行之知识产权综合服务平台

技术领域

本发明涉及电动汽车技术领域，具体志说是一种利用共同扩展卡尔曼滤波 预估电池荷电状态的方法。适用于所有需要使用动力电池的车辆，尤其是需要 实时预估动力电池SOC的车辆。

关键字：动力电池电动车SOC卡尔曼滤波共同扩展

背景技术

在基于锂电池状态空间模型的扩展卡尔曼滤波算法中，将SOC作为系统 的状态变量，负载电压为观测变量，用安时积分法递推SOC，并代入观测方 程得到锂电池负载电压的估计值，以负载电压的估计值与实际观测值的误差去 修正SOC的估计值，实现对状态变量SOC的闭环估计。

上述卡尔曼滤波法对电流传感器中的零均值高斯白噪声又很强的抑制作 用，但实际的电路传感器往往存在一定的电流值漂移，即均值不为零的电流噪 声。电流噪声存在时，上述卡尔曼滤波法往往会产生误差，传感器漂移明显时， 该方法会存在不可忽略的SOC估计误差。

本发明提出一种电动汽车用锂电池的噪声混合模型，在SOC状态方程的 基础上，加上对电流输入噪声的状态描述。对噪声混合模型应用JointEKF算 法实现对电动汽车用动力锂电池的SOC及电流噪声的同步估计。

发明内容

本发明提供了一种利用共同扩展卡尔曼滤波预估电池荷电状态的方法。该 方法采用共同扩展的卡尔曼滤波方法作为基本工具，实现了对电动汽车用动力 锂电池的SOC及电流噪声的同步估计,在动力电池BMS启动后，SOC的预估 在整个时间阶段都保持很高的准确度，并具有实时性等优点。

本发明的目的是通过如下技术方案来实现的：一种利用共同扩展卡尔曼滤 波预估电池荷电状态的方法，它包括有电池包，其特征在于：电池包的输出端 分别与高压采集单元和电流采集单元相连接；所述高压采集单元与卡尔曼预估 单元内的输出方程相连接，所述电流采集单元分别与卡尔曼预估单元内的输出 方程和状态方程相连接；所述输出方程和状态方程的输出端与SOC计算单元 相连接；所述SOC计算单元输出端则与车载仪表中的SOC显示单元相连接。

为了实现上述目的，本发明提出了一种电池噪声混合模型,作为共同扩展 卡尔曼滤波器的时间更新、测量更新引擎，滤波器运行初期的初值采用SOC 及对应误差的历史数据；

本发明所采用的初值采用SOC、内阻、以及相应误差的历史数据。

本发明将电流漂移值单独作为一个动态参数，放入系统状态方程中，计算 每一步的观测变量与预测变量的误差，用来对噪声干扰进行观测更新。

本发明是将整个电池当做动态系统，输入为电池的放电电流，输出为电池 的负载电压，预估电池的SOC，最终预估出电池的SOC。

上述SOC估测方法采用共同扩展卡尔曼滤波器作为基本预测工具。

上述SOC估测方法采用电池噪声混合模型作为JointEKF的时间更新、测 量更新引擎。

上述SOC估测方法在运行过程中采用共同扩展卡尔曼滤波算法预估电池 的SOC。

以下结合附图和具体实施例对本发明进行详细描述，但不作为对本发明的 限定。

本发明具有以下特点：

1、SOC预测精度高，实现了电流与电压的数据融合，无论在运行初期还 是中后期，均具有很高的精度。

2、本发明采用JointEKF方法，将电流漂移值单独作为一个动态参数，放 入系统状态方程中，计算每一步的观测变量与预测变量的误差，用来对噪声干 扰进行观测更新，这样避免了噪声致误差的积累，有效地抑制了电流漂移噪声 对系统状态造成的误差。

附图说明

附图1为本发明的原理结构图；

附图2为共同扩展卡尔曼滤波算法流程图；

附图3为Rint等效电路模型示意图。

下面将结合附图通过实例，对本发明作进一步详细说明，但下述实例仅仅 是本发明的例子而已，并不代表本发明所限定的权利保护范围，本发明的权利 保护范围以权利要求书为准。

具体实施方式

实例1

本发明的原理结构由图1所示，它包括有电池包，电池包的输出端分别与 高压采集单元和电流采集单元相连接；所述高压采集单元与卡尔曼预估单元内 的输出方程相连接，所述电流采集单元分别与卡尔曼预估单元内的输出方程和 状态方程相连接；所述输出方程和状态方程的输出端与SOC计算单元相连接； 所述SOC计算单元输出端则与车载仪表中的SOC显示单元相连接。

图1中包括带有采集动力电池实时电流的电流采集单元、动力电池总高压 的高压采集单元的动力电池，存储着由电池供应商通过实验得到电池特性的电 池特性数据存储单元，所述的电流采集单元输出端分别与状态方程单元和输出 方程单元连接，高压采集单元输出端与输出方程单元连接，状态方程和输出方 程单元一同连接SOC计算单元；SOC计算单元输出端直接与车载仪表中的 SOC显示单元相连接。

