考虑温度的并联型电池组电池管理系统及其SOC估计

盐城工学院本科生毕业设计说明书考虑温度的并联型电池组电池管理系统及其SOC估计摘要：随着全球范围内的能源短缺和环境恶化，相较于传统燃料能源的高污染储量少等缺点，电池供能凭借其低污染，利用率高等优点受到业界广泛利用。大容量化正逐步成为电池系统的发展方向，电池容量的扩大可以通过多个单体电池并联来实现即并联电池系统。然而在极端工作条件下锂离子电池容易发生热失控，短路等现象从而造成燃烧爆炸等安全事故。因此电池管理系统作为作为检测和保护电池的工具，能够很好的预防此类现象的发生。其中电池的荷电状态作为电池管理系统的重要参数之一，可以很好对电池电量进行估计从而防止过冲，过放等问题。而温度作为影响因素之一在实际SOC估计之中必需考虑在内。本文题目是考虑温度的并联型电池组电池管理系统及其SOC估计，首先需要建立电池的等效模型，基于准确性和简易性我们选择通过二阶RC等效电路模型来模拟。同时通过最小二乘法将已有的不同温度下OCV-SOC曲线进行拟合从而为等效模型参数进行输入从而完成等效模型建立。最后在SOC估计方法的选择上，考虑到电池荷电状态估计的实时性，精确性以及算法的简易性，我选择了无迹卡尔曼滤波法作为电池SOC估计的算法。关键词：锂离子电池；等效电路；SOC估计；温度ConsiderationoftemperatureinparallelbatterypackbatterymanagementsystemanditsSOCestimationAbstract:withtheglobalenergyshortageandenvironmentaldegradation,comparedwiththetraditionalfuelenergyreservesofhighpollutionandothershortcomings,batteryenergysupplybyvirtueofitslowpollution,highutilizationratehasbeenwidelyusedintheindustry.Lithiumionbatteryhastheadvantagesofhighenergy,longcyclelife,nomemoryandlownaturaldischargerate.Atthesametime,masscapacityisgraduallybecomingthedevelopmentdirectionofbatterysystem.Theexpansionofbatterycapacitycanberealizedbyparallelconnectionofmultiplesinglebatteries,namelyparallelbatterysystem(PBS).However,underextremeworkingconditions,lithiumionbatteriesarepronetothermalrunaway,shortcircuitandotherphenomena,resultingincombustionexplosionandothersafetyaccidents.Therefore,asatooltodetectandprotectthebattery,thebatterymanagementsystemcanwellpreventtheoccurrenceofthiskindofphenomenon.Thebatterymanagementsystemcanalsoestimatethechargedstate,healthstateandfunctionalstateofthebattery.Thechargedstateofthebatteryisoneoftheimportantparametersofthebatterymanagementsystem,whichcanbeusedtoestimatethebatterypowersoastopreventovercharging,overdischargeandotherproblems.Asoneoftheinfluencingfactors,temperaturemustbeconsideredintheactualSOCestimation.ThetitleofthispaperistoconsiderthetemperatureoftheparallelbatterybatterymanagementsystemanditsSOCestimation.First,theequivalentmodelofthebatteryneedstobeestablished.Basedontheaccuracyandsimplicity,thesecond-orderRCequivalentcircuitmodelischosentosimulate.Atthesametime,theexistingocv-soccurvesatdifferenttemperatureswerefittedbyleastsquaremethodtoinputtheparametersoftheequivalentmodelandcompletetheestablishmentoftheequivalentmodel.Finally,intermsoftheselectionofSOCestimationmethod,consideringthereal-timeperformance,accuracyandsimplicityofthealgorithm,IchoosethetracklesskalmanfiltermethodastheSOCestimationalgorithm.Keywords:lithiumionbattery;Equivalentcircuit;SOCestimation;temperature目录1概述 概述1.1选题的背景及其意义随着时代的发展和科技的不断创新，交通工具的发展也在不断进行。自德国人卡尔本茨在1885年10月发明第一辆汽车到现在，汽车已经很大的改变了人们的出行方式，凭借汽车的便捷性汽车已经发展为人们最广泛使用的交通工具之一。因此汽车方面产业得到大力的发展并逐步成为全世界重要的支柱产业之一。然而由于传统汽车所使用的燃料会排出大量有害气体污染环境以及消耗大量能源，传统的汽车能源已经不能满足人们对能源的需求。每当汽车排气管冒出浓烟时，您都会看到它，因此，不可否认的是，汽车是造成空气污染的主要因素。空气污染是指空气中不存在异物，或者过量的某些杂质不会对我们造成伤害。汽车燃烧汽油时，会排放污染物。甚至当我们将汽油泵送到油箱中时，汽油烟雾仍会逸出，1）当燃料中的碳不能完全燃烧时，汽车会排放一氧化碳。2）汽车的尾气排放出碳氢化合物，碳氢化合物是一种有毒的化合物。3）当燃料燃烧时，氮和氧相互反应并形成氮氧化物（NOx）。4）可吸入颗粒物-外来物质小微粒-在空气中造成大气灰霾和可破坏人的肺。人们认为，汽车排放的空气污染物会导致癌症，并导致诸如哮喘，心脏病，先天缺陷和眼睛刺激等问题。汽车的排放增加了大气中二氧化碳和其他温室气体的含量。处于正常水平时，温室气体会将太阳的一些热量保持在大气中，并有助于温暖地球。也就是说，许多科学家认为，燃烧汽油等化石燃料会导致温室气体含量激增，从而导致全球变暖。近年来，中国政府高度重视新能源汽车的发展。2009年，中国首次提出了新能源汽车的发展目标。[1]2010年，新能源汽车显然是这样被认定为战略性新兴产业。进一步明确了新能源汽车的发展规划目标强化和明确《节能与新能源汽车发展规划(2012-2020年)》2012年发布(以下简称《发展规划》)。2014年至2015年，出台了多项激励政策介绍了密集。《中国制造2025》也对新能源汽车的目标提出了更高的要求2025年，新的能源汽车产业已经能够取得长足的发展，相关技术也得到了发展不断完善，并逐步实现系统化。在技术研发方面，国内拥有自主品牌的汽车企业均有在混合动力电动汽车的发展中已经成熟。与纯电动汽车和燃料电池汽车相比，混合动力电动汽车不需要建设配套基础设施，技术复杂性相对较低。目前，混合动力汽车是我国新能源汽车的主要发展方向。此外,随着国家政策的支持和新能源汽车市场的发展，对新能源汽车的需求不断增加能源汽车大幅增加，企业科研投入大幅增加此外，我国新能源汽车的技术水平与世界先进水平还有较大差距国外在汽车方面常用的技术有汽车设计开发过程、底盘等变速箱的开发、发动机及配套技术。