中國(guó)儲(chǔ)能網(wǎng)訊：
摘 要 荷電狀態(tài)(state of charge, SOC)作為表征鋰電池剩余電量的關(guān)鍵指標(biāo)，其精確估計(jì)對(duì)于合理使用電池電量、保障電池安全具有重要意義。本文針對(duì)基于H∞濾波(H infinity filter, HIF)估計(jì)SOC時(shí)魯棒性好但估計(jì)精度低的問(wèn)題，提出一種自適應(yīng)無(wú)跡H∞濾波(adaptive unscented H infinity filter, AU_HIF)SOC估計(jì)方法，以提高SOC估計(jì)精度。首先，選擇能夠在精度和復(fù)雜度間取得良好平衡的雙極化(dual polarization, DP)等效電路模型進(jìn)行新型估計(jì)算法的設(shè)計(jì)；其次，結(jié)合無(wú)跡卡爾曼濾波(unscented Kalman filter, UKF)算法相比于傳統(tǒng)擴(kuò)展卡爾曼濾波(extended Kalman filter, EKF)算法更適用于非線性系統(tǒng)狀態(tài)估計(jì)的特點(diǎn)，文章基于先驗(yàn)誤差協(xié)方差矩陣設(shè)計(jì)新型漸消因子，實(shí)現(xiàn)自適應(yīng)無(wú)跡H∞濾波算法的設(shè)計(jì)，以減小陳舊測(cè)量值對(duì)估計(jì)結(jié)果的影響，提高濾波算法的跟蹤能力及估計(jì)精度。最后，通過(guò)搭建自主實(shí)驗(yàn)平臺(tái)獲取實(shí)際模擬工況數(shù)據(jù)，驗(yàn)證了文章所提自適應(yīng)無(wú)跡H∞濾波算法相比于傳統(tǒng)H∞濾波算法、傳統(tǒng)UKF算法和其他類型改進(jìn)H∞濾波算法具有更高的估計(jì)精度及更好的魯棒性。文章研究?jī)?nèi)容對(duì)提高新能源汽車、儲(chǔ)能電站等電池系統(tǒng)的SOC估計(jì)精度具有重要意義。
關(guān)鍵詞 鋰電池；SOC；H∞濾波；DP模型；漸消因子
鋰電池憑借其循環(huán)壽命長(zhǎng)、能量密度高等特點(diǎn)在新能源汽車、儲(chǔ)能電站等領(lǐng)域廣泛應(yīng)用。SOC(state of charge)作為表征鋰電池剩余電量的指標(biāo)，對(duì)鋰電池的安全運(yùn)行及能量利用率至關(guān)重要。鋰電池作為復(fù)雜的非線性系統(tǒng)，特性復(fù)雜多變，SOC不能直接測(cè)量，只能通過(guò)一定的數(shù)學(xué)方法進(jìn)行估計(jì)，SOC估計(jì)是鋰電池研究的熱點(diǎn)內(nèi)容。
目前，常見(jiàn)的SOC估計(jì)方法有表征參數(shù)法、安時(shí)積分法、數(shù)據(jù)驅(qū)動(dòng)法、模型法等。表征參數(shù)法是在離線情況下，通過(guò)電池特性實(shí)驗(yàn)獲取電池的表征參數(shù)與SOC之間的關(guān)系，常用的表征參數(shù)有開(kāi)路電壓(open circuit voltage, OCV)、電池剩余容量、阻抗譜等。安時(shí)積分(ampere hour, AH)法也稱庫(kù)侖計(jì)數(shù)法，該方法易于實(shí)現(xiàn)，是目前工程應(yīng)用中最常見(jiàn)的方法，但其作為一種開(kāi)環(huán)估計(jì)方法，易受初始SOC及電流測(cè)量精度的影響。數(shù)據(jù)驅(qū)動(dòng)法主要指機(jī)器學(xué)習(xí)算法，這類算法非線性映射能力強(qiáng)、估計(jì)精度高，但需要大量的離線訓(xùn)練數(shù)據(jù)，且估計(jì)精度受數(shù)據(jù)集及訓(xùn)練方法影響較大。
