CN109459705A - 一种抗野值鲁棒无迹卡尔曼滤波的动力电池soc估计方法 - Google Patents

Abstract

本发明公开了一种抗野值鲁棒无迹卡尔曼滤波的动力电池SOC估计方法，属于动力电池技术领域，包括如下步骤：利用复合模型方法结合安时法设计动力电池的状态和观测方程，确定车载电池的模型方程，建立电池等效模型；进行模型参数辩识，递推最小二乘法辨识电池模型观测试方程的相关参数，***输入量为持续激励，辩识迭代次数使最终结果收敛并趋于稳定；采用改进的抗野值鲁棒无迹卡尔曼滤波算法对电池SOC进行估计。本发明将测量误差模型修正为归一化受污染正态分布模型，结合贝叶斯定理计算野值出现的后验概率作为加权系数自适应调整测量预测相关方差及增益阵，能够有效克服野值干扰的问题。

Description

一种抗野值鲁棒无迹卡尔曼滤波的动力电池SOC估计方法

技术领域

本发明涉及一种动力电池SOC估计方法，特别是涉及一种抗野 值鲁棒无迹卡尔曼滤波的动力电池SOC估计方法，属于动力电池技 术领域。

背景技术

以往动力电池荷电状态SOC估计通常先验地假设测量噪声为正 态随机序列，但是在实际应用中，由于测量设备本身或者数据传输过 程中可能出现错误或受到环境干扰等影响，会使观测序列中包含一些 错误的观测量，工程领域称之为野值。SOC无法直接测量，只能通 过测量电池其他状态量来间接估计。此时观测量中如果存在野值会对 ***产生更加严重的影响，滤波器的精度和稳定性会明显下降，当出 现连续成片野值时很可能就会导致滤波器发散。因此，研究一种鲁棒 滤波算法对动力电池管理***而言是一项迫切而又十分有意义的工 作。电池工作环境恶劣，受干扰因素颇多，因此要求所设计的算法对 外界干扰具有矫正作用，从而使得电池SOC估计算法能够尽快收敛 于直实值。

无迹卡尔曼滤波UKF利用二阶以上精度近似高斯非性***状态 的后验均值与方差，具有实现简单、精度高及收敛性好等优点，但其 抗野值方面的鲁棒性仍有较大优化提升空间。针对这一问题，使用极 大似然准则或者Sage-Huga得到***次优递推噪声估计器代替无迹 卡尔曼滤波算法中的平滑估计值的方法抑制滤波发散，解决观测噪声 统计特性未知的问题。但其状态噪声方差在SOC估计过程中自适应 调整容易导致估计波形抖振；无迹卡尔曼滤波算法结合窗口和随机加 权的方法，通过调整每个窗口的随机权重细化所获得的窗口估计，但 该方法在SOC估计中应用稳定性欠缺。使用无迹卡尔曼滤波滤波的 残差检验，根据其统计特性判断野值噪声，并采用平滑窗口实现对野 值噪声的有效隔离，但其在变工况和建立的电池模型存在差异条件下 检验阈值比较难以确定。利用M稳健估计作为抗野值无迹卡尔曼滤 波基础，应用IGGⅢ函数计算的权因子调整观测噪声以及增益矩阵的方法克服野值影响。该方法在SOC状态初值设定误差较大情况下收 敛速度稍慢，而且对斑点型野值的抗差效果不尽理想。

发明内容

本发明的主要目的是为了提供一种抗野值鲁棒无迹卡尔曼滤波 的动力电池SOC估计方法，结合归一化受污染正态分布模型、贝叶 斯定理以及引入次优渐消因子强跟踪的无迹卡尔曼滤波算法的动力 电池SOC估计，主要解决电池SOC估计野值干扰的问题。。

本发明的目的可以通过采用如下技术方案达到：

一种抗野值鲁棒无迹卡尔曼滤波的动力电池SOC估计方法，包 括如下步骤：

步骤1：利用复合模型方法结合安时法设计动力电池的状态和观 测方程，确定车载电池的模型方程，建立电池等效模型；

步骤2：进行模型参数辩识，递推最小二乘法辨识电池模型观测 试方程的相关参数，***输入量为持续激励，辩识迭代次数使最终结 果收敛并趋于稳定；

步骤3：采用改进的抗野值鲁棒无迹卡尔曼滤波算法对电池SOC 进行估计。

进一步的，步骤1中，建立电池等效模型，包括如下步骤：

结合安时计量法设计状态方程，引入了环境温度和充放电倍率比 例因子，得到电池模型的状态方程；

采用状态观测复合模型将电池SOC作为非线性***的唯一状态 变量，得到电池观测模型方程；

若在电池的采集数据序列中存在野值干扰情况下，采用归一化受 污染正态分布模型，用两个归一化的加权正态分布来逐次逼近可能具 有野值的测量噪声的误差分布，将野值看作是一个相对于正态分布拖 尾更大的误差分布。

进一步的，结合安时计量法设计状态方程，引入了环境温度和充 放电倍率比例因子，电池模型的状态方程如下：

其中：x_k为k时刻的SOC值；

i_k为k时刻采样得到的电池电流值；

η为充电效率；

C为电池的额定总容量；

Δt为采样周期；

假定w_k为满足正态分布的高斯白噪声，即w_k～N(0,Q_k)，Q_k为状态 噪声方差阵。

进一步的，采用状态观测复合模型将电池SOC作为非线性*** 的唯一状态变量，得到电池观测模型方程如下：

其中：E_o为电池开路电压；

_RΩ为电池内阻；

k₁、k₂、k₃、k₄为拟合系数；

y_k为k时刻采样得到的电池端电压。

进一步的，若在电池的采集数据序列中存在野值干扰情况下，采 用归一化受污染正态分布模型，用两个归一化的加权正态分布来逐次 逼近可能具有野值的测量噪声的误差分布，将野值看作是一个相对于 正态分布拖尾更大的误差分布，将观测方程中的测量噪声v_k分布定义 为：

v_k～a₁N(0,R_k,1)+a₂N(0,R_k,2) (3)

其中：a₁、a₂和R_k,1、R_k,2均为已知参数，a₁+a₂＝1，通常取a₂∈(0,0.15)；

测量电压方差设定后，取

进一步的，步骤2中，进行模型参数辩识，利用公知的递推最小 二乘法辨识电池观测模型方程的模型参数，针对电池观测模型方程的 观测方程，递推计算公式如下：

待估参数向量

最小二乘形式y_k＝H^Tθ+e(k)；

e(k)为误差函数。

进一步的，步骤3中，采用改进的抗野值鲁棒无迹卡尔曼滤波算 法对电池SOC进行估计，包括如下步骤：

(1)状态和协方差初始化，设置算法起始标志位ST＝1：

(2)计算采样点其对应加权系数；

(3)状态及协方差预测：

(4)测量预测：

(5)计算状态与测量预测互协方差：

(6)计算***观测残差信息：

(7)计算对应R_k,i的信息协方差：

(8)利用Bayes定理，递推估计后验概率为：

a_k,2＝1-a_k,1 (15)；

其中：a_k,1和a_k,2分别为y_k序列中的正常值和野值测量的后验加权 概率；

(9)判断起始标志位ST是否为1；

1)若ST等于1，说明算法处于估计初始阶段；

2)若ST不等于1，说明算法已经跟踪到目标，切换到抗野值模 式；

(10)状态更新：

(11)判断时间迭代是否完成，如果是则结束算法，如果否则返 回步骤(2)。

进一步的，计算采样点对应加权系数，采用SVD分解方法计算 Sigma点，采样策略为：

P_k-1＝U_k-1S_k-1V_k-1 (6)

