CN111474481A - 基于扩展卡尔曼滤波算法的电池soc估算方法及装置 - Google Patents

基于扩展卡尔曼滤波算法的电池soc估算方法及装置 Download PDF

Info

Publication number
CN111474481A
CN111474481A CN202010284580.7A CN202010284580A CN111474481A CN 111474481 A CN111474481 A CN 111474481A CN 202010284580 A CN202010284580 A CN 202010284580A CN 111474481 A CN111474481 A CN 111474481A
Authority
CN
China
Prior art keywords
battery
parameter vector
covariance matrix
error covariance
estimated
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010284580.7A
Other languages
English (en)
Other versions
CN111474481B (zh
Inventor
王立
熊磊
严哲清
汪林军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Longdian Eris New Energy Co ltd
Original Assignee
Shenzhen Areswatt New Energy Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Areswatt New Energy Co ltd filed Critical Shenzhen Areswatt New Energy Co ltd
Priority to CN202010284580.7A priority Critical patent/CN111474481B/zh
Publication of CN111474481A publication Critical patent/CN111474481A/zh
Application granted granted Critical
Publication of CN111474481B publication Critical patent/CN111474481B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/385—Arrangements for measuring battery or accumulator variables
    • G01R31/387—Determining ampere-hour charge capacity or SoC
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Tests Of Electric Status Of Batteries (AREA)

Abstract

本发明涉及基于扩展卡尔曼滤波算法的电池SOC估算方法及装置；其中，方法，包括：对待估计电池参数向量，及待估计电池参数向量的误差协方差矩阵进行初始化；根据状态方程计算一步预测参数向量和预测误差协方差矩阵；根据一步预测参数向量计算坐标变换矩阵；根据预测误差协方差矩阵、坐标变换矩阵并结合观测方程，计算卡尔曼增益；根据卡尔曼增益，更新参数向量及误差协方差矩阵，以获得电池SOC参数。本发明利用预测向量计算坐标变换矩阵的对角线元素值，计算卡尔曼滤波增益，进而更新参数向量估计值及其对应的误差协方差矩阵，具有较快的收敛速度和较高的估计精度，可有效提高电池SOC估计性能。

