[发明专利]一种基于自适应平方根中心差分Kalman滤波的SOC估计方法

说明书

本发明公开了一种基于自适应平方根中心差分Kalman滤波的SOC估计方法，该方法根据锂电池内部机理建立二阶RC等效电路模型，使用带遗忘因子递推最小二乘法(FFRLS)进行参数辨识；在中心差分Kalman(CDKF)滤波的基础上进行改进，引入自适应和平方根因素，自适应可有效解决噪声不确定性问题，平方根可以保持算法协方差矩阵正定性，两者结合能有效提高SOC估计精度和对噪声鲁棒性能。本发明为锂电池SOC状态估计提供一定参考思路。

技术领域

本发明属于复杂系统的状态控制及控制优化技术领域，具体涉及一种基于自适应平方根中心差分Kalman滤波的SOC估计方法。

背景技术

锂电池因其单体工作电压高、使用寿命长、比能量大、循环寿命长和工作温度范围广泛的特点，在新能源汽车中常用作动力电池。锂电池SOC作为电池管理系统中重要的参数指标，对监测电池安全状态，寿命预估和提升工作效率等方面有重要意义。因此对锂电池SOC的准确估计是电池管理系统中非常重要的一环。

由于SOC作为电池内部状态量，无法直接量测得到，只能通过测量电池输出电压和电流进行估计。目前最常用的两种非模型SOC估计方法为安时积分法和开路电压法。安时积分法以电流的时间积分估计SOC值，虽然此法易于实施，但其基于开环容易使得误差累积，时间越长误差越大，需要经常对其校正以消除误差。开路电压法通过确定电池OCV和SOC间关系，可以通过测量电池的OCV以获得电池SOC，精度较高。然而获取OCV需要将电池与外部电路隔离开单独测量，显然这在实际运行环境中是不现实的。

因此，为了获得精确的SOC值，基于模型的SOC估计策略备受关注，其可以分为电化学阻抗模型，等效电路模型和神经网络模型。电化学阻抗模型精度较高，但其研究电池内部化学反应机理使得模型复杂度极高，应用困难。神经网络模型需要大量数据样本训练，数据类型、精度以及训练方法选择对估计结果有一定影响。等效电路模型则是折中了模型的精度和复杂度，将电池内部等效为电路，并以电路架构状态空间方程对SOC值进行估计。

基于等效电路模型最常用的SOC估计算法有Kalman滤波、H∞滤波和粒子滤波(PF)等。Kalman滤波的典型算法有扩展Kalman滤波(EKF)和无迹Kalman滤波(UKF)等，扩展Kalman滤波对非线性函数做一阶泰勒展开线性化处理，在系统非线性强度较大时误差比较明显，无迹Kalman滤波采用sigma点近似取代一阶泰勒展开，采用sigma点加权合并近似状态量，将精度提高到二阶近似，但UKF参数设置对估计结果有较大影响，设置参数凭经验而定。H∞滤波通过设计合适的代价函数J，降低噪声对状态估计的负面影响，估计结果偏保守，因为总是假定噪声会出现极端状况，是一种非最优估计。粒子滤波基于蒙特卡洛方法，通过寻找一组在状态空间传播的随机粒子对粒子分布的概率密度函数进行近似，例子数量足够多时，对非线性和非高斯系统近似精度较高，但是计算量过大限制了它的实际应用。

发明内容

发明目的：针对以上问题，本发明提出一种基于自适应平方根中心差分Kalman滤波的SOC估计方法，解决了实际系统中常有的噪声干扰情况和计算精度问题。

技术方案：为实现本发明的目的，本发明所采用的技术方案是：一种基于自适应平方根中心差分Kalman滤波的SOC估计方法，具体包括如下步骤：

步骤1，基于锂电池内部机理，建立二阶RC等效电路模型，并根据二阶RC等效电路模型推导锂电池系统的状态方程和输出方程；

步骤2，基于实测电压和电流数据，通过带遗忘因子的递推最小二乘法对二阶RC等效电路模型进行参数辨识；

步骤3，基于锂电池系统的状态方程和输出方程，对中心差分Kalman滤波算法引入自适应机制和平方根方法，建立自适应平方根中心差分Kalman滤波器；

步骤4，以SOC作为估计量，利用自适应平方根中心差分Kalman滤波器进行迭代估计。

进一步地，所述SOC估计方法还包括：