ms，则进行步骤四，反之，则进行步骤五；步骤四，若达到时间尺度变换条件，则进行ukf算法估计电池soh。
9.步骤四中，无迹卡尔曼滤波算法估计电池soh过程如下：（1）确定状态值初始值 和后验状态误差协方差初始值；（2）计算采样点。
10.其中，l为状态向量的长度，本技术中状态向量长度为l=3，权重值计算如下所示：其中，取。
11.（3）更新先验状态值和系统方差预测值。
12.其中，是系统噪声协方差矩阵。
13.（4）更新观测值和观测方差预测值。
14.更新协方差，后验状态值和后验状态误差协方差；；；；。
15.步骤五，若未达到时间尺度变换条件，则进行ukpf算法循环估计电池soc，且soc估计步长为100ms，即估计60次soc进行一次soh估计。
16.无迹卡尔曼粒子滤波算法估计系统状态过程如下：（1）初始化根据先验概率采样产生初始粒子集；（2）更新更新粒子集合，利用ukf算法更新样本中每个独立粒子的均值和方差，计算过程如下：
①
给定系统状态的初始估计及方差：，，进行扩维处理，得到：，；
②
计算sigma点集：计算sigma点集：式中：p为协方差，n代表状态变量的维数，取值n=3；为比例系数，用于调节
sigma点与的距离，根据实际情况确定；
③
时间预测：，根据系统的状态空间模型，得到变量的一步预测及协方差矩阵：
④
测量更新，用最新的观测值修正状态预测值：（3）重要性采样，根据第（2）步结果，得到建议分布函数：从建议分布函数中采样粒子，计算粒子的权值，然后进行归一化；（4）重采样对粒子集进行重采样，重新分配粒子的权值从而得到新的支撑粒子集：
（5）返回第（2）步，算法结束。
17.其中上述步骤二至步骤五的过程为本技术所述的多时间尺度联合估计方法。
18.综上所述，本发明具有以下有益效果：可准确估计电池soc和soh，并有效提高soc估计精度，保证了电池长期估计性能。在估计soc的同时需考虑soh 变化情况，并根据soh更新电池系统参数，实现状态联合估计。并使用不同时间尺度进行计算，降低bms计算量，确保在长期估计电池soc时的准确性与稳定性。
附图说明
19.图1是本发明的工作流程图；图2是本发明中二阶rc等效电路模型图；图3是本发明中多时间尺度联合估计方法流程图；图4是本发明中udds工况电压电流图；图5是本发明中参数辨识的电池端电压图；图6是本发明中电池端电压误差图；图7是本发明中欧姆内阻辨识结果图；图8是本发明中rc环路辨识结果图；图9是本发明中多时间尺度联合估计soh结果图；图10是本发明中多时间尺度联合估计soc结果图。
具体实施方式
20.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，所描述的实施例仅仅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。
21.请参阅图1-10，本发明提供了如下实施例：一种基于卡尔曼滤波的动力电池状态联合估计方法，包括以下步骤：步骤一，建立二阶rc等效电路模型，其中，u
oc
表示理想电压源，与soc存在非线性关系；r0表示电池的欧姆内阻；u1是r1和c1两端的电压；u2是r2和c2两端的电压；r1和r2表示电池的极化电阻1和电池的极化电阻2；c1和c2表示电池的极化电容1和电池的极化电容2；u
t
表示电池的端电压。i
t
表示工作电流。定义放电电流方向为正，充电电流方向为负。
22.步骤二，对电池模型进行在线参数辨识。当电池在工作时会产生工作电流i
t
，工作电流经过电池后会产生端电压，实际的端电压上面会叠加一定的噪声。同时当工作电流经过电池模型时，电池模型会计算出模型端电压。由于电池模型参数辨识不精确，导致模型输出的端电压与电池实际的测量结果不一样，从而产生误差。利用误差通过辨识算法（递推最小二乘算法）来修正电池模型参数，当两个端电压和很接近时，最终得到电池模型在线参数辨识结果。从图5中可以看出，电池端电压模型值与真实值基本重合。参数辨识开始后模型端电压迅速收敛到真实值附近，在放电前中期，端电压模型值始终保持对真实值良好的追踪效果。在放电末期，由于电池内阻增大，模型估计误差增大。从图6中可以看出，端电压误差收敛到真实值附近后，整个端电压辨识过程误差都保持在5%以内。
