基于MIAUKF算法的蓄电池SOC估计方法及装置

技术领域

本发明涉及测量技术领域，尤其涉及一种基于MIAUKF算法的蓄电池SOC估计方法及装置。

背景技术

低速电动车的出现满足了大多数人的交通出行需求。铅酸蓄电池在低速电动车市场上占据主导地位。铅酸蓄电池的荷电状态state of charge，SOC是低速电动车上蓄电池管理系统监测的一个关键指标。SOC用于表征电池剩余可用电量，为当前可使用容量与最大可用容量的比值。SOC不能够通过仪器直接测量得到，需要基于测量得到蓄电池的外特性参数进行估算。精确的SOC估计在防止蓄电池过充或过放、管理电池能量、掌握电池巡航里程等方面有重要意义。现有测量蓄电池SOC估计方法有开路电压法、安时积分法、数据驱动法等。

开路电压法：开路电压法是一种离线估计SOC的方法，利用开路电压OCV和SOC之间存在的特定关系，通过获取蓄电池开路电压进而估算SOC。虽然这种方法可以估计电池的SOC，但是铅酸蓄电池本身受工作温度和循环次数等因素的影响，使得OCV-SOC不是一个固定不变的函数关系，最终获得的SOC估计值误差较大。另外，通过开路电压法实现电池SOC估计的前提是电池处于均衡状态，而电池在实际使用过程中端电压是不断变化的，此阶段不满足稳定状态下测量开路电压的条件。因此，该方法不适用于蓄电池运行状态下的SOC估计。

安时积分法：安时积分法又称库仑计数法，是通过对某一时间段内的工作电流进行积分运算获得该段时间内的电量变化，进而根据蓄电池的初始SOC获得SOC值。虽然安时积分法原理易懂，计算简单且不用考虑电池的类型，得到了广泛应用，但是该方法存在如下缺陷：电池精确的SOC的初值难以获得，不准确的初值带来的误差无法消除，直接影响SOC估计的精度；电流误差在积分过程中持续的累积，导致SOC估计误差越来越大；电池自身性能的衰退导致最大可用容量下降进而影响SOC估计的准确性。

数据驱动法：基于数据驱动的SOC估计方法依据黑箱原理，通过大量可测量的输入和输出数据来训练模型，从而构建出蓄电池SOC与电压、电流等参数之间的关系。由于数据驱动法进行蓄电池SOC估计的准确性受实验数据和所建模型复杂度的制约，随着精度要求的提高，神经网络模型结构变得更加复杂，计算量也会大幅度提升，参数优化极为困难，很容易导致模型出现过拟合现象。

现有技术问题及思考：

如何解决蓄电池SOC估计误差大的技术问题。

发明内容

本发明提供一种基于MIAUKF算法的蓄电池SOC估计方法及装置，解决蓄电池SOC估计误差大的技术问题。

为解决上述技术问题，本发明所采取的技术方案在于如下方面：

一种基于MIAUKF算法的蓄电池SOC估计方法包括如下步骤，S1：获得铅酸蓄电池二阶RC等效电路模型的离散化状态空间方程和输出方程；S2：获得OCV-SOC拟合曲线图；S3：获得电池内阻R

进一步的技术方案在于：步骤S1中，获得铅酸蓄电池的二阶RC等效电路模型，根据基尔霍夫定律得到铅酸蓄电池二阶RC等效电路模型的离散化状态空间方程(1)和输出方程(2)；

