狀態(tài)空間模型對電池參數(shù)進行在線辨識；
[0048]得到電池的動態(tài)參數(shù)模型；
[0049] 建立用于S0C估計的電池系統(tǒng)離散狀態(tài)空間模型；
[0050] 對電池 S0C進行在線估計。
[0051] 具體為：
[0052] S101、在室溫條件下對動力電池進行間歇放電-靜置實驗，根據(jù)所得實驗數(shù)據(jù)擬合 出S0C-0CV的關(guān)系表達式并作為S0C估計過程中求取不同S0C值對應(yīng)的0CV值的基準。
[0053] 作為本發(fā)明的一個實施例，圖2給出了采用5階多項式算子擬合得到的S0C-0CV關(guān) 系曲線與實驗結(jié)果，其中，采用5階多項式擬合得到的S0C-0CV關(guān)系表達式為：
[0054] S0C= 12.5801 X S0C5-35.3081 X S0C4+36.3924 X S0C3-
[0055] 16 · 7012 X S0C2+4 · 0110 X S0C+3 · 2030
[0056] S102、參照圖3,在不同的SOC處采用恒定電流值對電池進行脈沖放電-靜置實驗， 記錄期間的電壓響應(yīng)，根據(jù)所得電壓響應(yīng)曲線辨識出不同S0C值對應(yīng)的電池等效電路模型 的各參數(shù)值；
[0057] 作為本發(fā)明的一個實施例，參照圖4 一圖6,其采用了指數(shù)擬合方法離線辨識得到 電池等效模型的各參數(shù)。指數(shù)擬合的原理和使用方法是本領(lǐng)域技術(shù)人員所能理解和掌握 的，在此不再贅述。
[0058] S103、建立用于電池參數(shù)在線辨識的離散狀態(tài)空間模型1;
[0059] 作為本發(fā)明的一個實施例，參照圖3,根據(jù)電池的一階RC等效電路模型建立電池參 數(shù)在線辨識的離散狀態(tài)空間模型的過程為：
[0060] 步驟(3.1)推導(dǎo)出電池一階RC等效電路模型的傳遞函數(shù)：
[0062]步驟(3.2)采用雙極性變換法（
為采樣周期)對步驟(3.1)所得傳 遞函數(shù)進行離散化：
[0068] 其中，R。為歐姆電阻，R4PCP分別為極化電阻和電容，Tsl為用于電池參數(shù)在線辨識 的電流和電壓的采樣周期。
[0069] 步驟(3.3)將步驟(3.2)所得離散化傳遞函數(shù)寫成差分方程形式：
[0070] Vd(k+1) =aiVd(k)+boIt(k+l)+biIt(k)
[0071] 步驟(3.4)由步驟(3.3)所得差分方程得到電池等效電路的離散狀態(tài)空間模型：
[0072] 狀態(tài)方程:x(k+l) =Aix(k)+Biu(k+l)
[0073] 輸出方程:y(k+l) =Cix(k+l)+Diu(k+l)
[0074] 其中，u = 〇，x=[Xi X2 X3]T=[ai b0 bi]T，y = Vd = V〇c-Vt
[0076] 其中，It表示電池端電流，Vt表示端電壓，V。。代表開路電壓。
[0077] S104、采用無跡卡爾曼濾波器對電池等效電路模型的參數(shù)進行在線辨識，并根據(jù) 與離線辨識結(jié)果之間的誤差調(diào)整濾波器的參數(shù)矩陣；
[0078] 步驟(4.1)根據(jù)步驟(3.4)建立的電池離散狀態(tài)空間模型，采用無跡卡爾曼濾波 算法對參數(shù)向量[ai bo bi]進行在線辨識；
[0079] 步驟(4.2)根據(jù)步驟(4.1)辨識得到的參數(shù)向量[ai bo h]，計算出電池等效電路 模型參數(shù)：
[0083]步驟(4.3)調(diào)整無跡卡爾曼濾波器的系數(shù)矩陣；
[0084] 其中，所述用于參數(shù)在線辨識的無跡卡爾曼濾波器的系數(shù)矩陣包括過程噪聲協(xié)方 差矩陣Qk和測量噪聲協(xié)方差矩陣Rk，它們的取值需要根據(jù)參數(shù)在線辨識與離線辨識結(jié)果之 間的均方誤差大小進行反復(fù)調(diào)整，直到在線辨識結(jié)果達到指定的精度要求為止；
[0085] 其中，所述用于參數(shù)在線辨識的無跡卡爾曼濾波器的狀態(tài)變量初始協(xié)方差矩陣Po 和狀態(tài)變量初值xo可以任意指定。
