文献类型：期刊文章

作　　者：章军辉[1,2,3] 李庆[1,2] 陈大鹏[1,2,3] 赵野[1]

ZHANG Jun-hui;LI Qing;CHEN Da-peng;ZHAO Ye(Institute of Microelectronics,Chinese Academy of Sciences,Beijing 100029,China;Jiangsu R&D Center for Internet of Things,Wuxi 214135,China;Wuxi Internet of Things Innovation Center Co.,Ltd.,Wuxi 214135,China)

机构地区：[1]中国科学院微电子研究所,北京100029 [2]江苏物联网研究发展中心,江苏无锡214135 [3]无锡物联网创新中心有限公司,江苏无锡214135

出　　处：《东北大学学报（自然科学版）》

基　　金：江苏省博士后科研资助计划(2020Z411);国家重点研发计划项目(2016YFB0100516).

年　　份：2020

卷　　号：41

期　　号：11

起止页码：1557-1563

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CAS、CSCD、CSCD2019_2020、EI、IC、JST、MR、RCCSE、SCOPUS、ZGKJHX、ZMATH、核心刊

摘　　要：针对由静态的电池模型参数而造成的状态估计累计误差、噪声统计特性的时变不确定性等实用化的问题,基于无迹卡尔曼滤波(unscented Kalman filter,UKF)框架设计了一种自适应UKF的电池状态联合估计算法.在无迹变换(unscented transform,UT)时,对量测方程进行准线性化处理,降低了循环迭代过程中的计算开销;利用带遗忘因子的Sage-Husa自适应估计方法对过程噪声的统计特性参数进行递推估计与修正,提高了UKF估计算法的自适应容错能力;实时跟踪滤波的收敛性,若呈发散趋势时,通过自适应衰减因子对误差协方差进行调整以抑制滤波发散,保证了滤波过程的数值稳定性;采用联合估计策略对一阶Thevenim电池欧姆内阻模型参数进行在线更新,以确保动态测试工况下电池模型的准确性,从而提高了电池荷电状态(state of charge,SOC)以及电池健康状态(state of health,SOH)的估计精度.实验与仿真结果验证了该电池状态联合估计算法的可行性与有效性.

关 键 词：荷电状态 健康状态  无迹卡尔曼滤波 自适应滤波 锂离子动力电池

分 类 号：TM912.9]