通过扩展卡尔曼滤波进行锂离子电池的SOC估算

一、卡尔曼滤波：

卡尔曼滤波（也称为线性二次估计）是一种算法，它使用随时间观察的一系列测量值（包括统计噪声和其他不准确性）和已知的控制输入变量来生成未知变量的最优估计值。

实例解释：如何准确知道一辆行驶中的汽车的位置？

方案1（状态方程）：汽车需要遵循物理定律，可以通过对其速度随时间进行积分来估计其位置，该速度（控制输入变量）可通过跟踪车轮转速和方向盘的角度来确定的。但汽车过程中存在各种阻力影响，以及各种突发状况，难以准确计算实际位置。

方案2（观测方程）：GPS定位，但GPS 精度不足，信号传递容易受到干扰，估计的位置只能保持在距离真实位置几米的范围内，不够精确。

为了准确获得小车位置引入卡尔曼滤波算法。

1、（线性）卡尔曼滤波应用的假设前提：

1. 当前时刻状态只和上一时刻状态有关。
2. 模型和系统均满足线性关系。  
3. 引入的噪声符合高斯分布（正态分布）。

2、公式：

xk    表示k时刻的真实值，是待估计的值 

xk-1   表示k1时刻的真实值 （用上一个状态的最优估计值代表真实值）

uk-1   表示k1时刻的控制输入量

zk     k时刻的观测值

随机变量wk ，vk 分别表示过程噪声和观测噪声，通常假设他们彼此独立且符合正态分布的白噪声（均值等于0）

 p( wk ) ~N (0，Qk)   Qk为状态噪声协方差矩阵

 p( vk) ~N (0，Rk )    Rk为量测噪声协方差矩阵，

F 、B、H分别表示状态转移矩阵、控制矩阵、观测转移矩阵。

3、推到过程：

1）示例解释状态空间方程

二、扩展卡尔曼滤波（EKF）算法

扩展卡尔曼滤波（Extended Kalman Filter，EKF）通过局部线性来解决非线性的问题。将非线性的状态方程和观测方程进行求导，以切线代替的方式来线性化，即，在均值处进行一阶泰勒展开。

1、非线性系统状态方程与观测方程为：

Xk   当前时刻的状态值;

Yk  当前时刻的测量值;

Uk   表示控制向量；

Гk   表示状态噪音系数矩阵；

Wk 为状态噪声,  p( wk ) ~N (0，Qk)   Qk为状态噪声协方差矩阵;

Vk  为量测噪声,  p( vk) ~N (0，Rk )    Rk为量测噪声协方差矩阵;

Wk ,  Vk 不相关。

2、EKE算法及计算步骤：

计算步骤：

1、初始条件：确定状态初始值    以及误差协方差初始值Po/o

2、求先验估计

3、求先验估计误差的协方差矩阵

4、求卡尔曼增益

5、求后验估计，得到最优估计值

6、求后验估计误差的协方差矩阵，用于下一轮计算

7、重复1~6 步骤循环计算

三、基于EKF算法的SOC估算方法

1、一阶RC网络等效电路模型（Thevenin模型）

电压源：UOC描述动力电池的开路电压；

欧姆内阻：R0表示动力电池电极材料、电解液、隔膜电阻及各部分零件的接触电阻。

RC网络：R1和C1分别为极化内阻和极化电容；

U为R1并联环节的电压降，用于模拟动力电池的极化电压。

端电压Ut:模型对外输出电压,可以直接采集到的电压值

1）建立状态方程与观测方程：

电路模型方程为：

2）根据状态方程和观测方程，得到EKE算法需要的矩阵：

3)根据上述EKE算法构建公式，并进行计算。

2、二阶RC网络等效电路模型(PNGV模型)

该模型使用两个RC并联环节描述动力电池极化特性，其电路模型的方程