一種估算電池組soh的方法
【專利摘要】本發(fā)明公開(kāi)了一種估算電池組SOH的方法，采用雙自適應(yīng)擴(kuò)展卡爾曼濾波算法估計(jì)電池SOH，利用兩個(gè)獨(dú)立的卡爾曼濾波器分別在線估算電池歐姆內(nèi)阻值和電池荷電狀態(tài)，通過(guò)電池歐姆內(nèi)阻變化反映出電池SOH。在參數(shù)設(shè)置方面改變了原有卡爾曼濾波算法的設(shè)置方法，調(diào)整為參數(shù)自適應(yīng)變化使得算法收斂性更好，整個(gè)算法受參數(shù)初始值設(shè)置影響較小，算法容易移植且在運(yùn)行過(guò)程中比較穩(wěn)定。自適應(yīng)擴(kuò)展卡爾曼濾波算法實(shí)際上是一種遞推線性最小方差估計(jì)，通過(guò)算法實(shí)時(shí)觀測(cè)值和上一時(shí)刻估計(jì)值對(duì)SOH進(jìn)行實(shí)時(shí)估計(jì)，及時(shí)反映電池健康狀況。適用于電池的各種場(chǎng)合，相比于其他方法雙自適應(yīng)擴(kuò)展卡爾曼濾波算法能夠動(dòng)態(tài)反映電池組SOH，更適用于電流波動(dòng)劇烈的電動(dòng)汽車應(yīng)用環(huán)境。
【專利說(shuō)明】
一種估算電池組SOH的方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于電池管理技術(shù)領(lǐng)域，更具體地，涉及一種估算電池組S0H的方法。
【背景技術(shù)】
[0002] 能源危機(jī)和環(huán)境污染已經(jīng)向人類敲響警鐘，因此如何替代傳統(tǒng)的燃油汽車成為人 們一直以來(lái)爭(zhēng)論的話題。目前應(yīng)用動(dòng)力鋰離子電池組作為動(dòng)力源的電動(dòng)汽車受到人們的高 度關(guān)注和青睞，成為新能源汽車的研究熱點(diǎn)。有關(guān)動(dòng)力鋰離子電池組的研究除了圍繞動(dòng)力 鋰離子電池本身外，有關(guān)電池管理系統(tǒng)的研究也在進(jìn)行當(dāng)中，其中電池管理系統(tǒng)準(zhǔn)確估計(jì) 鋰離子電池的健康狀況是當(dāng)前研究的薄弱環(huán)節(jié)，成為當(dāng)前電池管理系統(tǒng)的最大缺陷，直接 影響到鋰離子電池組的實(shí)用性、經(jīng)濟(jì)性、安全性等方面。
[0003]電池組的健康狀況傳統(tǒng)估計(jì)方法主要有:定義法、電阻折算法、容量衰減法、化學(xué) 分析法、部分放電法、阻抗分析法以及交流阻抗分析法等。這些方法主要是以電池循環(huán)充放 電試驗(yàn)為基礎(chǔ)，對(duì)電池特性的變化情況進(jìn)行分析，從而估計(jì)電池的S0H( Sect ion Of Health)，缺點(diǎn)是造成浪費(fèi)、試驗(yàn)周期長(zhǎng)、不能在線實(shí)時(shí)測(cè)量等，不適合電動(dòng)汽車的使用要 求。此外，還可通過(guò)人工神經(jīng)網(wǎng)絡(luò)算法、卡爾曼濾波算法等間接法進(jìn)行估算電池 S0H，但神經(jīng) 網(wǎng)絡(luò)法由于其系統(tǒng)設(shè)置困難，且在電池管理系統(tǒng)中應(yīng)用成本高，不具備優(yōu)勢(shì)。

【發(fā)明內(nèi)容】

