APP下载

基于OCV分段拟合的电池SOC估计方法研究

2021-12-10杨朝红黄明浩

计算机仿真 2021年11期
关键词:卡尔曼滤波模型

杨朝红,马 彬,2,3,黄明浩,陈 勇,2,3

(1.北京信息科技大学机电工程学院,北京 100192;2.北京电动车辆协同创新中心,北京 100192;3.新能源汽车北京实验室,北京 100192)

1 引言

精确的SOC估计对电池的寿命、安全性和电动车的续航里程具有重要意义[1]。当前,电池荷电状态(state of charge,SOC)的估计方法主要通过测量电池端电压、充放电电流,并采用相应的电池模型来估算得到。然而,锂电池内部的工作特性呈非线性,并且其参数会受到电流、温度、老化等多个因素的影响,随机波动性强;此外,营运电动车辆连续起停时的频繁大倍率充放电对电池SOC估计的适应能力要求更高。因此,开发自适应算法对营运车辆SOC估计具有重要意义。

目前,常用的锂电池SOC的估计方法有安时积分法[2]、开路电压法[3],神经网络法[4]以及卡尔曼滤波算法等[5]。安时积分法通过计算充放电电流在时间上积分和初始SOC来得到实时的电池SOC,但需要精确的SOC初始值同时存在累积误差。开路电压法主要利用查表法获取不同开路电压下的SOC值,然而电池电压具有回弹特性,需要很长的静置时间来达到平衡状态,在实时估计电池SOC时具有一定的局限性。神经网络法需要大量全面的训练数据,其估算结果依赖于所选择的训练方法和训练数据。卡尔曼滤波方法可以弥补安时积分法的不足,并且可以实时最优估计复杂的工况,但是由于传统卡尔曼滤波不具有实时的噪声信息,容易导致算法的不精确甚至发散。因此,实现卡尔曼滤波算法的实时性是当前研究的热点。……

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