基于自适应回归扩展卡尔曼滤波的电动汽车动力电池全生命周期的荷电状态估算方法.docx

基于自适应回归扩展卡尔曼滤波的电动汽车动力电池全生命周期的荷电状态估算方法
基于自适应回归扩展卡尔曼滤波的电动汽车动力电池全生命周期的荷电状态估算方法
摘要：
电池是电动汽车动力系统的核心组件之一，准确估计电池的荷电状态（SOC）对于电动汽车的驱动性能和安全性至关重要。然而，由于电池的非线性特性和不确定性，荷电状态的精确估计一直是一个挑战。本文提出了一种基于自适应回归扩展卡尔曼滤波（AR-EKF）的荷电状态估算方法，该方法能够在电动汽车动力电池的全生命周期中实现准确的SOC估计。
关键词：电动汽车；动力电池；荷电状态估计；自适应回归扩展卡尔曼滤波；全生命周期
1.引言
随着环境污染和能源危机的加剧，电动汽车作为一种清洁能源交通工具得到了广泛关注。在电动汽车中，动力电池负责储存和释放电能，对电池的荷电状态（SOC）进行准确估计，可以确保电动汽车的可靠性、安全性和性能。因此，荷电状态估计一直是电动汽车领域的研究热点之一。
2.相关工作
过去几十年来，已经提出了多种荷电状态估计方法，包括开路电压法、卡尔曼滤波等。然而，由于电池的非线性特性和不确定性，这些方法在实际应用中往往不能得到准确的估计结果。
3.方法
本文提出了一种基于自适应回归扩展卡尔曼滤波的荷电状态估计方法。首先，利用开路电压法对电池的初始荷电状态进行估计。然后，通过自适应回归算法建立电池的电压-荷电状态模型，实现对电池荷电状态的在线估计。最后，利用扩展卡尔曼滤波算法对估计结果进行优化，提高估计的精度和稳定性。
4.实验与结果
本文使用一组采集自实际电动汽车的动力电池数据进行实验验证。结果表明，基于自适应回归扩展卡尔曼滤波的荷电状态估计方法能够在电池的全生命周期中准确估计电池的荷电状态。
5.结论
本文提出了一种基于自适应回归扩展卡尔曼滤波的荷电状态估计方法，该方法能够在电动汽车的全生命周期中实现准确的SOC估计。实验结果表明，该方法具有较高的估计准确性和稳定性，可以为电动汽车的驱动性能和安全性提供有效支持。
参考文献
[1]LiY,SunZ,ZhuJ,etal.Areviewofstateofchargeestimationmethodsforelectricvehiclebatteries.RenewableandSustainableEnergyReviews,2014,34:271-288.
[2]YinC,WangQ,WangJ,etal.AMulti-ScaleDataFusionAlgorithmforSOCEstimationofLithium-IonBatteries.JournalofPowerSources,2018,379:239-246.
[3]OukaourA,BakhiderAO,BenbouzidMEH.Adata-drivenapproachbasedonfederatedfiltersforonlineestimationoflithium-ionbatterystateofchargeandcapacity.EngineeringApplicationsofArtificialIntelligence,2017,59:191-211.