下面以实例方式对本发明进行详细描述：

电动汽车用动力锂电池的噪声混合模型由状态方程和负载电压的观测方 程组成。系统的状态方程中，在已有安时积分法的基础上，加入对电流噪声的 描述，成为含电流噪声消除的系统方程。根据附图3所示的电池等效电路模型， 附图3中Uoc表示电池开路电压，R0表示电池内阻，V表示电池工作电压， 具体表现为公式1中的电流可以根据该模型求出，公式2中的Vmin为电池工 作电压，V0即为开路电压，R即为电池内阻；动力锂电池的噪声混合模型如 下式所示：

{ S O C ( t ) = S O C ( 0 ) - ∫ 0 t η c ( I N ( t ) - I S ( t ) ) d t C N I S ( t ) = I S ( 0 ) + w I ; - - - ( 1 ) ]]>

V_min＝V₀-Ri(t)-K₀/SOC(t)-K₁SOC(t)+K₂lnSOC(t)+K₃ln(1-SOC(t))(2) 式中：SOC(t)为t时刻电池的SOC值；SOC(0)为初始电池SOC值；η_c为库仑 效率；I_N(t)为电流测量值；I_S(t)为电流噪声值；C_N为电池额定容量；I_S(0)为初 始电流噪声值；w_I为零均值高斯白噪声；V_min为电池最小负载电压；V₀为电池 空载电压；R为电池内阻；K₀、K₁、K₂、K₃为经验系数，暂时全取1。

将I_S设定为θ，SOC设定为x，V_min设定为y，对公式(1)与(2)进行离散化 处理后，有

{ x k + 1 = x k - η C Δ t C N i n k + η C Δ t C N θ k θ k + w k γ k Y k = V 0 - Ri n k - K 0 / x k - K 1 x k + K 2 ln ( x k ) + K 3 ln ( 1 - x k ) + Rθ k + v K - - - ( 3 ) ]]>

式中：w_k、γ_k、v_k为不可测量的噪声干扰，都为K时刻零均值高斯白噪声。

JointEKF算法的递推过程和单SOC系统状态的扩展卡尔曼滤波算法类似， 但是此处的系统方程包含了电流的漂移噪声，阶次高于前者，因此推导过程较 为复杂些。结合附图2，本发明所采用的共同扩展卡尔曼滤波算法的流程如下:

定义：

A K - 1 = ∂ Γ ( x k - 1 , u k - 1 ) ∂ x k - 1 | x k - 1 = x ^ k - 1 + = ∂ f ( x k - 1 , u k - 1 , θ k - 1 ) ∂ x k - 1 ∂ f ( x k - 1 , u k - 1 , θ k - 1 ) ∂ θ k - 1 ∂ θ k - 1 ∂ x k - 1 ∂ θ k - 1 ∂ θ k - 1 = 1 η C Δ t C N 0 1 - - - ( 4 ) ]]>

C k = ∂ g ( x k , u k ) ∂ X k | x k = x ^ k - = ∂ g ( x k , u k , θ k ) ∂ x k ∂ g ( x k , u k , θ k ) ∂ θ k = k 0 / ( x ^ k - ) 2 - k 1 + k 2 / x ^ k - - k 3 / ( 1 - x ^ k - ) R - - - ( 5 ) ]]>

初始化过程如下：

令k＝0，有

x ^ 0 + = E [ x 0 ] Σ x ~ , 0 + = E [ ( x 0 - x ^ 0 + ) ( x 0 - x ^ 0 + ) T ] - - - ( 6 ) ]]>

令k＝1,2，……

状态时间更新方程：

x ^ k - = Γ ( x ^ k - 1 + , u k - 1 ) = f ( x ^ k - 1 + , u k , θ ^ k - 1 + ) θ ^ k - 1 + - - - ( 7 ) ]]>

误差协方差时间更新方程：

Σ x ~ , k - = A k - 1 Σ x ~ , k - 1 + A k - 1 T + d i a g ( Σ w , Σ r ) - - - ( 8 ) ]]>

卡尔曼增益计算

L k x = Σ x ~ , k - ( C k ) T [ C k Σ x ~ , k - ( C k ) T + Σ v ] - 1 - - - ( 9 ) ]]>

状态估计更新方程

x ^ k + = x ^ k - + L k [ y k - g ( x ^ k - , u k ) ] - - - ( 10 ) ]]>

误差协方差更新方程

Σ x ~ , k + = ( I - L k C k ) Σ x ~ , k - - - - ( 11 ) ]]>

状态向量θ的状态更新

当然，本发明还可能有其他多种实施实例，在不背离本发明精神及其实质 的情况下，熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形， 但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。