模型法是一種基于電池等效模型進(jìn)行SOC估計(jì)的方法。常見(jiàn)的模型法有Kalman濾波、滑模觀測(cè)器、H∞濾波等?？柭鼮V波法(Kalman filter, KF)作為一種最小方差意義下的最優(yōu)狀態(tài)估計(jì)方法，在模型參數(shù)確定、系統(tǒng)噪聲滿足均值和方差已知的高斯分布時(shí)，能夠?qū)崿F(xiàn)最優(yōu)估計(jì)。但鋰電池作為典型的非線性系統(tǒng)，難以對(duì)其精確建模，且系統(tǒng)噪聲具有很強(qiáng)的隨機(jī)性，可能出現(xiàn)各種有色噪聲。滑模觀測(cè)器是一種設(shè)計(jì)簡(jiǎn)單、魯棒性好的非線性觀測(cè)器，能較好克服模型不確定性和外部干擾對(duì)估計(jì)精度的影響，但難以避免開(kāi)關(guān)函數(shù)引起的估計(jì)結(jié)果抖振現(xiàn)象。
基于博弈論的H∞濾波(H infinity filter, hIF)避免了要求模型參數(shù)和噪聲的統(tǒng)計(jì)特性都已知的限制，在噪聲特性未知、建模不精確等情況下具有更好的魯棒性?；贖IF的SOC估計(jì)近年獲得了眾多學(xué)者的關(guān)注。文獻(xiàn)[22]基于分?jǐn)?shù)階模型、容量補(bǔ)償模型，建立自適應(yīng)HIF算法，以實(shí)現(xiàn)SOC的高精度估計(jì)，其以增加模型復(fù)雜度為代價(jià)提高估計(jì)精度，不利于估計(jì)方法的硬件實(shí)現(xiàn)，且不可避免地存在時(shí)延問(wèn)題，降低了SOC估計(jì)的實(shí)時(shí)性。文獻(xiàn)[23]基于魯棒控制理論，提出了H∞擴(kuò)展卡爾曼濾波(H∞ extended Kalman filter, HEKF)算法，在估計(jì)SOC的同時(shí)，實(shí)時(shí)更新歐姆內(nèi)阻等模型參數(shù)，提高了算法的收斂速度及魯棒性；但其基于擴(kuò)展卡爾曼濾波(extended Kalman filter, EKF)進(jìn)行估計(jì)方法的改進(jìn)，仍未克服擴(kuò)展卡爾曼濾波將非線性系統(tǒng)線性化過(guò)程存在的誤差。文獻(xiàn)[24]首先基于電壓、電流、溫度和老化狀態(tài)對(duì)電池模型參數(shù)進(jìn)行神經(jīng)網(wǎng)絡(luò)映射，其次利用自適應(yīng)HIF減小估計(jì)結(jié)果的抖動(dòng)，提高估計(jì)精度?；谏窠?jīng)網(wǎng)絡(luò)映射模型參數(shù)，需要大量離線數(shù)據(jù)進(jìn)行模型訓(xùn)練，同樣降低了SOC估計(jì)的實(shí)時(shí)性。文獻(xiàn)[25]將等效電路模型和基于數(shù)據(jù)驅(qū)動(dòng)的自回歸模型融合，建立了基于HIF的多尺度SOC估計(jì)方法，從電池模型的角度提高了估計(jì)精度，但估計(jì)過(guò)程沒(méi)有對(duì)噪聲做任何假設(shè)也是不切實(shí)際的；同時(shí)，其濾波性能對(duì)參數(shù)設(shè)計(jì)過(guò)于敏感，不利于硬件調(diào)試。