典型文献
基于KF-EKF算法的动力电池SOC估计
文献摘要：
准确估计锂离子电池荷电状态(SOC)是电池管理系统中的关键部分,对电动汽车的发展起到重要作用.针对电池应对复杂环境时,电池荷电状态(SOC)估算较难的问题,提出一种卡尔曼(KF)滤波与扩展卡尔曼滤波(EKF)相结合的算法估算SOC.首先建立了戴维南电池模型,参数辨识过程中选用卡尔曼滤波算法,并与离线识别和遗忘因子的递推最小二乘法(FFRLS)进行对比,以EKF进行SOC的估计.在不同温度与FUDS的工况下,卡尔曼滤波参数辨识的综合辨识效果更好,常温下电压均方根误差(RMSE)为0.011 64 V,联合估计SOC的均方根误差为0.7％.
文献关键词：
SOC;卡尔曼滤波;参数识别;扩展卡尔曼滤波;锂离子电池
中图分类号：
作者姓名：
杜常清;吴中意;武冬梅;任重
作者机构：
现代汽车零部件技术湖北省重点实验室(武汉理工大学),武汉430070;新能源与智能网联汽车湖北省工程技术研究中心(武汉理工大学),武汉430070;武汉理工大学汽车工程学院,武汉430070
文献出处：
引用格式：
[1]杜常清;吴中意;武冬梅;任重-.基于KF-EKF算法的动力电池SOC估计)[J].武汉理工大学学报,2022(04):84-92
A类：
B类：
EKF,动力电池,SOC,锂离子电池,电池荷电状态,电池管理系统,电动汽车,复杂环境,扩展卡尔曼滤波,戴维南,电池模型,参数辨识,卡尔曼滤波算法,离线,遗忘因子,递推最小二乘法,FFRLS,FUDS,滤波参数,常温下,RMSE,联合估计,参数识别
AB值：
0.275466
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
