锂离子电池荷电状态估算方法是什么？
来源：宝鄂实业
2019-07-01 16:24
点击量：次
电动汽车由于其高能源利用率和低碳排放而成为未来汽车的主要发展方向，动力锂离子电池组和电池管理系统的市场需求也随之不断扩大。电池的荷电状态（State of Charge, SOC）估算是电池管理系统的主要功能之一，准确的SOC估算不但能反映续航里程，充分发挥电池性能，也能保证电池的安全性，延长使用寿命。但由于锂离子电池的工作特性非线性，且实际工作中易受电流、温度、自身老化等因素影响，使得SOC的精确估算成为难点。
目前国内外常见的SOC估算方法包括：
①安时计量法，计算简单，但无法确定SOC初值，且电流测量误差会在积分过程中不断积累；
②开路电压法，需要足够长的静置时间，难以应用在实际估算中；
③电化学阻抗谱法，从电化学角度研究电池内部特征，一般用于实验研究，不具有工程推广性；
④机器学习法，包括神经网络法、支持向量机法等，需要大量全面的样本数据进行训练，估算效果依赖于所选数据与训练方法；
⑤观测器法，包括滑模观测器、PI观测器等，具有较好的鲁棒性，但设计较复杂，不易实现；
⑥自适应滤波法，包括非线性卡尔曼滤波器、粒子滤波器、H∞滤波器等。其中，非线性卡尔曼滤波器包括扩展卡尔曼滤波器（Extended Kalman Filter, EKF）、无迹卡尔曼滤波器（Unscented Kalman Filter, UKF）、容积卡尔曼滤波器（Cubature Kalman Filter, CKF）等，这类方法是在高斯假设前提下的次优估计，对SOC初始误差和系统噪声有较好的鲁棒性。粒子滤波器能够处理非高斯非线性系统，但计算量较大，存在粒子退化问题。H∞滤波器具有强鲁棒性，但估算精度有限，一般在电动汽车动力电池处于复杂工况时才使用。
由于状态方程和输出方程分别是线性和非线性的，本文提出了线性卡尔曼滤波器（Kalman Filter, KF）和平方根高阶容积卡尔曼滤波器（Square-root High-degree Cubature Kalman Filter, SHCKF）相结合的综合型卡尔曼滤波算法。其中，SHCKF是将平方根滤波技术引入高阶容积卡尔曼滤波器（High- degree Cubature Kalman Filter, HCKF），克服了因状态协方差失去正定性而造成的滤波中止，其滤波精度高于EKF、UKF和CKF。
