基于高阶PNGV模型的动力电池SOC估计

动力电池的SOC (state of charge)表征的是电池的剩余容量,它不仅直观地反应了电池组的性能,如电池组的一致性、可用容量,更是电动汽车动力性能重要预测依据如汽车的续航里程、爬坡性能。为了优化电池组的能量利用和保障电动汽车行驶安全,精确的SOC估计成为电池管理系统的关键技术。本文以锂离子电池为研究对象,对电池的SOC估计进行了研究并重点围绕以下两个方面进行展开： 首先是电池模型的研究,建立一个精确的电池模型是获得精确的SOC估计的必要前提。通过电池的充放电实验分析了电池的基本特性并在此基础上考虑到实际管理系统中SOC估计对电池模型的要求建立了高阶PNGV模型。接着根据最小二乘原理进行了参数辨识主要包括Uoc和RC参数,最后对电池进行了模型验证。 其次是SOC估计算法的研究,针对非线性高阶PNGV模型,文中依次运用了扩展卡尔曼滤波、无迹卡尔曼滤波对进行了电池的SOC估计,由仿真实验结果可两种方法各有自己的优势,其中UKF以降底估计效率为代价在一定程度上提高了SOC的估计精度。为了在保证UKF估算精度的同时提高估算效率,文中提出了基于RB分解的无迹卡尔曼滤波(RBUKF),并实现了基于RBUKF的SOC估算。最后的仿真实验结果验证了RBUKF算法有效性。