基于FFRLS-SRUKF算法的锂电池SOC估计研究

传统无迹卡尔曼滤波在荷电状态(SOC)估计时主要面临两个问题:一是电池模型参数固定导致SOC估计精度低;二是协方差矩阵出现非正定时导致SOC估计失败。提出了遗忘因子递推最小二乘(FFRLS)算法结合平方根无迹卡尔曼滤波(SRUKF)的SOC估计算法。首先,建立二阶阻容(RC)等效电路模型。其次,利用FFRLS算法对电路模型参数在线辨识并实时修正电池等效电路模型,在此基础上使用SRUKF算法估计SOC。最后,通过间歇恒流脉冲放电和动态应力测试工况对所提算法进行验证。试验结果表明,该算法的平均绝对值误差低于0.0115、均方根误差低于0.012。与SRUKF算法相比,FFRLS-SRUKF算法具有更好的SOC估计性能,为电池管理系统解决锂电池的不一致性提供了可靠依据。

基于KF-SRUKF算法的锂离子电池荷电状态估计

荷电状态(SOC)估计对于锂离子电池的可靠安全使用至关重要。在SOC估计中,平方根无迹卡尔曼滤波器(SRUKF)适用于非线性方程变量的有效估计,对线性状态方程并不适用。针对这一问题,本文提出将线性卡尔曼滤波器(KF)与平方根无迹卡尔曼滤波器(SRUKF)组成的KF-SRUKF算法应用于电池SOC估计的方法。本文首先建立了基于二阶RC等效电路模型,采用双环递推最小二乘法(BLRLS)进行模型参数辨识,然后根据所提算法进行SOC估计。通过电池测量设备和专用软件组建的电池测试平台进行了算法验证,结果表明,所提改进算法在提高SOC估计精度的同时也有效地减小了计算量。

基于SRUKF的机载多平台传感器数据配准算法

提出一种基于平方根UKF的机载多平台传感器数据配准方法。首先给出多平台传感器偏差配准模型,将目标的运动模型和传感器配准误差组合在同一个状态方程中,然后讨论模型的可观测性,利用平方根UKF算法估计目标的运动状态和传感器配准误差,避免了对非线性方程的线性化,相比传统UKF算法减少了计算量。Monte-Carlo仿真表明,该方法能同时有效估计目标运动状态和多平台传感器配准误差,且系统偏差的估值迅速收敛到真实值附近,相比传统UKF方法,在相当的估计精度下,具有更快的运算速度和收敛速度。

基于平方根无迹卡尔曼滤波的锂电池状态估计

在充电式混合动力电动汽车(plug-in hybrid electric vehicle,PHEV)和电动汽车(electric vehicle,EV)中,对电池进行精确、可靠的荷电状态估计(state of charge,SOC)非常重要。传统估计方法存在计算量大、估计不精确等缺点,提出一种平方根无迹卡尔曼滤波(square root unscented Kalman filter,SRUKF)算法对SOC进行实时估计及更新。利用无迹变换(unscented transformation,UT)精确估计系统方程的均值和协方差,使估算值达到二阶精度。利用平方根算法保证状态协方差的半正定性,提高数字计算的稳定性。通过实验对比,验证了该算法的有效性。结果表明,该方法可使状态估计值具有较小的误差和快速跟随性,满足了SOC估计的实际需求。