Description

基于扩展卡尔曼滤波算法的电池SOC估算方法及装置
技术领域
本发明涉及电池的参数估算技术领域，更具体地说是指基于扩展卡尔曼滤波算法的电池SOC估算方法及装置。
背景技术
参数估计是自适应估计理论中一个重要的研究领域，广泛应用于电池SOC估算，如最小均方算法因其简单易于实现而得到了较广泛的应用，然而，最小均方算法的收敛速度较慢，且稳态值在最优值附近波动较大，具有较大的稳态均方误差，为了解决收敛速度慢的问题，递归最小二乘算法被随后提出，其通过递归最小化加权误差平方和达到更快的收敛速度，却以较高的计算复杂度为代价，另一方面，扩展卡尔曼滤波算法利用系统内在的动态变化模型，可以达到比前两种算法更优的估计性能，具体来说，通过状态方程进行预测和观测方程进行更新，扩展卡尔曼滤波算法能够快速的收敛，且稳态估计值更为准确。
以上讨论是基于没有关于待估计系统的先验信息提供时的情况，现已有研究表明，利用稀疏特性改进最小均方算法和递归最小二乘算法，如已提出的基于范数的最小均方算法和比例自适应最小均方误差算法及相应的递归最小二乘算法，均可达到较原算法更好的估计性能，然而，利用稀疏特性改进扩展卡尔曼滤波算法还处于探索之中，充分利用稀疏性不仅可以更好的估计系统参数，跟踪系统的变化，还可以大大降低计算复杂度，使得系统的建模和分析更加简化，因此，研究基于稀疏特性优化的扩展卡尔曼滤波算法对电池SOC估算具有十分重要的意义。
发明内容
本发明的目的在于克服现有技术的缺陷，提供基于扩展卡尔曼滤波算法的电池SOC估算方法、装置、计算机设备及存储介质。
为实现上述目的，本发明采用以下技术方案：
基于扩展卡尔曼滤波算法的电池SOC估算方法，包括以下步骤：
对待估计电池参数向量，及待估计电池参数向量的误差协方差矩阵进行初始化；
根据状态方程计算一步预测参数向量和预测误差协方差矩阵；
根据一步预测参数向量计算坐标变换矩阵；
根据预测误差协方差矩阵、坐标变换矩阵并结合观测方程，计算卡尔曼增益；
根据卡尔曼增益，更新参数向量及误差协方差矩阵，以获得电池SOC参数。
其进一步技术方案为：所述“对待估计电池参数向量，及待估计电池参数向量的误差协方差矩阵进行初始化”步骤中，待估计电池参数向量和待估计电池参数向量的误差协方差矩阵分别初始化为：
Figure BDA0002447981760000021
Ρ(0/0)＝δ2E3×3
其中，
Figure BDA0002447981760000022
表示0时刻的电池参数向量估计值，03×1表示3×1维零向量；P(0/0)表示0时刻的误差协方差矩阵，E3×3表示3×3维单位矩阵，δ是给定的常数。
其进一步技术方案为：所述“根据状态方程计算一步预测参数向量和预测误差协方差矩阵”步骤中，状态方程为：
ω(n)＝A(n-1)ω(n-1)+B(n-1)It(n-1)+u(n)
其中，ω(n)＝[SOC(n)Ue(n)Ud(n)]H是n时刻电池参数向量,SOC(n)为n时刻电池剩余电量，Ue(n)和Ud(n)为n时刻电池二阶RC模型的电容电压，It(n-1)为n-1时刻电流，A(n-1)和B(n-1)为n-1时刻电池二阶RC模型的状态方程线性化处理的匹配系数，分别为：
Figure BDA0002447981760000031
Figure BDA0002447981760000032
其中，τe(n-1)和τd(n-1)表示n-1时刻二阶RC模型的时间常数，Re和Rd为二阶RC模型的极化内阻，T为采样周期，ηc为库伦效率，Q为电池额定容量，u(n)为零均值白噪声矢量，满足：
Figure BDA0002447981760000033
其中，E{·}表示取期望，Qu(n1)为n1时刻的过程噪声协方差矩阵。
其进一步技术方案为：所述“根据状态方程计算一步预测参数向量和预测误差协方差矩阵”步骤中，一步预测参数向量和预测误差协方差矩阵分别为：
Figure BDA0002447981760000034
P(n/n-1)＝A(n-1)P(n-1/n-1)AH(n-1)+Qu
其中，
Figure BDA0002447981760000035
为n-1时刻电池参数向量估计值，P(n-1/n-1)为n-1时刻的误差协方差矩阵。
其进一步技术方案为：所述“根据一步预测参数向量计算坐标变换矩阵”步骤中，坐标变换矩阵定义为：
Figure BDA0002447981760000041
其中，
Figure BDA0002447981760000042
为一步预测向量
