基于UKF的电池荷电状态估计算法研究
在混合动力电动汽车电池管理系统中，SOC的在线估计是非常重要的。摘要针对广泛应用于非线性系统中电力系统SOC估计算法的扩展卡尔曼滤波(EKF)存在精度损失的问题，采用无轨卡尔曼滤波(UKF)来提高估计精度。摘要研究了一种改进的电动势电池等效模型，讨论了该模型的参数和空间状态方程，并将UKF应用于估计电池荷电状态。实验分析表明，与开路电压法得到的真实SOC值相比，UKF与EMF电池等效模型相结合的估计算法具有较高的准确性。估计误差小于5%，SOC估计结果明显优于EKF，具有较高的实用价值。
功率单元等效模型是SOC估计的重要方法。在建模方面，本文采用的EMF模型考虑了温度、极化等因素对SOC估计的影响。当温度变化较大时，对电压进行适当补偿:在算法上。在UKF的对称采样中加入比例校正方法。防止了局部效应问题;在电池SOC的估计过程中，UKF比EKF更容易实现，可以获得更高的状态估计精度。可以预见，基于合适的电池等效模型，UKF在其他类型电池SOC估计中也有广阔的应用空间。因此，有必要进一步实现基于UKF的SOC估计方法工程。
在如下图所示的随机电流放电状态下的SOC估计中，UKF方法再次显示出了较强的误差抑制能力。通过比较两种方法，可以得到SOC曲线。SOC估计误差由EKF方法的峰值接近7%,而峰值UKF方法出现的误差小于5%相比之下:此外,在整个评估过程中,EKF方法所出现的误差有几个暴力波动,而出现的错误UKF是相对稳定的。所以我们了解。并与ocv得到的SOC的真实值曲线进行了比较。在两种放电状态下，功率电池SOC的UKF估计比EKF有更好的准确性和稳定性。
随机放电状态下SOC估计的比较(a)SOC估计结果的比较(b)SOC估计结果误差的比较
电动汽车作为新能源汽车的代表。已经成为一个新的产业。动力锂电池作为电动汽车的动力源，在实践中得到越来越广泛的应用。然而，关于许多汽车电池管理系统。电池技术的缺陷使SOC难以准确估计。UKF对非线性系统具有良好的滤波效果。这里，我们使用UKF算法和改进的EMF等效模型来估计电池的荷电状态。并与EKF方法进行了比较。实验证明。UKF和EMF等效模型的结合有效地提高了SOC估计的准确性和可靠性。
