本帖最后由 海中水 于 2021-3-15 13:05 编辑
目前融合算法包括简单修正、加权、卡尔曼滤波或扩展卡尔曼滤波（EKF）、滑模变结构等。简单修正的融合算法主要包括开路电压修正、满电修正的安时积分法等。 对于纯电动车电池，工况较为简单，车辆运行时除了少量制动回馈充电外主要处于放电态，站上充电时电池处于充电态，开路电压的滞回效应比较容易估计；电池容量大，安时积分的误差相对较小；充满电的机率大，因此，采用开路电压标定初值和满电修正的安时积分方法可以满足纯电动车电池SOC 的估计精度要求。 对于混合动力车电池，由于工况复杂，运行中为了维持电量不变，电流有充有放；停车时除了维护外，没有站上充电的机会；电池容量较小，安时积分的相对误差大。因此，简单的开路电压修正方法还不能满足混合动力车电池SOC 的估计精度要求，需要其他融合方法解决。 加权融合算法是将不同方法得到的SOC 按一定权值进行加权估计的方法。Mark Verbrugge等采用安时积分获得SOCc与采用具有滞回的一阶RC模型获得SOCv的加权方法估计SOC。卡尔曼滤波是一种常用的融合算法。由于SOC不能直接测量，目前一般将两种估计SOC 的方法融合起来估计。SOC被当成电池系统的一个内部状态分析。 又由于电池系统为非线性系统，因此采用扩展的卡尔曼滤波方法，通常采用安时积分与电池模型组成系统进行计算。Plett等研究了安时积分与组合模型、Rint模型（简单模型）、零状态滞回Rint模型、一状态滞回Rint模型、加强自修正模型的卡尔曼滤波融合算法。Wang等研究了安时积分与二阶RC模型的卡尔曼滤波融合算法。 夏超英等研究了安时积分与一阶RC模型的卡尔曼滤波算法，指出EKF作为一个状态观测器，其意义在于用安时积分法计算SOC的同时，估计出电容上的电压，从而得到电池端电压的估计值作为校正SOC 的依据，同时考虑噪声及误差的大小，确定每一步的滤波增益，得到开路电压法在计算SOC 时应占的权重，从而得到SOC 的最优估计。 这样就把安时积分法和开路电压有机地结合起来，用开路电压克服了安时积分法有累积误差的缺点，实现了SOC 的闭环估计。同时，由于在计算过程中考虑了噪声的影响，所以算法对噪声有很强的抑制作用。这是当前应用最广的SOC估计方法。 Charkhgard等采用卡尔曼滤波融合了安时积分与神经网络模型，卡尔曼滤波用于SOC 计算的核心是建立合理的电池等效模型，建立一组状态方程，因此算法对电池模型依赖性较强，要获得准确的SOC，需要建立较为准确的电池模型，为了节省计算量，模型还不能太复杂。 Ouyang等提出一种实时性好的基于电化学机理的等效电路模型的SOC 卡尔曼滤波算法，在保证计算速度基础上，提高了SOC 的估计效果，尤其是低SOC 区的估计精度。但是卡尔曼滤波法的缺点还有卡尔曼增益不好确定，如果选择不好状态将发散。Kim等提出采用滑模技术克服卡尔曼滤波的缺点，据称该方法对于模型参数不确定和干扰具有较强的鲁棒性。
| 
楼主
标题置顶
标题高亮