Figure BDA0002447981760000043
中的第l个元素。
其进一步技术方案为：所述“根据预测误差协方差矩阵、坐标变换矩阵并结合观测方程，计算卡尔曼增益”步骤中，观测方程为：
U(n)＝C(n)G(n)ω(n)+ν(n)
其中，U(n)是n时刻的电池端电压，
Figure BDA0002447981760000044
为状态观测向量，UOC表示电池开路电压，ν(n)是方差为qν(n)的零均值白噪声。
其进一步技术方案为：所述“根据预测误差协方差矩阵、坐标变换矩阵并结合观测方程，计算卡尔曼增益”步骤中，卡尔曼增益的计算公式是：
k(n)＝P(n/n-1)[C(n)G(n)]H[C(n)G(n)P(n/n-1)[C(n)G(n)]H+qν(n)]-1。
其进一步技术方案为：所述“根据卡尔曼增益，更新参数向量及误差协方差矩阵，以获得电池SOC参数”步骤中，更新参数向量和误差协方差矩阵的计算公式为：
Figure BDA0002447981760000045
P(n/n)＝[E-k(n)C(n)G(n)]P(n/n-1)
其中，
Figure BDA0002447981760000046
为n时刻电池参数向量估计值，向量的第一个元素即为电池SOC估算值，P(n/n)为n时刻的误差协方差矩阵，E为单位阵。
基于扩展卡尔曼滤波算法的电池SOC估算装置，包括：初始化单元，第一计算单元，第二计算单元，第三计算单元，及更新获得单元；
所述初始化单元，用于对待估计电池参数向量，及待估计电池参数向量的误差协方差矩阵进行初始化；
所述第一计算单元，用于根据状态方程计算一步预测参数向量和预测误差协方差矩阵；
所述第二计算单元，用于根据一步预测参数向量计算坐标变换矩阵；
所述第三计算单元，用于根据预测误差协方差矩阵、坐标变换矩阵并结合观测方程，计算卡尔曼增益；
所述更新获得单元，用于根据卡尔曼增益，更新参数向量及误差协方差矩阵，以获得电池SOC参数。
其进一步技术方案为：所述初始化单元中，待估计电池参数向量和待估计电池参数向量的误差协方差矩阵分别初始化为：
Figure BDA0002447981760000051
Ρ(0/0)＝δ2E3×3
其中，
Figure BDA0002447981760000052
表示0时刻的电池参数向量估计值，03×1表示3×1维零向量；P(0/0)表示0时刻的误差协方差矩阵，E3×3表示3×3维单位矩阵，δ是给定的常数。
本发明与现有技术相比的有益效果是：利用预测向量计算坐标变换矩阵的对角线元素值，计算卡尔曼滤波增益，进而更新参数向量估计值及其对应的误差协方差矩阵，具有较快的收敛速度和较高的估计精度，可有效提高电池SOC估计性能。
下面结合附图和具体实施例对本发明作进一步描述。
附图说明
为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的基于扩展卡尔曼滤波算法的电池SOC估算方法的流程示意图；
图2为本发明的基于稀疏特性优化的扩展卡尔曼滤波算法(sparse EKF)与现有扩展卡尔曼滤波算法(EKF)在估算电池SOC的收敛速度比较示意图；
图3为本发明基于稀疏特性优化的扩展卡尔曼滤波算法(sparse EKF)与现有扩展卡尔曼滤波算法(EKF)在估算电池SOC的均方误差(MSE)性能比较示意图；
图4为本发明实施例提供的基于扩展卡尔曼滤波算法的电池SOC估算装置的示意性框图；
图5为本发明实施例提供的计算机设备的示意性框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
请参阅图1到图5所示的具体实施例，其中，请参阅图1至图3所示，本发明公开了一种基于扩展卡尔曼滤波算法的电池SOC估算方法，包括以下步骤：
S1，对待估计电池参数向量，及待估计电池参数向量的误差协方差矩阵进行初始化；
S2，根据状态方程计算一步预测参数向量和预测误差协方差矩阵；
S3，根据一步预测参数向量计算坐标变换矩阵；
S4，根据预测误差协方差矩阵、坐标变换矩阵并结合观测方程，计算卡尔曼增益；
S5，根据卡尔曼增益，更新参数向量及误差协方差矩阵，以获得电池SOC参数。
其中，所述S1步骤中，待估计电池参数向量和待估计电池参数向量的误差协方差矩阵分别初始化为：
Figure BDA0002447981760000071
Ρ(0/0)＝δ2E3×3
其中，
Figure BDA0002447981760000072
