基于等效模型扩展卡尔曼滤波锂电池SOC估算

doi:10.3969/j.issn.1674-0696.2019.02.19

重庆交通大学学报（自然科学版） ›› 2019, Vol. 38 ›› Issue (02): 133-138.DOI: 10.3969/j.issn.1674-0696.2019.02.19

基于等效模型扩展卡尔曼滤波锂电池SOC估算

安治国1，孙志昆1，张栋省1，郭敬谊2

(1. 重庆交通大学机电与车辆工程学院，重庆 400074； 2. 重庆交通大学外国语学院，重庆 400074)

收稿日期:2018-03-05 修回日期:2018-04-04 出版日期:2019-02-22 发布日期:2019-02-22
作者简介:安治国(1976—)，男，山西太原人，副教授，博士，主要从事新能源汽车动力系统方面的研究。E-mail:108844410@qq.com。通信作者：孙志昆（1992—），男，河南长垣人，硕士研究生，主要从事新能源汽车动力系统方面的研究。E-mail:1083262724@qq.com。
基金资助:
重庆市科委基础科学与前沿技术研究（重要）项目（cstc2015jcyjB0333）

SOC Estimation of Lithium Battery Based on Equivalent Model of Extended Kalman Filter

AN Zhiguo1, SUN Zhikun1, ZHANG Dongsheng1, GUO Jingyi2

(1. School of Mechatronics and Vehicle Engineering, Chongqing Jiaotong University, Chongqing 400074, P. R. China; 2. School of Foreign Language, Chongqing Jiaotong University, Chongqing 400074, P. R. China)

Received:2018-03-05 Revised:2018-04-04 Online:2019-02-22 Published:2019-02-22

摘要/Abstract

摘要： 电池管理系统(BMS)的主要任务是对电池荷电状态(SOC)、续航里程和防止电池过充过放等进行实时诊断，其中电池荷电状态的快速精确的估计是 BMS的核心技术。基于锂电池这一动态非线性系统，提出了一种更接近于真实的、改进的PNGV电池等效模型；基于改进的PNGV电池等效模型，对比了卡尔曼滤波算法(KF)和扩展卡尔曼滤波算法(EKF)诊断电池荷电状态的实验结果；分析了扩展卡尔曼滤波算法诊断的实验误差。研究表明：采用扩展卡尔曼滤波算法对电池荷电状态进行诊断得到的结果更加精确，其误差能够一直保持在5%以内。

关键词: 车辆工程, 锂电池, 荷电状态, 电池等效模型, 扩展卡尔曼滤波

Abstract: The main task of the battery management system (BMS) is to diagnose the battery state of charge (SOC), endurance mileage and prevent overcharge and discharge of batteries in real time. The rapid and accurate estimation of SOC is the core technology of BMS. Based on the dynamic nonlinear system of lithium battery, a more realistic and improved equivalent model of PNGV battery was proposed. Based on the improved PNGV battery equivalent model, the experimental results of battery SOC diagnosis of Kalman filter (KF) and extended Kalman filter (EKF) were compared. The experimental error of EKF was analyzed. The results show that EKF is more accurate in diagnosing battery SOC, and the error can be kept within 5%.

Key words: vehicle engineering, lithium battery, state of charge, battery equivalent model, extended Kalman filter (EKF)

中图分类号:

安治国1，孙志昆1，张栋省1，郭敬谊2. 基于等效模型扩展卡尔曼滤波锂电池SOC估算[J]. 重庆交通大学学报（自然科学版）, 2019, 38(02): 133-138.

AN Zhiguo1, SUN Zhikun1, ZHANG Dongsheng1, GUO Jingyi2. SOC Estimation of Lithium Battery Based on Equivalent Model of Extended Kalman Filter[J]. Journal of Chongqing Jiaotong University(Natural Science), 2019, 38(02): 133-138.

