【技术实现步骤摘要】
本专利技术涉及超级电容，具体涉及一种高低阶容积卡尔曼滤波的超级电容荷电状态估计方法。
技术介绍
1、超级电容作为一种重要的功率型储能器件，常与能量型的锂离子动力电池互补和协同，形成了综合性能更佳的混合储能系统，以满足电动汽车的高能量、高峰值功率和长寿命运行的需求。因此，超级电容的控制、优化和管理得到了众多学者的关注，其中对超级电容状态变量的监测是超级电容管理系统的关键任务之一。然而，这些状态变量在电动汽车的行驶过程中无法直接测得，超级电容管理系统必须依靠实验测得的电流、电压和温度等数据来估计这些状态变量。特别是超级电容的荷电状态估计是超级电容管理系统的主要关注点。准确的超级电容荷电状态估计对于电动汽车的剩余续航里程预测和高新技术发展具有重要意义。
2、主流的荷电状态估计方法可分为安时积分法、开路电压法、数据驱动法和模型驱动法。相比于其他方法，模型驱动法的自修正能力强、估计精度高和鲁棒性好，因而被广泛用于超级电容荷电状态估计。基于模型驱动法的荷电状态估计要求所建立的模型具有较高的精度，高效而精确的超级电容模型可以有效提升超级电容管理系统的运算效率。现在常见的超级电容模型包括：黑盒模型、电化学模型和等效电路模型。黑盒模型和电化学模型的精度较高，但是过渡依赖于大量的计算资源，从而难以应用于电动汽车中。等效电路模型定义明确、结构简单，并在鲁棒性方面更具优势，因此常常被用于各种超级电容管理系统的荷电状态估计。
3、基于模型驱动法的荷电状态估计通常采用卡尔曼滤波(简称kf)系列算法。扩展卡尔曼滤波(简称扩展卡尔曼滤波
4、随着非线性系统的阶次递增，扩展卡尔曼滤波对预测目标的有效跟踪能力开始降低，难以满足实际的工程需求，因而需要非线性滤波精度更高的算法。基于无迹变换和sigma点的无迹卡尔曼滤波算法(简称ukf)被提出，并广泛应用于各种非线性系统的状态估计。现有技术中，结合自适应滤波技术开发了一种自适应鲁棒无迹卡尔曼滤波来估计荷电状态，其估计误差不超过2％，表现出了较好的精确性。shulin liu指出很多联合估计方法局限于先验知识而忽略系统自适应性，从而导致状态估计精度受到较大的影响。因此，shulin liu提出了一种新的自适应无迹卡尔曼滤波算法用于荷电状态和健康状态的联合估计，并在多种工况条件下验证了该算法的有效性。现有技术还分别通过优化电流信号和提高无迹卡尔曼滤波自适应性来降低模型不确定性对估计精度的影响。相比于优化电流，改进无迹卡尔曼滤波能够更好的提升状态估计器的适用性和准确性。
5、无迹卡尔曼滤波在处理高阶非线性系统时可能会出现噪声协方差非负定性以及sigma采样点远离中心点的现象，从而导致估计精度降低甚至无迹卡尔曼滤波滤波发散。因此，现有技术中还选择了一种新的卡尔曼滤波算法用于荷电状态估计，该算法被称为容积卡尔曼滤波(检查ckf)算法，它在继承ukf权值滤波优势的同时，采用了具有明确推导依据的容积规则对采样点进行了简化。shiyi fu认为采用传统的多新息容积卡尔曼滤波(简称mickf)算法估计荷电状态可能会出现过校正的现象，从而导致状态估计误差的扩大。为了克服多新息容积卡尔曼滤波的这一缺陷，shiyi fu构建了权重矩阵来动态优化多新息误差矩阵，将荷电状态估计误差控制在1％以内，达到了较好的鲁棒性和准确性。zhanshengning建立了多时间尺度的状态估计框架，然后提出了基于容积卡尔曼滤波和h-∞的联合估计方法，并在多种行驶工况下进行了有效性验证。结果表明，该方法的估计精度较高，且适用于不同测试场景的荷电状态和健康状态联合估计。
6、为了进一步提升容积卡尔曼滤波对非线性系统的状态估计精度，已经基于五阶球径容积规则推导出了高阶容积卡尔曼滤波(简称hckf)和广义高阶容积卡尔曼滤波(简称ghckf)。其中，广义高阶容积卡尔曼滤波具有更高的估计精度和鲁棒性，常用于高阶非线性系统的状态估计。
7、在标准的高低阶容积卡尔曼滤波中，测量噪声方差和过程噪声方差都被设定为固定常数。然而，超级电容等效电路模型是一种动态的非线性系统，常受到随时间变化的外界扰动。这会使得高低阶容积卡尔曼滤波过度依赖于这两个噪声协方差的经验值，导致状态估计稳定性较差，且容易出现发散的现象。由此可知，固定的噪声协方差难以保证超级电容动态系统的适应性，可能会造成状态估计精度的持续恶化。
8、解决以上问题成为当务之急。
技术实现思路