式(1)中，x

SOC(k+1)是第k+1个采样点电池的SOC值，

式(2)中，U

进一步的技术方案在于：步骤S2中，通过恒流脉冲放电实验获得OCV-SOC的关系，对得到的实验数据进行多项式拟合，得到OCV-SOC拟合曲线图。

进一步的技术方案在于：步骤S3中，基于铅酸蓄电池二阶RC等效电路模型以及已知的开路电压U

进一步的技术方案在于：步骤S4中，采用脉冲放电实验获得铅酸蓄电池的端电压和工作电流数据，或者采用UDDS循环工况实验获得铅酸蓄电池的端电压和工作电流数据。

进一步的技术方案在于：步骤S5中，将步骤S3中电池内阻R

进一步的技术方案在于：步骤S2的具体步骤如下，首先将铅酸蓄电池充满电搁置一个小时后测得的端电压值作为电池的初始开路电压，此时的SOC为1，然后在25℃的室温环境下，以0.3C的电流进行脉冲放电实验，然后得到OCV-SOC的关系，并对得到的实验数据进行多项式拟合，通过对不同阶拟合结果的分析，8阶拟合的精度更高，拟合曲线更逼近实测结果，8阶拟合的函数表达式如公式(3)所示；

进一步的技术方案在于：MI-AUKF算法具体步骤如下，

(1)进行算法的初始化：

式(4)中，x

(2)获得k―1时刻的Sigma点：

式(5)中，n为状态变量维数,λ为尺度参数；

(3)计算Sigma点的权值：

式(6)中，

(4)状态变量时间更新：

将Sigma点代入非线性状态方程X

X

状态变量预测值：

状态变量误差协方差更新：

(5)观测变量更新：

将新的Sigma点代入观测方程式，输出观测变量的Sigma点，经过加权求和得到观测变量的估计值及协方差；

Y

同时得到了状态变量和观测变量联合的估计偏差互协方差：

(6)引入多新息辨识方法

首先定义单个新息e

E

式(11)中，y

式(12)中，p为新息长度；

(7)计算无迹卡尔曼滤波增益K

K

(8)将状态变量估计更新公式

(9)更新过程噪声和测量噪声协方差：

(10)最后对过程噪声和测量噪声协方差进行自适应调整：

根据公式(1)～(22)即可实现MI-AUKF方法对蓄电池SOC的估计，得到SOC的值。

一种基于MIAUKF算法的蓄电池SOC估计装置包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，所述处理器执行计算机程序时实现上述方法中相应的步骤。

一种基于MIAUKF算法的蓄电池SOC估计装置包括计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述方法中相应的步骤。

采用上述技术方案所产生的有益效果在于：

第一，一种基于MIAUKF算法的蓄电池SOC估计方法包括如下步骤，S1：获得铅酸蓄电池二阶RC等效电路模型的离散化状态空间方程和输出方程；S2：获得OCV-SOC拟合曲线图；S3：获得电池内阻R

第二，一种基于MIAUKF算法的蓄电池SOC估计装置包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，所述处理器执行计算机程序时实现上述方法中相应的步骤。该技术方案，其通过离散化状态空间方程、输出方程和MI-AUKF算法，蓄电池SOC估计准确。

第三，一种基于MIAUKF算法的蓄电池SOC估计装置包括计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述方法中相应的步骤。该技术方案，其通过离散化状态空间方程、输出方程和MI-AUKF算法，蓄电池SOC估计准确。

详见具体实施方式部分描述。

附图说明

图1是铅酸蓄电池二阶RC等效电路模型；

图2是OCV-SOC拟合曲线图；

图3是MI-AUKF算法的流程图；

图4是脉冲放电下的SOC估计结果的屏幕截图；

图5是脉冲放电下的SOC估计误差的屏幕截图；

图6是研发例1的流程图；

图7是UDDS循环工况下SOC估计结果的屏幕截图；

图8是UDDS循环工况下SOC估计误差的屏幕截图；

图9是研发例2的流程图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本申请及其应用或使用的任何限制。基于本申请中的实施例，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，都属于本申请保护的范围。

在下面的描述中阐述了很多具体细节以便于充分理解本申请，但是本申请还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本申请内涵的情况下做类似推广，因此本申请不受下面公开的具体实施例的限制。