参考文献

［1］ HU Xiaosong, SUN Fengchun. Fuzzy clustering based multi-model support vector regression state of charge estimator for lithium-
ion battery of electric vehicle［C］. Hangzhou: Proceedings of 2009 International Conference on Intelligent Human-Machine Systems
and
Cybernetic, 2009: 392-396.
［2］ PLETT G L. Extended Kalman filtering for battery management systems of LiPB-based HEV battery packs: Part 2: Modeling and
identification［J］. Journal of Power Sources, 2004, 134(2): 262-276.
［3］ PLETT G L. Extended Kalman filtering for battery management systems of LiPB-based HEV battery packs: Part 3: State and
parameter
estimation［J］. Journal of Power Sources, 2004, 134(2): 277-292.
［4］ BHANQU B S, BENTLEY P, STONE D A, et al. Nonlinear observers for predicting state-of-charge and state-of-health of lead-acid
batteries for hybrid-electric vehicles［J］. IEEE Transactions on Vehicular Technology, 2005, 54(3): 783-794.
［5］ ZHENG Yuejiu, LU Languang, HAN Xuebing, et al. LiFePO4 battery pack capacity estimation for electric vehicles based on
charging
cell voltage curve transformation［J］. Journal of Power Sources, 2013, 226: 33-41.
［6］ ANDRE D, APPEL C, SOCZKA-GUTH T, et al. Advanced mathematical methods of SOC and SOH estimation for lithium-ion batteries［J
］.
Journal of Power Sources, 2013, 224: 20-27.
［7］ HE Hongwen, LIU Zhentong, HUA Yin. Adaptive extended Kalman filter based fault detection and isolation for a lithium-ion
battery
pack［J］. Energy Procedia, 2015, 75: 1950-1955.
［8］ LIU Zhentong, HE Hongwen. Sensor fault detection and isolation for a lithium-ion battery pack in electric vehicles using
adaptive extended Kalman filter［J］. Applied Energy, 2017, 185: 2033-2044.
［9］邓磊.基于改进PNGV模型的动力锂电池SOC估计和充电优化［D］. 哈尔滨:哈尔滨工业大学,2014：8-19.
DENG Lei. SOC Estimation and Charging Optimization of Power Lithium-ion Battery Based on Improved PNGV Model［D］. Harbin: Harbin
Institute of Technology, 2014: 8-19.
［10］齐洋洋.电动汽车锂电池SOC估计研究［D］.重庆：重庆大学，2015: 18-31.
QI Yangyang. Study on SOC Estimation of Electric Vehicle Lithium Battery［D］. Chongqing: Chongqing University, 2015: 18-31.

[1]	辛亮1,2，杜子学1，杨震2，许舟洲2. 单轴转向架跨座式单轨车辆的主动控制研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(07): 123-127.
[2]	张东东，宗子淳，冯金芝. 基于NSGA-Ⅱ算法的两挡AMT换挡规律多目标优化[J]. 重庆交通大学学报（自然科学版）, 2021, 40(07): 128-135.
[3]	李胜永1，张智华1，王胜男2，王孟2. 面向交通工具金属材料的缺损识别算法[J]. 重庆交通大学学报（自然科学版）, 2021, 40(07): 136-144.
[4]	杜子学，邬浩鑫. 悬挂参数对直线电机跨座式单轨车辆气隙稳定性和运行平稳性影响[J]. 重庆交通大学学报（自然科学版）, 2021, 40(06): 124-129.
[5]	邓明阳1,2，郭应时1. 电动汽车插补耦合无线充电技术的研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(06): 130-135.
[6]	杜子学，马川翔. 车体铰接式跨座式单轨列车运行稳定性分析[J]. 重庆交通大学学报（自然科学版）, 2021, 40(05): 122-128.
[7]	余曼,赵炜华,吴玲,李郁菡. 基于K-均值聚类和支持向量机的电动汽车行驶工况研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(05): 129-139.
[8]	曹源文1，陈作1，赵江2，张晓强3，郑婷婷4. 多路况下轮式装载机行驶稳定性研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(05): 140-146.
[9]	杜子学，邬浩鑫，杨震. 直线电机跨座式单轨车辆曲线通过能力分析[J]. 重庆交通大学学报（自然科学版）, 2021, 40(04): 127-132.
[10]	邓涛1，李鑫2. 智能车辆横纵向运动综合控制方法研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(04): 133-140.
[11]	李耀华，刘洋，宋伟萍，邵攀登，任田园. 基于行驶工况的零部件耐久性测试工况构建[J]. 重庆交通大学学报（自然科学版）, 2021, 40(04): 141-146.
[12]	刘祯1,3，林鑫1,2，吴华伟1,3，叶从进1,3，耿向阳4. 基于STAR-CCM+的IGBT散热翅片结构设计研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(03): 128-134.
[13]	李军，张俊，张世义. 基于ABP-EKF算法的锂电池SOC估计[J]. 重庆交通大学学报（自然科学版）, 2021, 40(03): 135-140.
[14]	郝刚1,2，金涛1. 基于隐马尔科夫模型的滚动轴承性能衰退评估[J]. 重庆交通大学学报（自然科学版）, 2021, 40(02): 123-128.
[15]	刘朝涛,狄科宏,杜子学,杨震. 跨座式单轨弓网耦合主动控制研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(02): 129-135.

基于等效模型扩展卡尔曼滤波锂电池SOC估算

SOC Estimation of Lithium Battery Based on Equivalent Model of Extended Kalman Filter

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics