基于无迹卡尔曼滤波的动力锂电池SOC估计与实现的任务书.docx

基于无迹卡尔曼滤波的动力锂电池SOC估计与实现的任务书
一、选题依据和研究背景
动力锂电池是电动汽车中非常重要的能源储存装置，而其电池容量的状态即状态面的估计（二型状态估计）关系到电动汽车工况管理的精度。因此，对于电动汽车的开发和应用，如何准确地估计动力锂电池的状态面成为了电动汽车领域的研究热点问题。
从众多的动力锂电池估计方法中，基于卡尔曼滤波的估计方法得到了众多研究者的关注。而无迹卡尔曼滤波（UKF）是卡尔曼滤波（KF）的改进算法，在卡尔曼滤波存在一定缺陷时可以替代其进行使用。无迹卡尔曼滤波通过将高斯分布在均值处以Taylor级数展开，从而实现了通过卡尔曼滤波的方式对非线性系统建立时进行求解的目的。
二、研究内容和方法
Ⅰ.研究内容
基于无迹卡尔曼滤波的动力锂电池SOC估计与实现。
Ⅱ.研究方法
（1）理论背景阐述。
首先对无迹卡尔曼滤波方法的基本理论进行阐述，重点讲解无迹卡尔曼滤波的实现原理和在非线性系统估计中的应用，并引入在动力锂电池SOC估计中的应用。
（2）基于UKF的电池模型的建立。
由于UKF能够处理非线性状态更新方程，因此对于建立不同的电池模型时，其能够突破卡尔曼滤波只能处理线性模型的限制，因此考虑采用模型分成两部分：传统的RC模型与SOH模型，详细地阐述了利用不同的电池模型来进行测试的优缺点，具体分析其适用范围。对于电池建模实现来源于文章。
（3）实际系统平台的测试和验证。
利用MATLAB/Simulink编程实现系统仿真，验证UKF方法对电池状态的估计，以及其与传统估计方法的比较。利用实际动力锂电池进行测试，通过对实验得到的数据进行分析和处理，检验模型和算法的精度和可靠性。同时，研究如何利用最优化算法(如遗传算法)优化UKF参数，最终达到最优的估计效果。
三、研究意义
本文旨在对基于UKF的动力锂电池SOC估计及实现进行研究，从而提升电动汽车领域中对动力锂电池状态面的精准掌控。
本文具有创新性，从电池建模、新型滤波算法到系统集成均有较大贡献，同时能对实际系统平台进行测试和验证，验证其精度和可靠性，并提高电动汽车中动力锂电池SOC估计的精准度和实时性，为电动汽车的工况管理和运行效率提供了理论支持和实践经验。
四、预期成果
本次研究的预期成果如下：
（1）深入理解无迹卡尔曼滤波的原理及其与传统Kalman滤波算法的区别；
（2）深入了解不同动力锂电池建模的方法，选取合适的动力锂电池模型并通过无迹卡尔曼滤波算法进行实现；
（3）深度测试及验证选取的模型及算法的可靠性和精度，并通过遗传算法优化UKF参数以达到精准估计状态面的最佳结果；
（4）论述估计过程中遇到的方法失效等问题，并提出解决办法。
五、研究进度安排
2021.6-2021.7：深入研究论文中的相关理论知识
2021.8-2021.9：选择适当的动力锂电池模型并进行建模
2021.10-2022.1：利用无迹卡尔曼滤波算法实现动力锂电池SOC估计系统
2022.2-2022.3：对系统进行大量模拟和实验验证等测试
2022.4-2022.5：数据分析与结果总结
2022.6-2022.7：撰写论文并进行修改
通过以上的研究计划，将会完善基于无迹卡尔曼滤波的动力锂电池SOC估计算法，能够为电动汽车中对电池工况管理的实现提供理论依据和实践经验。