传统的扩展卡尔曼滤波(EKF)算法估计精度较低,无迹卡尔曼滤波(UKF)算法不能确保滤波过程中状态误差协方差矩阵非负性,因而易出现滤波发散问题.为此,文中通过平方根无迹卡尔曼滤波(SR?UKF)算法预测锂电池健康状态(SOH).首先,利用UT变换对系统进行线性化处理;然后,利用状态误差协方差矩阵的平方根替代状态误差协方差矩阵,保证状态误差协方差矩阵非负性;其次,构建二阶RC等效电路模型,根据最小二乘法辨识模型初始参数;最后,将代表SOH的欧姆内阻作为状态变量,使用SR?UKF实时估计欧姆内阻,并根据欧姆内阻与SOH的关系获取锂电池的SOH.为验证SR?UKF算法在不同放电情况下的适应性,通过恒流放电工况和HPPC放电工况对SR?UKF算法进行仿真.结果表明,相比于传统的EKF算法、UKF算法,SR?UKF算法预测欧姆内阻的效果更好.

锂电池;健康状态;平方根无迹卡尔曼滤波;线性化处理;等效电路模型;欧姆内阻估计

江西理工大学 电气工程与自动化学院,江西 赣州 341000

[1]陈德海;杨程;邱福亮-.基于SR?UKF算法的锂电池SOH预测)[J].现代电子技术,2022(18):117-121

欧姆内阻估计

SR,UKF,锂电池,SOH,扩展卡尔曼滤波,EKF,估计精度,协方差矩阵,负性,滤波发散,平方根无迹卡尔曼滤波,算法预测,电池健康状态,UT,线性化处理,RC,等效电路模型,最小二乘法辨识模型,状态变量,实时估计,恒流放电,HPPC

0.18506