文獻(xiàn)[26]在遞歸最小二乘法的基礎(chǔ)上，通過(guò)設(shè)計(jì)一種有限時(shí)間H∞觀測(cè)器(finite-time H∞ observer, FTHIO)，以提高SOC估計(jì)精度，其以犧牲算法泛用性為代價(jià)提高收斂速度，實(shí)際應(yīng)用價(jià)值有待進(jìn)一步驗(yàn)證。文獻(xiàn)[27]基于Frobenius范數(shù)的QR分解和電熱模型，建立HIF與自適應(yīng)容積卡爾曼濾波(adaptive cubature Kalman filter, ACKF)相結(jié)合的算法，在保證誤差協(xié)方差矩陣正定的同時(shí)，提高了估計(jì)結(jié)果的魯棒性，但其并未考慮陳舊數(shù)據(jù)對(duì)估計(jì)結(jié)果的影響，且計(jì)算量較大，不可避免地存在時(shí)延問(wèn)題。文獻(xiàn)[28]為克服陳舊數(shù)據(jù)對(duì)估計(jì)精度的影響，提出一種擴(kuò)展指數(shù)加權(quán)的移動(dòng)平均H∞濾波(extended exponential weighted moving average H∞ filtering, EE-HIF)算法，通過(guò)對(duì)不同階段歷史數(shù)據(jù)的加權(quán)以提高收斂速度及估計(jì)精度，但其計(jì)算過(guò)程引入指數(shù)項(xiàng)大大增加了算法計(jì)算量，且高斯函數(shù)標(biāo)準(zhǔn)差需要手動(dòng)調(diào)節(jié)，對(duì)方法適用性造成不利影響。文獻(xiàn)[29-30]基于HIF算法分別對(duì)不同類型卡爾曼濾波的魯棒性進(jìn)行改善，但均未考慮陳舊數(shù)據(jù)對(duì)估計(jì)結(jié)果的影響，且迭代過(guò)程的累計(jì)誤差可能使誤差協(xié)方差矩陣負(fù)定，造成濾波發(fā)散。
由以上文獻(xiàn)調(diào)查可知，為提高基于HIF算法的SOC估計(jì)精度，國(guó)內(nèi)外眾多學(xué)者從不同角度對(duì)HIF的優(yōu)化、與其他算法的結(jié)合進(jìn)行了深入研究。但仍存在一些問(wèn)題：
（1）傳統(tǒng)HIF算法面對(duì)非線性系統(tǒng)時(shí)，仍然需要線性化處理，不可避免地引入線性化誤差；同時(shí)，其估計(jì)過(guò)程中忽略噪聲的統(tǒng)計(jì)特性，不利于估計(jì)精度的提高。
（2）隨著SOC估計(jì)過(guò)程時(shí)間的累積，HIF算法吸收了過(guò)往所有的歷史測(cè)量數(shù)據(jù)，當(dāng)前量測(cè)值的比重下降，造成濾波器穩(wěn)態(tài)條件下跟蹤能力差，影響估計(jì)精度甚至?xí)?dǎo)致濾波器發(fā)散。
基于上述問(wèn)題，提出一種自適應(yīng)無(wú)跡H∞濾波(adaptive unscented H infinity filter, AU_HIF)SOC估計(jì)方法，以提高估計(jì)精度及魯棒性。創(chuàng)新點(diǎn)為
（1）基于UKF(unscented Kalman filter)對(duì)非線性系統(tǒng)良好的濾波性能，在HIF算法的基礎(chǔ)上嵌入U(xiǎn)KF，消除傳統(tǒng)HIF的線性化誤差，同時(shí)在保持HIF算法優(yōu)良魯棒性的前提下，提高SOC估計(jì)精度。
（2）為強(qiáng)化當(dāng)前量測(cè)值對(duì)估計(jì)結(jié)果的影響，通過(guò)設(shè)計(jì)新型自適應(yīng)漸消因子，對(duì)先驗(yàn)誤差協(xié)方差矩陣自適應(yīng)更新，增強(qiáng)AU_HIF算法穩(wěn)態(tài)時(shí)的跟蹤能力，進(jìn)一步提高SOC估計(jì)精度及魯棒性。
