基于BASOA-IEKF融合算法的电池SOC估计

标准扩展卡尔曼滤波是常用的电池荷电状态(state of charge,SOC)估计算法,针对其系统线性化误差和噪声矩阵依赖问题会导致电池SOC估计的准确性下降的情况,提出了一种基于边界自适应人群搜索(boundary adaptive seeker optimization algorithm,BASOA)-迭代扩展卡尔曼滤波(iterated extended Kalman filter,IEKF)的融合滤波算法,通过状态估计值多次迭代和系统噪声矩阵智能寻优来提升SOC估计效果.结果表明:在静态工况下BASOA-IEKF算法的SOC最大估算绝对误差为3.74%,混合功率脉冲特性(hybrid pulse power characterization,HPPC)工况下SOC估算绝对误差小于3.00%,城市道路循环(urban dynamometer driving schedule,UDDS)工况下估算绝对误差小于2.50%,相较于单一IEKF算法,BASOA-IEKF算法的SOC估计精度更高,SOC误差曲线在收敛后波动更小,表现更稳定,全局鲁棒性更优.