[0086] S105、對步驟(4.2)的參數(shù)辨識結(jié)果進行滑動均值濾波，得到電池的動態(tài)參數(shù)模 型。所述電池動態(tài)參數(shù)模型是通過對電池參數(shù)進行在線辨識來獲得;所述電池參數(shù)在線辨 識算法采用的是無跡卡爾曼濾波器;所述用于電池參數(shù)在線辨識的無跡卡爾曼濾波器的系 數(shù)矩陣的取值是通過反復(fù)調(diào)整以使參數(shù)在線辨識與離線辨識結(jié)果之間的誤差達到指定的 精度要求的方法來確定的;所述通過無跡卡爾曼濾波器在線辨識得到的電池參數(shù)還進一步 地做了濾波處理;所述濾波方法采用的是滑動均值濾波。
[0087] 作為本發(fā)明的一個實施例，圖7-圖8給出了用于測試電池參數(shù)在線辨識的電池端 電流和電壓，圖4 一圖6給出了參數(shù)在線辨識結(jié)果與離線辨識結(jié)果的比較。
[0088] S106、建立用于電池 S0C估計的離散狀態(tài)空間模型2;
[0089]作為本發(fā)明的一個實施例，根據(jù)電池的一階RC等效電路模型（附圖3)建立電池 S0C 估計的離散狀態(tài)空間模型：
[0090]狀態(tài)方程:x(k+l) =A2X(k)+B2U(k+l)
[0091 ]輸出方程:y(k)=h(x(k) )+D2U(k)
[0092]其中，u = it，x= [χι X2]T= [vcp s0C]T，y = Vt，
[0094] 其中，It表示電池端電流，R。表示歐姆內(nèi)阻，RdPCj別表示極化內(nèi)阻和極化電容， Vcp表示極化電容的端電壓，V。。代表開路電壓，h( ·)為電池 0CV與S0C之間的非線性函數(shù)關(guān) 系，Qn為電池額定容量，Ts2為用于電池 S0C估計的電流和電壓的采樣周期。
[0095] S107、基于電池的動態(tài)參數(shù)模型并采用自適應(yīng)非線性觀測器計算電池 S0C的估計 值。所述S0C估計是基于電池動態(tài)參數(shù)模型來實現(xiàn)的。
[0096] 步驟（7.1)確定用于計算電池 S0C估計值的自適應(yīng)非線性觀測器的增益矩陣系 數(shù)，方法如下：
[0097] 手動選取不同的增益矩陣系數(shù)計算電池 S0C的估計值，直到估計值與參考值的均 方誤差達到期望的水平為止。
[0098] 步驟(7.2)根據(jù)步驟S105得到電池等效電路模型參數(shù)，更新步驟S106中各系數(shù)矩 陣A2、B2、C2和D2的值；
[0099] 步驟(7.3)采用步驟(7.1)確定的自適應(yīng)非線性觀測器計算得到S0C的估計值。所 述S0C估計算法采用的是自適應(yīng)非線性觀測器，所述非線性觀測器的增益矩陣的取值根據(jù) 系統(tǒng)觀測誤差自適應(yīng)地進行調(diào)整。
[0100] 作為本發(fā)明的一個實施例，圖9一圖10給出了在圖7-圖8所示工況下的電池 S0C估 計結(jié)果。
[0101] 為便于本領(lǐng)域技術(shù)人員更好的理解和掌握本發(fā)明的相關(guān)方法，現(xiàn)將無跡卡爾濾波 器(UKF)算法的詳細實現(xiàn)步驟闡述如下：
[0102] (1)計算加權(quán)系數(shù)
[0106] λ = α2(Ν+κ)-Ν
[0107] 式中，Ν表示狀態(tài)變量的維數(shù)，對于本發(fā)明所述方法，由于狀態(tài)變量為系數(shù)矩陣[ai bo h ]τ，因此N = 3 ; α和κ反映 Sigma采樣點在其均值附近的分布情況，α通常在〇到1之間取 值，κ的默認取值為0;β用來表示有關(guān)分布的高階先驗信息，對于高斯分布可取β = 2。
[0108] (2)生成 Sigma 點集
[0112]式中，Pk為狀態(tài)變量的協(xié)方差。
[0113] (3)時間更新

[0119] 式中，Qk為過程噪聲的協(xié)方差，g為狀態(tài)變量協(xié)方差的預(yù)測值。
[0120] (4)測量更新
[0123]式中，Rk為測量噪聲的協(xié)方差，ξ為輸出變量協(xié)方差的預(yù)測值為輸出變量與 狀態(tài)變量協(xié)方差的預(yù)測值。
[0127]式中，Kk為卡爾曼濾波增益。
[0128] 為便于本領(lǐng)域技術(shù)人員更好的理解和掌握本發(fā)明的相關(guān)方法，現(xiàn)將自適應(yīng)非線性 觀測器(ANL0)算法的詳細實現(xiàn)步驟闡述如下：
[0129] (1)建立電池系統(tǒng)的狀態(tài)空間模型：
[0130] 系統(tǒng)方程:x(k+l) =Ax(k)+Bu(k+l)
[0131] 輸出方