表示0时刻的电池参数向量估计值，03×1表示3×1维零向量；P(0/0)表示0时刻的误差协方差矩阵，E3×3表示3×3维单位矩阵，δ是给定的常数。
其中，所述S2步骤中，状态方程为：
ω(n)＝A(n-1)ω(n-1)+B(n-1)It(n-1)+u(n)
其中，ω(n)＝[SOC(n)Ue(n)Ud(n)]H是n时刻电池参数向量,SOC(n)为n时刻电池剩余电量，Ue(n)和Ud(n)为n时刻电池二阶RC模型的电容电压，It(n-1)为n-1时刻电流，A(n-1)和B(n-1)为n-1时刻电池二阶RC模型的状态方程线性化处理的匹配系数，分别为：
Figure BDA0002447981760000081
Figure BDA0002447981760000082
其中，τe(n-1)和τd(n-1)表示n-1时刻二阶RC模型的时间常数，Re和Rd为二阶RC模型的极化内阻，T为采样周期，ηc为库伦效率，Q为电池额定容量，u(n)为零均值白噪声矢量，满足：
Figure BDA0002447981760000083
其中，E{·}表示取期望，Qu(n1)为n1时刻的过程噪声协方差矩阵。
进一步地，所述S2步骤中，一步预测参数向量和预测误差协方差矩阵分别为：
Figure BDA0002447981760000084
P(n/n-1)＝A(n-1)P(n-1/n-1)AH(n-1)+Qu
其中，
Figure BDA0002447981760000085
为n-1时刻电池参数向量估计值，P(n-1/n-1)为n-1时刻的误差协方差矩阵。
其中，所述S3步骤中，坐标变换矩阵定义为：
Figure BDA0002447981760000091
其中，
Figure BDA0002447981760000092
为一步预测向量
Figure BDA0002447981760000093
中的第l个元素。
其中，所述S4步骤中，观测方程为：
U(n)＝C(n)G(n)ω(n)+ν(n)
其中，U(n)是n时刻的电池端电压，
Figure BDA0002447981760000094
为状态观测向量，UOC表示电池开路电压，ν(n)是方差为qν(n)的零均值白噪声。
其中，所述S4步骤中，卡尔曼增益的计算公式是：
k(n)＝P(n/n-1)[C(n)G(n)]H[C(n)G(n)P(n/n-1)[C(n)G(n)]H+qν(n)]-1。
其中，所述S5步骤中，更新参数向量和误差协方差矩阵的计算公式为：
Figure BDA0002447981760000095
P(n/n)＝[E-k(n)C(n)G(n)]P(n/n-1)
其中，
Figure BDA0002447981760000096
为n时刻电池参数向量估计值，向量的第一个元素即为电池SOC估算值，P(n/n)为n时刻的误差协方差矩阵，E为单位阵。
请参阅图2至图3所示，给出了稀疏扩展卡尔曼滤波算法的性能仿真曲线；其中，图2为稀疏扩展卡尔曼滤波算法(sparse EKF)与扩展卡尔曼滤波算法(EKF)在估算电池SOC的收敛速度比较；图3为稀疏扩展卡尔曼滤波算法(sparse EKF)与扩展卡尔曼滤波算法(EKF)在估算电池SOC的均方误差(MSE)性能比较；从仿真图可见，在电池SOC估算实施例中本发明的一种基于稀疏特性优化的扩展卡尔曼滤波算法具有较好的性能，具体来说，图2所示对比中，稀疏扩展卡尔曼滤波算法在估算电池SOC时较扩展卡尔曼滤波算法具有更快的收敛速度；图3显示稀疏扩展卡尔曼滤波算法在估算电池SOC时具有更小的稳态均方误差。
于其他实施例中，S5，根据卡尔曼增益，更新参数向量及误差协方差矩阵；S6，迭代进行步骤S2-S5，直至算法结束，计算出电池SOC参数；其中，每完成一次步骤S2-步骤S5，就会产生一个电池SOC估算值，本发明的实施例是在线估算SOC，就是步骤S5直接出当前电池SOC参数值，而于其他实施例中是基于历史电压电流数据计算电池SOC参数值，那么就要反复迭代，直到所有历史数据依次算完，才能得到当前电池SOC参数值，两者的最大区别在于，前者是在线计算的，后者是离线计算的。
本发明利用预测向量计算坐标变换矩阵的对角线元素值，计算卡尔曼滤波增益，进而更新参数向量估计值及其对应的误差协方差矩阵，具有较快的收敛速度和较高的估计精度，可有效提高电池SOC估计性能。
请参阅图4，本发明还公开了一种基于扩展卡尔曼滤波算法的电池SOC估算装置，包括：初始化单元10，第一计算单元20，第二计算单元30，第三计算单元40，及更新获得单元50；