1 電池等效電路模型的建立
鋰電池SOC估計(jì)的精度和魯棒性取決于電池模型的精確程度。目前常見(jiàn)的鋰電池等效電路模型包括Rint模型、Thevenin模型、DP模型(dual polarization model)、PNGV模型和GNL模型等。綜合考慮估計(jì)精度和計(jì)算成本，本文選擇DP模型建立狀態(tài)空間方程，等效電路如圖1所示。圖中I表示電流；Ut表示端電壓；Uoc表示開(kāi)路電壓，其為SOC的函數(shù)；R表示歐姆內(nèi)阻；Rp、Cp分別表示電池濃度差極化電阻和極化電容，模擬電池內(nèi)部快速的極化反應(yīng)；Rs、Cs分別表示電化學(xué)極化電阻和極化電容，模擬電池內(nèi)部緩慢的極化反應(yīng)。
圖1 DP等效電路模型
根據(jù)基爾霍夫電壓定律，模型方程如式(1)所示。
以上為DP模型狀態(tài)方程建立過(guò)程，對(duì)于模型參數(shù)辨識(shí)，國(guó)內(nèi)外已有較多文獻(xiàn)研究，本文基于文獻(xiàn)[31]中參數(shù)辨識(shí)方法對(duì)DP模型參數(shù)進(jìn)行辨識(shí)，辨識(shí)過(guò)程不再贅述。
2 自適應(yīng)無(wú)跡H∞濾波算法建立
AU_HIF的基本思想是利用UKF算法的無(wú)跡變換代替EKF線性化過(guò)程，消除因忽略高次項(xiàng)所引起的線性化誤差，并引入自適應(yīng)漸消因子更新先驗(yàn)誤差協(xié)方差矩陣，克服陳舊量測(cè)值對(duì)SOC估計(jì)結(jié)果的影響。
2.1 基于UKF的自適應(yīng)漸消因子設(shè)計(jì)
本文通過(guò)在先驗(yàn)誤差協(xié)方差矩陣Pk|k-1中引入自適應(yīng)漸消因子λk，來(lái)限制濾波器的記憶長(zhǎng)度，實(shí)現(xiàn)SOC估計(jì)過(guò)程對(duì)工況的強(qiáng)跟蹤。將自適應(yīng)漸消因子與先驗(yàn)誤差協(xié)方差矩陣Pk|k-1整體相乘，相當(dāng)于對(duì)Pk|k-1整體進(jìn)行加權(quán)處理，即可增強(qiáng)當(dāng)前量測(cè)值比重。目前，已有較多文獻(xiàn)對(duì)自適應(yīng)UKF算法中自適應(yīng)過(guò)程進(jìn)行研究，文獻(xiàn)[32]自適應(yīng)過(guò)程通過(guò)自適應(yīng)更新測(cè)量噪聲協(xié)方差矩陣、過(guò)程噪聲協(xié)方差矩陣來(lái)實(shí)現(xiàn)，與本文所設(shè)計(jì)自適應(yīng)過(guò)程相比無(wú)法直接更新誤差協(xié)方差矩陣且自適應(yīng)因子有效變化范圍存在限制，克服陳舊量測(cè)值對(duì)估計(jì)結(jié)果的影響作用有限。文獻(xiàn)[33]通過(guò)設(shè)計(jì)Q參數(shù)來(lái)計(jì)算自適應(yīng)因子，該方法自適應(yīng)因子計(jì)算過(guò)程未考慮陳舊量測(cè)值對(duì)估計(jì)結(jié)果的影響，且自適應(yīng)過(guò)程中測(cè)量噪聲協(xié)方差矩陣、過(guò)程噪聲協(xié)方差矩陣可能出現(xiàn)非正定情況，影響估計(jì)精度。本文針對(duì)Pk|k-1引入自適應(yīng)漸消因子的方式如式(6)所示。