[0004] 針對(duì)現(xiàn)有技術(shù)的缺陷，本發(fā)明的目的在于提供一種估算電池組S0H的方法，旨在解 決現(xiàn)有的電池組健康狀況估計(jì)方法中成本高、不能在線實(shí)時(shí)測(cè)量的問(wèn)題。
[0005] 本發(fā)明提供了一種估算電池組S0H的方法，包括下述步驟：
[0006] S1:初始化0時(shí)刻的S0C初始值XQ、第一誤差協(xié)方差初始值PQ、第一過(guò)程噪聲初始值 Qo和第一觀測(cè)噪聲初始值Ro;并轉(zhuǎn)入步驟S4;
[0007] S2:初始化0時(shí)刻的歐姆內(nèi)阻初始值RES〇、第二誤差協(xié)方差初始值PRESQ、第二過(guò)程噪 聲初始值Qreso和第二觀測(cè)噪聲初始值Rreso ;并轉(zhuǎn)入步驟S3;
[0008] S3:根據(jù)初始值預(yù)估k時(shí)刻的系統(tǒng)狀態(tài)RESk及k時(shí)刻的狀態(tài)先驗(yàn)估計(jì)誤差協(xié)方差 ，并估算歐姆內(nèi)阻后轉(zhuǎn)入步驟S6;
[0009] S4:根據(jù)初始值預(yù)估k時(shí)刻的系統(tǒng)狀態(tài)Xk&k時(shí)刻的狀態(tài)先驗(yàn)估計(jì)誤差協(xié)方差斤， 并估算S0C后轉(zhuǎn)入步驟S5;
[0010] S5:依次對(duì)估算S0C卡爾曼濾波器，進(jìn)行卡爾曼增益矩陣更新、狀態(tài)估計(jì)測(cè)量更新、 誤差協(xié)方差測(cè)量更新、自適應(yīng)因子更新、過(guò)程噪聲Qk和觀測(cè)噪聲Rk更新后轉(zhuǎn)入步驟S7;
[0011] S6:依次對(duì)估算歐姆內(nèi)阻卡爾曼濾波器，進(jìn)行卡爾曼增益矩陣更新、狀態(tài)估計(jì)測(cè)量 更新、誤差協(xié)方差測(cè)量更新、自適應(yīng)因子更新、過(guò)程噪聲Q RESk和觀測(cè)噪聲RRESk更新后轉(zhuǎn)入步 驟S7;
[0012] S7:當(dāng)達(dá)到預(yù)設(shè)的迭代次數(shù)時(shí)，結(jié)束迭代，否則返回S3。
[0013] 更進(jìn)一步地，在步驟S3和S4中，采用如下公式心! = 4私+盡％ + Γ叫、yk = CkXk+ DkUk和i|>4乃:4 進(jìn)行預(yù)估；毛―+1 = 4+焉即％，yk=CkXk+DkUk，其中，yk輸出量， Uk為輸入量，Ak表不一個(gè)米樣間隔內(nèi)的傳遞矩陣、Bk代表輸入矩陣、Ck表不輸出矩陣、Dk表不 前饋矩陣，W為讓時(shí)刻的系統(tǒng)狀態(tài)后驗(yàn)估計(jì)值，r為噪聲矩陣；if = 4^4 +rar7'，其中， Pk為誤差協(xié)方差矩陣，巧為k時(shí)刻的狀態(tài)先驗(yàn)估計(jì)誤差協(xié)方差，Ατ為傳遞矩陣A的轉(zhuǎn)置矩陣， Qk為過(guò)程誤差，Γ為噪聲矩陣。
[0014] 更進(jìn)一步地，在步驟S 5和S 6中，采用如下公式

進(jìn)行預(yù)估；
[0015]
，其中，Hk為k時(shí)刻的卡爾曼濾波增益矩陣，Rk為k時(shí)刻的 觀測(cè)噪聲，表示輸出矩陣，4為k時(shí)刻的狀態(tài)先驗(yàn)估計(jì)誤差協(xié)方差；
[0016]
