传统无迹卡尔曼滤波(UKF)算法在估算锂离子动力电池荷电状态(SOC)时,常会出现由于电池模型参数不准确和无法预先获取噪声统计特性而使得估算误差增大的问题。针对这些问题,这里提出一种改进的自适应无迹卡尔曼滤波算法(AUKF)该算法通过扩充状态变量法来实现欧姆内阻在线更新,以此提高电池模型精度,并根据实时SOC估计值与真实值的误差,构造滑模观测器实现系统噪声和观测噪声的更新,降低未知噪声的干扰,最后通过不同温度下复杂工况实验,验证了新算法的估计精度和稳定性。

对锂电池荷电状态(state of charge,SOC)进行准确地估算十分重要。由于SOC呈非线性特征,并且受多种因素的动态影响,准确估计困难。本文利用高斯-厄米特滤波(Gauss-Hermite filter,GHF)的思想,结合Thevenin等效电路模型,提出一种自适应高斯-厄米特滤波(adaptive Gauss-Hermite filter,AGHF)算法对SOC实时估计更新。利用MATLAB/Simulink建立仿真模型,并与扩展卡尔曼滤波(extended Kalman filter,EKF)算法及传统的高斯-厄米特滤波算法相比较。通过分析对比可以发现该算法的估算精度较高,可以有效地控制滤波发散。

合理准确地估算出电池荷电状态(SOC)与健康状态(SOH)对电动汽车安全运行和能量分配有重大意义。目前锂离子动力电池状态参数的研究中,很少考虑两个参数在估算过程中的相互影响;传统无迹卡尔曼滤波(UKF)算法在应用时,常因难以真实模拟实际噪声导致估算误差增大。针对这些问题,这里以电池Thevenin等效电路模型为基础,结合改进的AUKF,提出双自适应无迹卡尔曼滤波算法(DAUKF),实时更新计算模型参数,实现SOC与SOH的联合估算,提高算法的估算精度。最后通过实验及仿真对比,验证了该算法的可行性及估算精度。