[发明专利]一种基于UKF算法的锂离子动力电池状态估计方法

说明书

本申请公开了一种基于UKF算法的锂离子动力电池状态估计方法，该方法采用联合估计策略对时变的荷电状态空间模型及健康状态空间模型的参数进行在线估计与更新，从而可以有效保证动态测试工况下模型的准确性，提高锂离子动力电池状态估计的精度。另外，在无迹变换时，对量测方程进行准线性化处理，从而较好的降低了循环迭代过程中的计算开销。并且，通过对过程噪声的统计特性参数进行在线估计与修正，极大的提高了UKF算法的自适应容错能力。以及实时跟踪滤波的收敛性，并当滤波结果呈发散趋势时，通过修正协方差而以抑制滤波发散，保证了滤波过程的数值稳定性。

技术领域

本申请涉及锂离子动力电池技术领域，特别涉及一种基于UKF算法的锂离子动力电池状态估计方法；还涉及一种基于UKF算法的电池状态估计装置、设备以及计算机可读存储介质。

背景技术

锂离子动力电池作为新能源电动汽车的重要供能来源，准确估计其荷电状态(state of charge，SOC)与健康状态(state of health，SOH)，能够有效预估汽车可行驶里程，充分合理利用锂离子动力电池，延长锂离子动力电池的使用寿命以及改善整车的运行效率，对加快汽车电动化进程具有重要实际意义。

目前，针对锂离子动力电池的荷电状态的估计方法诸多，但均存在着不同程度的技术缺陷，例如，安时积分(ampere-hour counting，AH)法，存在累计误差、荷电状态初值校准的问题；开路电压(open circuit voltage，OCV)法，需要长时间静置，不适用于工作中的电池状态估计；神经网络法，对数据集的依赖性较强，且算法的抗扰动能力不足；基于无迹卡尔曼滤波(unscented Kalman filter，UKF)进行状态估计，UKF采用一系列确定样本来近似系统状态的后验概率密度分布，能够有效解决由系统非线性加剧而引起的滤波发散问题，但其估计精度受到电池等效模型准确性的影响。

此外，针对锂离子动力电池的健康状态的估计方法主要包括内阻法(对于毫欧级的内阻来说，量测难度较大)；电化学阻抗法(常用于实验室分析电池健康状态)数学模型法(电池系统的非线性以及环境的不确定性，将影响数学建模的准确性，进而影响到估计精度)。

有鉴于此，如何准确估计锂离子动力电池的电池状态已成为本领域技术人员亟待解决的技术问题。

发明内容

本申请的目的是提供一种基于UKF算法的锂离子动力电池状态估计方法，能够准确估计锂离子动力电池的荷电状态与健康状态；本申请的另一目的是提供一种基于UKF算法的电池状态估计装置、设备以及计算机可读存储介质，均具有上述技术效果。

为解决上述技术问题，本申请提供了一种基于UKF算法的锂离子动力电池状态估计方法，包括：

建立锂离子动力电池的荷电状态空间模型与健康状态空间模型；

基于所述荷电状态空间模型并利用UKF算法进行迭代计算，得到所述锂离子动力电池的荷电状态与极化电压，根据所述极化电压更新所述健康状态空间模型中的极化电压参数；其中，基于荷电状态空间模型并利用UKF算法进行迭代计算的过程中，通过查询当前条件下的OCV-SOC映射表得到所述荷电状态空间模型中关于量测方程的系数矩阵，在线估计所述荷电状态空间模型中过程噪声的方差并根据估计值更新所述方差，以及实时判断滤波结果是否收敛并当所述滤波结果成发散趋势时修正所述荷电状态空间模型中状态向量的协方差，以抑制滤波发散；

基于所述健康状态空间模型并利用所述UKF算法进行迭代计算，得到所述锂离子动力电池的欧姆内阻，根据所述欧姆内阻计算得到所述锂离子动力电池的健康状态，并根据所述欧姆内阻更新所述荷电状态空间模型中的欧姆内阻参数；其中，基于健康状态空间模型并利用UKF算法进行迭代计算的过程中，通过查询当前条件下的OCV-SOC映射表得到所述健康状态空间模型中关于量测方程的系数，在线估计所述健康状态空间模型中过程噪声的方差并根据估计值更新所述方差，以及实时判断滤波结果是否收敛并当所述滤波结果成发散趋势时修正所述健康状态空间模型中状态变量的协方差，以抑制滤波发散。