准确估计电池的荷电状态(state of charge,SOC)对电动汽车具有重要意义。针对单一的锂电池开路电压曲线对基于模型SOC估计方法的局限性,提出了一种应用多开路电压曲线结合扩展卡尔曼滤波的锂电池SOC融合估计方法。利用SOC与对应开路电...准确估计电池的荷电状态(state of charge,SOC)对电动汽车具有重要意义。针对单一的锂电池开路电压曲线对基于模型SOC估计方法的局限性,提出了一种应用多开路电压曲线结合扩展卡尔曼滤波的锂电池SOC融合估计方法。利用SOC与对应开路电压之间的离散数据,通过多项式拟合和含有对数函数的复合函数拟合方式,获得了两种开路电压曲线。分别基于这两种开路电压曲线并结合扩展卡尔曼滤波算法,获得了各自的SOC估计结果。利用加权求和对获得的SOC进行融合,得到最终的SOC估计结果。在动态应力测试工况和美国联邦城市驾驶工况下,验证了所提方法的有效性。两种工况下,SOC融合估计的平均绝对误差和均方根误差均出现了明显下降。展开更多
文摘准确估计电池的荷电状态(state of charge,SOC)对电动汽车具有重要意义。针对单一的锂电池开路电压曲线对基于模型SOC估计方法的局限性,提出了一种应用多开路电压曲线结合扩展卡尔曼滤波的锂电池SOC融合估计方法。利用SOC与对应开路电压之间的离散数据,通过多项式拟合和含有对数函数的复合函数拟合方式,获得了两种开路电压曲线。分别基于这两种开路电压曲线并结合扩展卡尔曼滤波算法,获得了各自的SOC估计结果。利用加权求和对获得的SOC进行融合,得到最终的SOC估计结果。在动态应力测试工况和美国联邦城市驾驶工况下,验证了所提方法的有效性。两种工况下,SOC融合估计的平均绝对误差和均方根误差均出现了明显下降。