所述初始化单元10，用于对待估计电池参数向量，及待估计电池参数向量的误差协方差矩阵进行初始化；
所述第一计算单元20，用于根据状态方程计算一步预测参数向量和预测误差协方差矩阵；
所述第二计算单元30，用于根据一步预测参数向量计算坐标变换矩阵；
所述第三计算单元40，用于根据预测误差协方差矩阵、坐标变换矩阵并结合观测方程，计算卡尔曼增益；
所述更新获得单元50，用于根据卡尔曼增益，更新参数向量及误差协方差矩阵，以获得电池SOC参数。
其中，所述初始化单元10中，待估计电池参数向量和待估计电池参数向量的误差协方差矩阵分别初始化为：
Figure BDA0002447981760000111
Ρ(0/0)＝δ2E3×3
其中，
Figure BDA0002447981760000112
表示0时刻的电池参数向量估计值，03×1表示3×1维零向量；P(0/0)表示0时刻的误差协方差矩阵，E3×3表示3×3维单位矩阵，δ是给定的常数。
需要说明的是，所属领域的技术人员可以清楚地了解到，上述基于扩展卡尔曼滤波算法的电池SOC估算装置和各单元的具体实现过程，可以参考前述方法实施例中的相应描述，为了描述的方便和简洁，在此不再赘述。
上述基于扩展卡尔曼滤波算法的电池SOC估算装置可以实现为一种计算机程序的形式，该计算机程序可以在如图5所示的计算机设备上运行。
请参阅图5，图5是本申请实施例提供的一种计算机设备的示意性框图；该计算机设备500可以是终端，也可以是服务器，其中，终端可以是智能手机、平板电脑、笔记本电脑、台式电脑、个人数字助理和穿戴式设备等具有通信功能的电子设备。服务器可以是独立的服务器，也可以是多个服务器组成的服务器集群。
参阅图5，该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括非易失性存储介质503和内存储器504。
该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032包括程序指令，该程序指令被执行时，可使得处理器502执行一种基于扩展卡尔曼滤波算法的电池SOC估算方法。
该处理器502用于提供计算和控制能力，以支撑整个计算机设备500的运行。
该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行一种基于扩展卡尔曼滤波算法的电池SOC估算方法。
该网络接口505用于与其它设备进行网络通信。本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备500的限定，具体的计算机设备500可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
应当理解，在本申请实施例中，处理器502可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成。该计算机程序包括程序指令，计算机程序可存储于一存储介质中，该存储介质为计算机可读存储介质。该程序指令被该计算机系统中的至少一个处理器执行，以实现上述方法的实施例的流程步骤。
因此，本发明还提供一种存储介质。该存储介质可以为计算机可读存储介质。该存储介质存储有计算机程序，其中计算机程序包括程序指令，所述程序指令当被处理器执行时可实现上述的基于扩展卡尔曼滤波算法的电池SOC估算方法。
所述存储介质可以是U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的计算机可读存储介质。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的。例如，各个单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。
本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。
该集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，终端，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
上述仅以实施例来进一步说明本发明的技术内容，以便于读者更容易理解，但不代表本发明的实施方式仅限于此，任何依本发明所做的技术延伸或再创造，均受本发明的保护。本发明的保护范围以权利要求书为准。