而在新能源汽车之中，电池管理系统作为核心部分对检测电动汽车起着至关重要的作用因而本文将研究电池管理系统中的荷电状态估计作为本课题的研究对象。1.2电池模型研究现状目前，相关研究领域和数据中描述的主要电池模型包括数学模型、算法模型、热模型、电化学模型和最常用的等效电路模型。典型的电化学模型采用布尔-博尔默方程表示，并且由dill-fluer模型表示，研究人员和研究人员已经广泛使用它来优化电解质和电极。该电池模型具有反映单电池内发生的显微镜化学反应的功能。但是，该公式中包含的异常微分方程式对研究人员的计算构成了很大的制约。如果使用此方程式根据电化学特性计算复杂的非线性资讯，不仅很难得到正确的计算结果，而且研究和证明也需要很多时间。为了准确模拟电池内的电化学模型，德尔小组在研究和演示后开发了P2D模型。与传统的电化学模型的电化学特性相比，可以获得更准确的信息，但更复杂的微分方程(包括参考)将再次成为瓶颈，科学家和学者将研究电池中化学反应的难度。现场报价。电池模型设计者用于使用数学方法(如随机预测)检索系统不同行为级别(如自主性、性能和效率)的模型称为数学模型。该模型的研究和应用不能提供重要的模拟、状态估计信息和其他研究所需的电流和电压特性，这些不合理的误差使相关领域的学者感到沮丧，因此数学模型的应用并不广泛，因此受到很大限制。随着近年来新型电动汽车的快速普及和开发，用户和工厂在相对高温和低温环境(即摄氏50度以上、摄氏30度以下)下的工作进行了更高水平的研究，主张这是从新的仿真模型——热模型开发的机会。该模型经常用于外部因素考虑温度的电池管理系统的研究。热模型的研究始于国外，研究开发的进展在中国的进步上大有前途。[2]其中使用最典型、最广泛的是贝马迪教授和美国加利福尼亚大学的其他研究人员在1985年提出的电池发热率模型。此外，该模型是许多热建模研究机构使用的参考模型，这些机构取得了良好的进步，对电池模型的研究作出了巨大贡献。中国的很多研究者和机构都参与了热模型的研究，但是研究成果没有其他国家那么深。因此，有必要加深对热模型研究的支持。有名的电池模型被众多研究人员称为“黑匣子模型”，在技术上被称为算法模型。正如名称所示，电池型号依赖于多种算法。算法模型的优点是不必担心电池的复杂内部化学反应过程。相反，使用神经算法、概率估计算法和其他算法将这些因素直接简化为黑箱模型进行研究，而无需深入考虑外部影响因素，包括温度。与数学模型相比，算法模型和非线性特性可以计算电化学特性。但是，黑盒子模型始终具有缺陷或模型精度。为了确保此要素，您需要花费大量时间进行脱机培训和收集数据样本，并且工作负载计算非常巨大。国内外学者开始对这种电池型号进行详细的研究。通过计算和实证遗传算法和神经网络，证明了算法模型的估计精度达到研究所需的水平。最后，引入等效电路模型。由于等效电路模型易于构建、计算和理解，因此在模拟建模中通常使用等效电路模型。该模型通过适当的位置以及电容和电阻等电路元件的配置，来实现电池充电和放电特性的研究。由于其结构和简单的结构，等效电路模型是目前研究最广泛的电池模型。国内外很多研究者对此进行了更具划时代意义的广泛研究。[3]国内学者杨锡青、图雷等通过持续研究，改善了PNGV等效电路模型，提高了精度。弗拉基斯瓦夫和其他外国学者也以提高精度为目的，研究并讨论了一次RC网络模型。该问题基于聚合物锂电池的等效电路模型。1.3SOC估计现状常用的估计方法有放电实验法、安培时积分法、开路电压法、电阻测量定量法、卡尔曼滤波法、神经网络法等。对各种方法进行了分析和比较为了更好地控制电池组的能量和热量和更好的保证电池组的安全性能,这需要的估算方法应满足下列情况:这是估计的主要要求,确保精度在使用动力电池,没有累积误差;实时:这是估计的基本条件,可以实现在线实时估计的过程中使用。收敛性:能抵抗外界干扰(如电磁干扰、噪声干扰)，能修正初始误差值，使估计能收敛到真实值，无限接近真实值;可行性:可在实际应用中实现。通过对比分析发现，根据实时控制点的要求，先排除放电实验法和开路电法，因为前者需要在非工作状态下进行估计，无法实现在线预测;神经网络方法具有较高的精度,是高度趋同,但是需要大量的训练数据资源,由样本数据和训练方法所以影响很大,它仍然是在模拟阶段,因此很难实现实时估计,这一直是一个难点的热点;在电流检测误差和初值误差的影响下，安培时积分法会增加累积误差。