基于FFRLS-AUKF的锂电池参数在线辨识及SOC估计

针对锂电池模型参数辨识不准确以及传统无迹卡尔曼滤波(UKF)无法对噪声进行实时更新,从而导致锂电池荷电状态(SOC)估计误差偏大的问题,提出遗忘因子递推最小二乘法-自适应无迹卡尔曼滤波(FFRLS-AUKF)算法。先利用遗忘因子递推最小二乘法(FFRLS)对电池二阶RC等效电路模型进行在线参数辨识,再将所辨识的各参数传给由UKF和改进的Sage-Husa算法结合得到的AUKF,从而完成对锂电池的SOC估计,并将其与FFRLS-UKF以及离线UKF所估计的结果相比较。从对SOC估计的误差曲线和平均绝对误差以及均方根误差的数值上对比,均可得出FFRLS-AUKF的精度更高,稳定性更好。

基于CKF⁃FMICKF的锂电池SOC估计

荷电状态的准确估计对新能源汽车具有重要意义。针对荷电状态估计不准确,提出一种容积卡尔曼滤波联合分数阶多新息容积卡尔曼滤波算法,即在分数阶容积卡尔曼滤波算法的基础上利用多新息的方法来更新并修正状态估计,用于估计锂电池的荷电状态;并用容积卡尔曼滤波实时估计并更新锂电池分数阶等效模型中的内阻R0。结果表明:此算法可以有效地估计电池模型中的内阻R0,降低端电压估计的误差,提高估计锂电池荷电状态的精度;与普通分数阶容积卡尔曼滤波对比,所提出的算法精度更高、实用性更强。

基于FFRLS算法的锂电池SOC估计

在锂电池荷电状态估计过程中,锂电池电路模型的参数精度也是尤为重要的一部分.为解决参数精度问题,采用二阶RC电路作为锂电池的等效电路模型进行在线参数辨识,利用带遗忘因子的递推最小二乘法(FFRLS)得出更为准确的电路参数.通过无迹卡尔曼滤波(UKF)估计荷电状态(SOC)实验,结果证明:FFRLS算法所得参数要比LS算法在锂电池电路模型参数估计中所得参数值更为贴近真实值.