[发明专利]一种锂电池荷电状态的三层滤波估算方法

说明书

本发明属于锂电池荷电状态预测技术领域，涉及一种锂电池荷电状态的三层滤波估算方法，利用标准卡尔曼滤波器、无迹卡尔曼滤波和SIR粒子滤波优点，通过耦合卡尔曼滤波器和无迹卡尔曼滤波器初步获取估计的SOC和极化效应，最后将基于安时、基于OCV和基于模型的估计通过应用SIR粒子滤波器进行矫正；该方法响应速度较快，在有电流测量噪声的情况下，能够有效的提高SOC估计精度，增强算法的跟踪性。

技术领域：

本发明属于锂电池荷电状态预测技术领域，涉及一种锂电池荷电状态的三层滤波估算方法，对锂离子电池荷电状态进行在线高精度估计。

背景技术：

从电子产品到电动汽车和智能电网，电池存储和电源系统已经成为许多应用的关键技术。而锂电池的荷电状态(SOC)估计，是对电池进行有效管理的关键。为了准确可靠地估算SOC，现在常用的估算方法主要有电化学阻抗谱(EIS)、电化学模型、人工神经网络和等效电路模型等。虽然EIS在铅酸电池的SOC和健康状态(SOH)估算中更为常见，但许多研究人员尝试使用EIS来估算锂电池的SOC，因为许多电池属性都与阻抗参数相关联。但是，EIS严重依赖温度和电池使用年限，因此很难获得准确的估算结果；电化学模型使用一系列特殊的时变方程或通过查表来描述电池的内部状态，这种复杂性阻碍了该算法在实时或低成本应用的实现；人工神经网络需要大量的数据训练，这些数据当电池劣化时应该更新，否则算法可能不适应老化的电池；例如CN201711344174.X涉及一种基于深度神经网络下的锂电池荷电状态预测算法，包含以下步骤：S1：运行电动车，采集电动车锂电池组各个电池的端电压、温度以及电池组荷电状态；S2：将锂电池组从满电量运行至锂电池荷电状态为0％；S3：将不同老化程度的锂电池重复S1～S2，每个荷电状态进行多次采集；S4：将采集电池数据分为训练集和测试集，将训练集经过长短记忆神经网络进行训练，获取荷电状态观测器；S5：将测试集输入训练好的观测器测试模型的准确性，重复S4直至误差逼近规定阈值；S6：将传感器在线采集的单体电池的温度、电压输入到训练好的荷电状态观测器模型中，得到当前锂电池组的荷电状态值，能够实现对电动车锂电池荷电状态的在线预测，其预测准确率可达93％；CN201711125026.9公开了一种锂电池荷电状态估算方法，包括建立电池等效电路模型，设置递归次数；采集电池的实时电压以及实时电流参数；将电池实时电压以及实时电流参数输入到电池的等效电路模型中；通过最小二乘法更新等效电路模型的模型参数；判断递归次数是否达到要求，输出锂电池的荷电状态估算值。本发明结合最小二乘法以及卡尔曼滤波算法对锂电池的荷电状态值进行准确的估算，利用卡尔曼滤波算法估算锂电池当前时刻的荷电状态值，利用最小二乘法，并根据过去时刻的荷电状态值更新电池等效电路模型的模型参数，使等效电路模型能够根据电池实际应用工况的改变而进行调整，提高锂电池荷电状态值估算的精准度，用于估算锂电池荷电状态值；CN201610278081.0公开了一种锂电池荷电状态(SOC)的在线估计方法，基于扩展卡尔曼滤波方法，结合了TS模糊原理对锂电池实时参数开路电压UOC进行精确预估，进而实现对锂电池SOC的精确估计，包括：锂电池改进双RC等效电路模型的建立，运用在线TS模糊模型对电池开路电压UOC的精确计算，利用扩展卡尔曼滤波算法实时估计锂电池SOC，基于本发明对锂电池SOC的估计，不仅在锂电池SOC的估计精度上满足预定要求，而且TS模糊模型的应用使得锂电池SOC估计精度提高的同时，也保证了在线估计的快速性和实时性。

发明内容：

本发明的目的在于克服现有技术存在的缺点，设计提供一种利用标准卡尔曼滤波器、无迹卡尔曼滤波和SIR粒子滤波优点的新型锂电池荷电状态的三层滤波估算方法，通过耦合卡尔曼滤波器和无迹卡尔曼滤波器初步获取估计的SOC和极化效应，最后将基于安时、基于OCV和基于模型的估计通过应用SIR粒子滤波器进行矫正。

为了实现上述目的，本发明对锂电池荷电状态的三层滤波估算的具体过程为：

(1)构建双极化模型(DP模型)：根据等效电路模型，锂电池的电压为：