基于粒子滤波算法的动力电池SOC估计.pdfVIP

2014年 l0月 机械设计与制造工程 Oct．2014 第43卷 第 10期 MachineDesignandManufacturingEngineering Vo1．43No．10 DOI：10．3969／j．issn．2095—509X．2014．10．016 基于粒子滤波算法的动力电池 SOC估计 汪永志 ，贝绍轶 ，汪 伟 ，‘李 波 (1．江苏理工学院汽车与交通工程学院，江苏 常州 213001) (2．南京航空航天大学 能源与动力学院，江苏 南京 210016) 摘要：针对电池荷 电状态(SOC)容易受到电流、温度、循环寿命等非线性因素的影响，建立基于温 度和电流变化的电池容量修正方程。结合安时法和复合电化学原理构建电池状态空间模型。由 于粒子滤波算法对非高斯、非线性系统的适应性，因此选用粒子滤波算法来研究电池 SOC估计。 通过美国FTP一75工况和NEDC工况实验仿真显示，基于粒子滤波算法的电池SOC估计比扩展 卡尔曼滤波算法估计精度高、适应性好 。 关键词：电池荷 电状态；非线性因素；粒子滤波算法；扩展卡尔曼滤波算法 中图分类号：U461．2 文献标识码 ：A 文章编号：2095—509X(2014)10—0069—05 随着全球能源危机和环境污染的加剧，电动汽 相比于常用的电池 SOC估计方法，粒子滤波 车的设计制造受到各国政府和企业的重视。动力 算法适用于任何用状态空间模型描述的非高斯背 电池作为电动汽车动力系统的重要部件 ，其性能和 景的非线性随机系统，对系统的测量噪声和过程噪 成本是 电动汽车发展的关键因素 。电池荷电状态 声没有任何限制 。卜。。]，可以应用于任何非线性系 (StateofCharge，SOC)预测是 电池组管理系统中 统，精度可以接近最优估计，是一种很有效的非线 最核心的任务，直接影响电池可靠性 、安全性和使 性滤波技术_】川。因此，笔者通过把粒子滤波算法 用寿命 。同时在动力电池工作过程中，整车控制器 引入到镍氢 电池组 SOC估计，有效地提高了SOC 需要依据电池管理系统提供的电池剩余容量 SOC 估计的准确性和可靠性。 分配各系统能量 ，实现最优控制 。但 电池 SOC受 到充放电电流、温度、循环寿命和 自放 电等各种因 1 基于温度和电流修正的SOC方程 素影响，不能直接测量，只能通过一定的算法间接 电池荷 电状态 SOC表示电池当前的净容量与 获得 。目前，常用的电池 SOC估计方法有安时电 额定容量的比值，净容量指电池在后续时间能放出 流积分法、开路 电压法、模糊逻辑法、神经 网络 的最大 电量，额定容量指电池在一定温度和电流下 法 ¨ 和扩展卡尔曼滤波(EKF)法_3 等。 完全充满所需电量。 安时电流积分法 由于 SOC初值计算、测量仪 电池SOC如公式 (1)所示： 器误差、电流和温度导致容量变化等问题，一般不 SOC ：SOC0+ (1) 应用于实车上。开路 电压法需要较长的静止时间， l 不适合 SOC实时动态估计 。相对于模糊逻辑法和 c如=I叩¨，(￡)dt (2) 神经网络法，扩展卡尔曼滤波法计算量小，便于实 现，然而扩展卡尔曼滤波要求统计特性已知的白噪 式中：SOC。代表电池荷电状态的初始值 ；C 是从 声。