基于自适应UKF的锂离子动力电池状态联合估计

发布时间：2020-12-14 23:02

　　针对由静态的电池模型参数而造成的状态估计累计误差、噪声统计特性的时变不确定性等实用化的问题,基于无迹卡尔曼滤波（unscented Kalman filter,UKF）框架设计了一种自适应UKF的电池状态联合估计算法.在无迹变换（unscented transform,UT）时,对量测方程进行准线性化处理,降低了循环迭代过程中的计算开销;利用带遗忘因子的Sage-Husa自适应估计方法对过程噪声的统计特性参数进行递推估计与修正,提高了UKF估计算法的自适应容错能力;实时跟踪滤波的收敛性,若呈发散趋势时,通过自适应衰减因子对误差协方差进行调整以抑制滤波发散,保证了滤波过程的数值稳定性;采用联合估计策略对一阶Thevenim电池欧姆内阻模型参数进行在线更新,以确保动态测试工况下电池模型的准确性,从而提高了电池荷电状态（state of charge,SOC）以及电池健康状态（state of health,SOH）的估计精度.实验与仿真结果验证了该电池状态联合估计算法的可行性与有效性. 

【文章来源】：东北大学学报(自然科学版). 2020年11期 北大核心

【文章页数】：7 页

【部分图文】：

锂离子动力电池的一阶等效模型

式中，f{·}，h{·}分别反映式(4)所示模型中输入对状态转移、状态转移对输出的影响．这里对h{·}进行准线性化处理，即把Et=f{S(k)}函数关系式转换成电动势与电池SOC的一一映射表，再通过查表的方法来减少迭代过程中的计算量．

基于一阶RC网络对电池SOC估计时，假设模型参数Re是事先已辨识的，在实际工程中，考虑到电池老化等因素的影响，有必要对模型参数进行在线更新，以保证电池SOC的估计精度．为此，设计了一种联合在线估计算法，如图3所示．该算法充分考虑了电池状态之间紧密的内在关联性，能够较好地适用于动态工况，主要步骤如下:


本文编号：2917167