文献类型：期刊文章

作　　者：刘芳[1,2] 马杰[1] 苏卫星[1] 窦汝振[3] 林辉[4]

Liu Fang;Ma Jie;Su Weixing;Dou Ruzhen;Lin Hui(School of Computer Science&Technology TianGong University,Tianjin 300387,China;Tianjin Qingyuan Electric Vehicle Limited Liability Company,Tianjin 300462,China;China Automotive Technology&Research Center,Tianjin 300300,China;Neusoft Reach Automotive Technology Co.Ltd Automotive Research Institute,Shenyang 110179,China)

机构地区：[1]天津工业大学计算机科学与技术学院,天津300387 [2]天津清源电动车辆有限责任公司,天津300462 [3]中国汽车技术研究中心,天津300300 [4]东软睿驰汽车技术有限公司汽车电子研究院,沈阳110179

出　　处：《电工技术学报》

基　　金：天津市教委科研计划资助项目(2017KJ094)

年　　份：2020

卷　　号：35

期　　号：4

起止页码：698-707

语　　种：中文

收录情况：BDHX、BDHX2017、CSA、CSA-PROQEUST、CSCD、CSCD2019_2020、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：该文针对传统扩展卡尔曼滤波(EKF)算法对电池数学模型精确的高度依赖与动态电池模型难以精确获得之间的矛盾问题,提出一种完全数据驱动的基于改进EKF算法的动力电池全生命周期荷电状态(SOC)估计方法。该方法为数据驱动的SOC估计方法和基于模型的SOC估计方法的良好结合,其优点在于:一方面抑制数据驱动方法存在累积误差的问题,并保留其良好的动态特性;另一方面改善基于模型的算法过度依赖电池模型的缺点,并保留其很好的鲁棒特性。该方法的创新之处在于将等效电路中难以获知的一部分视为以电池电流为输入,以内部电压为输出,以电池内部阻抗为时变参数的黑箱系统,并加以动态在线辨识,获得实时的动力电池真实状态,从而保证电池模型的准确性和动态性,真正实现动力电池全生命周期的SOC估算。仿真结果表明,该方法具有较好的鲁棒性和实用性。

关 键 词：电池荷电状态 扩展卡尔曼滤波算法  自回归模型 电动汽车 动力电池 电池管理系统

分 类 号：TM835.4]