Claims (10)

1.基于扩展卡尔曼滤波算法的电池SOC估算方法，其特征在于，包括以下步骤：
对待估计电池参数向量，及待估计电池参数向量的误差协方差矩阵进行初始化；
根据状态方程计算一步预测参数向量和预测误差协方差矩阵；
根据一步预测参数向量计算坐标变换矩阵；
根据预测误差协方差矩阵、坐标变换矩阵并结合观测方程，计算卡尔曼增益；
根据卡尔曼增益，更新参数向量及误差协方差矩阵，以获得电池SOC参数。
2.根据权利要求1所述的基于扩展卡尔曼滤波算法的电池SOC估算方法，其特征在于，所述“对待估计电池参数向量，及待估计电池参数向量的误差协方差矩阵进行初始化”步骤中，待估计电池参数向量和待估计电池参数向量的误差协方差矩阵分别初始化为：
Figure FDA0002447981750000011
Ρ(0/0)＝δ2E3×3
其中，
Figure FDA0002447981750000012
表示0时刻的电池参数向量估计值，03×1表示3×1维零向量；P(0/0)表示0时刻的误差协方差矩阵，E3×3表示3×3维单位矩阵，δ是给定的常数。
3.根据权利要求2所述的基于扩展卡尔曼滤波算法的电池SOC估算方法，其特征在于，所述“根据状态方程计算一步预测参数向量和预测误差协方差矩阵”步骤中，状态方程为：
ω(n)＝A(n-1)ω(n-1)+B(n-1)It(n-1)+u(n)
其中，ω(n)＝[SOC(n) Ue(n) Ud(n)]H是n时刻电池参数向量,SOC(n)为n时刻电池剩余电量，Ue(n)和Ud(n)为n时刻电池二阶RC模型的电容电压，It(n-1)为n-1时刻电流，A(n-1)和B(n-1)为n-1时刻电池二阶RC模型的状态方程线性化处理的匹配系数，分别为：
Figure FDA0002447981750000021
Figure FDA0002447981750000022
其中，τe(n-1)和τd(n-1)表示n-1时刻二阶RC模型的时间常数，Re和Rd为二阶RC模型的极化内阻，T为采样周期，ηc为库伦效率，Q为电池额定容量，u(n)为零均值白噪声矢量，满足：
Figure FDA0002447981750000023
其中，E{·}表示取期望，Qu(n1)为n1时刻的过程噪声协方差矩阵。
4.根据权利要求3所述的基于扩展卡尔曼滤波算法的电池SOC估算方法，其特征在于，所述“根据状态方程计算一步预测参数向量和预测误差协方差矩阵”步骤中，一步预测参数向量和预测误差协方差矩阵分别为：
Figure FDA0002447981750000024
P(n/n-1)＝A(n-1)P(n-1/n-1)AH(n-1)+Qu
其中，
Figure FDA0002447981750000025
为n-1时刻电池参数向量估计值，P(n-1/n-1)为n-1时刻的误差协方差矩阵。
5.根据权利要求4所述的基于扩展卡尔曼滤波算法的电池SOC估算方法，其特征在于，所述“根据一步预测参数向量计算坐标变换矩阵”步骤中，坐标变换矩阵定义为：
Figure FDA0002447981750000031
其中，
Figure FDA0002447981750000032
为一步预测向量
Figure FDA0002447981750000033
中的第l个元素。
6.根据权利要求5所述的基于扩展卡尔曼滤波算法的电池SOC估算方法，其特征在于，所述“根据预测误差协方差矩阵、坐标变换矩阵并结合观测方程，计算卡尔曼增益”步骤中，观测方程为：
U(n)＝C(n)G(n)ω(n)+ν(n)
其中，U(n)是n时刻的电池端电压，
Figure FDA0002447981750000034
为状态观测向量，UOC表示电池开路电压，ν(n)是方差为qν(n)的零均值白噪声。
7.根据权利要求6所述的基于扩展卡尔曼滤波算法的电池SOC估算方法，其特征在于，所述“根据预测误差协方差矩阵、坐标变换矩阵并结合观测方程，计算卡尔曼增益”步骤中，卡尔曼增益的计算公式是：
k(n)＝P(n/n-1)[C(n)G(n)]H[C(n)G(n)P(n/n-1)[C(n)G(n)]H+qν(n)]-1。
8.根据权利要求7所述的基于扩展卡尔曼滤波算法的电池SOC估算方法，其特征在于，所述“根据卡尔曼增益，更新参数向量及误差协方差矩阵，以获得电池SOC参数”步骤中，更新参数向量和误差协方差矩阵的计算公式为：
Figure FDA0002447981750000041
P(n/n)＝[E-k(n)C(n)G(n)]P(n/n-1)
其中，
Figure FDA0002447981750000042
为n时刻电池参数向量估计值，向量的第一个元素即为电池SOC估算值，P(n/n)为n时刻的误差协方差矩阵，E为单位阵。
9.基于扩展卡尔曼滤波算法的电池SOC估算装置，其特征在于，包括：初始化单元，第一计算单元，第二计算单元，第三计算单元，及更新获得单元；
所述初始化单元，用于对待估计电池参数向量，及待估计电池参数向量的误差协方差矩阵进行初始化；
所述第一计算单元，用于根据状态方程计算一步预测参数向量和预测误差协方差矩阵；
所述第二计算单元，用于根据一步预测参数向量计算坐标变换矩阵；
所述第三计算单元，用于根据预测误差协方差矩阵、坐标变换矩阵并结合观测方程，计算卡尔曼增益；
所述更新获得单元，用于根据卡尔曼增益，更新参数向量及误差协方差矩阵，以获得电池SOC参数。
10.根据权利要求9所述的基于扩展卡尔曼滤波算法的电池SOC估算装置，其特征在于，所述初始化单元中，待估计电池参数向量和待估计电池参数向量的误差协方差矩阵分别初始化为：
Figure FDA0002447981750000043
Ρ(0/0)＝δ2E3×3
其中，
Figure FDA0002447981750000051
表示0时刻的电池参数向量估计值，03×1表示3×1维零向量；
P(0/0)表示0时刻的误差协方差矩阵，E3×3表示3×3维单位矩阵，δ是给定的常数。
CN202010284580.7A 2020-04-13 2020-04-13 基于扩展卡尔曼滤波算法的电池soc估算方法及装置 Active CN111474481B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010284580.7A CN111474481B (zh) 2020-04-13 2020-04-13 基于扩展卡尔曼滤波算法的电池soc估算方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010284580.7A CN111474481B (zh) 2020-04-13 2020-04-13 基于扩展卡尔曼滤波算法的电池soc估算方法及装置

