CN115407205A - 考虑温度影响的多时间尺度soc和soh协同估计方法 - Google Patents

Abstract

本发明公开了一种考虑温度影响的多时间尺度SOC和SOH协同估计方法，步骤如下：构建考虑温度影响的锂电池等效电路模型；采用动态惯性权重的粒子群优化算法对所述锂电池等效电路模型进行辨识；将恒流脉冲工况下的实验数据和辨识结果输入至锂电池等效电路模型进行仿真验证；构建考虑温度影响的协同估算器对锂电池SOC和SOH进行估计。本发明实现了在变换电池温度情况下电池SOC和SOH精准计算，同时实现了SOC和SOH在同一算法不同计算周期情况下协同计算，消除了两者计算误差间的影响。

Description

考虑温度影响的多时间尺度SOC和SOH协同估计方法

技术领域

本发明属于电池管理技术领域，具体涉及一种考虑温度影响的多时间尺度SOC和SOH协同估计方法。

背景技术

随着电动汽车的发展及市场占有率的不断提升，车辆动力电池管理(Batterymanagement system，BMS)技术也随之不断发展。其中，电池荷电状态(State-of-charge，SOC)和健康状态(State-of-health，SOH)作为电池管理中的两个关键状态，影响着车辆动力输出和电池寿命。但现有的传感器均无法直接测量这两种状态，因此需要通过算法对两种状态进行估计计算。

温度是当前电动汽车电池实际使用中一个重要的影响因素，因此必须建立考虑温度因素的电池模型。同时现有的SOC和SOH估计方法大多仅仅考虑SOC单一估计的影响，忽略了电池内部状态之间的相互影响。但是SOC和SOH之间的状态更新周期并不相同，并不能使用同一算法周期就可以进行估计计算。

有鉴于此，本发明提出一种考虑不同温度变化影响的多种计算时间尺度的SOC和SOH协同估计方法，对电池寿命延长和电动汽车能量高效性和经济性都有着重要的意义。

发明内容

针对于上述现有技术的不足，本发明的目的在于提供一种考虑温度影响的多时间尺度SOC和SOH协同估计方法，以解决现有的电池模型忽略温度影响带来的计算不精准的问题，同时还解决了SOC和SOH状态更新周期不相同的问题；本发明的方法实现了SOC和SOH协同估计，减少了不必要的计算冗余。

为达到上述目的，本发明采用的技术方案如下：

本发明的一种考虑温度影响的多时间尺度SOC和SOH协同估计方法，步骤如下：

1)构建考虑温度影响的锂电池等效电路模型；

2)采用动态惯性权重的粒子群优化算法对所述锂电池等效电路模型进行辨识；

3)将恒流脉冲工况下的实验数据和步骤2)中的得到的辨识结果输入至步骤1)中建立的锂电池等效电路模型进行仿真验证；

4)构建考虑温度影响的协同估算器对锂电池SOC和SOH进行估计。

进一步地，所述步骤1)锂电池等效电路模型的构建方法如下：

以放电电流为正，结合基尔霍夫定律得到双RC电池模型的空间状态方程如式：

式中，U_OC表示电池的开路电压，R₀表示电池内部结构间的接触电阻，R₁为电化学极化电阻，R₂为浓差极化内阻，C₁为电化学极化电容，C₂为浓差极化电容，U_t为电池的端电压，I_L为负载电流；

利用拉普拉斯变换将上式(1)中U_oc进一步推导为：

电池模型的传递方程为：

式中，τ₁＝R₁C₁；τ₂＝R₂C₂；τ₁和τ₂为RC极化单元的时间常数；

对所述传递方程进行离散化处理，采用双线性变换法将传递方程从S平面映射到Z平面上；

式中，ΔT为采样间隔；z-1为延迟因子；

映射到Z平面上的方程为：

将上式(5)转化到离散时域中，可得：

y_k＝U_oc,k-U_t,k＝a₁y_k-1+a₂y_k-2+a₃I_k+a₄I_k-1+a₅I_k-2 (6)

