文献标志码:A
DOI: 10.16157/j.issn.0258-7998.223341
中文引用格式:王祥,苏建徽,赖纪东,等. 基于AEKF的锂离子电池SOC估算[J]. 电子技术应用,2023,49(4):57-62.
英文引用格式:Wang Xiang,Su Jianhui,Lai Jidong,et al. SOC estimation of lithium-ion battery based on AEKF[J]. Application of Electronic Technique,2023,49(4):57-62.
0 引言
近年来,锂离子电池以能量密度高、无记忆效应、工作电压高等优点在电动汽车等领域已获得普遍认可。锂离子电池是一个复杂的电化学系统,使用不当会加速老化过程以及影响安全性能,为了有效避免电池过充和过放,提高电池的安全性和使用寿命,电池SOC的精确估算尤为重要。然而SOC是电池内部的状态量,不能直接测量得到,但可以通过仅有的电流、电压、温度信息进行估算,因此基于电池外特性的SOC精确估算方法成为研究热点。
当下,锂离子电池SOC估算方法主要包括开路电压法、安时积分法、神经网络法、基于模型的卡尔曼类滤波方法等。开路电压法容易受到不确定因素的干扰,如温度、电池的老化程度、静置时间等。安时积分法需要通过其他方法获取初值,电流测量精度直接影响估算效果,精度过低会造成一定的累积误差。神经网络法需要大量和全面的数据进行训练,数据的数量和质量以及训练方法都会对估算效果产生较大的影响。基于模型的卡尔曼类滤波算法需要依赖精确的等效模型,此外初值的选取也很重要。XU等在基于锂离子电池等效模型的基础上,采用在线辨识模型参数和无迹卡尔曼滤波算法进行锂离子电池的SOC估算,平均估算误差在2%左右。施辉伟等在Thevenin模型的基础上使用拓展卡尔曼滤波算法实现了在不同温度、放电倍率和初始误差下对电动汽车电池SOC的精准估算。Almaita等提出了长短期记忆神经网络模型,对锂离子电池的SOC进行估算,最大估算误差小于0.62%。然而以上研究均未考虑噪声对估算精度的影响,存在一定的局限性。
本文针对拓展卡尔曼滤波算法进行锂离子电池SOC估算时过程噪声和观测噪声固定不变的问题,提出一种基于等效模型的自适应拓展卡尔曼滤波算法,在拓展卡尔曼滤波算法的基础上引入观测噪声信息和过程噪声信息协方差匹配环节,能够有效提高锂离子电池SOC的估算精度。
本文详细内容请下载:https://www.chinaaet.com/resource/share/2000005283
作者信息:
王祥,苏建徽,赖纪东,周晨光,苏志鹏
(合肥工业大学 光伏系统教育部工程研究中心,安徽 合肥 230009)