擴展卡爾曼濾波(EKF)和無跡卡爾曼濾波(UKF)算法估算電池荷電狀態(tài)(SOC)依賴等效模型參數(shù)的準確性,估算精度低。容積卡爾曼濾波(CKF)算法的濾波性能良好。利用自適應(yīng)CKF(ACKF)算法估算電池SOC,自適應(yīng)調(diào)節(jié)過程噪聲協(xié)方差和量測噪聲協(xié)方差,提高估算SOC的精度。對鋰離子電池建立二階RC等效電路模型,在不同工況下進行充放電,用卡爾曼濾波算法在線辨識等效模型的參數(shù),ACKF算法實時估算SOC。ACKF算法估算SOC的魯棒性較強,精度在1.5%以內(nèi)。 

【文章來源】：電池. 2020年04期 北大核心

【文章頁數(shù)】：5 頁

【部分圖文】：

二階RC等效電路模型

電池以1.0C恒流充電至3.6V,轉(zhuǎn)恒壓充電至電流為0,在滿電狀態(tài)靜置1h。以1.0C恒流放電,放電6min后靜置1h再放電,采集10組SOC從1.0至0的開路電壓;電池放完電后,靜置1h。以1.0C恒流充電,充電6min后靜置1h再充電,采集10組SOC從0至1.0的開路電壓。重復(fù)10次實驗,取平均值,對SOC-OCV進行5階曲線擬合,得到SOC-OCV關(guān)系曲線,見圖2,SOC-OCV多項式見式(5)。1.3 電池參數(shù)辨識

參數(shù)辨識使用在線辨識,利用采集的鋰離子電池電壓和電流等數(shù)據(jù),用KF進行在線參數(shù)辨識,實時估算系統(tǒng)的動態(tài)狀態(tài),KF算法利用線性系統(tǒng)的狀態(tài)方程和觀測方程,對系統(tǒng)狀態(tài)最優(yōu)化估算,流程圖如圖3所示。圖3中:x為系統(tǒng)的狀態(tài)信號;y為狀態(tài)觀測信號;A為系統(tǒng)矩陣;B為控制矩陣;C為觀測矩陣;D為傳遞矩陣;P為協(xié)方差矩陣;K為濾波增益,用于對估算值進行矯正;u為當(dāng)前狀態(tài)的控制量;^表示該值為估算值。

【參考文獻】：
期刊論文
[1]基于無跡卡爾曼濾波的鋰離子電池SOC估計[J]. 李爭,張麗平.  電池. 2018(05)
[2]基于平方根無跡卡爾曼濾波的鋰電池狀態(tài)估計[J]. 費亞龍,謝長君,湯澤波,曾春年,全書海.  中國電機工程學(xué)報. 2017(15)



本文編號：2941369