基于自适应CKF的锂离子电池SOC估算

发布时间：2020-12-27 07:51

　　扩展卡尔曼滤波(EKF)和无迹卡尔曼滤波(UKF)算法估算电池荷电状态(SOC)依赖等效模型参数的准确性,估算精度低。容积卡尔曼滤波(CKF)算法的滤波性能良好。利用自适应CKF(ACKF)算法估算电池SOC,自适应调节过程噪声协方差和量测噪声协方差,提高估算SOC的精度。对锂离子电池建立二阶RC等效电路模型,在不同工况下进行充放电,用卡尔曼滤波算法在线辨识等效模型的参数,ACKF算法实时估算SOC。ACKF算法估算SOC的鲁棒性较强,精度在1.5%以内。 

【文章来源】：电池. 2020年04期 北大核心

【文章页数】：5 页

【部分图文】：

二阶RC等效电路模型

电池以1.0C恒流充电至3.6V,转恒压充电至电流为0,在满电状态静置1h。以1.0C恒流放电,放电6min后静置1h再放电,采集10组SOC从1.0至0的开路电压;电池放完电后,静置1h。以1.0C恒流充电,充电6min后静置1h再充电,采集10组SOC从0至1.0的开路电压。重复10次实验,取平均值,对SOC-OCV进行5阶曲线拟合,得到SOC-OCV关系曲线,见图2,SOC-OCV多项式见式(5)。1.3 电池参数辨识

参数辨识使用在线辨识,利用采集的锂离子电池电压和电流等数据,用KF进行在线参数辨识,实时估算系统的动态状态,KF算法利用线性系统的状态方程和观测方程,对系统状态最优化估算,流程图如图3所示。图3中:x为系统的状态信号;y为状态观测信号;A为系统矩阵;B为控制矩阵;C为观测矩阵;D为传递矩阵;P为协方差矩阵;K为滤波增益,用于对估算值进行矫正;u为当前状态的控制量;^表示该值为估算值。

【参考文献】：
期刊论文
[1]基于无迹卡尔曼滤波的锂离子电池SOC估计[J]. 李争,张丽平.  电池. 2018(05)
[2]基于平方根无迹卡尔曼滤波的锂电池状态估计[J]. 费亚龙,谢长君,汤泽波,曾春年,全书海.  中国电机工程学报. 2017(15)



本文编号：2941369