Publications (2)

Publication Number Publication Date
CN111474481A true CN111474481A (zh) 2020-07-31
CN111474481B CN111474481B (zh) 2022-08-09

Family

ID=71752213

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010284580.7A Active CN111474481B (zh) 2020-04-13 2020-04-13 基于扩展卡尔曼滤波算法的电池soc估算方法及装置

Country Status (1)

Country Link
CN (1) CN111474481B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112043258A (zh) * 2020-09-30 2020-12-08 青岛歌尔智能传感器有限公司 动态心率预测方法、装置、设备及可读存储介质
CN112051569A (zh) * 2020-09-10 2020-12-08 北京润科通用技术有限公司 雷达目标跟踪速度修正方法及装置
CN113075568A (zh) * 2021-03-30 2021-07-06 上海交通大学 基于电流积分约束的钠离子电池荷电状态估计方法及设备
CN113391212A (zh) * 2021-06-23 2021-09-14 山东大学 一种锂离子电池等值电路参数在线辨识方法及系统

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130105123A (ko) * 2012-03-16 2013-09-25 주식회사 엘지화학 배터리 상태 추정 장치 및 방법
CN104181470A (zh) * 2014-09-10 2014-12-03 山东大学 一种基于非线性预测扩展卡尔曼滤波的电池soc估计方法
US20150377974A1 (en) * 2014-06-30 2015-12-31 Foundation of Soongsil University-lndustry Cooperation Battery state estimation method and system using dual extended kalman filter, and recording medium for performing the method
CN107843847A (zh) * 2017-10-31 2018-03-27 武汉科技大学 一种基于ekf算法的蓄电池soc在线估测方法
CN108169687A (zh) * 2017-12-27 2018-06-15 国网河北省电力有限公司电力科学研究院 一种基于云平台的蓄电池soc估算方法
CN108172231A (zh) * 2017-12-07 2018-06-15 中国科学院声学研究所 一种基于卡尔曼滤波的去混响方法及系统
CN109164391A (zh) * 2018-07-12 2019-01-08 杭州神驹科技有限公司 一种动力电池荷电状态在线估算方法及系统
CN109164392A (zh) * 2018-08-22 2019-01-08 清华大学深圳研究生院 一种动力电池的soc估算方法
CN109239604A (zh) * 2018-10-24 2019-01-18 江苏理工学院 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
CN109839596A (zh) * 2019-03-25 2019-06-04 重庆邮电大学 基于ud分解的自适应扩展卡尔曼滤波的soc估算方法
CN110596606A (zh) * 2019-08-23 2019-12-20 中国科学院电工研究所 一种锂电池剩余电量估计方法、系统及装置

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130105123A (ko) * 2012-03-16 2013-09-25 주식회사 엘지화학 배터리 상태 추정 장치 및 방법
US20150377974A1 (en) * 2014-06-30 2015-12-31 Foundation of Soongsil University-lndustry Cooperation Battery state estimation method and system using dual extended kalman filter, and recording medium for performing the method
CN104181470A (zh) * 2014-09-10 2014-12-03 山东大学 一种基于非线性预测扩展卡尔曼滤波的电池soc估计方法
CN107843847A (zh) * 2017-10-31 2018-03-27 武汉科技大学 一种基于ekf算法的蓄电池soc在线估测方法
CN108172231A (zh) * 2017-12-07 2018-06-15 中国科学院声学研究所 一种基于卡尔曼滤波的去混响方法及系统
CN108169687A (zh) * 2017-12-27 2018-06-15 国网河北省电力有限公司电力科学研究院 一种基于云平台的蓄电池soc估算方法
CN109164391A (zh) * 2018-07-12 2019-01-08 杭州神驹科技有限公司 一种动力电池荷电状态在线估算方法及系统
CN109164392A (zh) * 2018-08-22 2019-01-08 清华大学深圳研究生院 一种动力电池的soc估算方法
CN109239604A (zh) * 2018-10-24 2019-01-18 江苏理工学院 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
CN109839596A (zh) * 2019-03-25 2019-06-04 重庆邮电大学 基于ud分解的自适应扩展卡尔曼滤波的soc估算方法
CN110596606A (zh) * 2019-08-23 2019-12-20 中国科学院电工研究所 一种锂电池剩余电量估计方法、系统及装置

