SOC和SOH的联合估计算法demo案例

SOC和SOH的联合估计算法demo案例 

SOH和SOC多时间尺度联合估计。两种途径：（1）构建了基于卡尔曼滤波的双时间尺度，确定一阶或者二阶RC 模型的标称参数对于SOC 的依赖性，采用递推最小二乘法识别参数，在电池SOH 的基础上对标称模型的性能退化进行量化，一个时间尺度的观测器用于实时估算电池SOC，另一个用于离线估算SOH，量化模型精度退化确定SOH 观测器的时间尺度，SOC 与SOH 的估算结果通过大量的测试数据来验证，进而完成了SOC 和SOH 进行联合估计，降低了计算复杂度，提高了估算精度；（2）基于卡尔曼滤波的多时间尺度，将等效电路模型与可用容量的变化联系起来，建立了SOC 与SOH 联合估算的电池集总参数模型，基于模型提出一种多尺度扩展卡尔曼滤波，考虑到SOH 的缓慢变化特性和SOC 的快速变化特性采用宏观尺度对电池SOH 进行估算，微观尺度对电池SOC 进行估算，用两个估算器与多尺度估算理论有效的融合来自不同时间尺度的测量信息，在NEDC 工况下完成电池SOC 与SOH 的联合估算，估算精度高，收敛速度快，有一定优越性。