2.2 自適應(yīng)無(wú)跡H∞濾波算法的設(shè)計(jì)
根據(jù)傳統(tǒng)HIF的定義，AU_HIF滿足式(24)時(shí)，在面對(duì)外界所有干擾時(shí)能夠?qū)崿F(xiàn)最小誤差的估計(jì)。
綜上所述，AU_HIF算法的建立過(guò)程完成。AU_HIF算法流程如圖2所示。
圖2 AU_HIF算法流程圖
3 AU-HIF算法先進(jìn)性驗(yàn)證
3.1 實(shí)驗(yàn)平臺(tái)搭建及模擬工況測(cè)試
本節(jié)基于自主搭建的實(shí)驗(yàn)平臺(tái)獲取電池實(shí)際運(yùn)行工況對(duì)應(yīng)的電壓、電流數(shù)據(jù)，以模擬電池實(shí)際工作狀態(tài)，并為新型估計(jì)方法先進(jìn)性驗(yàn)證提供基礎(chǔ)。自主實(shí)驗(yàn)平臺(tái)如圖3所示，由安裝有控制軟件的上位機(jī)、中位機(jī)、Neware可編程電子負(fù)載、電池和高低溫試驗(yàn)箱組成?？删幊屉娮迂?fù)載設(shè)備型號(hào)為CT-4008T-5V6A-S1，測(cè)試精度可達(dá)0.05%。實(shí)驗(yàn)對(duì)象為3.5 Ah的三洋NCR18650GA三元鋰電池。高低溫試驗(yàn)箱型號(hào)為BPH-060A，精度為±0.5 ℃，用于為電池提供穩(wěn)定的工作溫度。
圖3 電池測(cè)試系統(tǒng)
參考世界輕型汽車測(cè)試循環(huán)(world light vehicle test cycle, WLTC)工況和美國(guó)典型動(dòng)態(tài)壓力測(cè)試(dynamic stress test, DST)工況進(jìn)行適當(dāng)比例縮小，設(shè)計(jì)本文模擬工況。工況如圖4所示，文中分別稱為WLTC工況和DST工況。工況中電流大于零代表電池放電，小于零代表電池充電，工況包含了鋰電池充電、放電、擱置的工作狀態(tài)。
圖4 模型輸入工況
3.2 估計(jì)結(jié)果對(duì)比分析
本節(jié)首先分析新型濾波算法的估計(jì)精度，其次對(duì)其魯棒性進(jìn)行討論。
3.2.1 估計(jì)精度分析
為驗(yàn)證本文所提算法良好的估計(jì)精度，本文將AU_HIF算法與傳統(tǒng)UKF算法、同類型H∞濾波改進(jìn)算法進(jìn)行比較。UKF算法作為傳統(tǒng)非線性系統(tǒng)狀態(tài)估計(jì)方法，被廣泛應(yīng)用到鋰電池SOC估計(jì)中，與其相比可以體現(xiàn)H∞濾波算法在估計(jì)過(guò)程中的魯棒性。擴(kuò)展H∞濾波(extended h infinity filter, E_HIF)算法是在H∞濾波的基礎(chǔ)上結(jié)合擴(kuò)展卡爾曼濾波特點(diǎn)，進(jìn)一步提高估計(jì)精度，與其相比可以體現(xiàn)無(wú)跡H∞濾波算法在估計(jì)精度方面的優(yōu)越性。文獻(xiàn)[34]中提出的自適應(yīng)H∞濾波(adaptive h infinity filter, AHIF)算法在類型上與AU_HIF算法屬于同類型改進(jìn)H∞濾波算法，其算法過(guò)程中自適應(yīng)過(guò)程與本文不同，選取的自適應(yīng)因子也有差別，與其相比可以體現(xiàn)AU_HIF算法自適應(yīng)過(guò)程的先進(jìn)性和適用性。本節(jié)基于實(shí)測(cè)工況數(shù)據(jù)在Matlab環(huán)境中完成不同算法的對(duì)比研究。驗(yàn)證過(guò)程中，系統(tǒng)狀態(tài)量xk及狀態(tài)估計(jì)誤差協(xié)方差矩陣P、零均值的系統(tǒng)白噪聲協(xié)方差Q、零均值的測(cè)量白噪聲協(xié)方差R及性能邊界γ初始值的設(shè)置均相同，如表1所示。