式中，U_oc,k为k时刻开路电压，U_t,k为k时刻端电压，y_k为k时刻开路电压与k时刻端电压的差值，a₁-a₅为模型参数的代数式。

进一步地，所述步骤2)具体包括：

21)初始化；

对迭代过程中的各项参数进行定义和初始化；限定粒子的飞行速度区间，区间的上限值即粒子的最大飞行速度v_max；区间的下限值即粒子的最小飞行速度v_min；根据目标***的实际特性设置辨识参数的取值范围θ_max、θ_min，防止结果溢出；粒子数目定义为N₁，最大迭代次数定义为M，根据实际需要设置数值；粒子的初始速度v_i,j＝0和初始位置θ_i,j＝0在对应区间内随机选取，其中下标i表示粒子序列，j表示粒子当前的迭代次数；粒子的位置向量θ_i,j表示等效电路模型的参数集合[R0,R1,R2,C1,C2]；

初始时刻的速度v_i,0和初始时刻的位置θ_i,0的取值方法如下：

v_i,0＝rand(0,1) (7)

θ_i,0＝θ_min+(θ_max-θ_min)*rand(0,1) (8)

式中，函数rand(0,1)表示在(0,1)之间生成均匀分布的随机数；

22)选定并计算适应度函数；

设置适应度函数为：

U_RC(k)＝U_OC(k)-U_t(k) (9)

式(9)中U_RC(k)为在迭代次数j下的粒子i所对应的适应度函数，n为试验数据长度，y(k)为等效电路模型在当前粒子位置θ_i,j下的开路电压和端电压的差值；

可知当a₁-a₅由辨识参数表示时，y(k)可计算得到；令：

可得：

fy_k＝aI_k-2+bI_k-1+cI_k-dy_k-2-ey_k-1 (12)

其中各项系数的具体表达式如下所示：

在算法迭代过程中，任何一个粒子均通过将其位置向量θ_i,j中的各项参数代入上式(13)中计算出对应的适应度函数；

23)个体最优适应度更新；

将粒子i在当前迭代次数j下的位置向量θ_i,j代入到适应度函数中，计算出具体数值fitness(i,j)并与自身历史最优位置

对应的适应度值fitness(i,best)进行比较，若fitness(i,j)＜fitness(i,best)，则用当前粒子所在位置替换其历史最优位置

24)群体最优适应度更新；

将各粒子在当前迭代次数下的历史最优适应度值fitness(i,best)与群体最优位置θ^best所对应的适应度值fitness(best)进行对比，若fitness(i,best)小于fitness(best)，则用fitness(i,best)所对应的粒子历史最优位置

更新群体最优位置θ^best；

25)粒子速度和位置更新；

完成一轮适应度更新后，再对各个粒子的速度进行更新：

式中，ω₁和ω₂为惯性权重因子，用以调整搜寻区间；M为迭代次数，c₁和c₂为粒子加速度常数，通常在[0,4]之间取值；r₁和r₂为[0,1]间的随机数，用来保证粒子搜寻的随机性；

更新粒子所在位置：

θ_i,j+1＝θ_i,j+v_i,j+1 (15)；

26)判断粒子群优化算法是否结束；

粒子群优化算法的终止条件为：当前迭代次数达到最大迭代次数及群体最优适应度函数值小于预设值；达到上述两个条件中的任何一个，算法终止，输出的群体最优位置θ^best即为本次计算的最优解，否则返回步骤22)。

进一步地，所述步骤3)具体包括：

通过步骤2)中的参数识别分别得到不同循环下的参数R₀，R₁，R₂，C₁，C₂的数值；在MATLAB/Simulink环境下，将步骤1)中搭建的考虑温度影响的锂离子电池等效电路模型通过代码及Simulink模块建立，并将恒流脉冲工况下的实验数据带入计算；其中，输入为电流、电池温度；输出为端电压；使用恒流脉冲工况测试分别在[-10℃0℃10℃20℃30℃40℃]六种温度下进行仿真。

