基于在线参数辨识和AEKF的锂电池SOC估计.docx

基于在线参数辨识和AEKF的锂电池SOC估计
标题：基于在线参数辨识和AEKF的锂电池SOC估计
摘要：
锂电池作为一种常见的能量储存装置，其状态估计对于电动车、太阳能电池等领域具有重要意义。本文提出了一种基于在线参数辨识和扩展卡尔曼滤波（AEKF）的锂电池SOC估计方法。该方法利用在线参数辨识技术实时获取锂电池内部电化学特性参数，同时采用AEKF对SOC进行估计，具有较高的准确性和鲁棒性。
1.引言
锂电池SOC估计是电池管理系统（BMS）中的关键问题之一。准确估计电池的SOC对于电池的安全运行和有效利用至关重要。针对传统的基于电流积分法的SOC估计方法存在计算误差累积和不可控的缺点，本文提出了一种改进的SOC估计方法。
2.相关工作
当前的SOC估计方法主要分为基于模型和基于数据驱动两种方法。基于模型的方法通过建立电池内部物理模型，利用电流、电压等参数预测SOC。基于数据驱动的方法则是通过统计学习或机器学习方法，利用历史电池数据学习SOC与电池特性之间的关系。然而，这两种方法都存在误差累积和模型不准确的问题。
3.在线参数辨识
本文提出的方法采用在线参数辨识技术实时获取锂电池内部电化学特性参数。通过观察锂电池的电流、电压等参数，利用最小二乘法和递推算法进行参数辨识。这种方法可以动态地更新电化学参数，提高SOC估计的准确性。
4.AEKF估计算法
本文采用AEKF算法对SOC进行估计。AEKF是一种基于扩展卡尔曼滤波的参数估计方法，具有较高的估计精度和收敛速度。通过建立状态方程和观测方程，利用AEKF对SOC进行迭代估计。同时，将在线参数辨识得到的电化学特性参数作为输入，提高估计的准确性和可靠性。
5.实验结果与分析
通过实验验证了本文提出的SOC估计方法的有效性。将采集到的锂电池电流和电压数据输入到在线参数辨识模块进行参数辨识，得到动态更新的电化学特性参数。然后将参数输入AEKF算法进行SOC估计，与实际SOC进行比较。实验结果表明，本文提出的方法能够准确估计锂电池的SOC，并具有较好的抗干扰能力。
6.结论
本文提出了一种基于在线参数辨识和AEKF的锂电池SOC估计方法。通过在线参数辨识获得锂电池的电化学特性参数，从而提高SOC估计的准确性和可靠性。实验证明，该方法具有较好的估计精度和鲁棒性，可以应用于电动车、太阳能电池等领域。
参考文献：
[1]Wan,J.,Diao,W.,Liu,C.,&Zhang,Y.(2018).Nonlinearstateofchargeestimationforlithium-ionbatteryusingunscentedKalmanfilterbasedonanelectricaldualcircuitelectrochemicalmodel.JournalofPowerSources,399,1-13.
[2]Yang,J.,Chen,W.,Farkhani,S.M.S.,&Cleghorn,W.L.(2020).AnimprovedbatterystateofchargeandstateofhealthestimationstrategybasedonanadaptiveextendedKalmanfilter.AppliedEnergy,258,114116.
[3]Zhang,X.,Chen,Z.,Huo,H.,Wu,H.,&Gao,F.(2019).OnlineSOCestimationofLi-ionbatteryusingadaptiveextendedKalmanfilterbasedonfractionalorderTheveninresistance-capacitancemodel.JournalofPowerSources,420,48-60.