采用广义混合最大相关熵准则扩展卡尔曼滤波算法的锂离子电池荷电状态估计

摘要

为了解决非高斯噪声环境下荷电状态(SOC)估计不准确以及鲁棒性差等问题，提出一种基于广义混合最大相关熵准则的扩展卡尔曼滤波(GMMCC-EKF)算法。该算法利用两个广义高斯函数构成的核函数得到广义混合熵，继承了广义高斯核的灵活性，并通过统计线性化技术将状态误差和测量误差统一纳入代价函数，进而通过固定点迭代法获得非线性方程的最优估计，然后将广义混合最大相关熵准则与扩展卡尔曼滤波相结合，增强在非高斯噪声环境下的稳定性，提高对复杂数据处理的准确性。为了验证算法有效性，分别选用两种不同类型的锂离子电池，在动态应力测试(DST)工况及多种环境温度(10、25和40℃)的新欧洲驾驶循环(NEDC)工况下对电池进行SOC估计。实验结果表明，在25℃且均匀混合噪声环境下，对于1号电池，GMMCC-EKF算法的估计精度相对于扩展卡尔曼滤波算法(EKF)和传统最大相关熵扩展卡尔曼滤波算法(MCC-EKF)分别提高了90.1%和83.9%;对于2号电池，估计精度分别提高了72.4%和47.4%,并且在10、40℃环境下该算法仍展现出最优性能。对1号、2号电池在25℃且拉普拉斯混合噪声环境下进行SOC估计，GMMCC-EKF算法相对于其他两种算法的估计精度也有显著提高。在给定初始值错误的情况下，GMMCC-EKF算法能够快速地收敛到真实值。所提算法具有较高的估计精度、良好的适应性和鲁棒性，可为非高斯噪声环境下的SOC估计提供有效解决方案。

关键词

荷电状态估计 / 广义混合最大相关熵准则 / 扩展卡尔曼滤波 / 非高斯噪声

基金资助

国家重点研发计划资助项目(2021YFB2601304); 陕西省重点研发计划资助项目(2022GY-193); 陕西省创新能力支撑计划资助项目(2022KXJ-144)