电池荷电状态SOC(state of charge)作为电池管理系统中尤为重要的一部分,其准确估计成为锂离子电池研究的重点;为了提高动态工况下的SOC估计精度,对锂离子电池等效模型进行分析,基于AIC(赤池信息)准则确定二阶RC电路为等效电路模型,使...电池荷电状态SOC(state of charge)作为电池管理系统中尤为重要的一部分,其准确估计成为锂离子电池研究的重点;为了提高动态工况下的SOC估计精度,对锂离子电池等效模型进行分析,基于AIC(赤池信息)准则确定二阶RC电路为等效电路模型,使用递推最小二乘算法对模型参数进行在线辨识,为提高辨识精度,提出了带动态遗忘因子递推最小二乘的改进算法,对算法加入遗忘因子,通过电压结果误差实时动态调整算法遗忘因子取值;将递推最小二乘算法和含动态遗忘因子最小二乘算法分别与扩展卡尔曼滤波(EKF)算法进行SOC联合估计,并对比其预测效果,结果表明含有动态遗忘因子最小二乘与EKF联合估计模型具有更高的精度和鲁棒性。展开更多
文摘电池荷电状态SOC(state of charge)作为电池管理系统中尤为重要的一部分,其准确估计成为锂离子电池研究的重点;为了提高动态工况下的SOC估计精度,对锂离子电池等效模型进行分析,基于AIC(赤池信息)准则确定二阶RC电路为等效电路模型,使用递推最小二乘算法对模型参数进行在线辨识,为提高辨识精度,提出了带动态遗忘因子递推最小二乘的改进算法,对算法加入遗忘因子,通过电压结果误差实时动态调整算法遗忘因子取值;将递推最小二乘算法和含动态遗忘因子最小二乘算法分别与扩展卡尔曼滤波(EKF)算法进行SOC联合估计,并对比其预测效果,结果表明含有动态遗忘因子最小二乘与EKF联合估计模型具有更高的精度和鲁棒性。