表1 各狀態(tài)參數(shù)初始值
由于仿真過(guò)程不存在測(cè)量誤差，將安時(shí)積分獲得的SOC作為真實(shí)值。兩種工況條件，AU_HIF算法與其余算法估計(jì)結(jié)果如圖5、圖6所示。為更清晰觀察SOC估計(jì)誤差，對(duì)SOC絕對(duì)誤差結(jié)果采用不同時(shí)間尺度坐標(biāo)軸。WLTC工況左側(cè)縱坐標(biāo)軸對(duì)應(yīng)工況前10000 s時(shí)間范圍內(nèi)的SOC估計(jì)誤差；右側(cè)縱坐標(biāo)軸對(duì)應(yīng)工況剩余時(shí)間SOC估計(jì)誤差，DST工況左側(cè)縱坐標(biāo)軸對(duì)應(yīng)工況前5000 s時(shí)間范圍內(nèi)的SOC估計(jì)誤差；右側(cè)縱坐標(biāo)軸對(duì)應(yīng)工況剩余時(shí)間SOC估計(jì)誤差。不同工況下估計(jì)結(jié)果的平均絕對(duì)誤差(mean absolute error, MAE)和均方根誤差(root mean square error, RMSE)如表2所示。
圖5 WLTC工況下SOC估計(jì)結(jié)果
圖6 DST工況下SOC估計(jì)結(jié)果
表2 不同工況平均絕對(duì)誤差和均方根誤差
由圖5、圖6和表2可以看出，本文所提的AU_HIF算法相比于傳統(tǒng)的UKF和同類型改進(jìn)HIF算法，在WLTC和DST工況下均具有更高的估計(jì)精度。AU_HIF算法與其余三種算法相比，在WLTC工況下，MAE分別下降了65.1%、56.2%、38.9%，RMSE分別下降了111.7%、84.9%、63.2%；在DST工況下，MAE分別下降了70.7%、48.0%、21.7%，RMSE分別下降了88.7%、100.1%、32.3%，驗(yàn)證了AU_HIF算法在提升SOC估計(jì)精度方面的有效性。
3.2.2 魯棒性分析
為驗(yàn)證本文所提算法在受到參數(shù)擾動(dòng)時(shí)的魯棒性，本節(jié)基于額定容量Cn設(shè)計(jì)一個(gè)均值為0，方差為0.1的服從高斯分布的隨機(jī)數(shù)擾動(dòng)信號(hào)。由于自主搭建的電池實(shí)驗(yàn)平臺(tái)設(shè)置WLTC工況總時(shí)間為70000 s，單個(gè)周期時(shí)間為1800 s；DST工況總時(shí)間為31000 s，單個(gè)周期循環(huán)時(shí)間為360 s?？紤]到WLTC工況和DST工況總時(shí)間和單個(gè)周期時(shí)間的不同，為比較擾動(dòng)發(fā)生頻率對(duì)各濾波算法的影響，設(shè)置WLTC工況和DST工況分別隔18000 s(10個(gè)工況周期)和7200 s(20個(gè)工況周期)，額定容量接收一次擾動(dòng)信號(hào)。兩種工況條件以及不同擾動(dòng)信號(hào)采樣周期條件下，AU_HIF算法與其余三種濾波算法估計(jì)結(jié)果如圖7、圖8所示。不同工況下MAE和RMSE如表3所示。
圖7 參數(shù)擾動(dòng)下WLTC工況SOC估計(jì)結(jié)果
圖8 參數(shù)擾動(dòng)下DST工況SOC估計(jì)結(jié)果
表3 參數(shù)擾動(dòng)下不同工況平均絕對(duì)誤差和均方根誤差
由圖7、圖8和表3可知，在加入隨機(jī)參數(shù)擾動(dòng)的情況下，本文所提的AU_HIF算法相比于傳統(tǒng)的UKF和同類型改進(jìn)HIF算法，在WLTC和DST工況下均具有更高的估計(jì)精度，證明了AU_HIF具有更好的魯棒性。AU_HIF算法與其余三種算法相比，在WLTC工況下，MAE分別下降了53.8%、51.6%、34.7%，RMSE分別下降了108.0%、83.9%、62.3%；在DST工況下，MAE分別下降了59.7%、47.4%、21.4%，RMSE分別下降了86.7%、100.0%、33.3%，驗(yàn)證了AU_HIF算法在存在參數(shù)擾動(dòng)的情況下，在SOC估計(jì)過(guò)程中具有更好的魯棒性。這是由于傳統(tǒng)UKF由于采用固定的噪聲協(xié)方差初值，估計(jì)過(guò)程無(wú)法保證狀態(tài)協(xié)方差的半正定性，不能避免噪聲協(xié)方差引起的估計(jì)結(jié)果的抖振現(xiàn)象，影響了SOC估計(jì)精度及魯棒性。E_HIF算法是在HIF基礎(chǔ)上通過(guò)嵌入擴(kuò)展卡爾曼濾波來(lái)完成非線性系統(tǒng)的狀態(tài)估計(jì)，其中電池系統(tǒng)線性化處理是計(jì)算雅可比矩陣的關(guān)鍵步驟，在此過(guò)程中由于忽略高次項(xiàng)而引入的線性化誤差，會(huì)對(duì)估計(jì)精度產(chǎn)生不利影響。文獻(xiàn)[34]中估計(jì)算法雖然增加了粒子群優(yōu)化(particle swarm optimization, PSO)算法對(duì)帶遺忘因子最小二乘法的遺忘因子進(jìn)行優(yōu)化，但遺忘因子有效變化范圍很小，對(duì)其進(jìn)行優(yōu)化的必要性一般，且實(shí)現(xiàn)過(guò)程復(fù)雜，未充分考慮當(dāng)前量測(cè)值在估計(jì)過(guò)程中的比重，同樣對(duì)SOC估計(jì)精度及魯棒性產(chǎn)生不利影響。
綜上所述，文章所提AU_HIF算法相比于傳統(tǒng)UKF算法和同類型HIF算法，具有更高的SOC估計(jì)精度及魯棒性。
4 結(jié) 論
針對(duì)鋰電池SOC估計(jì)，提出AU_HIF算法實(shí)現(xiàn)SOC高精度估計(jì)。文章重點(diǎn)研究了新型自適應(yīng)漸消因子的設(shè)計(jì)和基于自適應(yīng)漸消因子的AU_HIF算法設(shè)計(jì)。首先，通過(guò)設(shè)計(jì)新型漸消因子對(duì)UKF先驗(yàn)誤差協(xié)方差矩陣自適應(yīng)更新，克服了傳統(tǒng)UKF算法中由于陳舊量測(cè)值導(dǎo)致SOC估計(jì)精度低的情況。其次，將UKF引入到HIF中，提出AU_HIF算法，提高了HIF估計(jì)精度。最后，通過(guò)自主實(shí)驗(yàn)平臺(tái)測(cè)試數(shù)據(jù)驗(yàn)證了AU_HIF算法與傳統(tǒng)UKF算法及同類型改進(jìn)HIF算法相比具有更高的估計(jì)精度及魯棒性。本文研究?jī)?nèi)容對(duì)提高新能源汽車、儲(chǔ)能電站等電池系統(tǒng)的SOC估計(jì)精度具有重要意義。未來(lái)的研究集中在將溫度、老化狀態(tài)等影響因素考慮進(jìn)本文SOC估計(jì)過(guò)程，提高本文SOC估計(jì)方法的工程適用性。
