基于采样点卡尔曼滤波的动力电池SOC估计

被引：179

作者：

高明煜 ^{[1
,2
]}

何志伟 ^{[2
]}

徐杰 ^{[2
]}

机构：

[1] 武汉理工大学信息工程学院

[2] 杭州电子科技大学电子信息学院

来源：

电工技术学报 | 2011年 / 26卷 / 11期

基金：

浙江省自然科学基金;

关键词：

动力电池; 荷电状态; 过程模型; 观测模型; 采样点卡尔曼滤波;

D O I：

暂无

中图分类号：

TM912 [蓄电池];

学科分类号：

080802 [电力系统及其自动化];

摘要：

动力电池荷电状态(SOC)的快速精确估计是电池能量管理系统的核心技术。针对动力电池这一动态非线性系统,提出了电池过程模型的具体改进方法,以使其可以适应不同放电速率和不同温度条件对动力电池SOC的影响;给出了利用采样点卡尔曼滤波进行电池SOC估计的具体步骤;最后,分析了采样点卡尔曼滤波在SOC估计精度、收敛速度、算法复杂度及鲁棒性等方面的性能。实验表明,采用采样点卡尔曼滤波算法可以快速地完成动力电池SOC的精确估计,误差在5%左右;模型参数的合理微调几乎不影响算法的准确性,表明了算法具有一定的鲁棒性。

引用

页码：161 / 167

页数：7

共 6 条

[1]

电池电量精确测量方法的研究与实现 [J].

李申飞 ;

易菊兰 ;

琚小明 .

计算机工程与应用, 2009, 45 (17) :244-248

[2]

电动车电池SOC估计的径向基函数神经网络方法 [J].

雷肖 ;

陈清泉 ;

刘开培 ;

马历 .

电工技术学报, 2008, (05) :81-87

[3]

蓄电池剩余电量在线测量 [J].

高明裕 ;

张红岩 ;

不详 .

电测与仪表 , 2000, (09) :28-31

[4]

混合动力电动汽车中电池特性的研究 [J].

李槟 ;

陈全世 .

汽车技术, 1999, (10) :11-14

[5]

Extended Kalman filtering for battery management systems of LiPB-based HEV battery packs[J] Gregory L. Plett Journal of Power Sources 2004,

[6]

Estimation of the residual capacity of sealed lead-acid batteries by neural network Tsutomu Y;Kazuaki S;Ken-Ichiro M; Proceedinds of the 20th International Telecommunications Energy Conference 1998,

← 1 →