[發(fā)明專利]基于分?jǐn)?shù)階平方根無跡卡爾曼濾波的鋰電池SOC估計(jì)方法

有效

• 申請?zhí)枺?/td>: 202011133864.2
• 申請日: 2020-10-21
• 公開（公告）號: CN112327166B
• 公開（公告）日: 2023-07-28
• 發(fā)明（設(shè)計(jì)）人: 陳立平;吳曉波;陳雨;李曉敏;郭文梁;徐長城
• 申請（專利權(quán)）人: 合肥工業(yè)大學(xué)
• 主分類號: G01R31/367
• 分類號: G01R31/367;G01R31/3842;G01R31/388;G06F17/11;G06F17/16
• 代理公司: 合肥維可專利代理事務(wù)所(普通合伙) 34135
• 代理人: 吳明華

1.基于分?jǐn)?shù)階平方根無跡卡爾曼濾波的鋰電池SOC估計(jì)方法，其特征在于，包括如下步驟：

基于鋰電池的二階RC等效電路模型獲取模型的分?jǐn)?shù)階狀態(tài)空間方程，并依次進(jìn)行離散化和模型參數(shù)辨識；

基于離散化的分?jǐn)?shù)階狀態(tài)空間方程建立分?jǐn)?shù)階系統(tǒng)模型方程；

基于分?jǐn)?shù)階系統(tǒng)模型方程改進(jìn)平方根無跡卡爾曼濾波算法的迭代過程對鋰電池SOC估計(jì)，所述迭代過程包括：

獲取狀態(tài)向量的初始值x_o、初始狀態(tài)估計(jì)誤差協(xié)方差P_o、高斯過程噪聲ω_k的協(xié)方差矩陣Q和高斯測量噪聲υ_k的協(xié)方差矩陣R，協(xié)方差P_o的Cholesky因子為S，S＝chol(P_o)；

根據(jù)狀態(tài)向量的特征分布獲取sigma采樣點(diǎn)并計(jì)算采樣點(diǎn)的權(quán)重；

基于分?jǐn)?shù)階系統(tǒng)模型方程進(jìn)行sigma采樣點(diǎn)傳播，公式為：

是采樣點(diǎn)均值的權(quán)重，x表示狀態(tài)向量，u表示系統(tǒng)輸入，f()代表系統(tǒng)過程模型，η＝[αβ1]^T，α,β分別為分?jǐn)?shù)階階數(shù)；

進(jìn)行狀態(tài)變量協(xié)方差的傳播與更新，公式為：

其中為協(xié)方差的權(quán)重；

其中

基于更新后的狀態(tài)變量協(xié)方差S_kk-1更新sigma采樣點(diǎn)；

基于分?jǐn)?shù)階系統(tǒng)模型方程進(jìn)行sigma采樣點(diǎn)傳播，公式為：

其中y表示系統(tǒng)輸出，h()代表系統(tǒng)測量模型；

進(jìn)行觀測變量協(xié)方差的傳播與更新，公式為：

進(jìn)行狀態(tài)變量和觀測變量交叉協(xié)方差矩陣的計(jì)算：

獲取卡爾曼增益：

基于卡爾曼增益進(jìn)一步更新狀態(tài)變量，以及更新后狀態(tài)變量的誤差協(xié)方差：

2.根據(jù)權(quán)利要求1所述的基于分?jǐn)?shù)階平方根無跡卡爾曼濾波的鋰電池SOC估計(jì)方法，其特征在于，所述二階RC等效電路模型的分?jǐn)?shù)階狀態(tài)空間方程為：

其中，

E＝-R_O；

x(t)＝[V₁?V₂?SOC]^T表示狀態(tài)向量；u(t)表示系統(tǒng)輸入I(t)，y(t)表示系統(tǒng)輸出V_O；OCV表示電池開路電壓；R_O表示等效電路中的歐姆內(nèi)阻；R₁和C₁分別表示電化學(xué)極化電阻和電容；R₂和C₂分別表示濃度差極化電阻和電容；V_O表示終端電壓；I表示流過整個(gè)電路的電流，電池開路電壓OCV為電池SOC的高階多項(xiàng)式擬合函數(shù)；Q_N表示鋰電池的標(biāo)稱容量。

3.根據(jù)權(quán)利要求2所述的基于分?jǐn)?shù)階平方根無跡卡爾曼濾波的鋰電池SOC估計(jì)方法，其特征在于，所述OCV為電池SOC的高階多項(xiàng)式擬合函數(shù)，具體為：

OCV＝a₀+a₁SOC+a₂SOC²+a₃SOC³+a₄SOC⁴，其中OCV為電池開路電壓，SOC為電池荷電狀態(tài)，a₀,a₁,a₂,a₃,a₄為待辨識的系數(shù)。

4.根據(jù)權(quán)利要求3所述的基于分?jǐn)?shù)階平方根無跡卡爾曼濾波的鋰電池SOC估計(jì)方法，其特征在于，所述模型參數(shù)辨識過程為：

基于預(yù)設(shè)工況下進(jìn)行充放電實(shí)驗(yàn)過程，獲取實(shí)驗(yàn)過程中的電流電壓數(shù)據(jù)；

基于電流電壓數(shù)據(jù)和電路模型的分?jǐn)?shù)階狀態(tài)空間方程，結(jié)合粒子群算法迭代擬合方程中的參數(shù)，所述粒子群算法中的目標(biāo)函數(shù)為獲取的測量電壓與估計(jì)電壓的均方根誤差RMSE最小。