[发明专利]基于强跟踪自适应SQKF的应急灯电池SOC估计方法

摘要

本发明涉及电池技术领域的一种基于强跟踪自适应SQKF的应急灯电池SOC估计方法，该方法通过以下步骤实现首先建立应急灯电池的二阶RC等效模型；其次在电池等效模型的基础上，建立相应的离散状态空间模型方程；最后采用强跟踪自适应SQKF对电池的SOC值进行滤波估计。本发明提出的方法具有比现有卡尔曼滤波框架下的SOC估计方法更高的估计精度。同时，通过引入时变渐消因子和在线估计系统噪声方差，有效抑制了电池系统建模时由于噪声统计特性未知时变而导致的滤波发散问题。

主权项

基于强跟踪自适应SQKF的应急灯电池SOC估计方法，其特征在于该方法包括以下步骤：步骤1建立应急灯电池二阶RC等效模型；步骤2建立电池系统离散状态空间模型；步骤3使用强跟踪自适应SQKF对电池SOC进行估算；所述步骤1中的电池二阶RC等效模型包括理想电源、欧姆内阻R0、电化学极化内阻R1、浓度极化内阻R2、电化学极化电容C1、浓度极化电容C2；理想电源的正极连接欧姆内阻R0的一端，欧姆内阻R0的另一端连接电化学极化内阻R1的一端，电化学极化内阻R1的另一端连接浓度极化内阻R2的一端，电化学极化电容C1的两端与电化学极化内阻R1的两端并联，浓度极化电容C2的两端与R2的两端并联；所述步骤2中的电池系统离散状态空间模型为：x(k+1)＝A·x(k)+B·i(k)+w(k)z(k)＝h[x(k)]+D·i(k)+v(k)其中，x(k)=[Sc(k),U1(k),U2(k)]TA=diag{1,e-ΔtR1C1,e-ΔtR2C2}B=[-ηΔtCn,R1(1-e-ΔtR1C1),R2(1-e-ΔtR2C2)]Tz(k)=Uout(k)h[x(k)]=Uoc(k)-U1(k)-U2(k)=f[Sc(k)]-U1(k)-U2(k)D=-R0]]>式中，k为离散时刻，△t为采样周期，上标“T”表示矩阵转置运算，diag表示对角矩阵；Sc(k)为电池的荷电状态SOC，U1(k)和U2(k)分别为k时刻电容C1和C2上的电压值；η为库仑系数，Cn表示电池的标称容量，i(k)为k时刻通过电池的电流；Uout(k)为k时刻电池的端电压，Uoc(k)为k时刻电池的开路电压，它与Sc(k)之间满足非线性关系Uoc(k)＝f[Sc(k)]；w(k)和v(k)分别为系统随机噪声和电池端电压测量噪声；所述步骤3中的基于强跟踪自适应SQKF的电池SOC估算包括滤波器初始化、时间更新过程、测量更新过程、系统噪声方差估计和算法结束五部分；所述滤波器初始化包括初始化系统状态误差协方差阵P(0|0)＝p(0)和过程噪声方差所述时间更新过程具体包括：1)计算积分点其中，为(k‑1)时刻状态的估计值，S(k‑1|k‑1)为相应的估计误差阵的均方根矩阵；ξi为第i个标准高斯密度的高斯‑厄米特积分点，m为积分点个数，i＝0,1,…,m；2)计算转移后的积分点3)状态预测估计值其中，ωi为第i个标准高斯密度的高斯‑厄米特积分点对应的权值；4)计算平方根预测误差方差阵S(k|k-1)=qr([ω1(x0′(k|k-1)-x^(k|k-1)))...ωm(xm*(k|k-1)-x^(k|k-1))]Q^(k-1)]]>其中，qr(·)表示对矩阵进行QR分解，表示矩阵的Cholesky分解因子；5)估算渐消因子λ(k)其中，c(k)＝tr[N(k)]/tr[M(k)]，tr表示矩阵的迹运算，且有N(k)=V0(k)-βRv(k)-H(k)Q^(k-1)HT(k)M(k)=H(k)A[S(k-1|k-1)ST(k-1|k-1)]ATHT(k)]]>其中其中，H(k)是测量模型的局部线性化矩阵，表示偏微分算子；ρ是遗忘因子，0<ρ<1，β是弱化因子，β>1，Rv(k)是高斯测量噪声的方差；6)修正平方根预测误差协方差阵所述测量更新过程具体包括：1)计算积分点2)计算传播后的积分点zi(k|k‑1)＝h(xi(k|k‑1))3)估计测量预测值4)计算平方根新息协方差阵Szz(k|k-1)=qr([ω0(z0(k|k-1)-z^(k|k-1))...ωm(zm(k|k-1)-z^(k|k-1))]Rv(k)]]>其中为矩阵Rv(k)的Cholesky分解因子；5)计算互协方差阵与增益阵6)估计状态及其平方根误差协方差阵其中，cholupdate(·)表示对下三角矩阵进行Cholesky因子更新；选取状态估计的第一分量作为输出量即可得到电池SOC的实时状态估计值；所述系统噪声方差估计采用Sage‑Husa估计器递推计算；所述算法结束的具体为：首先判断滤波算法是否继续执行，如果是，返回时间更新过程；否则，结束。