[发明专利]基于强跟踪自适应修正的强鲁棒电动汽车锂离子电池SOC和SOH联合估计

权利要求书

1.一种基于强跟踪自适应修正的强鲁棒电动汽车锂离子电池SOC和SOH联合估计，其特征在于，提出了适用于电动汽车锂离子电池的强跟踪双自适应性扩展卡尔曼滤波方法，通过将渐消因子引入扩展卡尔曼滤波器的误差协方差矩阵中，使系统具有跟踪突然变化的能力，由于扩展卡尔曼算法在估算整个过程的估算误差较大，引入自适应滤波器可以通过测量数据来连续估计和修改噪声的统计特性，从而提高估计精度以克服该问题。

2.根据权利要求1所述的一种基于强跟踪自适应修正的强鲁棒电动汽车锂离子电池SOC和SOH联合估计，其特征在于，通过将渐消因子引入扩展卡尔曼滤波器的误差协方差矩阵中以增强当前观测数据的比例，使系统具有跟踪突然变化的能力，并引入自适应滤波器可以通过测量数据连续估计和修改噪声的统计特性，克服了扩展卡尔曼算法估算精度不高的问题。

3.根据权利要求1所述的一种基于强跟踪自适应修正的强鲁棒电动汽车锂离子电池SOC和SOH联合估计，其特征在于，针对由于扩展卡尔曼算法无法使系统具有跟踪突然变化的能力以及噪声统计特性固定不变的问题而导致扩展卡尔曼算法的估算结果不精确问题，基于强跟踪自适应修正的强鲁棒电动汽车锂离子电池SOC和SOH联合估计方法将渐消因子引入扩展卡尔曼滤波器的误差协方差矩阵中，以增强当前观测数据的比例， 此外，该算法还引入自适应滤波器以通过测量数据来连续估计和修改噪声的统计特性，从而提高估计精度，保证估算结果的高精度性，防止出现估算结果发散以及追踪错误情况。

4.根据权利要求1所述的一种基于强跟踪自适应修正的强鲁棒电动汽车锂离子电池SOC和SOH联合估计，其特征在于，该方法在充分考虑锂离子电池在电动汽车工作环境的基础上，基于等效模型电路，增强以卡尔曼为基础的观测数据比例，修改以卡尔曼为基础的噪声统计特性，将强跟踪滤波器和自适应滤波器引入扩展卡尔曼滤波器中，防止可能存在的误差发散以追踪错误，实现锂离子电池SOC和SOH联合估算模型的建立和SOC值及SOH值的数学迭代运算算法的可靠运行。