基于融合模型的锂离子电池荷电状态在线估计

发布时间：2022-11-10 19:43

　　针对锂离子电池荷电状态（Stage of charge,SOC）在线估计精度不高,等效电路模型法估计精度与模型复杂度相矛盾的问题,本文对扩展卡尔曼滤波算法进行了改进,并以电池工作电压、电流为输入,对应等效电路模型法的SOC估计误差为输出,采用极限学习机算法,建立基于输入输出数据的SOC估计误差预测模型,采用物理–数据融合方法,基于误差预测模型,建立了等效电路模型法结合极限学习机的锂离子电池SOC在线估计模型.仿真结果表明,改进扩展卡尔曼滤波算法提高了算法的估计精度,而物理–数据融合的锂离子电池SOC在线估计模型减小了由电压、电流测量所引入的估计误差,克服了等效电路模型法估计精度与模型复杂度之间相矛盾的问题,进一步提高了SOC的估计精度,满足估计误差不超过5%的应用需求. 

【文章页数】：9 页

【参考文献】：
期刊论文
[1]电动汽车锂离子动力电池健康状态在线诊断方法[J]. 姜久春,高洋,张彩萍,王宇斌,张维戈,刘思佳.  机械工程学报. 2019(20)
[2]锂离子电池SOC估算方法概况及难点分析[J]. 张易航,王鼎,肖围,许明标,何淼.  电源技术. 2019(11)
[3]基于自适应无迹卡尔曼滤波的动力电池健康状态检测及梯次利用研究[J]. 颜湘武,邓浩然,郭琪,曲伟.  电工技术学报. 2019(18)
[4]电池管理系统发展综述[J]. 谭泽富,孙荣利,杨芮,何德伍.  重庆理工大学学报(自然科学). 2019(09)
[5]电动汽车电池的现状及发展趋势[J]. 张美迪.  内燃机与配件. 2019(15)
[6]低碳视角下绿色交通发展路径与政策研究[J]. 凤振华,王雪成,张海颖,周亚林.  交通运输研究. 2019(04)
[7]基于UKF方法的锂离子电池荷电状态估计研究[J]. 李泽洋,李振强,吕丰.  广西科技大学学报. 2019(03)
[8]基于增量学习相关向量机的锂离子电池SOC预测方法[J]. 范兴明,王超,张鑫,高琳琳,刘华东.  电工技术学报. 2019(13)
[9]基于改进模型和无迹卡尔曼滤波的锂离子电池荷电状态估计[J]. 任军,王凯,任宝森.  电器与能效管理技术. 2019(04)
[10]基于综合型卡尔曼滤波的锂离子电池荷电状态估算[J]. 谷苗,夏超英,田聪颖.  电工技术学报. 2019(02)

博士论文
[1]磷酸铁锂电池荷电状态估计方法的研究[D]. 朱政.哈尔滨工业大学 2013

硕士论文
[1]动力电池SoC在线估计方法研究[D]. 任育涵.河北工业大学 2017
[2]电动汽车动力电池模型参数在线辨识及SOC估计[D]. 张禹轩.吉林大学 2014



本文编号：3705187