基于改进粒子滤波算法的动力锂离子电池荷电状态估计

发布时间：2021-01-05 05:53

　　传统电池荷电状态（SOC）估计中常用的扩展卡尔曼滤波（EKF）和无迹卡尔曼滤波（UKF）方法仅适用于线性系统和高斯条件,虽然粒子滤波（PF）算法能用于非线性和非高斯系统,但PF算法在滤波更新时存在粒子退化现象,使粒子集无法表示实际后验概率分布,导致估计精度降低.采用改进的扩展粒子滤波（EPF）和无迹粒子滤波（UPF）算法对电池SOC进行估计,抑制了粒子权重退化.以Thevenin模型对电池进行建模,利用带遗忘因子的最小二乘方法进行模型参数辨识,结合改进后的滤波算法对电池SOC进行估计.实验结果表明,以UKF为建议密度函数进行重采样的UPF方法平均估计误差为0.71%,低于以EKF为建议密度函数的EPF方法平均误差（1.09%）,两种方法的估计误差均小于PF估计误差（1.36%）,有效抑制了粒子权重退化. 

【文章来源】：大连理工大学学报. 2020年04期 北大核心

【文章页数】：10 页

【部分图文】：

一阶Thevenin等效电路模型

方程(9)中,E(k)表示电池输出电压Ut(k)与开路电压UOCV(k)间电压差,UOCV(k)的获取则是通过实验建立的SOC-OCV曲线,如图2通过查表法获得的;方程(10)是方程(9)中各系数的数学表达式,其余各参数含义与方程(1)、(2)中相同.1.2 模型参数估计

表2 DST工况测试策略Tab.2 Testing strategy of DST 步骤 状态 电流/A 时长/s 步骤 状态 电流/A 时长/s 1 静置 0 16 11 放电 -7.680 4 12 2 放电 -3.839 3 28 12 充电 3.850 0 8 3 放电 -7.680 4 12 13 静置 0 16 4 充电 3.850 0 8 14 放电 3.839 4 36 5 静置 0 16 15 放电 -30.724 0 8 6 放电 -3.839 5 24 16 放电 -19.202 0 24 7 放电 -7.680 4 12 17 充电 7.688 5 8 8 充电 3.849 5 8 18 放电 -7.680 5 32 9 静置 0 16 19 充电 15.370 0 8 10 放电 -3.849 5 24 20 静置 0 60UOCV(k)=p1SOC9(k)+…+p9SOC(k)+p10 (11)

【参考文献】：
期刊论文
[1]电动汽车动力电池动态测试工况研究[J]. 孙逢春,孟祥峰,林程,王震坡.  北京理工大学学报. 2010(03)
[2]温度、密度对磁化等离子体光子晶体缺陷模的影响[J]. 章海锋,肖正泉,杨国华,王勇.  发光学报. 2010(01)



本文编号：2958152