基于信息融合的噪声补偿扩展卡尔曼滤波算法优化

本篇论文深入探讨了在电池系统，特别是磷酸铁锂电池的State-of-Charge (SOC)估计中，常规卡尔曼滤波算法遇到的噪声估计模型不准确问题。常规卡尔曼滤波算法依赖于对噪声统计特性的精确了解，但在实际应用中，电池系统的噪声特性可能随时间变化，导致卡尔曼增益计算的不准确，进而影响系统的稳定性和精度。例如，当电池在SOC95%到SOC20%的范围内，由于磷酸铁锂的物理特性，电压变化微小，测量噪声的影响显著增大，可能导致滤波结果的不稳定。 为解决这个问题，作者提出了一种基于信息融合的噪声补偿扩展卡尔曼滤波算法。该算法的核心在于利用电池的SOC-OCV（Open Circuit Voltage）曲线特征，实时监测特征值变化，通过预估噪声参数的影响，动态补偿系统噪声模型。这种方法可以在系统运行时自动调整，使得算法在面对复杂电流工况时，不仅提高了SOC估计的准确性，还能在一定程度上纠正初始值的偏差，从而确保在各种工况下的性能表现。 论文作者首先选择了天津力神LRl865EC型号电池进行研究，并通过实验建立了二阶RC等效电路模型，验证了其在不同放电条件下的有效性。接着，他们在硬件平台上实现了扩展卡尔曼滤波算法，并通过恒流放电测试验证了算法的实际效果，同时分析了误差来源和影响因素。 对于经典的卡尔曼滤波算法在磷酸铁锂电池SOC估计中的局限性，作者创新性地将系统模型误差视为噪声处理，并通过在不同SOC区间引入补偿参数，实现了噪声补偿，使得算法在应对复杂电流工况时兼顾了性能的稳定性和初始值的校正能力。 这篇论文针对电池SOC估计中的噪声问题，提出了一种实用且有效的噪声补偿扩展卡尔曼滤波算法，具有较高的工程实用价值，对于提高电池管理系统在实际应用中的精度和鲁棒性具有重要意义。