根据输入变量的统计信息，采用Sigma点对称采样策略所对应的 一阶及二阶加权系数为：

其中：β为状态分布参数；

α(0≤α≤1)表示点集到均值点的距离；

λ＝α²(n+ε)-n为尺度调节因子；

ε为次级尺度调节因子。

进一步的，判断起始标志位ST是否为1，包括如下步骤：

1)若ST等于1，算法处于估计初始阶段；

a.在引阶段引入基于强跟踪滤波原理的次优渐消因子，在线调节 ***增益矩阵，迫使输出残差序列相互正交，使滤波器具有自适应跟 踪状态变化的能力，定义残差方阵；

b.修正预测协方差；

c.计算Kalman增益；

d.协方差更新；

e.判断检测***残差信息ζ_k的绝对值是否小于设定的阈值ε，若 成立则说明已经跟踪到目标，将ST置为0；

2)若ST不等于1，算法已经跟踪到目标，切换到抗野值模式；

a.修正滤波器Kalman增益；

b.修正协方差。

进一步的，判断起始标志位ST是否为1，包括如下步骤：

1)若ST等于1，算法处于估计初始阶段；

a.在引阶段引入基于强跟踪滤波原理的次优渐消因子，在线调节 ***增益矩阵，迫使输出残差序列相互正交，使滤波器具有自适应跟 踪状态变化的能力，残差方阵定义如下：

其中：ρ为遗忘因子；

次优渐消因子形式如下：

b.修正预测协方差为：

其中：强跟踪阶段观测噪声方差阵R_k为正态分布；

c.计算Kalman增益

d.协方差更新

e.判断检测***残差信息ζ_k的绝对值是否小于设定的阈值ε，若 成立则说明已经跟踪到目标，将ST置为0；

2)若ST不等于1，算法已经跟踪到目标，切换到抗野值模式；

a.滤波器Kalman增益修正为：

滤波增益修正为Kalman增益矩阵的加权和，加权为估计的后验 概率a_k,i；

b.修正协方差为：

本发明的有益技术效果：

1、本发明提供的抗野值鲁棒无迹卡尔曼滤波的动力电池SOC估 计方法，将测量误差模型修正为归一化受污染正态分布模型，结合贝 叶斯定理计算野值出现的后验概率作为加权系数自适应调整测量预 测相关方差及增益阵，能够有效克服野值干扰的问题。由于该方法会 误将状态初值设定存在误差情况下的测量电压正常值作为野值对待， 仅以小概率加权调整，导致算法收敛慢甚至引起发散。因此，在算法 初始阶段引入次优渐消因子对目标进行快速强跟踪，弥补前述方法的 不足。本发明提出的方法鲁棒性强，具有很好的跟踪速度和精度，为 动力电池SOC的估计提供一新途径。

2、本发明提供的抗野值鲁棒无迹卡尔曼滤波的动力电池SOC估 计方法，引入渐消次优因子的强跟踪手段保证估计初始阶段的收敛速 度，弥补了单纯抗野值模式的缺陷。设定残差信息阈值实时检测跟踪 情况，跟踪到目标后切换到抗野值模式，提高了SOC估计的精度、 实时性、鲁棒性以及波形的平滑性，方法的复杂度较低。总结其优点 主要在于：

(1)、抗野值借鉴归一化受污染正态分布模型思想，利用两个归 一化的加权正态分布来逐次逼近可能具有野值的测量噪声的误差分 布，基于贝叶斯定理，计算后验加权概率修正相关协方差阵和增益， 能够对弧立型和斑点型野值噪声均具有很好的抗差效果；

(2)、针对单纯抗野值模式会对设定SOC状态初值存在误差的 情况下，误将正常电压测量值作为野值对待的情况，在算法的初始阶 段引入了次优渐消因子对目标强跟踪，弥补了单纯抗野值方法的缺陷， 而且保证了方法起始阶段的收敛速度。

附图说明

图1为按照本发明的抗野值鲁棒无迹卡尔曼滤波的动力电池 SOC估计方法的一优选实施例的流程图。

具体实施方式

为使本领域技术人员更加清楚和明确本发明的技术方案，下面结 合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式 不限于此。