长期积累的误差会使估计值严重偏离实际值，不能满足点的精度要求;电阻的测量方法很难测量电池的内阻，在苛刻的工作环境点可行性要求下更是难以测量;卡尔曼滤波算法可以弥补的初始误差安培小时积分方法和累积误差的不足之处,在评估过程中可以保持良好的精度,可以有效地抑制噪声,但电池模型的依赖性太强,因此有必要建立一个精确的电池模型,大量的计算和过程是主流的计算能力在目前阶段估计算法。总之,单一应用程序的任何算法估计会导致不可避免的缺陷,就是差别,实时在线估计独立执行,和最初的确定是由使用开路电压的方法,考虑各种要素安时积分法计算初始值,采用改进的卡尔曼滤波算法计算初始值，尽量减小测量误差和其他干扰因素，以减小外界的影响。1.4课程研究的内容与安排1）研究内容本文以聚合锂离子电池作为研究对象，首先介绍电池管理系统的架构及其功能然后对电池建立精确的等效模型从而对电池用无迹卡尔曼滤波法进行SOC估计。2）内容安排第一章概述部分从能源危机的课题背景出发引出当前锂离子电池的地位和优点然后介绍了国内电池管理系统发展现状，锂离子电池模型的研究现状以及锂离子电池SOC估计方法的研究现状。第二章为电池管理系统的章节，从架构，功能，以及不同用途的管理系统之间区别三个方面介绍电池管理系统。第三章为锂电池模型选择介绍环节，通过对比Thevenin模型，线性模型以及二阶RC模型并结合实际需要最终选择了改进的Thevenin模型作为电池的等效模型。第四章为SOC介绍章节，通过对比多种估计方法从精确性以及在线估计等方面考虑最终选择了无迹卡尔曼滤波法作为SOC估计方法。第五章通过仿真验证模型以及SOC的选择的准确性。最后总结全文内容，得出研究的结论，发现研究的问题，对将来的研究方向以及方法进行展望。2电池组管理系统电池管理系统翻译后为BatteryManagementSystem(BMS），顾名思义是一种监视系统来评估电池工作效率来发现其工作的不正常情况。它的主要目的是保证电池系统的设计性能，从安全性、耐久性和动力性3个方面提供作用[1]，主要通过监控电池系统的运行状态，防止电池出现过充和过放的情况。通过对电池的合理使用和养护，以延长电池的使用寿命，并应对可能危害电池寿命的情况进行报警和对已危害电池寿命的情况提供保护电池管理系统需要监测电池的电压、电流以及电池温度等传感信息，及时调整电动汽车的运行状态，更加合理地利用电池。2.1电池管理系统主要架构与功能电池管理系统起着监测电池运行状态的功能，下面介绍一下电池管理系统的架构以及功能：2.1.1硬件BMS硬件包括CPU电源IC采样IC高驱IC其他IC部件RTCEEPROMCAN模块以及隔离变压器等，其中CPU为核心部件。而这些部件的拓扑结构可以分为集中式和分布式[4]两种类型：（1） 集中式是将所有电气部件全都集中到一块板子上，这样的情况下采样芯片的通道利用最高并且主芯片和采样芯片之间可以采用菊花链通讯，这种结构用电路设计简单，成本较低。但是所有的采集线束都会连到主板上，对BMS安全有较大挑战。并且菊花链通讯稳定性上也有问题。因此这种结构适用于电池包容量小，电池包固定的场合。（2） 分布式包括从板和主板，一个电池模组配备一个从板。这种设计优点是通道利用率高，系统配置灵活适用于不同容量，规格型式的模组和电池包。缺点是当电池模组单体数量少于12时会造成通道浪费。2.1.2应用层软件软件架构主要包括高低压管理，充电管理，状态估算，均衡控制和故障管理等。（1） 高低压管理正常上电又VCU通过硬线或CAN信号来唤醒BMS，待BMS完成自检及进入待机后VCU发送上高压指令，BMS控制闭合继电器完成继电器完成上高压。下电VCU发送下高压指令唤醒12V.（2） 充电管理充电管理主要包括快充和慢充，慢充通过交流电桩充电通过CC或CP信号唤醒BMS保证充电结束后正常休眠按照国标详细规定开发即可·。快充通过直流充电桩实现高倍率充电具有较大难度。（3） 估算功能主要包括SOPSOHSOCSOE的估算，SOP通过SOC与温度的查表可知，SOH通过电池的运行过程数据估算出实际容量再与额定容量相比即可，SOC为BMS的核心算法，通过安时积分法以及EKF算法结合修正策略了来估算,SOE算法通过查表得到剩余能量与最大可用能量的比值。（4） 故障诊断根据实际的情况，区分不同的故障等级，并且在不同的故障等级情况下BMS和VCU会采取不同的处理措施，警告，限制功率或直接切断高压。