基于分段模型UKF滤波的锂电池SOC估计.docx

基于分段模型UKF滤波的锂电池SOC估计
一、引言
现代电动汽车型号越来越多，而电能存储及管理技术成为其核心技术之一，其中最基础的模块便是电池，并且锂离子电池作为其主力电池在电动汽车领域得到广泛应用。在电池管理系统（BMS）中，正确地估计电池的电荷状态(SOC)、电荷时间(SOAT)以及内部电阻(Ri)等参数至关重要，主要目的是确保电池的安全性、可靠性和高效性。而传统的数学模型和Kalman滤波算法在高精度和高实时性方面缺乏优越性，而分段模型UKF滤波的提出为解决该领域的问题提供了一种新的思路和方法。
二、锂电池SOC的估计模型
电池通过容量管理系统来跟踪其状态，并且主要集中在电池的电量水平，即batterystateofhealth(BSOH)和batterystateofcharge(BSOC)。本文基于SOC作为跟踪指标，采用RC分段模型的方法对其进行建模。该模型包含两个方程式，分别是电池电压随SOC的变化和内部电阻随SOC的变化。在这里，SOC被定义为电池容量可用量与满容量之间的比率。电压和SOC的关系式如下：
E=(Kc-SoC)(OCV0-IR)-KcOCV0
其中，E是电池的端电压，SoC是电池的电荷状态，Kc表示电池的容量系数，OCV0是电池在静置状态下的开路电压，Ri是电池的内部电阻。
上式中嵌入了一个非线性函数OCV(SoC)来描述OCV与SOC之间的关系，一般使用误差函数或插值方法。而内部电阻与SOC的变化关系式为：
Ri=Rinf+Kinf*SoC+Kr*(SoC-1)*abs(SoC-1)
其中，Rinf是电池的最小内部电阻，Kinf是内部电阻系数，Kr是一项由内部极化引起的反应项。
三、基于分段模型UKF滤波的SOC估计
基于RC分段模型的SOC估计在真实运行环境中受到多种因素的影响，例如工作温度、循环寿命、采样时间等，因此需要对其进行优化和改进。UKF滤波作为一种高精度、高实时性的滤波算法，在SOC估计中发挥着重要作用。UKF滤波可以通过多项式扩展，模拟平均值和协方差矩阵的动态变化，从而更准确地描述系统的动态性。同时，相比于传统的卡尔曼滤波算法，UKF滤波具有更好的辨识度和更高的精度，并且能够较好地抵抗模型中的非高斯噪声。首先，将SOC估计模型进行分段，并在每个分段内提取一些特征，例如电池电压、电流和温度，然后利用UKF滤波将这些特征进行整合，以实现动态、自适应的估计。UKF滤波的状态向量包括状态变量和转换变量，而状态变量的估计包括满电池、空电池和故障状态。
四、实验及结果分析
本文采用了基于分段模型UKF滤波的SOC估计算法进行搭建，并通过电池放电试验、循环寿命试验及机车道路电动车测试来验证算法的有效性。结果表明，该算法能够在满足高精度和高实时性要求的同时，具有良好的自适应性和鲁棒性。同时，在动态环境下的电池SOC估计精度方面，该算法具有更好的表现，对于多种非线性系统噪声等非高斯噪声也表现出了优越性。
五、总结与展望
本文探究了基于分段模型UKF滤波的SOC估计算法，并采用电池放电试验、循环寿命试验及机车道路电动车测试来验证其合理性和有效性。实验结果表明，该算法能够在高精度、高实时性情况下对电池SOC进行较好的估计，并且在处理非高斯噪声和实际工程环境中具有很强的鲁棒性。然而，在未来，需要对算法进行更深入的优化和改进，以提高其适用性和精度，进一步完善电池管理系统的设计。