1、为解决固定的噪声协方差难以保证超级电容动态系统的适应性，可能会造成状态估计精度的持续恶化的技术问题，本专利技术提供了一种高低阶容积卡尔曼滤波的超级电容荷电状态估计方法。
2、其技术方案如下：
3、一种高低阶容积卡尔曼滤波的超级电容荷电状态估计方法，其要点在于，按照以下步骤进行：
4、s1、通过实验获得超级电容在不同温度下的特性实验数据；
5、s2、建立超级电容模型，按照以下步骤进行：
6、s21、建立荷电状态的离散方程；
7、s22、基于thevenin模型建立超级电容等效电路模型；
8、s23、基于樽海鞘群算法对超级电容等效电路模型的参数进行辨识；
9、s24、通过建立温度-荷电状态-开路电压曲面方程，得到考虑温度和荷电状态影响的超级电容等效电路模型；
10、s3、计算得到荷电状态的估计值，按照以下步骤进行：
11、s31、采用容积卡尔曼滤波估计超级电容的荷电状态；
12、s32、采用广义高阶容积卡尔曼滤波估计超级电容的荷电状态；
13、s33、基于樽海鞘群算法优化高低阶容积卡尔曼滤波，计算得到荷电状态的估计值。
14、与现有技术相比，本专利技术的有益效果：
15、采用以上技术方案的一种高低阶容积卡尔曼滤波的超级电容荷电状态估计方法，基于樽海鞘群算法优化高低阶容积卡尔曼滤波，不再依赖于测量噪声方差和过程噪声方差的经验值，从而大幅提升了状态估计的稳定性，确保了超级电容动态系统的适应性，相较于传统方法，本方法对不同温度下的荷电状态估计具有更好的精度和鲁棒性。
本文档来自技高网...【技术保护点】
1.一种高低阶容积卡尔曼滤波的超级电容荷电状态估计方法，其特征在于，按照以下步骤进行：
2.根据权利要求1所述的一种高低阶容积卡尔曼滤波的超级电容荷电状态估计方法，其特征在于：所述步骤S1中，实验包括混合动力脉冲和城市道路循环工况测试，并分别设置在-10℃、10℃、25℃和40℃四个恒温环境下进行测试。
3.根据权利要求1所述的一种高低阶容积卡尔曼滤波的超级电容荷电状态估计方法，其特征在于：所述步骤S21中，超级电容的荷电状态随时间变化情况的计算公式如下：
4.根据权利要求3所述的一种高低阶容积卡尔曼滤波的超级电容荷电状态估计方法，其特征在于：所述步骤S22中，采用Thevenin模型作为超级电容的等效电路模型，则超级电容等效电路模型可表示为：
5.根据权利要求4所述的一种高低阶容积卡尔曼滤波的超级电容荷电状态估计方法，其特征在于：所述步骤S23中，基于樽海鞘群算法，推导出核心数学模型：
6.根据权利要求5所述的一种高低阶容积卡尔曼滤波的超级电容荷电状态估计方法，其特征在于：所述步骤S24中，建立温度-荷电状态-开路电压
7.根据权利要求6所述的一种高低阶容积卡尔曼滤波的超级电容荷电状态估计方法，其特征在于：所述步骤S31中，依据容积卡尔曼滤波原理，利用下式所示的带加性噪声的离散数学模型来描述非线性系统：
8.根据权利要求7所述的一种高低阶容积卡尔曼滤波的超级电容荷电状态估计方法，其特征在于：所述步骤S32中，依据广义高阶容积卡尔曼滤波和式(13)，得到如下的高斯积分方程：
9.根据权利要求8所述的一种高低阶容积卡尔曼滤波的超级电容荷电状态估计方法，其特征在于：所述步骤S33中，基于樽海鞘群算法的自适应规则，其实现原理如下式：
...【技术特征摘要】
1.一种高低阶容积卡尔曼滤波的超级电容荷电状态估计方法，其特征在于，按照以下步骤进行：
2.根据权利要求1所述的一种高低阶容积卡尔曼滤波的超级电容荷电状态估计方法，其特征在于：所述步骤s1中，实验包括混合动力脉冲和城市道路循环工况测试，并分别设置在-10℃、10℃、25℃和40℃四个恒温环境下进行测试。
3.根据权利要求1所述的一种高低阶容积卡尔曼滤波的超级电容荷电状态估计方法，其特征在于：所述步骤s21中，超级电容的荷电状态随时间变化情况的计算公式如下：
4.根据权利要求3所述的一种高低阶容积卡尔曼滤波的超级电容荷电状态估计方法，其特征在于：所述步骤s22中，采用thevenin模型作为超级电容的等效电路模型，则超级电容等效电路模型可表示为：
5.根据权利要求4所述的一种高低阶容积卡尔曼滤波的超级电容荷电状态估计方法，其特征在于：所述步骤s23中，基于樽海鞘群算法...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。