故障包括电气故障电池状态故障通讯故障及数据采集及合理性故障等。（5） 均衡控制通过被动均衡的方式来在电池使用的过程中消除电池单体不一致性从而减少电池因为木桶短板效应造成的电池的浪费。2.1.3底层软件按照AUTOSAR架构划分成许多通用功能模块，减少对硬件的依赖，可以实现对不同硬件的配置，而应用层软件变化较小。应用层和底层需要确定好RTE接口，并且从灵活性方面考虑DEM(故障诊断事件管理)、DCM(故障诊断通信管理)、FIM(功能信息管理)和CAN通讯预留接口，由应用层进行配置。[5]2.2汽车电池管理系统与储能管理系统区别相较于储能电池BMS电动汽车BMS对可靠性与稳定性有极高的要求以满足电池能在高温震动的环境里工作。由于电动汽车涉及到人身安全问题所以相关的测试极为严格。此外电动汽车BMS要考虑与汽车电子，充电桩连接的问题要符合电磁兼容。而储能电池管理系统要考虑储能系统的需要与电网连接，电网对谐波频率有较高的要求。3锂离子电池模型及参数辨识3.1电池模型的意义及要求电池模型的意义在于电池内部状态与电池外部测量值之间的函数关系的明确，此外通过试验手段获取电池各个参数之间的明确关系也会帮助建立能精确反应电池特性的电池模型。[6]利用电池模型就可以通过模型仿真预测在多种工况下电池在的性能表现从而减少复杂的电池实验，缩短实验周期减少实验成本。此外准确的电池模型可以精确的反应SOC与直接可测物理量的关系，从而通过外部物理量的测量来估计SOC的值。本文所采用的卡尔曼滤波算法SOC估算中，准确的模型可以提高SOC估算的精度。基于以上要求，等效电路模型是最合适的选择。3.2等效电路模型等效电路模型是仅通过电阻理想电压源电容等电气元件来模拟电池在充放电过程中所体现出来的动态特性的电路模型。常用的模型有线性模型、Thevenin模型、二阶RC模型等3.2.1线性模型如图2-1所示为线性模型，作为最早出现的电池模型，该模型由一个电阻和一个理想电压源组成，E代表电池电动势，R代表电池内阻。该模型结构简单，参数获取容易，但由于未考虑电池电化学反应中内阻的变化，无法准确描述电池内部各种动态效应。图2-1线性模型3.2.2Thevenin模型作为最为典型的非线性模型，相较于线性模型，Thevenin模型多串联了一个RC回路来描述电池的极化反应。如图2-2所示E表示电动势，R1代表电池欧姆内阻，R2表示电池极化内阻，C表示极化效应中产生的容抗。该模型结构简单，能够很好的描述电池的静态特性和动态特性。但由于模型内部参数均为定值，不能考虑到温度、老化程度、充放电倍率等影响下电池的状态。因此不适用于本课题。图2-2Thevenin模型3.2.3改进的Thevenin模型图2-3改进的Thevenin模型其中U0是随着温度和SOC变化的开路电压，U为电池端电压，在锂电池静止足够长的时间后，可以将开路电压看作端电压，R0是锂电池欧姆内阻代表锂电池的立即响应，两个RC回路模拟锂电池的瞬态响应，其中Rs，Cs模拟电池电极化现象，Rl，Cl模拟电池浓度差极化现象。该模型基本的公式为：（1）（2）（3）（4）3.3本文电池模型由于要考虑SOC估计的在线性以及本课题中要考虑温度的要求，以及精确度和复杂程度。改进后的Thevenin模型是最适合本文的电池模型。将模型中的R0、RS、C0、CS定义为SOC，温度的函数，由于电池内部的极化反应传统的戴维南模型难以模拟，因此借以提高RC电路的阶数来使模型精度提高。根据实验结果[7]可知二阶和三阶及以上模型误差极小而高阶次带来了复杂的运算因而选择二阶RC模型作为锂电池的等效模型较为合适。4.锂离子电池组SOC估算本文针对前文所提出的改进的Thevenin模型，提出了使用无迹卡尔曼滤波法对电池进行SOC估计。4.1影响电池SOC的因素在锂电池工作的过程之中有很多可以影响SOC的因素，比如电池的温度，老化程度，充放电倍率等。[8]电池充放电倍率指的是在规定的时间内，电池充放电到全负荷或固定容量所需的总电流，而数据的值相当于电池的额定容量的倍数。而电池的倍率会在电池很久时间的充电之后降低从而导致SOC的变化而影响估计。电池的温度因素由于温度对电池的容量以及内部参数有较大影响，环境温度的影响也是影响电池充电状态的一个不可忽视的因素。无论电池如何工作，电池内部的化学反应都取决于温度，不同温度下电池化学反应的强度变化很大。