⛄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练量大小影响较大,计算量太大。卡尔曼滤波法使用递推迭代的方法对SOC进行估算[6]。最常用的为扩展卡尔曼滤波(EKF)和无迹卡尔曼滤波(UKF):EKF估算过程中容易由于线性化过程中方差矩阵的非正定性导致估计值不收敛;UKF利用无迹变换处理均值和协方差,可以有效提高对非线性分布统计量的估算精度,但是系统噪声的