实施例1：

本发明公开了一种基于MIAUKF算法的蓄电池SOC估计方法包括如下步骤：

S1：获得铅酸蓄电池二阶RC等效电路模型的离散化状态空间方程和输出方程；

获得铅酸蓄电池的二阶RC等效电路模型，根据基尔霍夫定律得到铅酸蓄电池二阶RC等效电路模型的离散化状态空间方程(1)和输出方程(2)；

式(1)中，x

SOC(k+1)是第k+1个采样点电池的SOC值，

式(2)中，U

S2：获得OCV-SOC拟合曲线图；

通过恒流脉冲放电实验获得OCV-SOC的关系，对得到的实验数据进行多项式拟合，得到OCV-SOC拟合曲线图。

首先将铅酸蓄电池充满电搁置一个小时后测得的端电压值作为电池的初始开路电压，此时的SOC为1，然后在25℃的室温环境下，以0.3C的电流进行脉冲放电实验，然后得到OCV-SOC的关系，并对得到的实验数据进行多项式拟合，通过对不同阶拟合结果的分析，8阶拟合的精度更高，拟合曲线更逼近实测结果，8阶拟合的函数表达式如公式(3)所示；

S3：获得电池内阻R

基于铅酸蓄电池二阶RC等效电路模型以及已知的开路电压U

S4：获得铅酸蓄电池的端电压和工作电流数据；

采用脉冲放电实验获得铅酸蓄电池的端电压和工作电流数据，或者采用UDDS循环工况实验获得铅酸蓄电池的端电压和工作电流数据。

S5：基于离散化状态空间方程、输出方程和多新息自适应无迹卡尔曼滤波MI-AUKF算法，获得蓄电池SOC值。

将步骤S3中电池内阻R

MI-AUKF算法具体步骤如下，

(1)进行算法的初始化：

式(4)中，x

(2)获得k―1时刻的Sigma点：

式(5)中，n为状态变量维数,λ为尺度参数；

(3)计算Sigma点的权值：

式(6)中，

(4)状态变量时间更新：

将Sigma点代入非线性状态方程X

X

状态变量预测值：

状态变量误差协方差更新：

(5)观测变量更新：

将新的Sigma点代入观测方程式，输出观测变量的Sigma点，经过加权求和得到观测变量的估计值及协方差；

Y

同时得到了状态变量和观测变量联合的估计偏差互协方差：

(6)引入多新息辨识方法

首先定义单个新息e

E

式(11)中，y

式(12)中，p为新息长度；

(7)计算无迹卡尔曼滤波增益K

K

(8)将状态变量估计更新公式

(9)更新过程噪声和测量噪声协方差：

(10)最后对过程噪声和测量噪声协方差进行自适应调整：

根据公式(1)～(22)即可实现MI-AUKF方法对蓄电池SOC的估计，得到SOC的值。

实施例2：

本发明公开了一种基于MIAUKF算法的蓄电池SOC估计装置包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，存储器和处理器形成电子终端，所述处理器执行计算机程序时实现实施例1的步骤。

实施例3：

本发明公开了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现实施例1中的步骤。

相对于上述实施例，其中的程序模块还可以为采用现有逻辑运算技术制成的硬件模块，实现相应的逻辑运算步骤、通信步骤和控制步骤，进而实现上述相应的步骤，其中的逻辑运算单元为现有技术不再赘述。

研发过程：

发明点在于：本发明是为了解决现有的电池SOC估计方法精度低、方案复杂导致测量实用性较差的问题，提供一种基于多新息自适应无迹卡尔曼滤波MI-AUKF的蓄电池SOC估计方法，该方法结合了Sage-Husa算法，即一种自适应滤波算法，通过时变噪声估值器进行自适应更新系统噪声协方差，以及多新息辨识方法，即将无迹卡尔曼滤波UKF算法中单新息向量扩展为多个时刻的新息矩阵进行状态变量估计更新，通过脉冲放电和UDDS即UrbanDynamometer Driving Schedule，循环工况验证MI-AUKF算法估计铅酸蓄电池SOC的有效性。

方法的改进：现有的蓄电池SOC估计方法精度低、误差大。本发明提出多新息自适应无迹卡尔曼滤波MI-AUKF的蓄电池SOC估计方法，提升了测量精度，可以准确的估算出电池SOC值。

