一种基于状态检测机制的无迹卡尔曼滤波车载电池SOC估计方法

本发明涉及一种车载电池SOC估计方法，特别是涉及一种基于状态检测机制的无迹卡尔曼滤波车载电池SOC估计方法，属于车载动力电池技术领域。

目前，针对车载动力电池SOC估计精度欠佳的问题，无迹卡尔曼滤波算法针对电池的非线性特性，利用二阶以上精度近似高斯非性系统状态的后验均值与方差，提高了SOC估计精度且收敛性较好，是目前电池SOC估计的一种常见方案，但该算法在电池出现模型误差、状态初值设定误差或状态突变情况时，容易导致算法的鲁棒性变差、估计精度降低及跟踪能力减弱的问题。

针对以上问题，产生了众多改进方法，其中较为典型的有：

1、利用神经网络实时预测并更新电池模型参数，减小模型时变误差对无迹卡尔曼滤波估计效果的影响，但该方法依赖训练数据量且方法构成过于复杂；

2、通过对算法减少采样点数目和使用球面半径，确保所有采样点在一个单位超球体上，从而提高算法对初值设定的鲁棒性，并采用平方根滤波提高算法的数值稳定性，但跟踪收敛速度稍慢；

3、利用系统观测残差新息对估计过程中噪声协方差自适应修正调整以提高系统的估计效果，这种方法提升了算法跟踪能力，但自适应过程调节状态噪声方差容易导致估计波形产生抖振。

本发明的主要目的是为了提供一种基于状态检测机制的无迹卡尔曼滤波车载电池SOC估计方法，以观测残差信息为基础，状态检测条件检测异常，异常情况下采用自适应衰减因子自适应修正无迹卡尔曼滤波的相关协方差阵，达到解决跟踪收敛速度慢以及抗差能力弱的问题。

本发明的目的可以通过采用如下技术方案达到：

一种基于状态检测机制的无迹卡尔曼滤波车载电池SOC估计方法，包括如下步骤：

步骤1：建立电池等效模型，利用复合模型方法结合安时法，确定车载电池的模型方程；

步骤2：模型参数辩识，递推最小二乘法辨识电池模型电池观测模型方程的相关参数，系统输入量为持续激励，辩识迭代次数使参数的最终结果收敛并趋于稳定；

步骤3：对车载电池的SOC进行实时精确的估计，采用基于残差信息特性的状态检测机制的无迹卡尔曼滤波算法对电池SOC进行估计。

进一步的，步骤1中，建立电池等效模型，根据电池的非线性特性，合并Shepherd模型、Unnewehr Universal模型及Nernst模型，将合并后的模型函数同项删除，得到复合状态模型方程，结合安时计量法，可得到电池观测模型方程。

进一步的，复合状态模型方程为：

其中：x为k时刻的SOC值；

i为k时刻采样得到的电池电流值；

η为充电效率；

C为电池的额定总容量；

Δt为采样周期；

w为满足正态分布的高斯白噪声，即w～N(0,Q)，Q为状态噪声方差阵。

进一步的，电池观测模型方程为：

其中：E为电池开路电压；

R为电池内阻；

k、k、k、k为拟合系数；

y和为k时刻采样得到的电池端电压；

v为满足正态分布的高斯白噪声，即v～N(0,R)，R为观测噪声方差阵。

进一步的，步骤2中，模型参数辩识，利用公知的递推最小二乘法辨识电池观测模型方程的模型参数，针对电池观测模型方程的电池观测模型方程，得到递推计算公式如下：

其中，数据向量

待估参数向量

最小二乘形式y＝Hθ+e(k)；

e(k)为误差函数。

进一步的，步骤3中，对车载电池的SOC进行实时精确的估计，包括如下步骤：

步骤31：状态和协方差初始化；

步骤32：计算采样点其对应加权系数；

步骤33：状态及协方差预测；

步骤34：测量预测；

步骤35：计算状态与测量预测互协方差；

步骤36：计算系统观测残差信息；

步骤37：利用基于残差信息特性的观测量异常状态检测方法对状态异常情况进行判别；

步骤38：计算Kalman增益；

步骤39：状态及协方差更新；

步骤310：判断时间迭代是否完成，如果是则结束算法，如果未完成则返回步骤32。

进一步的，步骤31中，状态和协方差初始化结果如下：

其中：为设定的SOC初始估计值，作为系统初始状态值；

P为状态误差协方差初值。

进一步的，步骤32中，计算采样点及其对应加权系数，选取Sigma 点作为粒子点，采用SVD分解方法计算Sigma点，采样策略为：

P＝USV (5)

