第41卷第1期2023年1月广西师范大学学报(自然科学版)JournalofGuangxiNormalUniversity(NaturalScienceEdition)Vol.41No.1Jan.2023DOI:10.16088/j.issn.1001-6600.2022030903http:xuebao.gxnu.edu.cn赵中华,晏晓锋,童有为.基于自适应渐消扩展卡尔曼滤波的锂离子电池SOC估计[J].广西师范大学学报(自然科学版),2023,41(1):58-66.ZHAOZH,YANXF,TONGYW.SOCestimationoflithiumionbatterybasedonadaptivefadingextendedKalmanfilter[J].JournalofGuangxiNormalUniversity(NaturalScienceEdition),2023,41(1):58-66.�基于自适应渐消扩展卡尔曼滤波的锂离子电池SOC估计赵中华,晏晓锋,童有为∗(桂林电子科技大学信息与通信学院,广西桂林541004)摘要:电池荷电状态(SOC)的准确估计对于电动汽车动力电池的管理至关重要,而电动汽车在实际运行时经常会遇到SOC数据突变的问题,同时所建立的电池模型和噪声模型也存在一定误差,这导致传统扩展卡尔曼滤波算法在SOC估算过程中自适应性和鲁棒性较差。针对这些问题,本文提出使用自适应渐消扩展卡尔曼滤波算法(AFEKF),应用于锂离子电池的SOC估计。引入渐消因子对系统噪声协方差进行自适应迭代,从而实时更新最优卡尔曼增益,减少数据突变和电池模型误差等因素带来的影响,通过在复杂工况下的实验对比可知,AFEKF相比于标准EKF(extendedKalmanfilter),新欧洲驾驶循环工况下SOC估算精度提高0.78个百分点,变电流工况下估算精度提高0.5个百分点,同时在电池SOC初始值不准确的情况下能更快更平稳地收敛到真实值,表明AFEKF算法相比EKF估算SOC具有更高的估算精度和更好的鲁棒性。关键词:荷电状态(SOC);参数辨识;自适应渐消扩展卡尔曼滤波器(AFEKF);锂离子电池;二阶RC模型中图分类号:TM912;U469.72;TN713文献标志码:A文章编号:1001-6600(2023)01-0058-09随着社会经济和交通的不断发展,环境污染和能源问题受到人们的关注,而电动汽车凭借零排放、无污染等优势成为解决能源和环境危机的一种方式。动力电池作为电动汽车的核心,对电动汽车的行驶里程起着至关重要的作用。同时电池管理系统(BMS)在确保电动汽车安全运行、提高续航里程、优化电源管理策略等方面起着重要作用,它的主要任务是荷电状态(SOC)的预测[1]。常用的电池SOC估算方法有直接测量法、数据驱动法和模型驱动法。直接测量法主要有安时积分法和开路电压法。安时积分法[2]十分依赖初始值,且随着估算过程的进行,误差不断积累;开路电压法需要将电池长时间静置以测得开路电压,不适合...
