基于自适应双扩展卡尔曼滤波法的锂电池SOC估算方法
专利汇可以提供基于自适应双扩展卡尔曼滤波法的锂电池SOC估算方法专利检索，专利查询，专利分析的服务。并且本 发明 公开了一种基于自适应双 扩展卡 尔曼滤波法的SOC估算方法，首先建立锂 电池 的二阶RC等效 电路 模型；然后通过脉冲充放电实验确定锂电池不同 荷电状态 SOC处的开路 电压 以及电池等效模型参数，得到开路电压与SOC的函数关系，及其它模型参数与不同SOC处的关系，其他模型参数包括欧姆内阻、电化学极化 电阻 、电化学极化电容、浓度差极化电阻、浓度差极化电容值；建立以SOC、极化电压为状态变量的 状态空间 方程和以欧姆内阻为状态变量的状态空间方程；最终 迭代 计算实时获得锂电池的荷电状态SOC值。本发明解决了 现有技术 中存在的噪声统计特性未知的问题，同时利用卡尔曼滤波 算法 估算电池的欧姆内阻，提高了模型 精度 。，下面是基于自适应双扩展卡尔曼滤波法的锂电池SOC估算方法专利的具体信息内容。
1.一种基于自适应双扩展卡尔曼滤波法的锂电池SOC估算方法，其特征在于，具体按照以下步骤实施：
步骤1、建立锂电池的二阶RC等效电路模型；
步骤2、通过脉冲充放电实验确定锂电池不同荷电状态SOC处的开路电压以及电池等效模型参数，然后通过函数拟合得到开路电压与SOC的具体函数关系，构建出其它模型参数与不同SOC处的关系，其它模型参数包括欧姆内阻、电化学极化电阻、电化学极化电容、浓度差极化电阻、浓度差极化电容值；
步骤3、根据锂电池的等效电路模型，分别建立以SOC、极化电压为状态变量的状态空间方程和以欧姆内阻为状态变量的状态空间方程；
步骤4、运用自适应扩展卡尔曼滤波算法估算电池的SOC，同时运用卡尔曼滤波算法估算电池的欧姆内阻，最终迭代计算实时获得锂电池的荷电状态SOC值。
2.根据权利要求1所述的一种基于自适应双扩展卡尔曼滤波法的SOC估算方法，其特征在于，所述步骤1中锂电池的二阶RC等效电路模型包括两个串联在一起的RC并联电路，其中一个RC并联电路的电化学极化电阻RL与电化学极化电容CL之间与充放电方向的开路电压源连接后接入电压，另一个RC并联电路的浓度差极化电阻RS与浓度差极化电容CS共同串联欧姆内阻Ro后接入电压。
3.根据权利要求2所述的一种基于自适应双扩展卡尔曼滤波法的SOC估算方法，其特征在于，所述步骤2中将开路电压按照充、放电方向分为两个部分，当处于放电状态时，放电开路电压UOC及其所串联的二极管工作，充电开路电压U’OC不工作；当处于充电状态时，充电开路电压U’OC及其所串联的二极管工作，放电开路电压UOC不工作，在锂电池充电或放电两个过程中，每个过程因充电或放电电流方向不同而选择各自开路电压源UOC或U’OC，由此分别得到充电和放电过程的开路电压与SOC的关系，以及欧姆内阻、电化学极化电阻、电化学极化电容、浓度差极化电阻、浓度差极化电容值在放电过程中与SOC的对应关系。
4.根据权利要求3所述的一种基于自适应双扩展卡尔曼滤波法的SOC估算方法，其特征在于，所述建立的以SOC、极化电压为状态变量的锂电池SOC、电化学极化电压UL与浓度差极化电压US的状态空间方程为：
锂电池端电压方程如下：
U(k)＝UOC(SOCk)-US(k)-UL(k)-Ro(k)i(k)+vk
其中，ΔT为采样时间，Ro为电池的欧姆内阻，RL、CL分别为电池的电化学极化电阻和极化电容，RS、CS分别为电池的浓度差极化电阻和极化电容，τL、τS分别代表电化学极化时间常数与浓度差极化时间常数，其中τL＝RLCL，τS＝RSCS，US为RS两端的电压，UL为RL两端的电压，UOC为电池的开路电压，i为电池的工作电流，U为电池的工作电压，wk为SOC估算过程噪声，vk为SOC估算测量噪声，CN代表锂电池当前容量，k代表当前时刻迭代计算步数，SOC(k)代表第k次计算中的荷电状态SOC值；
所述步骤3中建立的以欧姆内阻为状态变量的状态空间方程为：
Ro,k＝Ro,k-1+rk
U(k)＝UOC(SOCk)-US(k)-UL(k)-Ro(k)i(k)+qk
其中，rk为以欧姆内阻Ro为状态变量的卡尔曼滤波法估算过程噪声，qk为以欧姆内阻Ro为状态变量的卡尔曼滤波法估算测量噪声，Ro,k为第k次迭代计算中的欧姆内阻估计值，Ro,k-1为前一次即第k-1次的欧姆内阻估计值。
5.根据权利要求4所述的一种基于自适应双扩展卡尔曼滤波法的SOC估算方法，其特征在于，所述步骤4具体按照以下步骤实施：
步骤4.1、设定锂电池荷电状态SOC和卡尔曼滤波算法中的状态误差协方差P的初值，选择系统噪声值为10-4，由SOC初值以及步骤2中的其他模型参数与SOC对应关系得到欧姆内阻的初值；
