基于强跟踪卡尔曼滤波的车用锂电池SOC估计算法的研究的开题报告.docx

基于强跟踪卡尔曼滤波的车用锂电池SOC估计算法的研究的开题报告
一、研究背景
近年来，随着环保意识的不断提高以及新能源汽车的快速发展，锂电池作为新能源车的主要能源存储装置，在汽车电控系统中的地位也越来越重要。而锂电池的状态估计，尤其是电池的剩余能量（SOC）估计，对于实现新能源汽车的高效、可靠运行有着至关重要的作用。
目前，锂电池SOC估计方法主要分为模型预测法和基于测量数据的滤波估计法两种。其中，基于测量数据的滤波估计法由于具有实时性好、精度高等优点，成为研究车用锂电池SOC估计算法的重要方法之一。而在基于测量数据的SOC估计方法中，卡尔曼滤波是应用最广的一种方法。然而，传统的卡尔曼滤波算法在应用到车用锂电池SOC估计中时，会因为电池的非线性特性以及系统误差等因素导致精度下降。
为了解决这一问题，一些学者提出了基于扩展卡尔曼滤波的SOC估计算法，然而其适用的范围有限。相对于扩展卡尔曼滤波，强跟踪卡尔曼滤波不需要对状态变量进行线性化，能够更好地适用于非线性系统，因此成为了研究车用锂电池SOC估计算法的新热点和方向。
二、研究内容
本文旨在基于强跟踪卡尔曼滤波，设计一种车用锂电池SOC估计算法。具体研究内容包括：
1.建立锂电池SOC估计模型。
通过对锂电池的特性分析和建模，建立锂电池SOC估计模型。考虑到锂电池的非线性特性，采用扩展卡尔曼滤波对模型进行扩展，形成基于强跟踪卡尔曼滤波的SOC估计模型。
2.实验数据采集和处理。
将实验数据采集与处理的结果与模型进行比对和验证，进一步优化和完善SOC估计算法。
3.算法实现和验证。
基于所设计的SOC估计算法，利用MATLAB/Simulink软件进行仿真实现，并通过实际测试验证算法在实际应用中的准确性和实用性。
四、研究意义
本文的研究成果对于提高车用锂电池SOC估计的精度和实时性具有一定的意义和价值。同时，本文所提出的基于强跟踪卡尔曼滤波的SOC估计算法也可以为其他非线性电力系统的状态估计提供参考。