采用联邦城市行驶工况(FUDS)对电池组进行充放电试验,建立了单变量的镍氢电池组的状态空间模型。将 电池荷电状态(State of charge,SOC)作为系统的状态,基于卡尔曼滤波进行SOC的估计,估计结果的最大相对误差 为2．15％。该方法适合于电...采用联邦城市行驶工况(FUDS)对电池组进行充放电试验,建立了单变量的镍氢电池组的状态空间模型。将 电池荷电状态(State of charge,SOC)作为系统的状态,基于卡尔曼滤波进行SOC的估计,估计结果的最大相对误差 为2．15％。该方法适合于电池工作为动态的混合动力汽车,也同样适用于那些电池状态变化不剧烈的场合,并且具 有较小的计算量。展开更多
基于卡尔曼滤波法的电池组荷电状态(State of charge,SOC)估计方法适合于电流变化比较剧烈的混合动力汽车中电池组的SOC估计,但由于电池模型以及系统噪声、量测噪声统计特性的不确定性,容易引起滤波发散。研究联邦城市行驶工况,并对电...基于卡尔曼滤波法的电池组荷电状态(State of charge,SOC)估计方法适合于电流变化比较剧烈的混合动力汽车中电池组的SOC估计,但由于电池模型以及系统噪声、量测噪声统计特性的不确定性,容易引起滤波发散。研究联邦城市行驶工况,并对电池组进行充放电试验,建立单变量的镍氢电池组的状态空间模型。将SOC作为系统的状态,由于自适应滤波算法可以抑制滤波发散,基于自适应滤波算法研究镍氢电池组的SOC估计方法。台架试验表明该方法具有较高的估计精度和可靠性,计算量小,更适用于实际应用。展开更多
文摘基于卡尔曼滤波法的电池组荷电状态(State of charge,SOC)估计方法适合于电流变化比较剧烈的混合动力汽车中电池组的SOC估计,但由于电池模型以及系统噪声、量测噪声统计特性的不确定性,容易引起滤波发散。研究联邦城市行驶工况,并对电池组进行充放电试验,建立单变量的镍氢电池组的状态空间模型。将SOC作为系统的状态,由于自适应滤波算法可以抑制滤波发散,基于自适应滤波算法研究镍氢电池组的SOC估计方法。台架试验表明该方法具有较高的估计精度和可靠性,计算量小,更适用于实际应用。
