利用粒子滤波算法进行锂电池SOC的估计

锂电池荷电状态(SOC)是反映电池使用情况的重要参数之一.在锂电池实际工作过程中,电流传感器测量时的漂移电流会对SOC估计精度造成很大影响.对此,提出一种加入漂移电流的Drift-Ah积分法,建立SOC的噪声组合模型,并采用容积卡尔曼滤波算法(CKF)实现锂电池的SOC估计.最后,对锂电池进行模拟工况实验,仿真结果表明,所提出的估计算法可以有效抑制漂移电流的干扰,精度高且复杂度低.

对于研究电动汽车电池电力优化控制问题，准确地估算电池的荷电状态是一个不可忽视的环节。为了解决安时积分 法不能估计初始荷电状态、难于准确测量库仑效率和电池可用容量变化的问题，提出了用安时积分法与开路电压法相结合， 并分别对安时积分公式中各相关参数进行修正和优化的方法，通过对磷酸铁锂动力电池进行实验，完成了各参数的修正。 仿真与试验的对比结果表明，改进方法可以减小安时积分法估计电池荷电状态时产生的累积误差，达到了电动汽车优化控 制的应用要求

电池技术发展至今，用来估算SOC的方法已经出现了很多种，既有传统的电流积分法、电池内阻法、放电试验法、开路电压法、负载电压法，也有较为创新的Kalman滤波法、模糊逻辑理论法和神经网络法等，各种估算方法都有自己的优缺点，下面对常用的几种SOC方法进行简要介绍：（1）电流积分法 电流积分法也叫安时计量法，是目前在电池管理系统领域中应用较为普遍的SOC估算方法之一，其本质是在电池进行充电或放电时，通过累积充进或放出的电量来估算电池的SOC，同时根据放电率和电池温度对估算出的SOC进行一定的补偿 。如果将电池在充放电初始状态时的SOC值定义为SOCt0，那么t时刻后的电池剩余容量SOC则为： 式中，Q为电池额定容量，n为充放电效率，也叫库仑效率，其值由电池充放电倍率和温度影响系数决定，i为t时刻的电流。与其它SOC估算方法相比，电流积分法相对简单可靠，并且可以动态地估算电池的SOC值，因此被广泛使用。但该方法也存在两方面的局限性：其一，电流积分法需要提前获得电池的初始 SOC 值，并且要对流入或流出电池的电流进行精确采集，才能使估算误差尽可能小；其二，该方法只是以电池的外部特征作为SOC估算

卡尔曼滤波算法计算电池SOC，simulink模型，该模型用于参考

该模型将模拟电池的电压、电流、功率和SOC特性。提交的内容包含6V、12V、24V和48V的模型。该模型是考虑到电池中观察到的各种电压降而开发的。

电力系统仿真-卡尔曼滤波估测电池SOC

文中以4节12 V的串联锂离子电池组模块为研究对象，通过实验采集动力电池充放电时的电压、电流、温度、内阻和放电量数据来估算电池的荷电状态（State Of Charge，SOC），重点考虑内阻对动力电池SOC预测结果的影响。以动力电池的电压、电流、温度和内阻作为输入，SOC作为输出，建立四输入一输出的神经网络仿真模型。实验结果表明SOC的预测精度为1.6%，比未考虑电池内阻的预测精度提高45%左右。本文提出的预测方法，其运行时间为0.27 s左右，比不考虑电池内阻时稍有延长，但完全能满足不同工况动力电池充放电时SOC在线估算的速度要求，从而能实现SOC的在线准确预测。

扩展卡尔曼滤波估计电池SOC，电池采用二阶RC等效电路模型，内容包括MATLAB程序代码和SIMULINK仿真 含有电流电压等实验数据，包括电压和SOC的关系曲线。程序能完整的运行。

卡尔曼滤波估计电池SOC simulink模型 包括电池参数 能够正常运行 卡尔曼滤波估计电池SOC 卡尔曼滤波估计电池SOC