基于改进型自适应强跟踪卡尔曼滤波的电池SOC估算

盛国良,翁朝阳,陆宝春

(1.南京工程学院 工业中心,江苏 南京211167;2.南京理工大学 机械工程学院,江苏 南京 210094)

目前,随着节能减排绿色理念的不断推进,设备的动力系统正朝着混合动力和纯电动力系统发展。动力锂电池作为混合动力系统中的主要供电单元,如何进行合理有效的管理是保证系统安全运行的关键,特别是用于反映当前锂电池剩余电量大小的荷电状态(State of charge,SOC)[1],实现精确实时地估算SOC值是锂电池管理系统一大研究课题。

现阶段已提出较为有效的SOC估算方法主要包括:基于传统滤波器的卡尔曼滤波与粒子滤波法等方法以及基于数据驱动的神经网络法[2]与支持向量回归[3,4]等方法。锂电池是一个高度非线性系统,其内部的电化学反应过程复杂,所以对锂电池SOC进行估算时,扩展卡尔曼滤波正好具备处理非线性系统问题的能力。基于数据驱动的方法需大量的实验数据作为支撑,对数据的精确性要求高。因此,扩展卡尔曼滤波法凭借着算法优势,成为目前研究和应用的热点。

在采用卡尔曼滤波算法来估算锂电池SOC值的研究中,文献[5]利用模糊控制方法提出了一种基于模糊控制理论的扩展卡尔曼滤波算法,通过仿真实验表明,该算法能有效地提高估算SOC的精度。文献[6]针对系统噪声问题提出了一种基于小波变换的扩展卡尔曼滤波算法估算SOC,该算法利用小波变换将信号进行多尺度分解,并在每个尺度上结合卡尔曼滤波展开迭代递推,实验证明了算法对电池SOC估算有较强的适应性。……