无迹卡尔曼滤波法估计并联型电池系统的荷电状态

采用扩展卡尔曼滤波法(Extended Kalman Filter,EKF)进行电池系统荷电状态估计时存在计算复杂、精度不高的问题。以并联型电池系统为研究对象,结合并联型电池系统空间状态方程,采用无迹卡尔曼滤波法(Unscented Kalman Filter,UKF)对并联型电池系统进行荷电状态估计。在脉冲工况下,UKF与EKF算法的仿真与试验数据匹配情况的分析结果验证了UKF算法的准确性和高鲁棒性。

无迹卡尔曼滤波法在电池系统荷电状态估计中的应用

针对采用扩展卡尔曼(Extended Kalman Filter,EKF)进行电池系统荷电状态估计时其计算复杂、精度不高等问题。以串联型电池系统为研究对象,结合串联型电池系统空间状态方程,采用无迹卡尔曼滤波法(Unscented Kalman Filter,UKF)对电池系统进荷电状态估计;并恒流工况下,通过对比分析UKF与EKF算法的仿真结果与实验数据的匹配情况,证明了提出算法的准确性和高鲁棒性。

基于无迹卡尔曼滤波法的串联型电池系统荷电状态估计研究

以锂离子电池为载体的电源系统为航天器稳定可靠运行提供了一种有效的方式。多个电池单体经串联可扩大电池系统容量,即串联型电池系统。为准确估计串联型锂离子电池系统的荷电状态(State of Charge,SOC),针对扩展卡尔曼滤波(Extended Kalman Filter,EKF)计算复杂、精度不高等问题,结合串联型电池系统空间状态方程,提出基于无迹卡尔曼滤波法(Unscented Kalman Filter,UKF)的串联型电池系统荷电状态估计算法。在恒流和脉冲两种工况下,通过对比分析UKF与EKF算法的仿真结果与实验数据的匹配情况,证明了提出算法的准确性和高鲁棒性。

基于无迹卡尔曼滤波的并联型电池系统SOC估计研究

为准确估计由多个电池单体构成的并联型电池系统的荷电状态(SOC),以SOC与电池极化电压为系统状态变量,提出基于无迹卡尔曼滤波法的并联型电池系统荷电状态估计算法,建立电池系统SOC估计平台,在恒流和脉冲两种工况下,通过UKF算法与EKF算法的对比分析,证明了采用UKF算法进行并联型电池系统SOC估计的结果更准确、鲁棒性更强。

基于UKF的动力电池SOC估算算法研究

动力电池荷电状态(SOC)在线估算对于混合电动汽车蓄电池管理系统有着举足轻重的意义。针对动力电池SOC估算算法中应用广泛的扩展卡尔曼滤波法(EKF)在非线性系统应用时存在的精度损失问题,采用无迹卡尔曼滤波法(UKF)以提高估算精度。研究了一种改进的电动势(EMF)电池等效模型,讨论了该模型的参数和空间状态方程,并将UKF应用于该模型估算SOC。由实验分析可知,对比采用开路电压法得出的SOC真实值,UKF结合EMF电池等效模型在估算算法中有较高的精度,其估算误差小于5%,且SOC估计结果明显优于EKF,具有较高的实用价值。