I，其中，表示輸出矩陣，表示前饋矩陣，Hk為k時(shí)Ck Dk 刻的卡爾曼濾波增益矩陣，?為k時(shí)刻的系統(tǒng)狀態(tài)先驗(yàn)估計(jì)值，gSk時(shí)刻的系統(tǒng)狀態(tài)后驗(yàn) 估計(jì)值，yk為k時(shí)刻采集到的電池的實(shí)際電壓信號(hào)；
[0017]
其中，表示輸出矩陣，C為k時(shí)刻的狀態(tài)先驗(yàn)估計(jì)誤差協(xié)方差， Hk為k時(shí)刻的卡爾曼濾波增益矩陣，I為單位陣；
[0018] dk=(l-b)/(l-bk)，其中，b為遺忘因子，d為自適應(yīng)因子，dk-1為k-ι時(shí)刻的自適應(yīng)因 子值；
[0019] 4 -/(.1?)，其中，yk為k時(shí)刻采集到的電池的實(shí)際電壓信號(hào)，/(i A:，七)為k時(shí) 刻的電池模型的模型電壓信號(hào)，^為k時(shí)刻的電池荷電狀態(tài)先驗(yàn)估計(jì)值；
[0020] ................. ,
[0021]
*其中，G為白噪聲，Qk-i為k-Ι時(shí)刻的過(guò)程噪 聲，Rk-i為k-Ι時(shí)刻的觀測(cè)噪聲，ef"為k時(shí)刻的實(shí)際電壓信號(hào)與模型電壓信號(hào)之間的差值ek的 轉(zhuǎn)置，丑〖為k時(shí)刻的卡爾曼濾波增益矩陣Hk的轉(zhuǎn)置。
[0022]更進(jìn)一步地，在步驟S7中，預(yù)設(shè)的迭代次數(shù)為500次。
[0023]本發(fā)明采用雙自適應(yīng)擴(kuò)展卡爾曼濾波算法估計(jì)電池 S0H，此算法利用兩個(gè)獨(dú)立的 卡爾曼濾波器分別在線估算電池歐姆內(nèi)阻值和電池荷電狀態(tài)，通過(guò)電池歐姆內(nèi)阻變化反映 出電池 S0H。在參數(shù)設(shè)置方面改變了原有卡爾曼濾波算法的設(shè)置方法，調(diào)整為參數(shù)自適應(yīng)變 化使得算法收斂性更好，整個(gè)算法受參數(shù)初始值設(shè)置影響較小，算法容易移植且在運(yùn)行過(guò) 程中比較穩(wěn)定。自適應(yīng)擴(kuò)展卡爾曼濾波算法實(shí)際上是一種遞推線性最小方差估計(jì)，通過(guò)算 法實(shí)時(shí)觀測(cè)值和上一時(shí)刻估計(jì)值對(duì)S0H進(jìn)行實(shí)時(shí)估計(jì)，及時(shí)反映電池健康狀況。該方法適用 于電池的各種場(chǎng)合，相比于其他方法雙自適應(yīng)擴(kuò)展卡爾曼濾波算法能夠動(dòng)態(tài)反映電池組 S0H，更適用于電流波動(dòng)劇烈的電動(dòng)汽車應(yīng)用環(huán)境。
【附圖說(shuō)明】
[0024] 圖1是本發(fā)明實(shí)施例提供的估算電池組S0H的方法的實(shí)現(xiàn)流程圖。
【具體實(shí)施方式】
[0025] 為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，以下結(jié)合附圖及實(shí)施例，對(duì) 本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說(shuō)明。應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅僅用以解釋本發(fā)明，并 不用于限定本發(fā)明。