进一步地，所述步骤4)具体包括：

41)建立多时间尺度滤波算法模型；

包含隐含状态x和参数θ的多时间尺度滤波算法模型如下：

式中，x_k,l为t_k,l＝t_k,0+l×Δt,1≤l≤L_Z时刻的***状态，其中双时间尺度k和l分别描述宏观时间尺度和微观时间尺度，L_Z为尺度转换限值，即一个宏观时间尺度等于L_Z个微观时间尺度；u_k,l为t_k,l时刻***的输入信息；Y_k,l为t_k,l时刻***的观测矩阵；w_k,l为***状态，其协方差为

p_k为参数白噪声，其协方差为

v_k,l为测量白噪声，其协方差为R_k,l；使用微观时间尺度估计***状态、宏观时间尺度估计***参数；对于***参数而言，其宏观尺度在0～L_Z～1时的值保持不变，即

42)多时间尺度滤波算法初始化；

分别设置参数观测器HIF_θ和状态观测器AEKF_x的初始参数值：θ₀，

λ^θ，S^θ，R₀，x_0，0，

R_0，0，其中，θ₀，

λ^θ，S^θ分别为参数观测器HIF_θ的初始参数值、参数估计误差协方差矩阵初始值、***噪声协方差矩阵初始值、参数观测器性能边界、自定义矩阵；x_0，0，

R_0，0分别为状态观测器AEKF_x的***初始状态、状态估计误差协方差矩阵初始值、***噪声协方差矩阵初始值、观测噪声协方差；

43)基于宏观时间尺度的参数观测器HIF_θ的时间更新；

进行***参数θ和参数估计误差协方差P^θ的预估，得到相应的预估值

44)基于微观时间尺度的状态观测器AEKF_x的时间更新；

启动状态观测器AEKF_x的时间更新，得到***状态X的先验估计值

及其误差协方差P^x的先验估计值

基于动力电池可用容量的先验估计值

和状态的先验估计值

更新动力电池的OCV值

45)基于微观时间尺度的状态观测器AEKF_x的测量更新；

状态估计新息协方差矩阵更新：

卡尔曼增益矩阵：

自适应协方差匹配：

噪声协方差更新：

***状态估计值修正：

状态估计误差协方差更新：

微观时间尺度循环计算l＝1:L_Z和尺度转换：

至此，完成一个宏观时间尺度下微观时间尺度循环计算，下一步回到宏观时间尺度进行参数估计的测量更新；

46)基于宏观时间尺度的状态观测器HIF_θ的测量更新：

H∞增益矩阵：

***参数估计值修正：

H∞特征矩阵更新：

至此，完成k时刻参数和状态的多时间尺度估计，准备(k+1)时刻的状态估计，且令

得到动力电池可用容量和SOC实时估计值。

本发明的有益效果：

本发明实现了在变换电池温度情况下电池SOC和SOH精准计算，同时实现了SOC和SOH在同一算法不同计算周期情况下协同计算，消除了两者计算误差间的影响。

附图说明

图1为本发明方法原理图。

图2为锂电池等效电路模型图。

图3为模型估算电压与试验电压对比图。

图4为模型辨识误差示意图。

图5为多时间尺度滤波算法原理流程图。

图6为SOC估计结果图。

图7为SOH估计结果图。

具体实施方式

为了便于本领域技术人员的理解，下面结合实施例与附图对本发明作进一步的说明，实施方式提及的内容并非对本发明的限定。

参照图1所示，本发明的一种考虑温度影响的多时间尺度SOC和SOH协同估计方法，步骤如下：

1)构建考虑温度影响的锂电池等效电路模型，参照图2所示；

具体地，所述步骤1)锂电池等效电路模型的构建方法如下：

以放电电流为正，结合基尔霍夫定律得到双RC电池模型的空间状态方程如式：

式中，U_OC表示电池的开路电压，R₀表示电池内部结构间的接触电阻，R₁为电化学极化电阻，R₂为浓差极化内阻，C₁为电化学极化电容，C₂为浓差极化电容，U_t为电池的端电压，I_L为负载电流；

利用拉普拉斯变换将上式(1)中Uo_c进一步推导为：

电池模型的传递方程为：

式中，τ₁＝R₁C₁；τ₂＝R₂C₂；τ₁和τ₂为RC极化单元的时间常数；

对所述传递方程进行离散化处理，采用双线性变换法将传递方程从S平面映射到Z平面上；

式中，ΔT为采样间隔；z-1为延迟因子；

映射到Z平面上的方程为：

将上式(5)转化到离散时域中，可得：

y_k＝U_oc,k-U_t,k＝a₁y_k-1+a₂y_k-2+a₃I_k+a₄I_k-1+a₅I_k-2 (6)

