详情

原文传递一种动力电池SOC估计装置、汽车及方法

专利名称：	一种动力电池SOC估计装置、汽车及方法
摘要：	本发明公开基于改进粒子群优化模糊卡尔曼滤波算法的电池SOC估计装置、汽车及方法，包括连接于动力电池的以下部件：记录动力电池充放电时间的微控制器、测量动力电池温度的温度传感器、测量动力电池充电电流的电流传感器、测量充电电池放电电压的电压传感器，其中，所述微控制器分别连接于所述温度传感器、电流传感器和电压传感器，所述微控制器通过粒子群算法确定模糊系统的隶属度函数，并通过模糊推理实时调整测量噪声协方差矩阵，以改变卡尔曼增益，修正动力电池状态估计值。该动力电池SOC估计方法可以提高卡尔曼滤波的估计精度。
专利类型：	发明专利
国家地区组织代码：	安徽;34
申请人：	芜湖职业技术学院
发明人：	王勇;陶玉贵;钱峰;夏跃武;杨会;安广帅
专利状态：	有效
申请日期：	2019-03-22T00:00:00+0800
发布日期：	2019-06-18T00:00:00+0800
申请号：	CN201910221471.8
公开号：	CN109895657A
代理机构：	北京润平知识产权代理有限公司
代理人：	周锟
分类号：	B60L58/10(2019.01);B;B60;B60L;B60L58
申请人地址：	241003 安徽省芜湖市文津西路201号
主权项：	1.一种基于改进粒子群优化模糊卡尔曼滤波算法的电池SOC估计装置，其特征在于，基于改进粒子群优化模糊卡尔曼滤波算法的电池SOC估计装置包括连接于动力电池的以下部件：记录动力电池充放电时间的微控制器、测量动力电池温度的温度传感器、测量动力电池充电电流的电流传感器、测量充电电池放电电压的电压传感器，其中，所述微控制器分别连接于所述温度传感器、电流传感器和电压传感器，所述微控制器通过粒子群算法确定模糊系统的隶属度函数，并通过模糊推理实时调整测量噪声协方差矩阵，以改变卡尔曼增益，修正动力电池状态估计值。 2.根据权利要求1所述的基于改进粒子群优化模糊卡尔曼滤波算法的电池SOC估计装置，其特征在于，所述电池SOC估计装置包括：所述控制器能够根据所测量的充电电流和放电电压建立多个数学模型，并通过粒子群算法确定模糊系统的隶属度函数，再通过模糊推理实时调整测量噪声协方差矩阵，以改变卡尔曼增益；所述控制器能够通过扩展卡尔曼滤波法针对多个数学模型预测动力电池的荷电状态。 3.根据权利要求1所述的基于改进粒子群优化模糊卡尔曼滤波算法的电池SOC估计装置，其特征在于，该动力电池SOC估计装置还包括电源，所述电源连接于所述微控制器、温度传感器、电流传感器和电压传感器，以提供工作电压。 4.根据权利要求1所述的基于模糊多模型卡尔曼滤波的动力电池SOC估计装置，其特征在于，该动力电池SOC估计装置还包括输入端连接于所述微控制器的CAN控制器，所述CAN控制器的输出端连接于车载ECU。 5.一种汽车，其特征在于，该汽车包括根据权利要求1-4中任意一项所述基于模糊多模型卡尔曼滤波的动力电池SOC估计装置。 6.一种基于模糊多模型卡尔曼滤波的动力电池SOC估计方法，其特征在于，该方法使用权利要求1-4中任意一项所述的基于改进粒子群优化模糊卡尔曼滤波算法的电池SOC估计装置，该方法包括：步骤1，估计动力电池的状态变量，并计算动力电池的观测值；步骤2，根据估计动机电池的状态变量计算协方差矩阵；步骤3，使用粒子群算法确定模糊推理系统隶属度函数；在所建立的系统中，Y(k)为系统的测量值，Y(k\|k-1)为所建立模型的估计值，c(k)＝Y(k)-Y(k\|k-1)，表示滤波器模型中真实测量值与模型估计值之间的实际残差； p(k)＝H(k)(Φ(k)P(k-1)ΦT(k)+Q(k))HT(k)+R(k-1)，表示滤波器性能最优时的理论残差，其中R(k-1)为测量噪声的协方差矩阵，R(k-1)＝α(k)R(k-2)，而α(k)为协方差矩阵的调节系数；Φ(k)为电池的模型状态方程一阶线性化后的状态转移矩阵，H(k)为观测方程一阶线性化后的观测矩阵； r(k)＝c(k)-p(k)＝0时，表示测量噪声的模型足够准确；采用的模糊逻辑中根据r(k)的大小调节系数α(k)的大小；在模糊推理系统中，以r(k)为输入，α(k)为输出；描述r(k)、α(k)的模糊集合均为{NB、NS、Z、PS、PB}，其中NB：负大，NS：负小，Z：零，PS：正小，PB：正大； α(k)、r(k)之间的模糊规则可以归纳为： IF