基于自适应无迹卡尔曼滤波的动力电池SOC估计

张 武，孙士山，张家福

(西安科技大学机械工程学院，陕西 西安 710054)

作为电力能源汽车核心部分的电池管理系统，对锂电池荷电状态(state of charge,SOC)的预估具有重要作用[1]。但动力电池的SOC值大小目前还不能直接测量，只能利用端电压、充放电电流和内阻等参数去估计。精准的SOC估计能有效防止电池过充电或过放电，并且可以延长电池寿命，以此来降低成本，进而为整车能量管理提供依据[2]。

目前，电池SOC估算的常用方法分为两类：一类是直接测量进行估算，包括安时积分法[3]、开路电压法[4]等；另一类是基于电池模型的智能估算法，常用的方法有神经网络法[5]、扩展卡尔曼滤波算法等[6]。上述方法都有自身的不足，如：安时积分法估算时常常忽略电池内部结构和特性及复杂的等效参数；开路电压法不仅不适用于在线实时测量，而且测量前需要较长时间静置；神经网络法估算时，必须要大量数据样本，也不能保障训练出的神经网络的精确性；扩展卡尔曼滤波算法进行估算时，泰勒展开的高阶项容易被忽略，使得估计值及量测值的误差偏大，而这种误差容易造成高度非线性系统中算法的发散。

针对以上方法的不足，为提高SOC估算精度许多学者提出了不同的改进策略，TANTM T R等[7]在考虑温度影响的前提下，提出了一种基于开路电压法的安时积分法，并且对模型进行在线更新；XiongRui等[8]提出一种双卡尔曼滤波算法，同时对电池参数及SOC在线估计，运用数据驱动实时获得电池容量和SOC的准确估算，达到提高SOC估算准确性的目的；……