[0026]電池組的健康狀況(State-〇f-Health，SOH)傳統(tǒng)估計(jì)方法主要有:定義法、電阻折 算法、容量衰減法、化學(xué)分析法、部分放電法、阻抗分析法以及交流阻抗分析法等。這些方法 主要是以電池循環(huán)充放電試驗(yàn)為基礎(chǔ)，對(duì)電池特性的變化情況進(jìn)行分析，從而估計(jì)電池的 S0H，缺點(diǎn)是造成浪費(fèi)、試驗(yàn)周期長(zhǎng)、不能在線實(shí)時(shí)測(cè)量等，不適合電動(dòng)汽車的使用要求。此 外，還可通過(guò)人工神經(jīng)網(wǎng)絡(luò)算法、卡爾曼濾波算法等方法進(jìn)行電池 S0H估算，但神經(jīng)網(wǎng)絡(luò)由 于其系統(tǒng)設(shè)置困難，且在電池管理系統(tǒng)中應(yīng)用成本高，不具備優(yōu)勢(shì)。針對(duì)不同方法的優(yōu)劣及 適用性，本發(fā)明采用一種雙自適應(yīng)擴(kuò)展卡爾曼濾波算法來(lái)計(jì)算電池的S0H。
[0027]本發(fā)明采用雙自適應(yīng)擴(kuò)展卡爾曼濾波算法來(lái)估計(jì)電池的S0H，此算法通過(guò)兩個(gè)獨(dú) 立的卡爾曼濾波器，交替使用模型，分別在線估算電池歐姆內(nèi)阻值和電池荷電狀態(tài)，通過(guò)電 池歐姆內(nèi)阻與電池 S0H關(guān)系表得出電池 S0H。此算法在參數(shù)設(shè)置方面改變了原有卡爾曼濾波 算法的設(shè)置方法，調(diào)整為參數(shù)自適應(yīng)變化使得算法收斂性更好，整個(gè)算法受參數(shù)初始值設(shè) 置影響較小，算法容易移植且在運(yùn)行過(guò)程中比較穩(wěn)定。雙自適應(yīng)擴(kuò)展卡爾曼濾波算法實(shí)際 上是一種遞推線性最小方差估計(jì)，通過(guò)算法實(shí)時(shí)觀測(cè)值和上一時(shí)刻估計(jì)值對(duì)S0H進(jìn)行實(shí)時(shí) 估計(jì)，及時(shí)反映電池健康狀況。該方法適用于電池的各種場(chǎng)合，相比于其他方法雙自適應(yīng)擴(kuò) 展卡爾曼濾波算法能夠動(dòng)態(tài)反映電池組S0H，更適用于電流波動(dòng)劇烈的電動(dòng)汽車應(yīng)用環(huán)境。
[0028] 在工程應(yīng)用中一般將卡爾曼濾波進(jìn)行離散化之后再進(jìn)行處理。線性離散系統(tǒng)狀態(tài) 空間方程主要包括狀態(tài)方程及輸出方程，狀態(tài)方程描述系統(tǒng)狀態(tài)變量與輸入變量之間的關(guān) 系，輸出方程描述系統(tǒng)輸出量與狀態(tài)變量、輸出量及輸入量，方程如下式所不：
[0029]
[0030] 式中xk、uk、yk分別為k時(shí)刻系統(tǒng)的狀態(tài)變量、輸入量與輸出量，wk、vk表不過(guò)程噪聲 及觀測(cè)噪聲，Γ為噪聲矩陣，另外，Ak表示一個(gè)采樣間隔內(nèi)的傳遞矩陣、Bk代表輸入矩陣、C k 表示輸出矩陣、Dk表示前饋矩陣。