根据输入变量的统计信息，采用Sigma点对称采样策略所对应的一阶及二阶加权系数为：

其中：α(0≤α≤1)表示点集到均值点的距离；

λ＝α(n+ε)-n为尺度调节因子，ε为次级尺度调节因子。

进一步的，步骤33中，状态及协方差预测如下：

步骤34中，测量预测如下：

步骤35中，计算状态与测量预测互协方差如下：

步骤36中，计算系统观测残差信息：

步骤38中，计算Kalman增益如下：

步骤39中，状态及协方差更新如下：

进一步的，步骤37中，利用基于残差信息特性的观测量异常状态检测方法对状态异常情况进行判别，检测判断条件由以下不等式决定：

其中v：为系统观测残差信息；

ζ为检测量控制系数；

依据残差信息协方差匹配原理设计的自适应衰减因子更新观测误差及互误差协方差阵，抗差策略设计步骤如下：

a.计算残差信息协方差阵：

b.计算本发明提出衰减因子值：

c.用于衰减因子λ修正后的测量更新为：

衰减控制系数μ的取值小于1。

本发明的有益技术效果：

1、本发明提供的基于状态检测机制的无迹卡尔曼滤波车载电池 SOC估计方法，在无迹卡尔曼滤波中引入了基于残差新息特性的异常状态检测机制，在估计过程中检测到异常状态时，采用改进的自适应衰减因子修正无迹卡尔曼滤波算法测量更新部分的相关协方差阵，从而能够在一定范围内有效控制SOC初值设定误差和模型误差对最终估计效果的影响。以电池复合模型为基础，应用递推最小二乘法辨识电池参数，给出了方法具体实现步骤。

2、本发明提供的基于状态检测机制的无迹卡尔曼滤波车载电池 SOC估计方法，利用本发明公开的方法对电池的SOC进行估计，具有很好的鲁棒性和跟踪速度，各类误差精度均控制在5％以内，为车载动力电池SOC的估计提供一新方法。

3、本发明提供的基于状态检测机制的无迹卡尔曼滤波车载电池 SOC估计方法，在估计SOC过程中未检测到异常的情况下，用经典的无迹卡尔曼滤波方法估计，保证了估计波形的精度和平滑性，弥补了单纯引入衰减因子容易引导起估计波形抖振。

4、本发明提供的基于状态检测机制的无迹卡尔曼滤波车载电池 SOC估计方法，在检测到异常的情况下，引入衰减因子方法保证能够快速跟踪收敛到目标，有效克服了模型以及初值设定误差，总结本发明的优点在于：

(1)基于残差新息特性的新型状态检测机制涉及到的参数少，以自适应调节为主，调试方便，异常状态检测效果明显。

(2)引入的新型衰减因子修正策略适合于车载动力电池SOC的估计，对电池模型误差的抗差性能好，对初值设定误差跟踪收敛能力强。

图1为按照本发明的基于状态检测机制的无迹卡尔曼滤波车载电池SOC估计方法的一优选实施例的流程图。

为使本领域技术人员更加清楚和明确本发明的技术方案，下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

如图1所示，本实施例提供的基于状态检测机制的无迹卡尔曼滤波车载电池SOC估计方法，包括如下步骤：

步骤1：建立电池等效模型

根据电池的非线性特性，合并常用的Shepherd模型、Unnewehr Universal模型及Nernst模型，将合并后的模型函数同项删除，得到公式(2)的复合模型，复合模型在拟合精度上更具优势，结合安时计量法，可得到电池观测模型方程：

复合状态模型方程：

其中：x为k时刻的SOC值，i为k时刻采样得到的电池电流值，η为充电效率；C为电池的额定总容量；Δt为采样周期；w为满足正态分布的高斯白噪声，即w～N(0,Q)，Q为状态噪声方差阵；

电池观测模型方程：

其中：E为电池开路电压；R为电池内阻；k、k、k、k为拟合系数；y和为k时刻采样得到的电池端电压；v为满足正态分布的高斯白噪声，即v～N(0,R)，R为观测噪声方差阵；

步骤2：模型参数辩识

利用公知的递推最小二乘法辨识式(2)模型参数，该方法在未知观测数据概率统计信息情况下结果具有很好的统计特性，针对式(2) 的电池观测模型方程，取数据向量H(k)＝[1,i,x,1/x,ln(x),ln(1-x)]，待估参数向量最小二乘形式y＝Hθ+e(k)，其中，e(k)为误差函数；

