[发明专利]一种基于分数阶多新息双无迹卡尔曼滤波联合估计锂电池SOC和SOH的方法

说明书

本发明公开了一种基于分数阶多新息双无迹卡尔曼滤波联合估计锂电池SOC和SOH的方法，首先建立分数阶二阶RC等效电路模型，提高了端电压估计的准确性，并利用遗传算法辨识得到分数阶模型的参数；基于分数阶模型，提出了多新息双无迹卡尔曼滤波器估计动力电池的剩余电量和健康状态，不仅解决了非线性问题线性化所带来的系统误差的问题，而且使用过去一段时间的观测值来对下一时刻的状态进行补偿，提高了剩余电量估计和健康状态估计的估计精度和鲁棒性。本发明所提出方法能够实时估计动力电池剩余电量和健康状态，收敛性好，估计精度高，计算量小，具有良好的应用场景。

技术领域

本发明涉及新能源汽车电池管理技术领域，尤其涉及一种基于分数阶多新息双无迹卡尔曼滤波联合估计锂电池SOC和SOH的方法。

背景技术

电池管理系统作为新能源汽车的核心控制部件，是车辆在全工况、全寿命周期下安全可靠行驶的保障。其中，剩余电量(State Of Charge,SOC)估计和健康状态(State OfHealth,SOH)估计的准确估计是电池管理系统的重中之重，也是被学者所关注的热点。如果不能准确估计动力电池组的SOC和SOH，将无法保证行车安全，甚至将导致重大事故的发生。

动力电池的SOC和SOH的准确估计是一个需要迫切解决的问题。然而，动力电池是一种强非线性系统，动力电池的SOC和SOH无法用任何仪器直接测量得到，只能通过测量的电流和电压间接计算并估计。开路电压结合安时积分法常被用来估计SOC，该算法操作简单方便，然而开路电压校正需要满足电池组经过长时间静置的条件，该条件不容易被满足。另外，由于电流采样存在误差，长时间使用安时积分将会使该算法的误差增大。SOC的不准确计算或估计势必也会给SOH的估计带来误差。因此，需要设计一种闭环算法来估计动力电池的SOC和SOH。

在之前的研究中，基于等效电路模型的双扩展卡尔曼滤波(Dual ExtendedKalman Filter,DEKF)用来去实现动力电池的状态估计。过去基于等效电路模型大多是基于整数解模型，然而动力电池具有分数阶特性，分数阶模型能更好的模拟动力电池的动静态特性，从而可以得到更高精度的状态估计。另外扩展卡尔曼滤波(Extended KalmanFilter,EKF)在估计动力电池状态过程中，将非线性问题线性化，给动力电池建模带来误差，影响了动力电池状态估计精度。

发明内容

针对上述问题，本发明提出一种基于分数阶多新息双无迹卡尔曼滤波联合估计锂电池SOC和SOH的方法，可以对动力电池剩余电量和健康状态进行估计，能够提高建模精度，并且解决非线性问题误差影响。

为了实现上述目的，本发明采用以下技术方案：

一种基于分数阶多新息双无迹卡尔曼滤波联合估计锂电池SOC和SOH的方法，包括：

步骤1：建立分数阶二阶RC等效电路模型，根据建立的分数阶二阶RC等效电路模型，建立考虑系统的状态干扰和输出干扰项的状态方程和输出方程；

步骤2：获取待检测锂离子电池型号和运行参数，利用容量实验，脉冲实验和工况实验，对锂电池的开路电压、电流进行采样；初始化电池开路电压与剩余电量SOC，获取常温下的电池开路电压与剩余电量SOC的关系；

步骤3：通过放电电压降得到欧姆内阻，通过遗传算法辨识分数阶模型的参数；

步骤4：基于步骤3得出的分数阶模型构造考虑系统的状态干扰和输出干扰项参数估计方程，进而构造状态估计和参数估计的联合状态方程；

步骤5：基于步骤4得到的联合状态方程设计基于分数阶模型的多新息双无迹卡尔曼滤波(FOMIUKF+UKF)算法；

步骤6：采集电流电压值，采用设计的基于分数阶模型的多新息双无迹卡尔曼滤波算法对剩余电量SOC和健康状态SOH进行联合估计。

进一步地，所述步骤1包括：