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
A.M. BIZERAY 等: "Lithium-ion battery thermal-electrochemical model-based state estimation using orthogonal collocation and a modified extended Kalman filter", 《JOURNAL OF POWER SOURCES》 *
K. PROPP 等: "Improved state of charge estimation for lithium-sulfur batteries", 《JOURNAL OF ENERGY STORAGE》 *
侯书东 等: "一种精确协方差估计的转换量测卡尔曼滤波方法", 《舰船电子对抗》 *
李国康 等: "电动汽车锂电池SOC预测方法研究", 《沈阳理工大学学报》 *
王龙 等: "改进扩展卡尔曼滤波的四旋翼姿态估计算法", 《计算机应用》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112051569A (zh) * 2020-09-10 2020-12-08 北京润科通用技术有限公司 雷达目标跟踪速度修正方法及装置
CN112051569B (zh) * 2020-09-10 2024-04-05 北京经纬恒润科技股份有限公司 雷达目标跟踪速度修正方法及装置
CN112043258A (zh) * 2020-09-30 2020-12-08 青岛歌尔智能传感器有限公司 动态心率预测方法、装置、设备及可读存储介质
CN113075568A (zh) * 2021-03-30 2021-07-06 上海交通大学 基于电流积分约束的钠离子电池荷电状态估计方法及设备
CN113075568B (zh) * 2021-03-30 2022-06-24 上海交通大学 基于电流积分约束的钠离子电池荷电状态估计方法及设备
CN113391212A (zh) * 2021-06-23 2021-09-14 山东大学 一种锂离子电池等值电路参数在线辨识方法及系统

Also Published As

Publication number Publication date
CN111474481B (zh) 2022-08-09

Similar Documents

Publication Publication Date Title
CN111474481B (zh) 基于扩展卡尔曼滤波算法的电池soc估算方法及装置
WO2022033048A1 (zh) 视频插帧方法、模型训练方法及对应装置
CN108731700B (zh) 一种视觉惯性里程计中的加权欧拉预积分方法
CN108320026B (zh) 机器学习模型训练方法和装置
WO2023197601A1 (zh) 一种基于梯度场的点云修复方法
CN111506873A (zh) 基于扩展卡尔曼滤波算法的非线性系统参数估计方法
CN113421331B (zh) 基于曲面重建方法的物体外观检测方法及应用方法
WO2004090782A1 (en) Accurate linear parameter estimation with noisy inputs
WO2023124893A1 (zh) 基于神经网络的转矩估测方法、装置、设备及存储介质
CN117370913A (zh) 光伏系统中异常数据的检测方法、装置以及设备
CN109638811B (zh) 基于模型等值的配电网电压功率灵敏度鲁棒估计方法
CN110912535A (zh) 一种新型无先导卡尔曼滤波方法
CN113361719B (zh) 基于图像处理模型的增量学习方法和图像处理方法
CN111376793A (zh) 用于管理电池的方法、设备和计算机可读介质
CN111929585B (zh) 电池电荷状态计算装置、方法、服务器及介质
CN110518858B (zh) 转子位置估算方法、装置、计算机设备和存储介质
CN112649745A (zh) 一种协同重组ocv的线性化类状态观测器的电池soc估算方法
CN118432496B (zh) 一种永磁同步电机的电流闭环控制方法、系统及车辆
CN113992101B (zh) 一种基于永磁同步电机矢量控制的电流补偿方法及装置
CN117668433B (zh) 一种机械采油机组智能选型方法和系统
CN118432496A (zh) 一种永磁同步电机的电流闭环控制方法、系统及车辆
CN113674411B (zh) 基于位姿图调整的建图方法及相关设备
CN116448105B (zh) 位姿更新方法、装置、电子设备和存储介质
CN114022621B (zh) 用于无法向点云数据重建网格曲面的方法、设备和介质
Wang et al. Distributed Robust Particle Filter Based on Wasserstein Metric

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CP03 Change of name, title or address
CP03 Change of name, title or address

Address after: 518000 1711, building 8, Xinyi Lingyu R & D center, district 69, Xingdong community, Xin'an street, Bao'an District, Shenzhen, Guangdong Province

Patentee after: Shenzhen Longdian Eris new energy Co.,Ltd.

Address before: 518000 401, building 1, COFCO Chuangzhi factory, zone 67, Xingdong community, Xin'an street, Bao'an District, Shenzhen, Guangdong Province

Patentee before: SHENZHEN ARESWATT NEW ENERGY CO.,LTD.