基于混合AUKF和HIFF的锂离子电池SOC估计

王志福，李仁杰，李 霞

(1.北京电动车辆协同创新中心，北京 100081； 2.北京理工大学机械与车辆学院，北京 100081；3.中车唐山机车车辆有限公司，河北 唐山 060040 )

动力电池是纯电动汽车的核心。准确估计电池的荷电状态(SOC)，对整车控制优化、电池系统管理优化及剩余里程估计等都十分重要[1-2]。电池参数辨识是SOC估计的基础。目前，参数辨识的主要方法可分为离线辨识和在线辨识两类。由于各参数对电池的状态非常敏感，离线辨识法已无法满足所需的估计精度。在线辨识法可通过实时测量电压和电流来计算模型的参数，有可能针对不同的电池老化水平和操作条件，实现准确的性能预测[3-4]。目前，锂离子电池SOC估计的主流方法是基于模型滤波的估计方法和多算法融合估计方法，而且单种算法估计不足以满足SOC估计的需要。K.P.B.Chandra等[5]将容积卡尔曼滤波和H无穷滤波(HIFF)结合，形成一种鲁棒估计方法，并验证了鲁棒性。C.Lin等[6]提出了一种多模型融合估计方法来适应不确定的动态载荷和不同的温度，提高了能量状态估计精度和可靠性。

本文作者首先应用Thevenin电池模型和偏差补偿型递推最小二乘法(BCRLS)，实现在线参数辨识。在之前研究[7]的基础上，通过仿真实验，证明BCRLS算法对削弱采集数据有色噪声的效果，再针对卡尔曼滤波类算法对模型不准确度和测量噪声不准确度较为敏感的问题，提出一种自适应无迹卡尔曼滤波(AUKF)和HIFF的融合算法，将AUKF的精度和HIFF的鲁棒性相结合，用于SOC的估计。

1 电池建模和在线参数辨识

1.1 模型的建立

等效电路模型具有简单和高效的特点，应用较为广泛。……