Gemeinsame Modellparameteridentifikation und erweiterter Kalman-Filter-Algorithmus zur Schätzung des Ladezustands von Lithium-Eisen-Phosphat-Batterien

Zusammenfassung Die genaue Schätzung des Ladezustands (SOC) von Batterien ist entscheidend für die Sicherheit und effizientes Fahren von Elektrofahrzeugen. Um den negativen Einfluss der Flachheit der Spannungsebene und akkumulierte Fehler in der Strommessung zu adressieren, wird in diesem Artikel die SOC-Schätzungsmethode vorgeschlagen, die die Modellparameteridentifikation und den erweiterten Kalman-Filter (EKF) Algorithmus kombiniert und durch Simulation verifiziert wird. Zunächst wird die Parameteridentifikationsmethode basierend auf dem zweistufigen Dual-Polarisationsmodell ermittelt und eine effektive Identifizierung der Parameter unter verschiedenen SOC wird unter den experimentellen Bedingungen des hybridpulsartigen Leistungsprofils und der konstanten Stromentladung erreicht. Auf dieser Grundlage wird ein Funktionsmodell mit SOC als unabhängiger Variable und Modellparametern als abhängiger Variable durch die Kombination von Modellparameteridentifikation und EKF-Algorithmus aufgestellt, und die iterative Schätzung des SOC wird durch die Methoden 1stopt und cftool erreicht. Schließlich wird die Schätzgenauigkeit des SOC der vorgeschlagenen Methode unter drei Betriebsbedingungen validiert, die die neuesten Standards anwenden und näher an der tatsächlichen Fahrumgebung sind. Die Simulationsergebnisse zeigen, dass die SOC-Schätzungsmethode, die Modellparameteridentifikation und EKF-Algorithmus kombiniert, eine höhere Genauigkeit und kleinere Schwankungen aufweist als die traditionelle Ampere-Zeit (AH) Integrationsmethode, und der mittlere quadratische Fehler (MSE) der Schätzung für die vier Testbedingungen weniger als 0,29 %, 0,72 % und 0,25 % beträgt.