基于等效电路模型和改进容积卡尔曼滤波的电池SOC估计.pdf

摘要

动力锂离子电池（Lithium-ionbatteries,LIBs）因其具有长循环寿命、高能量密度

等优点在电动汽车中得到广泛的应用。LIBs的荷电状态（SOC）作为电池管理系统的

基本状态量，无法通过传感器测量获得，因此需要对其进行准确的估计。基于此，以

动力LIBs为研究对象，采用二阶等效电路模型和改进的容积卡尔曼滤波算法相结合的

方式对电池SOC进行估计，开展了以下研究工作：

（1）为了更全面理解电池性能、优化SOC估计算法设计，详细分析电池的工作

特性。探索了放电倍率、温度以及循环次数对电池容量的影响，并对相应测试结果进

行详细分析。

（2）针对LIBs运行过程中存在噪声干扰、影响电池参数辨识精度的问题。引入

偏置补偿原理，建立自适应遗忘因子带偏差补偿的递推最小二乘法（AFFBCRLS），

实现电池模型参数的在线辨识。首先构建电池二阶等效电路模型和建立电池状态方程。

之后利用AFFBCRLS对模型参数进行辨识。最后在动态应力测试（DST）工况下，利

用所提参数辨识方法模拟得到的模型端电压的均方根误差（RootMeanSquareError,

RMSE）和平均绝对误差（MeanAbsoluteError,MAE）分别为0.0076和0.0049，与传

统参数辨识方法相比，分别降低了25.49%和2%。结果表明，所提出AFFBCRLS的方

法显示出更高的精度。

（3）针对容积卡尔曼滤波算法中协方差矩阵分解不正定、固定的量测噪声与过

程噪声引起锂离子电池SOC估计结果不准确的问题。引入自适应滤波器和平方根滤波

器，建立自适应平方根容积卡尔曼滤波（ASRCKF）算法。在DST工况下，对比不同

算法验证所提出方法对SOC估计的准确性。ASRCKF算法在室温DST工况下的SOC

估计最大RMSE和MAE分别为0.0023和0.0019。此外通过在不同温度和不同SOC初

始值以及不同电压和电流偏置下条件验证了该方法的鲁棒性。结果表明，所提的

ASRCKF算法在SOC估计上显示出满意的准确性、鲁棒性以及较低的计算成本。

（4）针对ASRCKF中的移动估计窗口都是人为随机选择，存在选择不准确，造

成SOC的估计误差大问题。引入粒子群优化（PSO）算法，构建一种PSO优化移动估

计窗口的改进ASRCKF。该方法可以智能选取自适应滤波器的移动估计窗口，获得最

优自适应窗口值。在DST、FUDS以及US06工况下，利用不同温度和不同SOC初始

值来验证所提方法。结果表明，在不同温度、不同工况以及不同初始SOC值下，该方

法都能实现SOC的精确估计。

关键词：锂离子电池；荷电状态估计；参数辨识；自适应平方根容积卡尔曼滤波

论文类型：应用研究

ABSTRACT

Lithium-ionbatteries(LIBs)havebeenwidelyappliedinelectricvehiclesduetotheir

advantagesoflongcyclelifeandhighenergydensity.TheStateofCharge(SOC)ofLIBsis

regardedasthefundamentalparameterofthebatterymanagementsystem,whichareobtained

byusingthepopularapproacheswithdata-drivebased,model-basedetal.Anditcannotbe

measuredbysensor.Inthisthesis,theimprovedCubatureKalmanfilteralgorithmisproposed

bycombingthesecond-orderequivalentcircuitmodelfortheSOCestimationofLIBs.The

followingresearchworkhasbeencarriedout:

(1)Togainamorecomprehe