如图1所示，本实施例提供的抗野值鲁棒无迹卡尔曼滤波的动力 电池SOC估计方法，包括如下步骤：

步骤1：利用复合模型方法结合安时法设计动力电池的状态和观 测方程，确定车载电池的模型方程，建立电池等效模型；

步骤2：进行模型参数辩识，递推最小二乘法辨识电池模型观测 试方程的相关参数，***输入量为持续激励，辩识迭代次数使最终结 果收敛并趋于稳定；

步骤3：采用改进的抗野值鲁棒无迹卡尔曼滤波算法对电池SOC 进行估计。

本实施例提供的抗野值鲁棒无迹卡尔曼滤波的动力电池SOC估 计方法，步骤1中，建立电池等效模型：

结合安时计量法设计状态方程，由于动力电池受环境温度和充放 电倍率影响较大，本实施例引入了环境温度和充放电倍率比例因子， 由此可得到电池模型的状态方程：

其中：x_k为k时刻的SOC值；

i_k为k时刻采样得到的电池电流值；

η为充电效率；

C为电池的额定总容量；

Δt为采样周期；

暂假定w_k为满足正态分布的高斯白噪声，即w_k～N(0,Q_k)，Q_k为状 态噪声方差阵。

本实施例采用状态观测复合模型将电池SOC作为非线性***的 唯一状态变量，复杂度低，在拟合精度上更具优势。据此可得到公式 (2)的电池观测模型方程：

其中：E_o为电池开路电压；

R_Ω为电池内阻；

k₁、k₂、k₃、k₄为拟合系数；

y_k和为k时刻采样得到的电池端电压。

若在电池的采集数据序列中存在野值干扰情况下，仍先验假设测 量噪声为正态随机序列显然不合适，但野值相对于整个测量序列来讲 出现的概率较小。

因此，本实施例借鉴了归一化受污染正态分布模型思想，其核心 是用两个归一化的加权正态分布来逐次逼近可能具有野值的测量噪 声的误差分布，将野值看作是一个相对于正态分布拖尾更大的误差分 布。将观测方程中的测量噪声v_k分布定义为：

v_k～a₁N(0,R_k,1)+a₂N(0,R_k,2) (3)

其中：a₁、a₂和R_k,1、R_k,2均为已知参数；

a₁+a₂＝1，通常取a₂∈(0,0.15)；

测量电压方差设定后，取

在任何测量环境下，具有野值的R_k,2比正常测量的R_k,1具有更大的 不确定性，因此，需要用小概率a₂加权。

本实施例提供的抗野值鲁棒无迹卡尔曼滤波的动力电池SOC估 计方法，步骤2中，模型参数辩识：

利用公知的递推最小二乘法辨识式(2)模型参数，该方法在未知观测数据 概率统计信息情况下结果具有很好的统计特性。针对式(2)的观测方程，取数 据向量H(k)＝[1,i_k,x_k,1/x_k,ln(x_k),ln(1-x_k)]，待估参数向量最小二乘形式 y_k＝H^Tθ+e(k)，其中，e(k)为误差函数。递推计算公式如下：

本实施例提供的抗野值鲁棒无迹卡尔曼滤波的动力电池SOC估 计方法，步骤3中，采用改进的抗野值鲁棒无迹卡尔曼滤波算法对电 池SOC进行估计：

(1)状态和协方差初始化，设置算法起始标志位ST＝1：

(2)计算采样点其对应加权系数。对于含有误差的电池采集数 据进行算法推算时，结果可能含有舍入误差，协方差矩阵的正定性难 以保证。因此，本发明采用SVD分解方法计算Sigma点,采样策略 为：

P_k-1＝U_k-1S_k-1V_k-1 (6)

根据输入变量的统计信息，采用Sigma点对称采样策略所对应的 一阶及二阶加权系数为：

其中，β为状态分布参数；α(0≤α≤1)表示点集到均值点的距 离；λ＝α²(n+ε)-n为尺度调节因子，ε为次级尺度调节因子。

(3)状态及协方差预测：

(4)测量预测：

(5)计算状态与测量预测互协方差：

(6)计算***观测残差信息：

(7)计算对应R_k,i的信息协方差：

(8)利用Bayes定理，递推估计后验概率为：

a_k,2＝1-a_k,1 (15)

