受到环境干扰等影响，会使观测序列中包含一些 错误的观测量，工程领域称之为野值。SOC无法直接测量，只能通 过测量电池其他状态量来间接估计。此时观测量中如果存在野值会对 系统产生更加严重的影响，滤波器的精度和稳定性会明显下降，当出 现连续成片野值时很可能就会导致滤波器发散。因此，研究一种鲁棒 滤波算法对动力电池管理系统而言是一项迫切而又十分有意义的工 作。电池工作环境恶劣，受干扰因素颇多，因此要求所设计的算法对 外界干扰具有矫正作用，从而使得电池SOC估计算法能够尽快收敛 于直实值。

无迹卡尔曼滤波UKF利用二阶以上精度近似高斯非性系统状态 的后验均值与方差，具有实现简单、精度高及收敛性好等优点，但其 抗野值方面的鲁棒性仍有较大优化提升空间。针对这一问题，使用极 大似然准则或者Sage-Huga得到系统次优递推噪声估计器代替无迹 卡尔曼滤波算法中的平滑估计值的方法抑制滤波发散，解决观测噪声 统计特性未知的问题。但其状态噪声方差在SOC估计过程中自适应 调整容易导致估计波形抖振；无迹卡尔曼滤波算法结合窗口和随机加 权的方法，通过调整每个窗口的随机权重细化所获得的窗口估计，但 该方法在SOC估计中应用稳定性欠缺。使用无迹卡尔曼滤波滤波的 残差检验，根据其统计特性判断野值噪声，并采用平滑窗口实现对野 值噪声的有效隔离，但其在变工况和建立的电池模型存在差异条件下 检验阈值比较难以确定。利用M稳健估计作为抗野值无迹卡尔曼滤 波基础，应用IGGⅢ函数计算的权因子调整观测噪声以及增益矩阵的方法克服野值影响。该方法在SOC状态初值设定误差较大情况下收 敛速度稍慢，而且对斑点型野值的抗差效果不尽理想。

发明内容

本发明的主要目的是为了提供一种抗野值鲁棒无迹卡尔曼滤波 的动力电池SOC估计方法，结合归一化受污染正态分布模型、贝叶 斯定理以及引入次优渐消因子强跟踪的无迹卡尔曼滤波算法的动力 电池SOC估计，主要解决电池SOC估计野值干扰的问题。。

本发明的目的可以通过采用如下技术方案达到：

一种抗野值鲁棒无迹卡尔曼滤波的动力电池SOC估计方法，包 括如下步骤：

步骤1：利用复合模型方法结合安时法设计动力电池的状态和观 测方程，确定车载电池的模型方程，建立电池等效模型；

步骤2：进行模型参数辩识，递推最小二乘法辨识电池模型观测 试方程的相关参数，系统输入量为持续激励，辩识迭代次数使最终结 果收敛并趋于稳定；

步骤3：采用改进的抗野值鲁棒无迹卡尔曼滤波算法对电池SOC 进行估计。

进一步的，步骤1中，建立电池等效模型，包括如下步骤：

结合安时计量法设计状态方程，引入了环境温度和充放电倍率比 例因子，得到电池模型的状态方程；

采用状态观测复合模型将电池SOC作为非线性系统的唯一状态 变量，得到电池观测模型方程；