递推计算公式如下：

步骤3：采用基于残差信息特性的状态检测机制的无迹卡尔曼滤波算法对电池SOC进行估计：

(1)状态和协方差初始化：

其中，为设定的SOC初始估计值，作为系统初始状态值；P为状态误差协方差初值；

(2)计算采样点其对应加权系数，选取Sigma点作为粒子点，为解决异常情况下P会失去正定性而无法使用Cholesky分解的问题，因此，本发明采用SVD分解方法计算Sigma点；

采样策略为：

P＝USV (5)

根据输入变量的统计信息，采用Sigma点对称采样策略所对应的一阶及二阶加权系数为：

其中，由于电池的状态变量x为单变量，这种情况下状态分布参数β取0最佳；α(0≤α≤1)表示点集到均值点的距离，取α＝0.01可取得较理想效果；λ＝α(n+ε)-n为尺度调节因子，ε为次级尺度调节因子，通常可以取ε＝0；

(3)状态及协方差预测：

(4)测量预测：

(5)计算状态与测量预测互协方差：

(6)计算系统观测残差信息：

(7)本实施例提出利用基于残差信息特性的观测量异常状态检测方法对状态异常情况进行判别的方法，检测判断条件由以下不等式决定：

其中：v为系统观测残差信息；ζ为检测量控制系数，通过大量实验发现，取值通常ζ≥100时取得较好的检测效果；

式(12)成立时，表明针对SOC估计的系统状态存在异常，当发生这种情况时，则引入本发明依据残差信息协方差匹配原理设计的自适应衰减因子更新观测误差及互误差协方差阵，这种抗差策略使系统具有较好的跟踪速度和精度，抗差策略设计步骤如下：

a.计算残差信息协方差阵：

b.计算本发明提出衰减因子值：

引入自适应衰减因子方法在电池SOC估计中应用容易出现波动性大甚至引起发散的问题，本发明设计添加了衰减控制系数μ，μ的取值对估计效果的影响较大，在实际估计应用中，μ值通常远小于1；

c.用于衰减因子λ修正后的测量更新为：

衰减因子的改进形式能够有效平衡复合状态模型方程预测与观测信息的权重比，而且能够在一定范围内控制当模型或设定的状态初值出现误差时对滤波效果的影响；

(8)计算Kalman增益

(9)状态及协方差更新

(10)判断时间迭代是否完成，如果是则结束算法，如果否则返回步骤(2)。

在本实施例中，本实施例提供的基于状态检测机制的无迹卡尔曼滤波车载电池SOC估计方法，在无迹卡尔曼滤波中引入了基于残差新息特性的异常状态检测机制，在估计过程中检测到异常状态时，采用改进的自适应衰减因子修正无迹卡尔曼滤波算法测量更新部分的相关协方差阵，从而能够在一定范围内有效控制SOC初值设定误差和模型误差对最终估计效果的影响。以电池复合模型为基础，应用递推最小二乘法辨识电池参数，给出了方法具体实现步骤。

在本实施例中，本实施例提供的基于状态检测机制的无迹卡尔曼滤波车载电池SOC估计方法，利用本发明公开的方法对电池的SOC 进行估计，具有很好的鲁棒性和跟踪速度，各类误差精度均控制在 5％以内，为车载动力电池SOC的估计提供一新方法。

在本实施例中，本实施例提供的基于状态检测机制的无迹卡尔曼滤波车载电池SOC估计方法，在估计SOC过程中未检测到异常的情况下，用经典的无迹卡尔曼滤波方法估计，保证了估计波形的精度和平滑性，弥补了单纯引入衰减因子容易引导起估计波形抖振。

在本实施例中，本实施例提供的基于状态检测机制的无迹卡尔曼滤波车载电池SOC估计方法，在检测到异常的情况下，引入衰减因子方法保证能够快速跟踪收敛到目标，有效克服了模型以及初值设定误差。

综上所述，在本实施例中，本实施例提供的基于状态检测机制的无迹卡尔曼滤波车载电池SOC估计方法，基于残差新息特性的新型状态检测机制涉及到的参数少，以自适应调节为主，调试方便，异常状态检测效果明显；引入的新型衰减因子修正策略适合于车载动力电池SOC的估计，对电池模型误差的抗差性能好，对初值设定误差跟踪收敛能力强。

以上所述，仅为本发明进一步的实施例，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明所公开的范围内，根据本发明的技术方案及其构思加以等同替换或改变，都属于本发明的保护范围。