其中：a_k,1和a_k,2分别为y_k序列中的正常值和野值测量的后验加权 概率；

(9)判断起始标志位ST是否为1：

1)若ST等于1，说明算法处于估计初始阶段；

a.在引阶段引入基于强跟踪滤波原理的次优渐消因子，在线调节 ***增益矩阵，迫使输出残差序列相互正交，使得滤波器具有自适应 跟踪状态变化的能力。残差方阵定义如下：

其中，ρ为遗忘因子，通常取值为0.95≤ρ≤0.98；

次优渐消因子形式如下：

b.修正预测协方差为：

其中，强跟踪阶段观测噪声方差阵R_k仍设为正态分布；

c.计算Kalman增益：

d.协方差更新：

e.判断检测***残差信息ζ_k的绝对值是否小于设定的阈值ε，若 成立则说明已经跟踪到目标，将ST置为0；

2)若ST不等于1，说明算法已经跟踪到目标，切换到抗野值模 式；

a.滤波器Kalman增益修正为：

这里的滤波增益已经修正为Kalman增益矩阵的加权和，其中的 权就是前面估计的后验概率a_k,i；

b.修正协方差为：

(10)状态更新：

(11)判断时间迭代是否完成，如果是则结束算法，如果否则返 回步骤(2)。

在本实施例中，本实施例提供的抗野值鲁棒无迹卡尔曼滤波的动 力电池SOC估计方法，核心在于将电池SOC估计过程包含了抗野值 和强跟踪两个阶段，抗野值阶段将观测误差模型定义为归一化受污染 正态分布模型，利用贝叶斯定理计算野值出现的后验概率，以此作为 加权系数自适应调整修正测量预测残差方差及增益阵，该方法对孤立 型和斑点型野值均具有很好的抗差效果。

由于电池使用过程存在自放电或馈电等现象，使得电池当前的 SOC实际状态值与管理***停止工作前记录保存值不相同，即存在 状态初值设定误差，若直接用前述改进的抗野值抗野值无迹卡尔曼滤 波进行估计，会将存在状态初值设定误差情况下的电压测量正常值当 作野值，从而导致算法收敛慢甚至发散。

但在SOC状态初值设定存在误差情况下，抗野值模式会将正常 电压测量值当作野值，仅以小概率加权跟踪目标，会导致估计过程收 敛慢甚至引起发散。

因此，在算法的起始阶段引入次优渐消因子的强跟踪方式对目标 进行快速跟踪，设定残差信息阈值实时检测跟踪情况，跟踪到目标后 再自动切换到抗野值模式，弥补了抗野值改进的缺陷。

本实施例对外界各种干扰具有很强矫正作用，从而使得滤波过程 能够尽可能收敛于真实值，方法简单易行，物理意义明确。

在本实施例中，本实施例提供的抗野值鲁棒无迹卡尔曼滤波的动 力电池SOC估计方法，引入渐消次优因子的强跟踪手段保证估计初 始阶段的收敛速度，弥补了单纯抗野值模式的缺陷。

设定残差信息阈值实时检测跟踪情况，跟踪到目标后切换到抗野 值模式，提高了SOC估计的精度、实时性、鲁棒性以及波形的平滑 性，方法的复杂度较低。总结其优点主要在于：

(1)、抗野值借鉴归一化受污染正态分布模型思想，利用两个归 一化的加权正态分布来逐次逼近可能具有野值的测量噪声的误差分 布，基于贝叶斯定理，计算后验加权概率修正相关协方差阵和增益， 能够对弧立型和斑点型野值噪声均具有很好的抗差效果；

(2)、针对单纯抗野值模式会对设定SOC状态初值存在误差的 情况下，误将正常电压测量值作为野值对待的情况，在算法的初始阶 段引入了次优渐消因子对目标强跟踪，弥补了单纯抗野值方法的缺陷， 而且保证了方法起始阶段的收敛速度。

