何灵娜，王运红

(浙江工业大学信息工程学院，浙江 杭州 310023)

0 引 言

矿用电池作为紧急避险设施、检测通信系统和井下运输车辆等煤矿工业设备的动力源，其荷电状态(SOC)估计的准确性与避难人员的安危密切相关[1]。目前，常用的电池SOC估计方法有开路电压法、Ah计量法、模糊神经网络法和卡尔曼滤波法等[2-5]。由于矿用电池的初始SOC值难以确定，且电池SOC在电池工作过程中易受多种因素干扰[6]。而扩展卡尔曼滤波(Extended Kalman Filter，EKF)算法计算量适中，且具有克服初值误差和累计误差的能力，因此被广泛应用于非线性系统的状态估计[7]。由于EKF算法是利用泰勒级数展开，并截断高阶项来实现非线性系统的线性化，该算法只适用于低动态弱非线性系统。当算法的估计误差较大时，算法的滤波精度就会降低、不稳定，甚至发散[8]。

矿用电池是一个强非线性系统，针对EKF只适用于连续可微的弱非线性系统且必须计算复杂的Jacobian矩阵[9]，基于采样点卡尔曼滤波算法(sampling point kalman Filter，SPKF)，本研究通过采用加权统计线性回归法实现模型函数统计线性化，从而在克服EKF缺陷的同时，实现电池SOC估计。本研究针对有限的电池管理系统资源，基于电池模型状态方程线性的特征，通过将标准KF和SPKF组合使用，从而实现算法运算量的降低。由于SPKF需要进行状态误差协方差开方，易于引起病态矩阵问题，本研究在SPKF算法中引入奇异值分解，并用特征协方差阵代替均方估计误差协方差阵。此外，本研究针对矿用电池外特性呈高动态非线性且电池模型误差不可避免，基于强跟踪原理，引入次优渐消因子。……