تخمین وضعیت شارژ باتری مبتنی بر فیلتر کالمن توسعه یافته بهبود یافته

سیستم مدیریت باتری (BMS) شامل خطاهای اندازه گیری است که دقت تخمین کمیت حالت شارژ (SOC) باتری را تحت تاثیر قرار می دهد. این موضوع تخمین دقیق SOC را محدود می کند که در برخی زمینه ها مانند علوم پزشکی، رباتیک، ناوبری و کاربردهای صنعتی اهمیت فراوانی دارد به نحوی که موضوع مقالات سال های اخیر است. با توجه به وابستگی EKF به مدل سیستم، تغییر در پارامترهای باتری و اطلاعات نویز باعث از دست دادن کیفیت در تخمین SOC در طول زمان خواهد شد. در این مقاله، فرض می کنیم که پارامترهای باتری از جمله مقاومت داخلی و خازن و همچنین اطلاعات نویز در طول زمان تغییر می کنند. برای حل این مسئله، دو الگوریتم شناسایی آنلاین مجزا برای پارامترها و اطلاعات نویز معرفی شده است. به منظور توضیح بیشتر، یک الگوریتم بازگشتی حداقل مربعات (RLS) برای شناسایی مقادیر مقاومت و خازن استفاده می شود. علاوه بر این، کوواریانس نویز فرآیند و اندازه گیری بر اساس الگوریتم شناسایی اطلاعات نویز تکراری برآورد می شود. سپس تمام مقادیر به روز شده در الگوریتم EKF استفاده می شود. در نهایت، نتایج شبیه سازی نتایج بهتری را در تخمین SOC نشان می دهد.

کلیدواژه ها:

شارژ باتری ، حالت شارژ باتری ، فیلتر کالمن و تخمین