式中，U_oc,k为k时刻开路电压，U_t,k为k时刻端电压，y_k为k时刻开路电压与k时刻端电压的差值，a₁-a₅为模型参数的代数式。

2)采用动态惯性权重的粒子群优化算法对所述锂电池等效电路模型进行辨识；具体包括：

21)初始化；

对迭代过程中的各项参数进行定义和初始化；限定粒子的飞行速度区间，区间的上限值即粒子的最大飞行速度v_max(其不可过大，否则在迭代中易造成最优值的丢失)；区间的下限值即粒子的最小飞行速度v_min(其不可过小，否则会降低算法的迭代效率)；根据目标***的实际特性设置辨识参数的取值范围θ_max、θ_min，防止结果溢出；粒子数目定义为N₁，最大迭代次数定义为M，根据实际需要设置数值；粒子的初始速度v_i,j＝0和初始位置θ_i,j＝0在对应区间内随机选取，其中下标i表示粒子序列，j表示粒子当前的迭代次数；粒子的位置向量θ_i,j表示等效电路模型的参数集合[R0,R1,R2,C1,C2]；

初始时刻的速度v_i,0和初始时刻的位置θ_i,0的取值方法如下：

v_i,0＝rand(0,1) (7)

θ_i,0＝θ_min+(θ_max-θ_min)*rand(0,1) (8)

式中，函数rand(0,1)表示在(0,1)之间生成均匀分布的随机数；

22)选定并计算适应度函数；

设置适应度函数为：

U_RC(k)＝U_OC(k)-U_t(k) (9)

式(9)中U_RC(k)为在迭代次数j下的粒子i所对应的适应度函数，n为试验数据长度，y(k)为等效电路模型在当前粒子位置θ_i,j下的开路电压和端电压的差值；

可知当a₁-a₅由辨识参数表示时，y(k)可计算得到；令：

可得：

fy_k＝aI_k-2+bI_k-1+cI_k-dy_k-2-ey_k-1 (12)

其中各项系数的具体表达式如下所示：

在算法迭代过程中，任何一个粒子均通过将其位置向量θ_i,j中的各项参数代入上式(13)中计算出对应的适应度函数；

23)个体最优适应度更新；

将粒子i在当前迭代次数j下的位置向量θ_i,j代入到适应度函数中，计算出具体数值fitness(i,j)并与自身历史最优位置

对应的适应度值fitness(i,best)进行比较，若fitness(i,j)＜fitness(i,best)，则用当前粒子所在位置替换其历史最优位置

24)群体最优适应度更新；

将各粒子在当前迭代次数下的历史最优适应度值fitness(i,best)与群体最优位置θ^best所对应的适应度值fitness(best)进行对比，若fitness(i,best)小于fitness(best)，则用fitness(i,best)所对应的粒子历史最优位置

更新群体最优位置θ^best；

25)粒子速度和位置更新；

完成一轮适应度更新后，再对各个粒子的速度进行更新：

式中，ω₁和ω₂为惯性权重因子，用以调整搜寻区间(取ω₁＝0.4，ω₂＝0.9)；M为迭代次数，c₁和c₂为粒子加速度常数，通常在[0,4]之间取值(取c₁＝c₂＝2)；r₁和r₂为[0,1]间的随机数，用来保证粒子搜寻的随机性；

更新粒子所在位置：

θ_i,j+1＝θ_i,j+v_i,j+1 (15)；

26)判断粒子群优化算法是否结束；

粒子群优化算法的终止条件为：当前迭代次数达到最大迭代次数及群体最优适应度函数值小于预设值；达到上述两个条件中的任何一个，算法终止，输出的群体最优位置θ^best即为本次计算的最优解，否则返回步骤22)。

3)将恒流脉冲工况下的实验数据和步骤2)中的得到的辨识结果输入至步骤1)中建立的锂电池等效电路模型进行仿真验证；

通过步骤2)中的参数识别分别得到不同循环下的参数R₀，R₁，R₂，C₁，C₂的数值；在MATLAB/Simulink环境下，将步骤1)中搭建的考虑温度影响的锂离子电池等效电路模型通过代码及Simulink模块建立，并将恒流脉冲工况下的实验数据带入计算；其中，输入为电流、电池温度；输出为端电压；使用恒流脉冲工况测试分别在[-10℃0℃10℃20℃30℃40℃]六种温度下进行仿真。