也有必要定义电池在额定工作条件下的容量，电池的实际工作性能在高或低的温度下变化很大，比如在寒冷的北方或南方，在炎热的夏天，手机的电池明显比在室温下衰减更快。电池自放电因素从工厂出来的电池一直有自放电现象。自放电现象是指电池在储存过程中，有一小股电流流过电池本身。这种电流称为自放电电流。由于存在自放电现象，电池容量会随着时间的推移而逐渐下降。电池的自放电是不可避免的，因为电池的正极和负极之间的一些介质会损失一些电池能量。实验结果表明，磷酸铁锂电池在一个月内的自放电损耗小于电池总损耗的1/1000，因此本文不将锂电池自放电对电池造成损耗的因素考虑在内。4.2无迹卡尔曼滤波法4.2.1算法介绍UKF解决了EKF的近似问题。但是现在使用精心选择的最小集合来指定样本点。这些样本点完全捕获了GRV的真实平均值和协方差，当传播时通过真正的非线性系统，捕捉后面的对于任何非线性，平均值和协方差精确到3阶(泰勒级数展开式)。为了详细说明这一点，我们首先解释无味转换。无迹变换是一种计算随机变量统计量的方法非线性变换[9]。考虑通过一个非线性函数传播一个随机变量x。假设有均值x和协方差Px。到计算的统计量，我们形成一个矩阵西格玛向量(具有相应的权重)Xof2L+1，符合以下要求:(5)其中是缩放参数。确定西格玛点的分布，通常设置为小正值(例如1e-3)。是次要的缩放参数，通常设置为0，并使用结合(的)分布的先验知识高斯分布是最佳的)。是矩阵平方根的第四行。这些西格玛向量通过非线性函数传播的均值和协方差用后验的加权样本均值和协方差来近似西格玛积分，(6)(7)请注意，这种方法与一般的“抽样”方法(例如，蒙特卡罗方法，如粒子)有很大的不同过滤[1),这需要更多数量级的样本试图传播精确(可能是非高斯)状态分布的点。UT采用的貌似简单的方法导致了近似精确到高斯输入的三阶所有非线性。对于非高斯输入，近似值至少精确到二阶由选择决定的三阶和更高阶矩和的(关于超声心动图的详细讨论，见[10]。A图1显示了一个二维的简单例子系统:左边的图显示了真实的平均值和协方差使用蒙特卡罗抽样的传播；中心地块使用线性化方法显示结果在EKF完成；无迹卡尔曼滤波器(UKF)是对中递归估计的直接扩展，其中状态RV被重新定义为级联原始状态和噪声变量的:。UT西格玛点选择方案(方程5)应用于这个新的扩充状态RV，以计算相应的西格玛矩阵。给出了UKF方程在算法中。请注意，要实现这种算法，并不需要对Jacobian或Hessians进行显式计算。此外，计算总数为和EKF的顺序一样。[11]4.2.1无迹卡尔曼滤波法实现SOC估算步骤及其公式根据锂电池Thevenin模型，本文将系统的状态变量设定为一维的SOC的值，而系统的观测变量是电池的端电压Ul，与选取【SOCUPUB】T作为系统状态变量的方式比，通过三维变为一维，大大减少了运算量和复杂程度。其算法迭代过程主要为[12]：①初始化状态变量x均值和均方误差；②获取采样点xi及对应权重ω；③状态估计及均方误差的时间更新；④计算增益矩阵；⑤状态估计及均方误差的测量更新以下是电池的状态方程：（8）（9）式中,τ1、τ2为时间常数，wk、vk分别为系统过程噪声与测量噪声，△t为采样周期。基于UKF的电池系统SOC估计算法主要思路：以［SOCs，kUss，kUsl，k］T作为步骤2）中的状态变量Xk，以式1）、式（2）分别作为步骤3）中状态估计时间更新的非线性状态方程及系统输出时间更新时的测量方程，以电池系统端电压实际测量值为步骤5）中电池系统端电压，将这些对应量代入UKF算法中，经循环迭代后，实时得到SOC的估计值。对于一个非线性系统：（10）其中，是系统噪声值，是测量噪声值。UKF算法过程如下：[13]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。（11）其中，L为状态向量的长度，本文中状态向量长度为3，权重值计算如下所示：（12）其中，取=0.01，=0，=2。3） 更新先验状态值和系统方差预测值。（4）（13）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。（6）（14）5） 更新协方差，后验状态值和后验状态误差协方差。（15）（9）（16）（