新用途：本发明具备易于实现，能准确地测出铅酸蓄电池SOC估计值。

1要解决的最基本的技术问题

现有的电池SOC估计方法具有噪声方差固定、估算精度低，从而导致偏估计的问题。

2核心技术方案

本发明提供了一种基于多新息自适应无迹卡尔曼滤波MI-AUKF的蓄电池SOC估计方法，主要改进是将MI-AUKF算法应用于铅酸蓄电池上。

3有益技术效果

本发明提供基于多新息自适应无迹卡尔曼滤波MI-AUKF的蓄电池SOC估计方法。通过Sage-Husa算法的时变噪声估值器进行自适应更新系统噪声协方差，通过多新息辨识方法将UKF算法中单新息向量扩展为多个时刻的新息矩阵进行状态变量估计更新。最后通过不同形式的放电实验对MI-AUKF算法的估计精度进行了验证，并与UKF和AUKF算法的估计结果进行对比分析，得出MI-AUKF算法估计的铅酸蓄电池SOC平均误差为0.73％，最大误差为1.84％；UKF算法估计的铅酸蓄电池SOC平均误差为1.24％，最大误差为2.47％；AUKF算法估计的铅酸蓄电池SOC平均误差为0.81％，最大误差为2.05％。表明MI-AUKF算法对铅酸蓄电池SOC估计的误差更小，效果更好。

4发明构思

现有的蓄电池SOC估计方法具有精度低、计算量大导致SOC估计值误差较大的问题。为了解决此问题，提供了一种基于多新息自适应无迹卡尔曼滤波的蓄电池SOC估计方法。

研发例1：脉冲放电实验

如图6所示，具体研发例1流程图。

步骤一：建立铅酸蓄电池的二阶RC等效电路模型,并根据基尔霍夫定律得到铅酸蓄电池二阶RC等效电路模型的离散化状态空间方程和输出方程。

如图1所示，铅酸蓄电池的二阶RC等效电路模型，U

根据基尔霍夫定律得到铅酸蓄电池二阶RC等效电路模型的离散化状态空间方程(1)和输出方程(2)如下：

式(1)中，x

SOC(k+1)是第k+1个采样点电池的SOC值，

式(2)中，U

步骤二：通过恒流脉冲放电实验来获得OCV-SOC的关系，并对得到的实验数据进行多项式拟合，得到OCV-SOC拟合曲线图，具体步骤如下：

首先将铅酸蓄电池充满电搁置一个小时后测得的端电压值作为电池的初始开路电压，此时的SOC为1，然后在25℃的室温环境下，以0.3C的电流进行脉冲放电实验，然后得到OCV-SOC的关系，并对得到的实验数据进行多项式拟合，通过对不同阶拟合结果的分析，8阶拟合的精度更高，拟合曲线更逼近实测结果，8阶拟合的函数表达式如公式(3)所示。

如表1所示，拟合系数。

表1：OCV-SOC拟合系数

如图2所示，通过8阶多项式拟合得到的拟合曲线。

步骤三：已建立的铅酸蓄电池二阶RC等效电路模型中，除了已经确定的开路电压U

步骤四：采用脉冲放电实验来获得铅酸蓄电池的端电压和工作电流数据，本实验采用的是阀控式密封铅酸蓄电池VRLA，VRLA蓄电池的最大可用容量为55Ah，此次脉冲放电的实验采用0.3C的放电倍率，即放电电流设置为16.5A，放电时间是3小时，实验过程是对VRLA蓄电池每放电20分钟，搁置1小时，循环9次，实验时间总时长为12小时。

