一种基于优化粒子滤波的锂电池SOC估计算法

吴兰花， 杨秀芝， 郑明魁， 苏凯雄

(福州大学物理与信息工程学院， 福建 福州 350116)

0 引言

电池SOC的定义为： 电池剩余容量与标称容量的比值[1]. 其准确估计能有效提高电池的利用率还能起到保护电池的作用. 锂电池是一个复杂的非线性的系统， 而电池SOC不仅无法直接测量得到， 而且受到诸如放电倍率、 工作温度、 循环寿命、 自放电等多种因素的影响. 因此， 锂电池SOC的准确估计是电池管理系统的重点与难点. 为此， 大量的学者对其进行了研究， 并提出多种估计方法， 如安时积分法[2]、 神经网络法[3]、 卡尔曼滤波法[4-6]、 以及粒子滤波法[7-9], 等. 其中， 粒子滤波(PF)算法可以弥补上述卡尔曼滤波算法的不足. 文献[7]利用PF算法实现锂电池SOC 与SOH的联合估计; 文献[8]提出一种基于温度补偿的锂电池模型， 然后应用双重PF算法实现SOC和漂移电流的同步估计； 文献[9]采用PF算法实现磷酸铁锂电池SOC估计， 结果表明PF算法对SOC 估计具有一定的适用性， 而且相较于EKF可以获得更加准确的估计. PF算法通过重要性重采样技术将注意力集中在权值较大的粒子上， 减小权值较小的粒子数. 但是， 较大权值的粒子被多次选择， 采样结果包含了许多重复点， 也会损失样本粒子多样性.

为了有效解决PF算法中粒子多样性丧失的问题， 本研究以某公司提供的磷酸铁锂电池放电数据为研究基础， 提出了基于改进粒子滤波的锂电池SOC估计算法. 在PF算法重采样之前增加基于BP神经网络的权值调整过程， 通过增大位于……