23.步骤三，判断是否满足时间尺度变换条件。若满足条件时间尺度变换量l=6000 ms，则进行步骤四，反之，则进行步骤五；步骤四，若达到时间尺度变换条件，则进行ukf算法估计电池soh。
24.步骤四中，无迹卡尔曼滤波算法估计电池soh过程如下：（1）确定状态值初始值和后验状态误差协方差初始值；（2）计算采样点。
25.其中，l为状态向量的长度，本技术中状态向量长度为l=3，权重值计算如下所示：其中，取。
26.（3）更新先验状态值和系统方差预测值；其中，是系统噪声协方差矩阵。
27.（4）更新观测值和观测方差预测值；
更新协方差，后验状态值和后验状态误差协方差；；；；步骤五，若未达到时间尺度变换条件，则进行ukpf算法循环估计电池soc，且soc估计步长为100ms，即估计60次soc进行一次soh估计。
28.无迹卡尔曼粒子滤波算法估计系统状态过程如下：（1）初始化根据先验概率采样产生初始粒子集；（2）更新更新粒子集合，利用ukf算法更新样本中每个独立粒子的均值和方差，计算过程如下：
①
给定系统状态的初始估计及方差：，，进行扩维处理，得到：，；
②
计算sigma点集：计算sigma点集：式中：p为协方差，n代表状态变量的维数，取值n=3；为比例系数，用于调节
sigma点与的距离，根据实际情况确定。
29.③
时间预测：，根据系统的状态空间模型，得到变量的一步预测及协方差矩阵：
④
测量更新，用最新的观测值修正状态预测值：（3）重要性采样，根据第（2）步结果，得到建议分布函数：从建议分布函数中采样粒子，计算粒子的权值，然后进行归一化；（4）重采样对粒子集进行重采样，重新分配粒子的权值从而得到新的支撑粒子集：
（5）返回第（2）步，算法结束。
30.上述步骤二至步骤五的过程为本技术所述的多时间尺度联合估计方法。
31.试验验证：试验采用电动汽车城市道路循环工况（urban dynamometer driving schedule, udds）进行数据采集，试验温度设置为25摄氏度，相对湿度设置为40%，试验的起始电压为4.16v，结束电压为2.5v，采样间隔为0.1s，放电容量衰减率为100%。udds工况是目前应用较多的一种工况，其电压和电流如图4所示。
32.在线辨识的端电压及误差如图5-6所示。从图5中可以看出，电池端电压模型值与真实值基本重合。参数辨识开始后模型端电压迅速收敛到真实值附近，在放电前中期，端电压模型值始终保持对真实值良好的追踪效果。在放电末期，由于电池内阻增大，模型估计误差增大。从图6中可以看出，端电压误差收敛到真实值附近后，整个端电压辨识过程误差都保持在5%以内。
33.欧姆内阻和rc环路参数辨识结果如图7-8所示。从图7中可以看出，由于初始值设定偏小，r0从设定的初始值迅速收敛。在使用过程中电池内部温度升高，r0估计值减小。随着时间的增加，电池内外温度平衡，r0估计值趋于稳定。放电末期电池soc 减小，r0估计值增大。与实际电池温度升高欧姆内阻减小，soc降低欧姆内阻增大的结论相一致。从图8中可以看出，参数辨识初期各参数变化幅度较大，是由于设定的初始值与实际值相差较大造成的。中后期各参数辨识值趋于平稳，辨识结果准确。并且r1和c1的乘积小于r2和c2的乘积，符合电池的实际放电特性。
34.多时间尺度联合估计soh 结果如图9所示，由图9(a）中可以看出，ukf算法在估计电池soh时，估算结果基本在真实值附近波动。前期soh估计值波动幅度较小，中后期soh估计值波动幅度增大。由图9(b）可知，ukf估计电池soh误差值在2.5%以内。由于电池在前期放电特性良好，因此soh误差在前期小，中后期逐渐增大，与电池soc呈对应关系。
35.多时间尺度联合估计soc结果如图10所示，由图10(a）中可以看出，联合估计与ukpf都从设定的初始值迅速收敛到真实值附近，在整个估计过程中联合估计结果更加贴近真实值，在放电末期电池放电特性差的情况下联合估计结果仍然有较高的精度。由图10(b）可知，联合估计误差波动幅度小，整体误差值较ukpf算法小。
36.由表1得，联合估计算法估计soc的平均误差和最大误差都小于ukpf算法。因此，所提出的多时间尺度联合估计方法在准确估计soh 的同时，对电池soc具有良好的估计性能。
