基于GM(1,1)先验估计的电动汽车锂电 SOC 扩展卡尔曼估计算法

"该文档是关于融合GM (1, 1) 先验估计的扩展卡尔曼 SOC（State of Charge）估算技术的研究论文，由刘小菡等人撰写。文章发布于2021年12月，涉及0次引用，作者们在相关项目上有所贡献，如000_JCYJS_PubClassLibView 和基于ABP-UKF算法的电动汽车锂离子电池SOC估算项目。" 在电池管理系统(BMS)中，准确地估计电池的SOC对于电动汽车、储能系统等应用至关重要。这篇研究论文探讨了一种新的SOC估算方法，即通过结合GM (1, 1)（高斯混合模型）先验估计与扩展卡尔曼滤波(EKF)技术。GM (1, 1)模型是一种统计建模方法，常用于表示非高斯分布的数据，特别适用于电池SOC变化过程中的不确定性描述。而EKF则是卡尔曼滤波在非线性问题中的扩展，能有效地处理非线性系统的状态估计。 文章中，作者们首先介绍了GM (1, 1)模型如何用于电池SOC的先验估计，这一步通常涉及到对历史数据的分析和建模，以预测电池在下一时刻的状态。然后，他们将这个先验估计与扩展卡尔曼滤波器结合，EKF能够在线更新和校正这些估计，考虑到实际测量值与模型预测之间的差异，从而提高SOC估算的精度和鲁棒性。 在电动汽车的锂离子电池SOC估算中，传统的EKF可能遇到困难，因为电池的动态特性具有高度的非线性和不确定性。因此，引入GM (1, 1)先验估计可以更好地捕捉电池行为的复杂性。论文可能详细阐述了算法的实现步骤，包括状态方程和观测方程的设定、滤波器的初始化、状态更新以及误差协方差的调整等。 此外，作者团队包括了来自西南科技大学的王顺利教授，他在电池管理和能源系统方面有丰富的研究成果；中国科学技术大学的熊鑫博士，专注于信号处理和控制领域；西南科技大学的石浩天和重庆大学的王露，他们在电池技术及数据分析上有一定的贡献。他们的专业知识和研究背景为这项工作的深度和质量提供了保障。 这篇论文为提高电动汽车电池管理系统的SOC估算精度提供了一个创新的解决方案，通过结合GM (1, 1)模型和EKF，有望在实际应用中实现更精确、更稳定的状态估计，从而提升电池性能和使用寿命。