适用于无人水下潜航器电池管理系统的SOC-SOH联合估计

为了提高无人水下潜航器(UUV)电池管理系统状态的估计精度,提出荷电状态-健康状态(SOC-SOH)联合估计方法.搭建测试台架,采用4组锂离子电池进行全寿命周期下的充放电测试,获取不同老化程度下的特性数据.经理论推导和实验分析设计四维表征因子,建立基于改进支持向量回归(SVR)的SOH估计模型.探究电池状态的耦合关系,建立基于扩展卡尔曼滤波(EKF)的SOC估计模型,采用遗忘因子递推最小二乘算法(RLS)更新模型参数,利用SOH对SOC估计结果进行修正.通过不同工况的实验进行验证,结果表明:四维表征因子和电池容量相关性好,SOH估计模型精度高,SOC估计模型精度在联合修正后得到提升.所提的联合估计方法具有较高的通用性和可靠性,可以作为有效的嵌入式电池管理系统状态估计算法.

基于多尺度并行卡尔曼滤波算法的电池状态参数估算

准确估算并合理利用电池的荷电状态(state of charge,SOC)与健康状态(state of health,SOH)可以延长电池的使用寿命。为了实现准确的SOC-SOH在线估计,在扩展卡尔曼滤波的基础上,采用多尺度并行扩展卡尔曼滤波估计算法(multi-scale double extended Kalman filter,MDEKF)提高估计精度。在建立电池2阶RC等效电路模型上,利用最小二乘法对模型参数进行辨识,设计并行结构的滤波器进行电池SOC估计和参数修正,并以电池组容量值作为表征量对SOH进行估算。仿真实验结果表明,SOC估计误差由1.43%降低到1.10%,SOH估计结果稳定在0.5%以内,验证了算法的快速收敛性和实时性。