[0031]卡爾曼濾波估計(jì)利用輸出量yk與輸入量uk，更新未知狀態(tài)xk的最小均方差估計(jì)％:， 氧為估計(jì)狀態(tài)的預(yù)測(cè)值。Hk為卡爾曼濾波增益矩陣，Pk為誤差協(xié)方差矩陣，I為單位矩陣，Q k 為過(guò)程誤差，Rk為觀察噪聲。時(shí)刻的系統(tǒng)狀態(tài)的后驗(yàn)估計(jì)值，時(shí)刻的系統(tǒng)狀 態(tài)后驗(yàn)估計(jì)值，％ Sk時(shí)刻的系統(tǒng)狀態(tài)先驗(yàn)估計(jì)值，if為k時(shí)刻的狀態(tài)后驗(yàn)估計(jì)誤差協(xié)方 差，4為k時(shí)刻的狀態(tài)先驗(yàn)估計(jì)誤差協(xié)方差，具體卡爾曼濾波算法遞推式如下 [0032]濾波方程初始條件：
[0033]其中E為狀態(tài)變量的方差，var表示系統(tǒng)的協(xié)方差。
[0034] 狀態(tài)估計(jì)時(shí)間更新：石+1 =4Λ++??+ΓΜ … … (3 );
[0035] yk = CkXk+DkUk......(4)；
[0036] 誤差協(xié)方差時(shí)間更新
[0037] 卡爾曼增益矩陣 、
，
[0038] 狀態(tài)估計(jì)測(cè)量更新：
[0039] 誤差協(xié)方差測(cè)量更新：
[0040] 通常情況以上變量不能精確獲得，一般設(shè)置初值后根據(jù)系統(tǒng)測(cè)試要求進(jìn)行調(diào)試， 有些數(shù)據(jù)在運(yùn)行過(guò)程中并不影響卡爾曼濾波算法的運(yùn)行?？柭鼮V波算法對(duì)于初值的不確 定有較好的收斂性，能在很短的時(shí)間間隔內(nèi)逼近到實(shí)值附近。
[0041] 本發(fā)明使用雙自適應(yīng)擴(kuò)展卡爾曼濾波算法估計(jì)S0H，增加了自適應(yīng)因子改變了卡 爾曼濾波算法的參數(shù)自適應(yīng)調(diào)整方式，促使整個(gè)算法受參數(shù)初始值設(shè)置的影響較小，可以 更好的優(yōu)化值。使用自適應(yīng)擴(kuò)展卡爾曼濾波算法估計(jì)不受初始值影響，相對(duì)于安時(shí)積分法 等計(jì)算的S0C更可靠。本發(fā)明中自適應(yīng)因子更新如下：自適應(yīng)因子更新：d k=(l-b)Al-bk)……（9)式中，b為遺忘因子，本發(fā)明中設(shè)置為0.95，d為自適應(yīng)因子。
[0042] 通過(guò)自適應(yīng)因子對(duì)卡爾曼濾波算法遞推式進(jìn)行更新，優(yōu)化算法輸出值。 更新過(guò)程噪聲Q k和觀測(cè)噪聲R k ; q =乃-/(X,,",, )·"·" ( 10 );
[0043] 通過(guò)過(guò)程噪聲和觀測(cè)噪聲的更新，更新卡爾曼濾波算法中的誤差協(xié)方差、增益及 狀態(tài)估計(jì)值，進(jìn)一步得到算法所需的估計(jì)值。
[0044] 本發(fā)明實(shí)施例提供的估算電池組S0H的方法的實(shí)現(xiàn)流程如圖1所示，具體包括下述 步驟：
[0045]步驟1:初始化0時(shí)刻的xo、Po、Qo、Ro，然后進(jìn)入步驟4;其中xo為S0C初始值，Po為誤差 協(xié)方差初始值，Q〇為過(guò)程噪聲初始值，R〇為觀測(cè)噪聲初始值；
[0046] 步驟2:初始化0時(shí)刻的RESo、PRESQ、Qreso、Rreso，然后進(jìn)入步驟3;其中RESo為歐姆內(nèi)阻 初始值，Preso為誤差協(xié)方差初始值，Qreso為過(guò)程噪聲初始值，Rreso為觀測(cè)噪聲初始值；
