本文介绍了锂离子电池状态估计的重要性，特别是荷电状态（SOC）和健康状态（SOH）。传统方法如安时积分法存在误差，而卡尔曼滤波法（如EKF、UKF）和神经网络法在估计精度和实用性上存在问题。文章提出了一种基于自适应无迹卡尔曼滤波（AUKF）的双自适应无迹卡尔曼滤波（DAUKF）算法，用于同时估计SOC和SOH，通过实验验证了算法的高精度和可行性。
⛄一、双卡尔曼滤波SOC和SOH联合估计
1 引言
为实现节能降耗，降低污染，发展节能环保、不依赖化石燃料的电动汽车取代传统燃油车，已成为当今世界汽车行业的重点发展方向。锂离子动力电池准确可靠的状态估计是电动汽车安全运行的基础[1]，其主要包括荷电状态（SOC）和健康状态（SOH）。SOC直接反映了电池剩余电量的大小，其准确估计直接关系到电动汽车的能量动力分配。
SOH是电池老化程度的一项重要指标，通常表现为电池的能量密度、功率密度、容量的衰减和内部电阻增大[2]，电池状态的准确估计可以使电池得到充分合理的利用，避免电池突发故障造成的危害，对于电动汽车的安全运行具有重要意义[3]。
目前国内应用最多的电池SOC测量方法是安时积分法，它计算简单，但受初始SOC误差的影响较大，且会随时间增长出现较大的累计误差[4]。另外，电池SOC测量方法还有开路电压法、卡尔曼滤波法、神经网络法。开路电压法容易实现但需要通过静置校准OCV值，不利于实际运用[5]。
神经网络法通过训练大量的样本数据进行估算，准确性受训练的方法及训
订阅专栏 解锁全文
581
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