综上所述，在本实施例中，本实施例提供的抗野值鲁棒无迹卡尔 曼滤波的动力电池SOC估计方法，将测量误差模型修正为归一化受 污染正态分布模型，结合贝叶斯定理计算野值出现的后验概率作为加 权系数自适应调整测量预测相关方差及增益阵，能够有效克服野值干 扰的问题。

由于该方法会误将状态初值设定存在误差情况下的测量电压正 常值作为野值对待，仅以小概率加权调整，导致算法收敛慢甚至引起 发散。

因此，在算法初始阶段引入次优渐消因子对目标进行快速强跟踪， 弥补前述方法的不足。

本实施例提出的方法鲁棒性强，具有很好的跟踪速度和精度，为 动力电池SOC的估计提供一新途径。

以上所述，仅为本发明进一步的实施例，但本发明的保护范围并 不局限于此，任何熟悉本技术领域的技术人员在本发明所公开的范围 内，根据本发明的技术方案及其构思加以等同替换或改变，都属于本 发明的保护范围。

Claims (10)

1.一种抗野值鲁棒无迹卡尔曼滤波的动力电池SOC估计方法，其特征在于，包括如下步骤：

步骤1：利用复合模型方法结合安时法设计动力电池的状态和观测方程，确定车载电池的模型方程，建立电池等效模型；

步骤2：进行模型参数辩识，递推最小二乘法辨识电池模型观测试方程的相关参数，***输入量为持续激励，辩识迭代次数使最终结果收敛并趋于稳定；

步骤3：采用改进的抗野值鲁棒无迹卡尔曼滤波算法对电池SOC进行估计。

2.如权利要求1所述的一种抗野值鲁棒无迹卡尔曼滤波的动力电池SOC估计方法，其特征在于，步骤1中，建立电池等效模型，包括如下步骤：

结合安时计量法设计状态方程，引入了环境温度和充放电倍率比例因子，得到电池模型的状态方程；

采用状态观测复合模型将电池SOC作为非线性***的唯一状态变量，得到电池观测模型方程；

若在电池的采集数据序列中存在野值干扰情况下，采用归一化受污染正态分布模型，用两个归一化的加权正态分布来逐次逼近可能具有野值的测量噪声的误差分布，将野值看作是一个相对于正态分布拖尾更大的误差分布。

3.如权利要求2所述的一种抗野值鲁棒无迹卡尔曼滤波的动力电池SOC估计方法，其特征在于，结合安时计量法设计状态方程，引入了环境温度和充放电倍率比例因子，电池模型的状态方程如下：

其中：x_k为k时刻的SOC值；

i_k为k时刻采样得到的电池电流值；

η为充电效率；

C为电池的额定总容量；

Δt为采样周期；

假定w_k为满足正态分布的高斯白噪声，即w_k～N(0,Q_k)，Q_k为状态噪声方差阵。

4.如权利要求2所述的一种抗野值鲁棒无迹卡尔曼滤波的动力电池SOC估计方法，其特征在于，采用状态观测复合模型将电池SOC作为非线性***的唯一状态变量，得到电池观测模型方程如下：

其中：E_o为电池开路电压；

R_Ω为电池内阻；

k₁、k₂、k₃、k₄为拟合系数；

y_k为k时刻采样得到的电池端电压。

5.如权利要求2所述的一种抗野值鲁棒无迹卡尔曼滤波的动力电池SOC估计方法，其特征在于，若在电池的采集数据序列中存在野值干扰情况下，采用归一化受污染正态分布模型，用两个归一化的加权正态分布来逐次逼近可能具有野值的测量噪声的误差分布，将野值看作是一个相对于正态分布拖尾更大的误差分布，将观测方程中的测量噪声v_k分布定义为：

v_k～a₁N(0,R_k,1)+a₂N(0,R_k,2) (3)

