华南理工大学学报(自然科学版)

作者：巫春玲, 付俊成, 徐先峰, 等

单位：1.长安大学 能源与电气工程学院，陕西 西安 7100642.西安交通大学 电气工程学院，陕西 西安 710049

关键词：SOC估计,多新息,参数辨识,扩展卡尔曼滤波

基金：国家重点研发计划项目(2021YFB2601304);陕西省重点研发计划项目(2022GY-193)

针对现有SOC（荷电状态）估计方法中电池模型参数恒定，没有考虑电池模型参数的动态变化，导致SOC的估计不够精准的问题，文中提出了一种基于电池模型参数在线辨识与SOC估计联合的算法。在二阶RC等效电路模型基础上，采用多新息最小二乘（Multi Innovation Least Squares，MILS）算法对锂离子电池模型中的参数进行在线辨识，从而对电池模型进行实时修正；同时基于修正后的电池模型，采用多新息扩展卡尔曼滤波（Multi Innovation Extended Kalman Filter，MIEKF）算法对电池荷电状态进行估计。MILS算法可以解决在线参数辨识过程中的初始误差累积问题，能够实现模型参数的在线精准辨识，MIEKF算法融合了多新息理论和卡尔曼滤波理论，加入了遗忘因子以削弱历史数据并修正权重，解决了数据过饱和问题，具有较高的准确性和收敛性。实验结果表明，在对电池模型进行参数辨识时，MILS算法、RLS算法辨识的均方根误差分别为1.4、1.9 mV，MILS算法相比RLS算法的估计精度提高了26.3%；对于参数辨识后SOC的估计，MIEKF算法估计的均方根误差为0.003 7，EKF算法、AEKF算法估计的均方根误差分别为0.007 3、0.005 2，MIEKF算法比EKF算法的估计精度提高了49.31%，比AEKF算法的估计精度提高了28.84%；并且在给定SOC初值错误的情况下，文中所提出算法在电池开始工作后30 s左右就能够收敛到真实值，是一种精度高而且鲁棒性好的有效估计方法。

来源：2024年第2期

《华南理工大学学报(自然科学版)》期刊编辑部

查看华南理工大学学报(自然科学版)杂志2024年第2期