以温度40℃为例：如图3和图4所示，比对测量电压和仿真电压；并得到相应的误差基本在0.005以内，如图4所示；其他温度[10℃ 0℃ 10℃ 20℃ 30℃]下误差分别为[0.0070.008 0.006 0.004 0.008 0.009]。

4)构建考虑温度影响的协同估算器对锂电池SOC和SOH进行估计；参照图5所示，具体为：

41)建立多时间尺度滤波算法模型；

包含隐含状态x和参数θ的多时间尺度滤波算法模型如下：

式中，x_k,l为t_k,l＝t_k,0+l×Δt,1≤l≤L_Z时刻的***状态，其中双时间尺度k和l分别描述宏观时间尺度和微观时间尺度，L_Z为尺度转换限值，即一个宏观时间尺度等于L_Z个微观时间尺度；u_k,l为t_k,l时刻***的输入信息；Y_k,l为t_k,l时刻***的观测矩阵；w_k,l为***状态，其协方差为

p_k为参数白噪声，其协方差为

v_k,l为测量白噪声，其协方差为R_k,l；使用微观时间尺度估计***状态、宏观时间尺度估计***参数；对于***参数而言，其宏观尺度在0～L_Z～1时的值保持不变，即

42)多时间尺度滤波算法初始化；

分别设置参数观测器HIF_θ和状态观测器AEKF_x的初始参数值：θ₀，

λ^θ，S^θ，R₀，x_0，0，

R_0，0，其中，θ₀，

λ^θ，S^θ分别为参数观测器HIF_θ的初始参数值、参数估计误差协方差矩阵初始值、***噪声协方差矩阵初始值、参数观测器性能边界、自定义矩阵；x_0，0，

R_0，0分别为状态观测器AEKF_x的***初始状态、状态估计误差协方差矩阵初始值、***噪声协方差矩阵初始值、观测噪声协方差；

43)基于宏观时间尺度的参数观测器HIF_θ的时间更新(先验估计)；

进行***参数θ和参数估计误差协方差P^θ的预估，得到相应的预估值

44)基于微观时间尺度的状态观测器AEKF_x的时间更新(先验估计)；

启动状态观测器AEKF_x的时间更新，得到***状态X的先验估计值

及其误差协方差P^x的先验估计值

基于动力电池可用容量的先验估计值

和状态的先验估计值

更新动力电池的OCV值

45)基于微观时间尺度的状态观测器AEKF_x的测量更新(后验估计)；

状态估计新息协方差矩阵更新：

卡尔曼增益矩阵：

自适应协方差匹配(电压估计误差窗口函数)：

噪声协方差更新：

***状态估计值修正：

状态估计误差协方差更新：

微观时间尺度循环计算l＝1:L_Z和尺度转换(当l＝L_Z时)：

至此，完成一个宏观时间尺度下微观时间尺度循环计算，下一步回到宏观时间尺度进行参数估计的测量更新(后验估计)；

46)基于宏观时间尺度的状态观测器HIF_θ的测量更新(后验估计)：

H∞增益矩阵：

***参数估计值修正：

H∞特征矩阵更新：

至此，完成k时刻参数和状态的多时间尺度估计，准备(k+1)时刻的状态估计，且令

得到动力电池可用容量和SOC实时估计值。

如图6和图7所示，本发明方法能够稳定的估计SOC和SOH的数值，并且SOC估计误差在1.5％,SOH估计误差在1％以内，从而验证了本发明的估算方法的有效性和精确性。

本发明具体应用途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进，这些改进也应视为本发明的保护范围。

Claims (5)