其中：a₁、a₂和R_k,1、R_k,2均为已知参数，a₁+a₂＝1，通常取a₂∈(0,0.15)；

测量电压方差设定后，取

6.如权利要求1所述的一种抗野值鲁棒无迹卡尔曼滤波的动力电池SOC估计方法，其特征在于，步骤2中，进行模型参数辩识，利用公知的递推最小二乘法辨识电池观测模型方程的模型参数，针对电池观测模型方程的观测方程，递推计算公式如下：

待估参数向量

最小二乘形式y_k＝H^Tθ+e(k)；

e(k)为误差函数。

7.如权利要求1所述的一种抗野值鲁棒无迹卡尔曼滤波的动力电池SOC估计方法，其特征在于，步骤3中，采用改进的抗野值鲁棒无迹卡尔曼滤波算法对电池SOC进行估计，包括如下步骤：

(1)状态和协方差初始化，设置算法起始标志位ST＝1：

(2)计算采样点其对应加权系数；

(3)状态及协方差预测：

(4)测量预测：

(5)计算状态与测量预测互协方差：

(6)计算***观测残差信息：

(7)计算对应R_k,i的信息协方差：

(8)利用Bayes定理，递推估计后验概率为：

a_k,2＝1-a_k,1 (15)；

其中：a_k,1和a_k,2分别为y_k序列中的正常值和野值测量的后验加权概率；

(9)判断起始标志位ST是否为1；

1)若ST等于1，说明算法处于估计初始阶段；

2)若ST不等于1，说明算法已经跟踪到目标，切换到抗野值模式；

(10)状态更新：

(11)判断时间迭代是否完成，如果是则结束算法，如果否则返回步骤(2)。

8.如权利要求7所述的一种抗野值鲁棒无迹卡尔曼滤波的动力电池SOC估计方法，其特征在于，计算采样点对应加权系数，采用SVD分解方法计算Sigma点，采样策略为：

P_k-1＝U_k-1S_k-1V_k-1 (6)

根据输入变量的统计信息，采用Sigma点对称采样策略所对应的一阶及二阶加权系数为：

其中：β为状态分布参数；

α(0≤α≤1)表示点集到均值点的距离；

λ＝α²(n+ε)-n为尺度调节因子；

ε为次级尺度调节因子。

9.如权利要求7所述的一种抗野值鲁棒无迹卡尔曼滤波的动力电池SOC估计方法，其特征在于，判断起始标志位ST是否为1，包括如下步骤：

1)若ST等于1，算法处于估计初始阶段；

a.在引阶段引入基于强跟踪滤波原理的次优渐消因子，在线调节***增益矩阵，迫使输出残差序列相互正交，使滤波器具有自适应跟踪状态变化的能力，定义残差方阵；

b.修正预测协方差；

c.计算Kalman增益；

d.协方差更新；

e.判断检测***残差信息ζ_k的绝对值是否小于设定的阈值ε，若成立则说明已经跟踪到目标，将ST置为0；

2)若ST不等于1，算法已经跟踪到目标，切换到抗野值模式；

a.修正滤波器Kalman增益；

b.修正协方差。

10.如权利要求9所述的一种抗野值鲁棒无迹卡尔曼滤波的动力电池SOC估计方法，其特征在于，判断起始标志位ST是否为1，包括如下步骤：

1)若ST等于1，算法处于估计初始阶段；

a.在引阶段引入基于强跟踪滤波原理的次优渐消因子，在线调节***增益矩阵，迫使输出残差序列相互正交，使滤波器具有自适应跟踪状态变化的能力，残差方阵定义如下：

其中：ρ为遗忘因子；

次优渐消因子形式如下：

b.修正预测协方差为：

其中：强跟踪阶段观测噪声方差阵R_k为正态分布；

c.计算Kalman增益

d.协方差更新

e.判断检测***残差信息ζ_k的绝对值是否小于设定的阈值ε，若成立则说明已经跟踪到目标，将ST置为0；

2)若ST不等于1，算法已经跟踪到目标，切换到抗野值模式；

a.滤波器Kalman增益修正为：

滤波增益修正为Kalman增益矩阵的加权和，加权为估计的后验概率a_k,i；

b.修正协方差为：