[发明专利]基于多新息无迹卡尔曼滤波算法融合的锂电池SOC估算方法

权利要求书

1.一种基于多新息无迹卡尔曼滤波算法融合的锂电池SOC估算方法，其特征在于，所述估算方法包括以下步骤：

S1、获取锂电池出厂前离线辨识的阻容参数信息；

S2、基于混合脉冲放电实验，确定锂电池开路电压与SOC关系曲线；

S3、建立二阶RC等效电路模型，确定锂电池系统的状态方程和测量方程；

S4、利用可变遗忘因子的递推最小二乘法与多新息无迹卡尔曼滤波融合估算锂电池SOC；

其中，所述步骤S3过程如下：

S31、确定锂电池系统的状态方程和测量方程一般形式如下：

x_k+1=f(x_k,u_k,k,w_k)（1）

y_k+1=h(x_k+1,k)（2）

式中x_k+1、x_k是k+1和k时刻的状态变量值，u_k是k时刻的控制变量值, w_k~N(0,Q_k) 是k时刻的锂电池系统的状态噪声协方差变量，v_k+1~N(0,R _k+1) 是k+1时刻的锂电池系统测量噪声协方差变量，w_k和v_k+1相互独立，y_k+1是k+1时刻的测量变量值，式（1）为状态方程，由k时刻的状态变量值预测k+1时刻的状态变量值，式（2）为测量方程，由k+1时刻的状态变量值测量k+1时刻的测量变量值；

S32、确定锂电池系统的状态方程和测量方程的具体代入量：

基于二阶RC等效电路模型并以无迹卡尔曼滤波算法为理论依据，选取k时刻电池SOC_k值、二阶RC等效电路模型中低阶极化电压V_p1,k和高阶极化电压V_p2,k作为锂电池系统的状态变量值，即

（3）

选取k时刻电池端电压V_k作为测量变量值，即

y_{k =} V_k（4）

选取k时刻电流I_k作为控制变量值，即

u_{k =} I_k（5）

从而分别得到基于具体代入变量的状态方程（1）和测量方程（2）：

（6）

（7）

式中，R₀为欧姆内阻，R_p1为低阶极化内阻，R_p2为高阶极化内阻，τ_p1低阶时间常数，取值为低阶极化内阻和低阶极化电压的乘积，τ_p2为高阶时间常数，取值为高阶极化内阻和高阶极化电压的乘积，C_n代表锂电池的电容量，T为锂电池系统采样时间，SOC_k-1为k-1时刻电池SOC值，V_p1,k-1、V_p2,k-1分别为二阶RC等效电路模型中低阶极化电压值和高阶极化电压值，I_k-1为k-1时刻电流值；

其中，所述步骤S4过程如下：

S41、确定可变遗忘因子递推最小二乘法模型及参数；所述步骤S41过程如下：

确定递推最小二乘法公式如下：

（8）

式中，θ_k是k时刻待辨识的电池模型参数值，是k+1时刻与参数θ_k有关的模型增益值，是k+1时刻与参数θ_k有关的锂电池的输入数据值，上标T表示矩阵转置，是k时刻与参数θ_k有关的状态误差协方差值，是k+1时刻与参数θ_k有关的状态误差协方差值，e_k+1是k+1时刻的递推最小二乘型算法误差值，λ是可变遗忘因子值；

引入可变遗忘因子值后，得到计算公式如下：

（9）

（10）

（11）

式（9）中，e_μ表示μ时刻的估计误差值，e_k+1为k+1时刻的估计误差值，y_k+1是k+1时刻的测量变量值，是k+1时刻的测量变量估计值；式（10）中，Le(k+1)为k+1时刻的累积权重值，ρ为敏感因子值，S为开窗大小值；式（11）中，λ为可变遗忘因子值，λ_min和λ_max分别为遗忘因子最小值和最大值；

S42、确定多新息无迹卡尔曼滤波模型及参数；

S43、根据可变遗忘因子递推最小二乘法和多新息无迹卡尔曼滤波模型及参数估算锂电池SOC。