37.尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
技术特征：1.一种基于卡尔曼滤波的动力电池状态联合估计方法，其特征在于，包括以下步骤：步骤一，建立电池等效电路模型；步骤二，辨识模型参数；步骤三，判断是否满足时间尺度变换条件；若满足条件，则进行步骤四，反之，则进行步骤五；步骤四，估计电池soh，将估计结果用于更新系统参数；步骤五，循环估计电池soc；步骤六，输出soc和soh估计结果。2.根据权利要求1所述的一种基于卡尔曼滤波的动力电池状态联合估计方法，其特征在于：步骤一中所述的电池等效电路模型为二阶rc等效电路模型，包含的模型参数为电动势u
oc
、欧姆内阻r0、r1c1环路参数、r2c2环路参数。3.根据权利要求1所述的一种基于卡尔曼滤波的动力电池状态联合估计方法，其特征在于：步骤二中所述的辨识模型参数为在线参数辨识。4.根据权利要求3所述的一种基于卡尔曼滤波的动力电池状态联合估计方法，其特征在于：步骤二中的在线参数辨识会产生误差，利用误差通过辨识算法即递推最小二乘算法来修正电池模型参数。5.根据权利要求1所述的一种基于卡尔曼滤波的动力电池状态联合估计方法，其特征在于：步骤三所述的时间尺度变换条件为时间尺度变换量l，其中l=6000ms。6.根据权利要求1所述的一种基于卡尔曼滤波的动力电池状态联合估计方法，其特征在于：步骤四所述的估计电池soh方法为无迹卡尔曼滤波（ukf）算法。7.根据权利要求6所述的一种基于卡尔曼滤波的动力电池状态联合估计方法，其特征在于：步骤四中，无迹卡尔曼滤波算法估计电池soh过程如下：（1）确定状态值初始值和后验状态误差协方差初始值；（2）计算采样点；其中，l为状态向量的长度，本申请中状态向量长度为l=3，权重值计算如下所示：其中，取；（3）更新先验状态值和系统方差预测值；
其中，是系统噪声协方差矩阵；（4）更新观测值和观测方差预测值；；更新协方差，后验状态值和后验状态误差协方差；；；；。8.根据权利要求1所述的一种基于卡尔曼滤波的动力电池状态联合估计方法，其特征在于：步骤五所述的循环估计电池soc方法为ukpf算法，且soc估计步长为100ms，即估计60次soc进行一次soh估计。9.根据权利要求8所述的一种基于卡尔曼滤波的动力电池状态联合估计方法，其特征在于：步骤五中的无迹卡尔曼粒子滤波算法估计系统状态过程如下：（1）初始化根据先验概率采样产生初始粒子集；（2）更新更新粒子集合，利用ukf算法更新样本中每个独立粒子的均值和方差，计算过程如下：
①
给定系统状态的初始估计及方差：，，进行扩维处理，得到：，；
②
计算sigma点集：集：式中：p为协方差，n代表状态变量的维数，取值n=3；为比例系数，用于调节sigma点与的距离，根据实际情况确定；
③
时间预测：，根据系统的状态空间模型，得到变量的一步预测及协方差矩阵：
④
测量更新，用最新的观测值修正状态预测值：
（3）重要性采样，根据第（2）步结果，得到建议分布函数：从建议分布函数中采样粒子，计算粒子的权值，然后进行归一化；（4）重采样对粒子集进行重采样，重新分配粒子的权值从而得到新的支撑粒子集：（5）返回第（2）步，算法结束。10.根据权利要求1所述的一种基于卡尔曼滤波的动力电池状态联合估计方法，其特征在于：本申请所述的多时间尺度联合估计方法包括上述步骤二至步骤五的过程。
技术总结本发明涉及电池管理系统技术领域，且公开了一种基于卡尔曼滤波的动力电池状态联合估计方法，首先建立电池等效电路模型，在线辨识模型参数；然后，采集实际工况下的电池数据，判断是否满足时间尺度变换条件；若满足条件，则利用无迹卡尔曼滤波算法估算电池健康度（SOH），反之，则利用无迹卡尔曼粒子滤波算法估算电池的荷电状态（SOC）；最后，根据时间尺度变换量进行电池状态联合估计，对SOC进行短时间尺度估计，对SOH进行长时间尺度估计，并将SOH估计结果更新模型参数用于SOC估计。估计结果更新模型参数用于SOC估计。估计结果更新模型参数用于SOC估计。
技术研发人员：杨晴霞 马可 徐立友 宋林涛 马小斌 李秀青 仲志丹 马心坦 郭占正 张连重 席志强
受保护的技术使用者：河南科技大学
技术研发日：2022.04.28
技术公布日：2022/11/1