步骤4.2、根据此时荷电状态SOC的估算结果，结合步骤2中的其它模型参数与SOC对应关系，得到等效电路模型中的电化学极化内阻RL与电容CL、浓度差极化电阻RS与电容CS的值；对于不在对应关系表内的荷电状态SOC值，采用左侧临近SOC对应的参数值代替；
步骤4.3、由荷电状态SOC与欧姆内阻Ro各自的状态方程，分别迭代计算荷电状态SOC和欧姆内阻的状态预测值和误差协方差预测值；
步骤4.4、计算荷电状态SOC和欧姆内阻的卡尔曼滤波增益P；
步骤4.5、将荷电状态SOC和欧姆内阻的状态预测值代入观测方程得到观测量的预测值；
步骤4.6、计算系统量测新息；
步骤4.7、由量测新息、荷电状态SOC和欧姆内阻各自的卡尔曼滤波增益得到当前时刻的状态估计量并更新误差协方差；
步骤4.8、调整荷电状态SOC估算系统的过程噪声协方差；
步骤4.9、将步骤4.3得到的状态量、误差协方差和步骤4.4得到的增益P、步骤4.5得到的观测量预测值以及步骤4.6得到的新息代入步骤4.2中，得到锂电池荷电状态SOC的值，并开始新一轮的循环迭代。
6.根据权利要求5所述的一种基于自适应双扩展卡尔曼滤波法的SOC估算方法，其特征在于，所述步骤4.3具体如下：
计算状态预测值式子为：
其中， 为当前时刻的状态预测值， 为前一时刻的状态量，uk为当前时刻的输入变量，f为状态预测函数，k表示当前时刻的迭代计算步数；
计算误差协方差预测式子为：
Pk/k-1＝Fk-1Pk-1Fk-1T+Qk
其中，Pk/k-1为当前时刻的状态预测值，Pk-1为前一时刻的状态量，Qk为当前时刻的过程噪声协方差，Fk-1由状态预测函数 对前一时刻的状态预测值求雅克比矩阵得到。
7.根据权利要求6所述的一种基于自适应双扩展卡尔曼滤波法的SOC估算方法，其特征在于，所述步骤4.4具体如下：
计算卡尔曼滤波增益为：
Kk＝Pk/k-1GkT(GkPk/k-1GkT+R)-1
其中，Pk/k-1为当前时刻的状态预测值，Kk为当前时刻的卡尔曼滤波增益，R为测量噪声协方差，Gk由观测函数对当前时刻的状态预测值求雅克比矩阵得到。
8.根据权利要求7所述的一种基于自适应双扩展卡尔曼滤波法的SOC估算方法，其特征在于，所述步骤4.6具体如下：
计算系统量测新息：
υj＝yj-yj/j-1
其中，υj表示系统量测新息，yj表示前面某一时刻的系统量测值，yj/j-1表示前面某一时刻的系统量测的预测值，j表示某一历史时刻迭代计算步数。
9.根据权利要求8所述的一种基于自适应双扩展卡尔曼滤波法的SOC估算方法，其特征在于，所述步骤4.7具体如下：
计算当前时刻的状态估计量：
其中，yk为当前时刻观测值，g为观测函数；
更新误差协方差：
Pk＝(E-KkGk)Pk/k-1
其中，E代表单位矩阵，Pk/k-1为当前时刻的状态预测值，Kk为当前时刻的卡尔曼滤波增益，Gk由观测函数对当前时刻的状态预测值求雅克比矩阵得到。
10.根据权利要求9所述的一种基于自适应双扩展卡尔曼滤波法的SOC估算方法，其特征在于，所述步骤4.8具体如下：
调整荷电状态SOC的过程噪声协方差：
Qk＝KkSkKkT
其中，m表示统计量测新息历史信息的窗口宽度，Sk表示前m个量测新息的均值，υj表示系统量测新息，Kk为当前时刻的卡尔曼滤波增益，Qk为当前时刻的过程噪声协方差，k表示当前时刻迭代计算步数，j表示某一历史时刻计算步数。
基于自适应双扩展卡尔曼滤波法的锂电池SOC估算方法
技术领域
背景技术
发明内容
具体实施方式
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种永磁电机伺服系统的电流控制方法 | 2020-05-08 | 877 |
| 一种基于多智能体Q学习的车载通信MAC层信道接入方法 | 2020-05-11 | 576 |
| 一种线性定常系统中采样周期动态选择方法 | 2020-05-12 | 155 |
| 一种基于决策树的带参协议验证方法 | 2020-05-08 | 432 |
| 一种基于图神经网络的状态空间概率性多时间序列预测方法 | 2020-05-08 | 135 |
| 一种基于深度强化学习的舰载机进近引导方法 | 2020-05-11 | 441 |
| 一种无线充电系统整流桥负载等效阻抗计算方法 | 2020-05-12 | 379 |
| 一种改进Sage-Husa自适应滤波的SINS/DVL组合导航方法 | 2020-05-11 | 34 |
| 一种永磁同步电机的单环模型预测与参考信号前馈的复合控制方法 | 2020-05-12 | 82 |
| 基于自适应双扩展卡尔曼滤波法的锂电池SOC估算方法 | 2020-05-12 | 241 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