1.一种考虑温度影响的多时间尺度SOC和SOH协同估计方法，其特征在于，步骤如下：

1)构建考虑温度影响的锂电池等效电路模型；

2)采用动态惯性权重的粒子群优化算法对所述锂电池等效电路模型进行辨识；

3)将恒流脉冲工况下的实验数据和步骤2)中的得到的辨识结果输入至步骤1)中建立的锂电池等效电路模型进行仿真验证；

4)构建考虑温度影响的协同估算器对锂电池SOC和SOH进行估计。

2.根据权利要求1所述的考虑温度影响的多时间尺度SOC和SOH协同估计方法，其特征在于，所述步骤1)锂电池等效电路模型的构建方法如下：

以放电电流为正，结合基尔霍夫定律得到双RC电池模型的空间状态方程如式：

式中，U_OC表示电池的开路电压，R₀表示电池内部结构间的接触电阻，R₁为电化学极化电阻，R₂为浓差极化内阻，C₁为电化学极化电容，C₂为浓差极化电容，U_t为电池的端电压，I_L为负载电流；

利用拉普拉斯变换将上式(1)中U_oc进一步推导为：

电池模型的传递方程为：

式中，τ₁＝R₁C₁；τ₂＝R₂C₂；τ₁和τ₂为RC极化单元的时间常数；

对所述传递方程进行离散化处理，采用双线性变换法将传递方程从S平面映射到Z平面上；

式中，ΔT为采样间隔；z^-1为延迟因子；

映射到Z平面上的方程为：

将上式(5)转化到离散时域中，可得：

y_k＝U_oc,k-U_t,k＝a₁y_k-1+a₂y_k-2+a₃I_k+a₄I_k-1+a₅I_k-2 (6)

式中，U_oc,k为k时刻开路电压，U_t,k为k时刻端电压，y_k为k时刻开路电压与k时刻端电压的差值，a₁-a₅为模型参数的代数式。

3.根据权利要求2所述的考虑温度影响的多时间尺度SOC和SOH协同估计方法，其特征在于，所述步骤2)具体包括：

21)初始化；

对迭代过程中的各项参数进行定义和初始化；限定粒子的飞行速度区间，区间的上限值即粒子的最大飞行速度v_max；区间的下限值即粒子的最小飞行速度v_min；根据目标***的实际特性设置辨识参数的取值范围θ_max、θ_min，防止结果溢出；粒子数目定义为N₁，最大迭代次数定义为M，根据实际需要设置数值；粒子的初始速度v_i,j＝0和初始位置θ_i,j＝0在对应区间内随机选取，其中下标i表示粒子序列，j表示粒子当前的迭代次数；粒子的位置向量θ_i,j表示等效电路模型的参数集合[R0,R1,R2,C1,C2]；

初始时刻的速度v_i,0和初始时刻的位置θ_i,0的取值方法如下：

v_i,0＝rand(0,1) (7)

θ_i,0＝θ_min+(θ_max-θ_min)*rand(0,1) (8)

式中，函数rand(0,1)表示在(0,1)之间生成均匀分布的随机数；

22)选定并计算适应度函数；

设置适应度函数为：

U_RC(k)＝U_OC(k)-U_t(k) (9)

式(9)中U_RC(k)为在迭代次数j下的粒子i所对应的适应度函数，n为试验数据长度，y(k)为等效电路模型在当前粒子位置θ_i,j下的开路电压和端电压的差值；

可知当a₁-a₅由辨识参数表示时，y(k)可计算得到；令：

可得：

fy_k＝aI_k-2+bI_k-1+cI_k-dy_k-2-ey_k-1 (12)

其中各项系数的具体表达式如下所示：

在算法迭代过程中，任何一个粒子均通过将其位置向量θ_i,j中的各项参数代入上式(13)中计算出对应的适应度函数；

23)个体最优适应度更新；

将粒子i在当前迭代次数j下的位置向量θ_i,j代入到适应度函数中，计算出具体数值fitness(i,j)并与自身历史最优位置

对应的适应度值fitness(i,best)进行比较，若fitness(i,j)＜fitness(i,best)，则用当前粒子所在位置替换其历史最优位置

24)群体最优适应度更新；

将各粒子在当前迭代次数下的历史最优适应度值fitness(i,best)与群体最优位置θ^best所对应的适应度值fitness(best)进行对比，若fitness(i,best)小于fitness(best)，则用fitness(i,best)所对应的粒子历史最优位置

