10.13334/j.0258-8013.pcsee.181720
基于神经网络和MS-AUKF算法的蓄电池荷电状态估计
蓄电池的荷电状态(state of charge,SOC)是表征电池当前剩余电量的重要参数.提出一种基于神经网络和主从式自适应无迹卡尔曼滤波(master slave adaptive unscented Kalman filter,MS-UKF)算法的SOC估计方法.首先,建立蓄电池的戴维南(Thevenin)二阶模型,针对开路电压与电池SOC之间的非线性关系,采用神经网络模型代替多项式模型,以提高拟合精度.根据实时测量数据,基于最小二乘法在线确定电池模型的参数.针对传统的扩展卡尔曼滤波(extended Kalman filter,EKF)和无迹卡尔曼滤波(unscented Kalman filter,UKF)方法存在噪声方差固定,会产生误差造成估计精度不高的问题,采用MS-AUKF算法.该算法的主滤波器用来估计系统状态,辅助滤波器用来估计噪声方差矩阵.算法每次迭代时更新系统模型的噪声方差,克服了传统卡尔曼滤波算法中,噪声方差初值人为设定可能导致滤波发散的缺点.仿真结果表明,相比于EKF、UKF算法,MS-AUKF在估计电池SOC时具有更高的精确度和收敛速度.
蓄电池、等效电路、参数辨识、MS-AUKF、荷电状态
39
TM912
河北省自然科学基金项目F2016203006
2019-12-13(万方平台首次上网日期,不代表论文的发表时间)
共8页
6336-6343