[0047] 步驟3:根據(jù)公式(3)、公式(4)和公式(5)分別預(yù)估k時(shí)刻的系統(tǒng)狀態(tài)RESk及k時(shí)刻 的狀態(tài)先驗(yàn)估計(jì)誤差協(xié)方差，用于歐姆內(nèi)阻估算；
[0048] 步驟4:根據(jù)公式(3)公式(4)和公式(5)分別預(yù)估k時(shí)刻的系統(tǒng)狀態(tài)Xk&k時(shí)刻的狀 態(tài)先驗(yàn)估計(jì)誤差協(xié)方差6，用于S0C估算；
[0049] 步驟5:根據(jù)公式(6)、公式(7)公式(8)公式(9)公式（10)公式（11)和公式（12)，依 次對(duì)估算S0C卡爾曼濾波器，進(jìn)行卡爾曼增益矩陣更新、狀態(tài)估計(jì)測(cè)量更新、誤差協(xié)方差測(cè) 量更新、自適應(yīng)因子更新、過(guò)程噪聲Qk和觀測(cè)噪聲Rk更新；
[0050] 步驟6:根據(jù)公式(6)、公式(7)公式(8)公式(9)公式（10)公式（11)和公式（12)，依 次對(duì)估算歐姆內(nèi)阻卡爾曼濾波器，進(jìn)行卡爾曼增益矩陣更新、狀態(tài)估計(jì)測(cè)量更新、誤差協(xié)方 差測(cè)量更新、自適應(yīng)因子更新、過(guò)程噪聲QRESk和觀測(cè)噪聲RRESk更新；
[0051 ] 步驟7:當(dāng)達(dá)到預(yù)設(shè)的迭代次數(shù)時(shí)，結(jié)束迭代，否則返回步驟3。
[0052]本發(fā)明基于雙自適應(yīng)擴(kuò)展卡爾曼濾波算法估計(jì)S0H設(shè)計(jì)流程圖如下圖1所示。本發(fā) 明中雙自適應(yīng)擴(kuò)展卡爾曼濾波算法估計(jì)S0H的設(shè)計(jì)，首先對(duì)參數(shù)進(jìn)行初始化處理，初始化對(duì) 象主要有to時(shí)刻的S0C或歐姆內(nèi)阻狀態(tài)、協(xié)方差及噪聲矩陣(過(guò)程噪聲、觀測(cè)噪聲設(shè)置初始 值)的初始化設(shè)置;其次對(duì)其過(guò)程變量進(jìn)行更新，依據(jù)上述卡爾曼濾波算法遞推式(2)-(9) 進(jìn)行推進(jìn);再次對(duì)自適應(yīng)因子進(jìn)行確定，進(jìn)而確定其遺忘因子，更新算法中參數(shù)(主要是過(guò) 程噪聲和觀測(cè)噪聲的更新），參數(shù)更新之后得到狀態(tài)估計(jì)值;最后重復(fù)整個(gè)過(guò)程進(jìn)行迭代， 不斷更新得到最優(yōu)估計(jì)值（即電池的S0H值）。本發(fā)明雙自適應(yīng)擴(kuò)展卡爾曼濾波算法的輸入 值為電池的電壓、電流及溫度值，輸出為電池的S0C及電池內(nèi)阻值，再根據(jù)電池內(nèi)阻值與電 池 S0H之間的關(guān)系求得電池 S0H值。
[0053]本發(fā)明采用雙自適應(yīng)擴(kuò)展卡爾曼濾波算法估計(jì)電池 S0H值，此算法通過(guò)兩個(gè)獨(dú)立 的卡爾曼濾波器，交替使用模型，分別在線估算電池歐姆內(nèi)阻值和電池荷電狀態(tài)，通過(guò)電池 歐姆內(nèi)阻變化可反映出電池 S0H。本發(fā)明主要使用雙自適應(yīng)擴(kuò)展卡爾曼濾波算法估計(jì)歐姆 內(nèi)阻值，通過(guò)電池歐姆內(nèi)阻變化可反映出電池 S0H，在原有卡爾曼濾波算法基礎(chǔ)上加入自適 應(yīng)因子，算法基本不受初始參數(shù)設(shè)置的影響，收斂性比較好收斂速度快，且算法移植性好、 穩(wěn)定可靠。本發(fā)明可以準(zhǔn)確的估計(jì)出電池 S0H，更有利于電動(dòng)汽車對(duì)電池的管理，便于駕駛 者對(duì)于電池壽命的認(rèn)識(shí)，更適用于電流波動(dòng)劇烈的電動(dòng)汽車應(yīng)用環(huán)境。
[0054]本發(fā)明適用于所有電動(dòng)汽車(包括純電動(dòng)汽車及混合動(dòng)力汽車），對(duì)車輛運(yùn)行的安 全性有了一定的保障。本發(fā)明中基于雙自適應(yīng)擴(kuò)展卡爾曼濾波算法的S0H估計(jì)方法設(shè)計(jì)是 關(guān)鍵環(huán)節(jié)。
[0055]本發(fā)明采用雙自適應(yīng)擴(kuò)展卡爾曼濾波算法估計(jì)電池 S0H值，此算法利用兩個(gè)獨(dú)立 的卡爾曼濾波器分別在線估算電池歐姆內(nèi)阻值和電池荷電狀態(tài)(S0C)，通過(guò)電池歐姆內(nèi)阻 變化反映出電池 S0H。在參數(shù)設(shè)置方面改變了原有卡爾曼濾波算法的設(shè)置方法，調(diào)整為參數(shù) 自適應(yīng)變化使得算法收斂性更好，整個(gè)算法受參數(shù)初始值設(shè)置影響較小，算法容易移植且 在運(yùn)行過(guò)程中比較穩(wěn)定。雙自適應(yīng)擴(kuò)展卡爾曼濾波算法實(shí)際上是一種遞推線性最小方差估 計(jì)，通過(guò)算法實(shí)時(shí)觀測(cè)值和上一時(shí)刻估計(jì)值對(duì)S0H進(jìn)行實(shí)時(shí)估計(jì)，及時(shí)反映電池健康狀況。 該方法適用于電池的各種場(chǎng)合，相比于其他方法雙自適應(yīng)擴(kuò)展卡爾曼濾波算法能夠動(dòng)態(tài)反 映電池組S0H，更適用于電流波動(dòng)劇烈的電動(dòng)汽車應(yīng)用環(huán)境。
[0056]本領(lǐng)域的技術(shù)人員容易理解，以上所述僅為本發(fā)明的較佳實(shí)施例而已，并不用以 限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換和改進(jìn)等，均應(yīng)包含 在本發(fā)明的保護(hù)范圍之內(nèi)。
【主權(quán)項(xiàng)】
1. 一種估算電池組SOH的方法，其特征在于，包括下述步驟： S1:初始化0時(shí)刻的S0C初始值X0、第一誤差協(xié)方差初始值Po、第一過(guò)程噪聲初始值Qo和 第一觀測(cè)噪聲初始值Ro;并轉(zhuǎn)入步驟S4; S2:初始化加寸刻的歐姆內(nèi)阻初始值RESo、第二誤差協(xié)方差初始值扣ES0、第二過(guò)程噪聲初 始值Qreso和第二觀測(cè)噪聲初始值Rreso ;并轉(zhuǎn)入步驟S3; S3:根據(jù)初始值預(yù)估k時(shí)刻的系統(tǒng)狀態(tài)RESk及k時(shí)刻的狀態(tài)先驗(yàn)估計(jì)誤差協(xié)方差^品激， 并估算歐姆內(nèi)阻后轉(zhuǎn)入步驟S6; S4:根據(jù)初始值預(yù)估k時(shí)刻的系統(tǒng)狀態(tài)xk及k時(shí)刻的狀態(tài)先驗(yàn)估計(jì)誤差協(xié)方差席，并估 算S0C后轉(zhuǎn)入步驟S5; S5:依次對(duì)估算S0C卡爾曼濾波器，進(jìn)行卡爾曼增益矩陣更新、狀態(tài)估計(jì)測(cè)量更新、誤差 協(xié)方差測(cè)量更新、自適應(yīng)因子更新、過(guò)程噪聲Qk和觀測(cè)噪聲化更新后轉(zhuǎn)入步驟S7; S6:依次對(duì)估算歐姆內(nèi)阻卡爾曼濾波器，進(jìn)行卡爾曼增益矩陣更新、狀態(tài)估計(jì)測(cè)量更 新、誤差協(xié)方差測(cè)量更新、自適應(yīng)因子更新、過(guò)程噪聲化ESk和觀測(cè)噪聲化ESk更新后轉(zhuǎn)入步驟 S7; S7:當(dāng)達(dá)到預(yù)設(shè)的迭代次數(shù)時(shí)，結(jié)束迭代，否則返回S3。2. 如權(quán)利要求1所述的方法，其特征在于，在步驟S3和S4中，采用如下公式生行預(yù)估； 兩十Γ二4馬+公A- + Γ*%-，yk = CkXk+DkUk，其中，yk輸出量，Uk為輸入量，Ak表不一個(gè)義樣間 隔內(nèi)的傳遞矩陣、Bk代表輸入矩陣、Ck表示輸出矩陣、Dk表示前饋矩陣，3^為4時(shí)刻的系統(tǒng)狀 態(tài)后驗(yàn)估計(jì)值，Γ為噪聲矩陣；,其中，Pk為誤差協(xié)方差矩陣，巧為k時(shí)刻的狀態(tài)先驗(yàn)估計(jì)誤差協(xié) 方差，AT為傳遞矩陣A的轉(zhuǎn)置矩陣，Qk為過(guò)程誤差，Γ為噪聲矩陣。3. 如權(quán)利要求1所述的方法，其特征在于，在步驟S5和S6中，采用如下公式其中，化為k時(shí)刻的卡爾曼濾波增益矩陣，Rk為k時(shí)刻的觀測(cè) 噪聲，Ck表示輸出矩陣，巧^為k時(shí)刻的狀態(tài)先驗(yàn)估計(jì)誤差協(xié)方差；其中，Ck表示輸出矩陣，Dk表示前饋矩陣，Hk為k時(shí)刻的卡 , 爾曼濾波增益矩陣，^為4時(shí)刻的系統(tǒng)狀態(tài)先驗(yàn)估計(jì)值，苗為4時(shí)刻的系統(tǒng)狀態(tài)后驗(yàn)估計(jì) 值，yk為k時(shí)刻采集到的電池的實(shí)際電壓信號(hào)； C二，其中，Ck表示輸出矩陣，皆為k時(shí)刻的狀態(tài)先驗(yàn)估計(jì)誤差協(xié)方差，化為 k時(shí)刻的卡爾曼濾波增益矩陣，I為單位陣； dk=(l-b)/(l-bk)，其中，b為遺忘因子，d為自適應(yīng)因子，dk-l為k-1時(shí)刻的自適應(yīng)因子 值；妻中，yk為k時(shí)刻采集到的電池的實(shí)際電壓信號(hào)，/反，1?)為k時(shí)刻的 電池模型的模型電壓信號(hào)，苗為4時(shí)刻的電池荷電狀態(tài)先驗(yàn)估計(jì)值；其中，G為白噪聲，Qk-i為k-1時(shí)刻的過(guò)程噪聲，Rk-i 為k-1時(shí)刻的觀測(cè)噪聲，《為k時(shí)刻的實(shí)際電壓信號(hào)與模型電壓信號(hào)之間的差值ek的轉(zhuǎn)置， 好f為k時(shí)刻的卡爾曼濾波增益矩陣化的轉(zhuǎn)置。4.如權(quán)利要求1所述的方法，其特征在于，在步驟S7中，預(yù)設(shè)的迭代次數(shù)為500次。
【文檔編號(hào)】G01R31/36GK105974329SQ201610584294
【公開(kāi)日】2016年9月28日
【申請(qǐng)日】2016年7月22日
【發(fā)明人】張魯寧
【申請(qǐng)人】深圳市沃特瑪電池有限公司