基于多時間尺度Cholesky分解AEKF的鋰電池SOC估計

徐潔玉, 王冬青

(青島大學電氣工程學院, 山東 青島 266071)

1 引言

準確估計電池的荷電狀態(tài)是電動汽車合理實施電池管理的前提和重要依據(jù),能夠保證電池的良好使用性能和提高電池使用壽命[1,2]。然而,電池在實際工作過程中存在著非線性、多工況運行、多時間尺度動態(tài)等復雜特性,對鋰電池的建模和估算帶來了困難和挑戰(zhàn)[3-5]。

目前主流的荷電狀態(tài)(State Of Charge, SOC)識別方法有開路電壓法、安時積分法、數(shù)據(jù)驅動法和基于模型估計法[6]。通常,開路電壓法為其他鋰電池估計方法提供初始SOC。安時積分法的優(yōu)點是測量簡單,但積分過程中累積的誤差無法消除。數(shù)據(jù)驅動法不需要建立等效電路來描述電池行為,但是依賴數(shù)據(jù)量構建數(shù)據(jù)驅動模型[7,8]。與上述SOC估計方法相比,基于模型的估計方法可以結合多種方法進行SOC估計,具有呈現(xiàn)鋰電池物理意義的優(yōu)勢。因此,基于模型方法在SOC估計領域得到普遍關注[9]。

通常,鋰電池模型可分為等效電路模型、電化學模型和機器學習模型三類[10,11]。基于等效電路模型的卡爾曼濾波方法具有簡單和能夠在線辨識的優(yōu)勢,被廣泛應用于鋰電池SOC估計中[12,13]。擴展卡爾曼濾波(Extended Kalman Filter, EKF)是解決非線性系統(tǒng)問題的有效方法[14]。基于泰勒展開原理,EKF忽略了二階和高階項,使算法結構變得簡單。然而,這種線性化方法直接忽略了高階項,通常會引入較大的誤差[15,16]。無跡卡爾曼濾波器(Unsented Kalman Filter, UKF)將系統(tǒng)視為黑匣子,它使用sigma點的集合來近似概率分布,并避免求解雅可比矩陣[17],但是當使用UKF算法時,誤差協(xié)方差矩陣必須是正定矩陣,非正定誤差協(xié)方差矩陣將在中途終止算法[18]。……