自适应扩展卡尔曼滤波电池荷电状态估算方法

徐保荣，王兴成，张 齐，王 露，王大方

(1.中国人民解放军32184部队，北京 100071；2.哈尔滨工业大学(威海) 汽车工程学院，山东 威海 264209)

在汽车行业中，锂电池作为当今世界应用最广泛和最有发展前景的电池之一，具有比能量高、工作寿命长、安全操作性能高和成本较低的优点[1]，在储能领域逐渐取得优势。随着电动车的普及，车用电池的性能、成本、寿命、安全隐患也逐渐成为人们关注的重点。着重一体化电动底盘，加大新体系的动力电池的研发力度，有望解决电动汽车(EV)目前的发展瓶颈[2]。电池生产厂家除了加强研发便于更换的单体电池、模块组配方式之外，电池管理系统(Battery management system，BMS)的研发也逐渐成为热点[3]。BMS具备检测电池包、电池模组和单体电池的电压、温度、电流的能力，也具备准确估算电池剩余电量(State of Charge，SOC)、电池健康状态(State of Health，SOH)和电池剩余寿命的能力。决定电量使用范围的是容量最小的电池单元，精确的SOC可以提供可靠的电池信息，避免产生过充、过放等缩短电池循环寿命的情况。

国内外学者对电池的SOC估算展开了相关研究。电池SOC估算的输入参数有离线参数辨识和在线参数辨识两种获取方式。马群[4]基于二阶RC等效电路模型，采用离线辨识的方法获取电池内部参数的定值并利用中心差分卡尔曼滤波算法估算SOC；He等[5]基于改进的戴维南模型，采用扩展卡尔曼滤波算法(Extended Kalman Filter，EKF)算法在线辨识模型参数，然后采用自适应扩展卡尔曼滤波算法(Adaptive Extended Kalman Filter，AEKF)算法估算SOC。也有学者选择从数学描述方面进行优化，电池的SOC与开路电压之间存在着非线性关系，可以通过提高开路电压的描述精度来提高模型的精度。……