为了准确和快速地估算电动汽车运行过程中汽车电池的荷电状态(State of Charge,SOC)和健康状态(State of Health,SOH),提出一种基于遗忘因子最小二乘和可变时间尺度扩展卡尔曼滤波器的自适应联合估算算法。为了提高算法的效率和准确度,...为了准确和快速地估算电动汽车运行过程中汽车电池的荷电状态(State of Charge,SOC)和健康状态(State of Health,SOH),提出一种基于遗忘因子最小二乘和可变时间尺度扩展卡尔曼滤波器的自适应联合估算算法。为了提高算法的效率和准确度,引入自适应遗忘因子递归最小二乘(Adaptive Forgetting Factor Recursive Least Square,AFFRLS)方法来识别电池模型中的参数,并采用可变时间尺度扩展卡尔曼滤波器(Variable Time Scale Extended Kalman Filter,VEKF)来指示SOC和SOH,以满足对电池动态状况进行在线快速估算的需求。应用动态应力测试(Dynamic Stress Test,DST)数据库验证了该方法的有效性,实验结果表明,该联合估算方法可以获取准确的电池模型,并实现在线状态估算。展开更多
文摘为了准确和快速地估算电动汽车运行过程中汽车电池的荷电状态(State of Charge,SOC)和健康状态(State of Health,SOH),提出一种基于遗忘因子最小二乘和可变时间尺度扩展卡尔曼滤波器的自适应联合估算算法。为了提高算法的效率和准确度,引入自适应遗忘因子递归最小二乘(Adaptive Forgetting Factor Recursive Least Square,AFFRLS)方法来识别电池模型中的参数,并采用可变时间尺度扩展卡尔曼滤波器(Variable Time Scale Extended Kalman Filter,VEKF)来指示SOC和SOH,以满足对电池动态状况进行在线快速估算的需求。应用动态应力测试(Dynamic Stress Test,DST)数据库验证了该方法的有效性,实验结果表明,该联合估算方法可以获取准确的电池模型,并实现在线状态估算。
