江苏大学学报(自然科学版)

作者：叶丽华1，何洲1，施烨璠2，陈耀阳1，程星1，施爱平1

单位：1. 江苏大学 汽车与交通工程学院， 江苏 镇江 212013； 2. 克兰菲尔德大学 水能源与环境学院， 克兰菲尔德 MK43 0AL

关键词：电池, SOC, 扩展卡尔曼滤波, 噪声矩阵依赖, BASOA-IEKF

基金：国家重点研发计划项目（2019YFD1002500）； 安徽省电动拖拉机项目(HX20210387)

标准扩展卡尔曼滤波是常用的电池荷电状态（state of charge，SOC）估计算法，针对其系统线性化误差和噪声矩阵依赖问题会导致电池SOC估计的准确性下降的情况，提出了一种基于边界自适应人群搜索（boundary adaptive seeker optimization algorithm，BASOA）-迭代扩展卡尔曼滤波(iterated extended Kalman filter，IEKF)的融合滤波算法，通过状态估计值多次迭代和系统噪声矩阵智能寻优来提升SOC估计效果.结果表明：在静态工况下BASOA-IEKF算法的SOC最大估算绝对误差为3.74%，混合功率脉冲特性（hybrid pulse power characterization，HPPC）工况下SOC估算绝对误差小于3.00%，城市道路循环（urban dynamometer driving schedule，UDDS）工况下估算绝对误差小于2.50%，相较于单一IEKF算法，BASOA-IEKF算法的SOC估计精度更高，SOC误差曲线在收敛后波动更小，表现更稳定，全局鲁棒性更优.

来源：2023年第6期

《江苏大学学报(自然科学版)》期刊编辑部

查看江苏大学学报(自然科学版)杂志2023年第6期