BMS 之 SOC算法
发布网友
发布时间：2024-09-27 08:22
共1个回答
热心网友
时间：2024-10-03 19:27
卡尔曼滤波法在BMS中的应用主要关注于动力电池SOC的最优估计。作为动力系统内部状态，它的估计需要借助该算法的最小方差策略。近年来，卡尔曼滤波法在混合动力汽车电池SOC估计中展现出优势，特别是在电流波动较大的情况下。它不仅给出了估计值，还提供了误差分析，但对电池模型的精确性和计算能力要求较高。
其核心原理涉及状态方程和输出观测方程，通过预测（Xk, Xk的不确定性）和矫正（利用传感器信息Lk）两个步骤，不断迭代更新状态向量及其误差方差。初始状态和方差矩阵的设定是关键步骤。卡尔曼增益Lk反映了预测误差对调整力度的影响，越大说明不确定性越大，需要调整越大。
扩展卡尔曼滤波算法处理非线性系统时，通过线性化处理简化方程，重新定义状态空间和观测方程。然而，电池系统的非线性特性使得稳定性证明变得复杂，需通过选择SOC-OCV的中间段来缓解。此外，算法还面临噪声方差阵设定、模型参数变化、非线性问题（如SOC-OCV关系）、电池一致性等问题。
无迹卡尔曼滤波（UKF）作为改进方法，通过确定性采样和非线性变换提高精度。UKF通过选择sigma点，处理模型的非线性，尽管仍存在平均值和方程假设误差。至于模型时变性，如温度和老化等因素，会直接影响到SOC的估计准确性。
电池一致性问题源于模型与实际测量的不匹配，尤其是磷酸铁锂电池的SOC-OCV线性关系不明显，充电放电过程中的滞回特性加剧了这一问题。因此，精确的SOC与OCV关系对于适应性算法至关重要。