更新群体最优位置θ^best；

25)粒子速度和位置更新；

完成一轮适应度更新后，再对各个粒子的速度进行更新：

式中，ω₁和ω₂为惯性权重因子，用以调整搜寻区间；M为迭代次数，c₁和c₂为粒子加速度常数，通常在[0,4]之间取值；r₁和r₂为[0,1]间的随机数，用于保证粒子搜寻的随机性；

更新粒子所在位置：

θ_i,j+1＝θ_i,j+v_i,j+1 (15)；

26)判断粒子群优化算法是否结束；

粒子群优化算法的终止条件为：当前迭代次数达到最大迭代次数及群体最优适应度函数值小于预设值；达到上述两个条件中的任何一个，算法终止，输出的群体最优位置θ^best即为本次计算的最优解，否则返回步骤22)。

4.根据权利要求3所述的考虑温度影响的多时间尺度SOC和SOH协同估计方法，其特征在于，所述步骤3)具体包括：

通过步骤2)中的参数辨别分别得到不同循环下的参数R₀，R₁，R₂，C₁，C₂的数值；在MATLAB/Simulink环境下，将步骤1)中搭建的考虑温度影响的锂离子电池等效电路模型通过代码及Simulink模块建立，并将恒流脉冲工况下的实验数据带入计算；其中，输入为电流、电池温度；输出为端电压；使用恒流脉冲工况测试分别在[-10℃0℃10℃20℃30℃40℃]六种温度下进行仿真。

5.根据权利要求4所述的考虑温度影响的多时间尺度SOC和SOH协同估计方法，其特征在于，所述步骤4)具体包括：

41)建立多时间尺度滤波算法模型；

包含隐含状态x和参数θ的多时间尺度滤波算法模型如下：

式中，x_k,l为t_k,l＝t_k,0+l×Δt,1≤l≤L_Z时刻的***状态，其中双时间尺度k和l分别描述宏观时间尺度和微观时间尺度，L_Z为尺度转换限值，即一个宏观时间尺度等于L_Z个微观时间尺度；u_k,l为t_k,l时刻***的输入信息；Y_k,l为t_k,l时刻***的观测矩阵；w_k,l为***状态，其协方差为

p_k为参数白噪声，其协方差为

v_k,l为测量白噪声，其协方差为R_k,l；使用微观时间尺度估计***状态、宏观时间尺度估计***参数；对于***参数而言，其宏观尺度在0～L_Z～1时的值保持不变，即

42)多时间尺度滤波算法初始化；

分别设置参数观测器HIF_θ和状态观测器AEKF_x的初始参数值：θ₀，

λ^θ，S^θ，R₀，x_0，0，

R_0，0，其中，θ₀，

λ^θ，S^θ分别为参数观测器HIF_θ的初始参数值、参数估计误差协方差矩阵初始值、***噪声协方差矩阵初始值、参数观测器性能边界、自定义矩阵；x_0，0，

R_0，0分别为状态观测器AEKF_x的***初始状态、状态估计误差协方差矩阵初始值、***噪声协方差矩阵初始值、观测噪声协方差；

43)基于宏观时间尺度的参数观测器HIF_θ的时间更新；

进行***参数θ和参数估计误差协方差P^θ的预估，得到相应的预估值

44)基于微观时间尺度的状态观测器AEKF_x的时间更新；

启动状态观测器AEKF_x的时间更新，得到***状态X的先验估计值

及其误差协方差P^x的先验估计值

基于动力电池可用容量的先验估计值

和状态的先验估计值

更新动力电池的OCV值

45)基于微观时间尺度的状态观测器AEKF_x的测量更新；

状态估计新息协方差矩阵更新：

卡尔曼增益矩阵：

自适应协方差匹配：

噪声协方差更新：

***状态估计值修正：

状态估计误差协方差更新：

微观时间尺度循环计算l＝1:L_Z和尺度转换：

至此，完成一个宏观时间尺度下微观时间尺度循环计算，下一步回到宏观时间尺度进行参数估计的测量更新；

46)基于宏观时间尺度的状态观测器HIF_θ的测量更新：

H∞增益矩阵：

***参数估计值修正：

H∞特征矩阵更新：

至此，完成k时刻参数和状态的多时间尺度估计，准备(k+1)时刻的状态估计，且令

得到动力电池可用容量和SOC实时估计值。

Images