r(k)＝NB，THENα(k)＝NB； IF r(k)＝NS，THENα(k)＝NS； IF r(k)＝Z，THENα(k)＝Z； IF r(k)＝PS，THENα(k)＝PS； IF r(k)＝PB，THENα(k)＝PB； r(k)、α(k)在模糊集合中被分成了5个等级，各个等级对应的隶属度函数都是高斯型，分别为：N(μi,σi2)，其中μi,σi2(i＝1,2,...5)分别为高斯型隶属度函数的期望和标准差；因此，隶属度函数中待确定的参数为u1,u2,...,u5,σ1,σ2,...,σ5这样的10个参数。采用粒子群算法对待确定参数进行寻优；在搜索空间中初始化一个n个粒子组成的种群X＝(X1,X2,...Xn)，其中，第i个粒子为一个10维向量Xi＝(xi1,xi2,...xi10)T，代表第i个粒子在10维空间的位置，亦代表待确定参数的一个潜在解；为了避免粒子在搜索过程中，陷入局部最优，将种群中的一部分粒子通过Logistic映射初始化并更新粒子的位置： xk+1＝μ·xk(1-xk) 其中，k＝0,1,2,...；当时，且μ＝4时，映射能产生混沌序列，避免粒子出现在重复位置；以f＝\|\|r(k)\|\|＝\|\|c(k)-p(k)\|\|为适应度函数，第i个粒子在10维空间中运动的速度为：Vi＝(Vi1,Vi2,...,Vi10)T，对于第i个粒子的个体最优值为Pi＝(Pi1,Pi2,...,Pi10)T，整个种群的历史最优值为Pg＝(Pg1,Pg2,...,Pg10)T，初始化粒子以后，每个粒子综合个体极值和种群历史最优值更新粒子的位置：其中d＝1,2,...10，表示在一个10维空间内搜索；表示第k次迭代运算时第i个粒子的速度；c1、c2为加速度因子，r1、r2是[0,1]区间内的是随机数；根据式(6)、(7)经过若干次迭代运算后计算出最优隶属度函数；步骤4，模糊推理调整观测噪声协方差矩阵；经过步骤3确定协方差调整系数α(k)，可测得R(k)＝α(k)R(k-1)，为下一次预测过程做准备；步骤5，计算卡尔曼增益，修正动力电池状态估计值。 7.根据权利要求6所述的基于模糊多模型卡尔曼滤波的动力电池SOC估计方法，其特征在于，步骤1，估计动力电池的状态变量，并计算动力电池的观测值，包括建立电池的非线性数学模型： X(k)＝f(X(k-1))+W(k)； Y(k)＝H(k)X(k)+V(k)；估计动力电池的状态变量：X(k)＝f[X(k-1)]；计算动力电池的观测值：Y(k)＝H(k)X(k)；其中，W(k)为过程噪声，其方差为Q(k)；V(k)为观测噪声，其方差为R(k)；一阶线性化状态方程可得状态转移矩阵为一阶线性化观测方程可得系统的观测矩阵 8.根据权利要求7所述的基于模糊多模型卡尔曼滤波的动力电池SOC估计方法，其特征在于，步骤2，根据估计动机电池的状态变量计算协方差矩阵，包括通过如下公式，计算协方差矩阵： P(k\|k-1)＝Φ(k)P(k-1)Φ(k)T+Q(k)。 9.根据权利要求8所述的基于模糊多模型卡尔曼滤波的动力电池SOC估计方法，其特征在于，步骤5，计算卡尔曼增益，修正动力电池状态估计值，包括：通过如下公式，计算卡尔曼增益： K(k)＝P(k\|k-1)HT(k)[H(k)P(k\|k-1)HT(k)+R(k)]；其中P(k\|k-1)是协方差矩阵的预测值； H(k)为一阶线性化之后的观测矩阵； R(k)为测量噪声的协方差矩阵；通过如下公式，修正动力电池状态估计值： X(k\|k)＝X(k\|k-1)+K(k)[Y(k)-Y(k\|k-1)]；并通过如下公式更新误差协方差矩阵： P(k)＝[I-K(k)H(k)]P(k\|k-1)。
所属类别：	发明专利