1.一种锂电池SOC估计的高阶卡尔曼滤波算法,其特征在于,包括以下步骤:S1、锂电池充放电动态过程建模,采用一阶戴维宁等效模型对电池的充放电特性来进行软测量;
S2、隐变量引入扩维建模,
一类非线性系统方程为
(0) (1) (1) (r) (r)x(k+1)=A (k)x(k)+A (k)f (x(k))+…+A (k)f (x(k))+w(k) (1)(0) (1) (1) (r) (r)y(k+1)=C (k+1)x(k+1)+C (k+1)f (x(k+1))+…+C (k+1)f (x(k+1))+v(k+1) (2)n m式中,x(k)∈R 是状态向量;y(k)∈R是测量向量; 是关于状态的非线性函数;w(k)是均值为零,方差为Q的高斯白噪声;v(k)是均值为零,方差为R的高斯白噪声;
令
(l) (l)
α (k):=f (x(k));l=1,2,…,r (3)是相对于原始变量x(k)的隐变量函数,简称隐变量;状态方程(1)与测量方程(2)等价改写为对状态变量x(k)与隐变量完全扩维(1) (r) T
X(k)=[x(k) α (k)…α (k)] (6)建立隐变量之间的线性动态关系
式中, j=0,1,…,r表示待辨识的模型参数;
式(4)和(7)分别再等价描述为记
(1) (r) T
W(k)=[w(k) w (k)…w (k)] (11)(0) (1) (r)
H(k)=[C (k+1) C (k+1)…C (k+1)] (12)扩维状态X(k)的状态模型和观测模型为X(k+1)=F(k)X(k)+W(k) (13)y(k+1)=H(k+1)X(k+1)+v(k+1) (14)S3、针对锂电池基于扩维状态的状态模型和观测模型建立高阶卡尔曼滤波器。
2.根据权利要求1所述的一种锂电池SOC估计的高阶卡尔曼滤波算法,其特征在于:所述步骤S1中,电池的电压动态方程为Ut=Uoc‑IRo‑Up (15)式中,Ut表示端电压;Uoc表示开路电压;Up表示极化电压;Ro表示欧姆电阻;I表示流过电池的负载电流;
采用激励响应分析方法模拟电池的浓差极化和电化学极化效应;其零输入响应和零状态响应分别描述为:‑t/τ
Up=Up(0)e (16)‑t/τ
Up=IRp(1‑e ) (17)在放电过程中,通过将电池视作零输入响应和零状态响应的叠加,式中,Rp表示极化电阻;Cp表示极化容量;τp表示时间常数;Δt表示采样间隔,k表示第k个采样周期;
库仑计数法计算电池SOC,利用积分的思想,建立电池在充放电过程中电池SOC的动态过程式中,zc表示库仑计数法计算出的SOC;ηi是库仑效率;Ca是最大可用容量;L是总采样时间;Ca为标称容量2.2Ah;
戴维宁模型方程中的四个参数Uoc、Rp、Cp和τp与SOC的关系,分别用多阶多项式拟合为其中,ao、a1、...、a6、b0、b1、b2、c0、c1、c2、d0、d1和d2等参数,通过利用遗传算法(GA)辨识。
3.根据权利要求1所述的一种锂电池SOC估计的高阶卡尔曼滤波算法,其特征在于:所述步骤S3中,锂电池状态方程和测量方程为
y(k)=Uoc(k)‑x1(k)‑Ro(k)I(k)+v(k) (22)其中,
将式(23)分别带入式(21)状态方程和式(22)测量方程中,记
l+1
αl(k):=x (k),l=1,2,3,4,5 (27)则式(24)、(25)和(26)分别改写成其中, 表示整理后的相关系数;
式(6)中的扩维变量X(k)为T
X(k)=[x1(k),x2(k),α1(k),α2(k),α3(k),α4(k),α5(k)] (31)参照式(7),式(27)定义的隐变量动态关系为:相关矩阵 表示隐变量与扩维后的状态变量的耦合系数,式(10)中系统矩阵F(k)和式(11)中建模误差W(k)分别为T
W(k)=[w1(k),w2(k),w3(k),w4(k),w5(k),w6(k),w7(k)] (35)记式(28),(29),(30)中的常数项系数为 状态方程中的常数项记为向量:则原状态方程式(13)改写为
X(k+1)=A(k)X(k)+W(k)+U(k) (37)将测量方程式(14)改写为
y(k)=c1x1(k)+c2x2(k)+c3α1(k)+c4α2(k)+c5α3(k)+c6α4(k)+c7α5(k)+u(k)+v(k) (38)Y(k)=H(k)X(k)+u(k)+v(k) (39)其中
H(k)=[c1 c2 c3 c4 c5 c6 c7] (40)以式(37)作为状态方程,式(38)作为测量方程进行卡尔曼滤波。
4.根据权利要求3所述的一种锂电池SOC估计的高阶卡尔曼滤波算法,其特征在于,所述卡尔曼滤波包括以下步骤:步骤一:设置状态观察器的初始值:X(0),P(0),Q(0),R(0);
步骤二:时间更新方程
系统状态估计:
状态误差协方差矩阵的估计:
T
P(k+1|k)=F(k)P(k|k)F(k)+Q (45)步骤三:测量更新方程
增益矩阵:
T T ‑1
K(k+1)=P(k+1|k)H(k)×(H(k)P(k+1|k)H(k)+R) (46)系统状态估计的修正:
状态误差协方差矩阵的估计:
P(k+1|k+1)=[I‑K(k+1)H(k)]P(k+1|k) (48)。