APP下载

基于在线参数辨识和改进2RC-PNGV模型的锂离子电池建模与SOC估算研究

2021-11-19刘雨洋王顺利谢滟馨吉伟康张一兴

储能科学与技术 2021年6期
关键词:卡尔曼滤波模型

刘雨洋,王顺利,谢滟馨,吉伟康,张一兴

(西南科技大学信息工程学院,四川绵阳 621010)

锂电池由于具有能量密度高、寿命长、质量轻和携带方便等优点,在新能源领域得到了广泛的应用与发展[1]。为满足日常工作要求,锂电池一般以电池组的形式使用。但由于电池个体之间的差异以及自放电效应,导致其在工作过程中不可避免地出现过充、过放与过热的现象。为解决锂电池组不均衡的问题,电池管理系统(battery management system, BMS)应运而生。BMS 可以实时采集电池基本参数、估计电池荷电状态(state of charge,SOC)。锂电池SOC的表征是反映电池能否继续工作的重要参数,SOC 的精确估计为BMS 正常运行提供了重要保障[2-3]。但由于锂电池在不同工况下常表现出强烈的非线性,且SOC 无法直接通过物理手段精确估计[4]。因此,精确的电池模型和合适的算法是SOC 精确估算的必要条件,是建立电池管理系统的关键,对锂电池的高效及安全使用具有重要的意义[5]。

理论分析中常见的电池模型主要有电化学模型、等效电路模型和基于数据驱动的模型等[6]。而常用的SOC 估算方法有安时积分法、卡尔曼滤波及其扩展算法、神经网络法等[7]。安时积分法简单且易于实现,但若初始值估计不准会导致后期偏差越来越大[8],卡尔曼滤波法本质是安时积分法,但只适用于线性模型[9]。神经网络法精度高,但复杂且难度高,难以满足实时性。

本文综合考虑模型复杂度和精确度,针对电池PNGV 模型进行改进,建立2RC-PNGV 模型,使用遗忘因子最小二……

登录APP查看全文

猜你喜欢

卡尔曼滤波模型
一半模型
重尾非线性自回归模型自加权M-估计的渐近分布
改进的扩展卡尔曼滤波算法研究
基于递推更新卡尔曼滤波的磁偶极子目标跟踪
3D打印中的模型分割与打包
基于模糊卡尔曼滤波算法的动力电池SOC估计
FLUKA几何模型到CAD几何模型转换方法初步研究
基于扩展卡尔曼滤波的PMSM无位置传感器控制
基于EMD和卡尔曼滤波的振荡信号检测
基于卡尔曼滤波的组合导航误差补偿