基于DFF-SHEKF的电动汽车电池组SOC预估研究.pdf

摘要

动力电池组是电动汽车的核心，其性能直接影响到整个汽车的各项性能。锂离子

电池组以其优异的性能在实际应用中占据了很大的比例。电池当前时刻剩余电量即电

池荷电状态（SOC），其估计的准确性直接关系到电池的运行性能。并且对降低电池

过充、过放等现象具有重要意义，但是此参数具体的值在实际应用中无法直接获取，

针对以上问题，本文进行了以下几个方面的工作：

（1）介绍电动汽车常用电池组及SOC的定义式，并分析了影响SOC估计的常

见因素以及目前已广泛研究的估算算法的特点。通过锂电池组性能表现分析研究，对

锂电池组进行容量测试、内阻特性测试以及脉冲放电测试。同时记录电池充放电时间

变化、电压变化等数据，建立性能表现数据分析库。

（2）通过对多种电池模型进行分析与选择，建立了改进的三阶RC等效电路模

型。其次对参数辨识算法进行分析比较，分别选择在线和离线两种方式中各自具有代

表性的算法对模型进行参数辨识。输出结果表明，在线参数辨识算法对于复杂的电池

模型而言，不仅计算复杂，辨识结果也不稳定。故本文采用离线参数辨识中的PSO

优化算法来获取电池模型的参数。

（3）Sage-Husa扩展卡尔曼滤波（SHEKF）算法，由于在运行过程中需重复循

环噪声协方差矩阵，导致该算法耗时较久，甚至无法收敛。在此基础上，本文提出了

一种新的基于电压差值的方法，并以此为观察器进行了自适应的局部迭代。其次，针

对SHEKF算法系统噪声和量测噪声统计特性变化快慢程度不同但都依赖于新息向量

的问题，本文分别采用两种自适应方法对两种噪声进行估计。并增加了比例积分微分

（PID）反馈环节和对误差协方差矩阵增加遗忘因子从而形成了DFF-SHEKF算法。

最后，在动态应力测试（DST）、北京动态应力测试（BJDST）、美国联邦城市驾驶

工况（FUDS）三类测试工况中进行验证。无论在何种工况下，DFF-SHEKF算法平

均估算误差都在3%以内，由此证明了此算法的可行性和优越性。

（4）在实验室前期工作的基础上，搭建了半实物仿真实验平台，从而进一步验

证本文所改进的模型和算法的有效性。基本原理为通过Simulink将第三章的电池模

型和第四章的估算算法烧录到电池管理系统（BMS）控制器中，从而实现硬件在环验

证。实验结果表明算法平均误差在5%以内，满足实验预期要求。

关键词：动力电池组；荷电状态；三阶RC模型；自适应扩展卡尔曼滤波算法

Abstract

Powerbatterypackisthecoreofelectricvehicles,anditsperformancedirectlyaffects

theperformanceoftheentirevehicle.Lithium-ionbatterypacksoccupyalargeproportion

inpracticalapplicationswiththeirexcellentperformance.Theaccuracyoftheestimation

ofthebatterysremainingchargeatthecurrentmoment,i.e.,theStateofCharge(SOC),is

directlyrelatedtotheoperationalperformanceofthebattery.Anditisofgreatsignificance

toreducethephenomenonofoverchargingandoverdischargingofthebattery,butthe

specificvalueofthisparametercannotbedirectlyobtainedinpracticalapplications,in

viewoftheaboveproblems,thispapercarriesoutthefollowingaspectsofwork:

Firstly,introduc