步骤五：将步骤三中电池内阻R

如图3所示，MI-AUKF算法流程图。MI-AUKF算法具体步骤如下：

(1)进行算法的初始化：

式(4)中，x

(2)获得k―1时刻的Sigma点：

式(5)中，n为状态变量维数,λ为尺度参数；

(3)计算Sigma点的权值：

式(6)中，

(4)状态变量时间更新：

将Sigma点代入非线性状态方程X

X

状态变量预测值：

状态变量误差协方差更新：

(5)观测变量更新：

将新的Sigma点代入观测方程式，输出观测变量的Sigma点，经过加权求和得到观测变量的估计值及协方差。

Y

同时得到了状态变量和观测变量联合的估计偏差互协方差：

(6)引入多新息辨识方法

首先定义单个新息e

E

式(11)中，y

式(12)中，p为新息长度。

(7)计算无迹卡尔曼滤波增益K

K

(8)将状态变量估计更新公式

(9)更新过程噪声和测量噪声协方差：

(10)最后对过程噪声和测量噪声协方差进行自适应调整：

根据公式(1)～(22)即可实现MI-AUKF方法对蓄电池SOC的估计，得到SOC的值。

如图4所示，然后在MATLAB软件中分别采用UKF算法、AUKF算法和MI-AUKF算法获得SOC估计的结果，得到的SOC估计结果。为了更好的观察各个算法对SOC的估计结果，在图中绘制了局部放大图。可以直观的看出，UKF、AUKF和MI-AUKF这三种算法在脉冲放电下都比较准确的估计出铅酸蓄电池的SOC，本文提出的MI-AUKF算法相较于UKF和AUKF算法的估计结果更接近于真实值。

如图5所示，对应的SOC估计平均误差。可以看出这三种算法的估计误差基本都稳定在2.5％范围以内，MI-AUKF算法的整体估计误差都要小于UKF算法，MI-AUKF算法估计的铅酸蓄电池SOC平均误差为0.73％，最大误差为1.84％；UKF算法估计的铅酸蓄电池SOC平均误差为1.24％，最大误差为2.47％；AUKF算法估计的铅酸蓄电池SOC平均误差为0.81％，最大误差为2.05％。因此，MI-AUKF算法相比于其它两种算法的SOC估计精度更高，可以很好的适用于脉冲放电下的SOC估计。

研发例2：UDDS循环工况实验

如图9所示，具体研发例2流程图。

步骤一：

如图1所示，建立铅酸蓄电池的二阶RC等效电路模型,并根据基尔霍夫定律得到铅酸蓄电池二阶RC等效电路模型的离散化状态空间方程式(1)和输出方程式(2)。

步骤二：

如图2所示，通过恒流脉冲放电实验可以获得OCV-SOC的关系，并对得到的实验数据进行多项式拟合，得到OCV-SOC拟合曲线图。

步骤三：

已建立的铅酸蓄电池二阶RC等效电路模型中，除了已经确定的开路电压U

步骤四：

采用UDDS循环工况实验来获得铅酸蓄电池的端电压和工作电流数据，本实验同样采用的是VRLA蓄电池，VRLA蓄电池的最大可用容量为55Ah，首先以0.1C的电流恒流充电至14.4V时转为恒压充电，将电池充满，然后搁置1个小时，根据UDDS循环工况进行循环测试，直至电池电压低于10.5V，搁置10分钟后，实验结束。

步骤五：

将步骤三中电池内阻R

如图7所示，在MATLAB软件中分别采用UKF算法、AUKF算法和MI-AUKF算法获得SOC估计的结果，得到的SOC估计结果。由SOC估计结果可以看出，MI-AUKF算法相较于UKF和AUKF算法的估计结果更接近于真实值。

如图8所示，对应的SOC估计误差。可知MI-AUKF算法估计铅酸蓄电池SOC的误差曲线相较于UKF和AUKF波动幅度更小。MI-AUKF算法估计的铅酸蓄电池SOC平均误差为1.47％，最大误差为2.62％；UKF算法估计的铅酸蓄电池SOC平均误差为2.11％，最大误差为4.86％；AUKF算法估计的铅酸蓄电池SOC平均误差为1.73％，最大误差为3.34％。由此可以得出，MI-AUKF算法估计铅酸蓄电池SOC的误差更小，准确性更高。由于UDDS循环工况下的电流变化比较剧烈，相较于脉冲放电模式下三种算法估计铅酸蓄电池的SOC平均误差与最大误差更大一些。

目前，本发明的技术方案已经进行了中试，即产品在大规模量产前的较小规模试验；中试完成后，在小范围内开展了用户使用调研，调研结果表明用户满意度较高；现在已开始着手准备产品正式投产进行产业化(包括知识产权风险预警调研)。