基于无味卡尔曼滤波的电动汽车动力电池SOC估计

动力电池作为电动汽车的能量载体，如何对其剩余电量（State of Charge,SOC）进行准确估计是整个电动汽车领域的重点和核心技术之一。对SOC的准确估计可以为驾驶者提供准确的续驶里程信息，可以从理论上避免对电池的过充和过放，更可以为驾驶者的驾驶安全带来保障。本文针对锂离子电池的SOC估计问题主要做了如下几方面工作： 文章首先介绍了电动汽车的发展背景，明确对电池SOC估计方法进行研究的意义，比较了目前各类常用动力电池的优缺点，指出锂离子电池是目前较理想的动力来源。文中分析了国内外的电池SOC估计研究现状，并对锂离子电池的工作原理及分类作了简要介绍。 对于基于模型的SOC估计方法，搭建合适的电池模型是提高SOC估计准确性的重要途径，所以接下来分析和介绍了几种常用的电池等效电路模型，并将二阶RC环等效电路模型作为本文SOC估计的待使用模型。为了使模型获得较高的响应精度，文中针对实际锂离子电池的开路电压与SOC的关系表达式进行了快速标定，在此基础上通过遗忘因子最小二乘法对模型中的参数进行了实时辨识。 随后介绍了扩展卡尔曼滤波算法估计系统状态变量的思路，在此基础之上提出使用无味卡尔曼滤波理论对锂离子电池的SOC进行估计。结合所搭建的二阶RC环等效电路模型的状态空间形式，基于实际锂离子电池参数，通过Matlab仿真实验实现无味卡尔曼滤波算法对SOC的估计，并与扩展卡尔曼滤波算法的SOC估计效果进行比对。仿真结果表明无味卡尔曼滤波算法在白噪声条件下可对SOC的进行较为精确估计，并证明了其在同条件下可以比扩展卡尔曼算法获得更好的SOC估算精度。 最后，通过在ADVISOR仿真环境下搭建电动汽车整车模型，完善整车参数并进行道路工况仿真实验。在掌握锂离子动力电池在实际工况条件下的各项数据的基础上，最终在Matlab中实现无味卡尔曼滤波对动力电池SOC的估计。所得实验结果证明了无味卡尔曼滤波在实际SOC估计中的可行性、有效性与精确性。