镍氢电池SOC改进卡尔曼滤波估算方法研究

本文主要探讨了镍氢动力电池的State of Charge (SOC) 估计问题，通过改进卡尔曼滤波法来提高精度。作者闫文志和吴友宇在武汉理工大学信息工程学院开展研究，他们首先基于对其他镍氢电池模型的分析，提出了一个二阶RC模型，这个模型能够有效地捕捉电池的动态行为，并且在工程实践中具有可行性。 卡尔曼滤波算法是一种广泛应用于状态估计的数学工具，尤其适用于处理系统动态及噪声的影响。然而，该算法的性能依赖于噪声项Q和R的精确统计特性，这在实际应用中可能难以直接获取。为了克服这一挑战，作者采用电流积分法来估计噪声值Q和R，这种方法通过整合电池放电过程中的电流数据，为算法提供了必要的噪声参数。 Peukert方程是用于考虑放电速率影响的一种常见方法，它考虑了电池放电容量与放电电流的关系，通过调整一个与电池类型和活性物质相关的系数n，对不同放电倍率下的容量进行补偿，以提高SOC的准确性。表格列举了不同放电倍率下的容量补偿因子，表明了这种修正方法的重要性。 文章指出，当前电池SOC估算的方法多种多样，如放电实验法、开路电压法、内阻法、电流积分法、神经网络法以及卡尔曼滤波法等。在这里，作者重点介绍了卡尔曼滤波法，尤其是在镍氢电池的应用中，通过结合二阶RC模型和电流积分法计算的噪声值，优化了SOC的预测性能。 总结来说，本文的主要贡献在于提出了一种结合二阶RC模型和改进的卡尔曼滤波算法，通过实时计算噪声值和利用Peukert方程进行放电速率补偿，以提高镍氢动力电池SOC的精确估计。这对于电池管理系统(BMS)的设计和优化具有重要意义，尤其是在混合动力和电动汽车领域，电池的SOC管理是关键性能指标之一。