城軌車用復(fù)合動力儲能系統(tǒng)蓄電池SOC和SOH估計

郭佑民，戴銀娟，付石磊

城軌車用復(fù)合動力儲能系統(tǒng)蓄電池SOC和SOH估計

郭佑民1, 2, 3，戴銀娟1, 2, 3，付石磊1, 2, 3

(1. 蘭州交通大學(xué) 機電技術(shù)研究所，甘肅 蘭州 730070；2. 甘肅省物流及運輸裝備信息化工程技術(shù)研究中心，甘肅 蘭州 730070；3. 甘肅省物流與運輸裝備行業(yè)技術(shù)中心，甘肅 蘭州 730070)

以城市軌道交通復(fù)合儲能系統(tǒng)蓄電池荷電狀態(tài)(SOC)和健康狀態(tài)(SOH)估算為目的，采用適合城市軌道交通車輛運行工況的二階RC等效電路模型，并通過遺忘因子最小二乘算法(FFRLS)辨識其模型參數(shù)?；诙ARC等效電路模型利用傳統(tǒng)的自適應(yīng)無跡卡爾曼濾波算法(AUKF)估計電池的荷電狀態(tài)(SOC)，由于列車復(fù)雜的運行環(huán)境，其電池受到的噪聲是一個動態(tài)變化值，因此導(dǎo)致其估算結(jié)果誤差較大，其最大誤差達到5.5%。因此本文采用自適應(yīng)無跡卡爾曼濾波算法實時估算蓄電池SOC，歐姆內(nèi)阻及其容量，并根據(jù)歐姆內(nèi)阻、容量與蓄電池SOH之間的函數(shù)關(guān)系，估算出電池的SOH。最后，通過設(shè)定的工況下對狀態(tài)估計算法驗證，經(jīng)實驗分析表明，相比UKF算法，AUKF算法能同時實時循環(huán)估算SOC和模型參數(shù)，根據(jù)觀測值可以自動更新噪聲，因而對于列車實際運行工況下其實用性更好，且精度較高，其最大誤差為3.5%，均差為1.5%。

蓄電池；荷電狀態(tài)；健康狀態(tài)；二階RC等效電路模型；自適應(yīng)無跡卡爾曼濾波

隨著城市的發(fā)展，市區(qū)人口逐年增加，路面交通擁堵嚴(yán)重影響市民生活和工作，此外，機動車數(shù)量的爆發(fā)式增長導(dǎo)致環(huán)境質(zhì)量下降，從而導(dǎo)致了霧霾等惡劣天氣。城軌交通因具有快速便捷、舒適、安全和運量大等優(yōu)勢愈發(fā)受到人們的青睞。目前，城軌列車主要是全程架設(shè)接觸網(wǎng)，列車通過電力驅(qū)動的形式運行[1]。接觸網(wǎng)供電不僅成本高，并且容易引發(fā)安全事故，在市區(qū)架設(shè)接觸網(wǎng)嚴(yán)重影響城市的美觀，特別是在一些旅游景區(qū)、繁榮的中心商務(wù)區(qū)，此外，城軌列車?？康恼军c與站點之間距離較短，車輛須要不斷地啟動、制動，在制動時會產(chǎn)生大量的制動能量，據(jù)統(tǒng)計，城軌列車在制動時產(chǎn)生的能耗占總驅(qū)動能耗的31%～67%，這無疑浪費了大量的能量，如果能將制動能耗重新回收利用給列車供電，便可以節(jié)約10%～30%的電能[2]。因此，無接觸網(wǎng)供電城軌車輛應(yīng)運而生[3]，彌補了傳統(tǒng)接觸網(wǎng)車輛的不足，延伸了城市軌道交通的無網(wǎng)區(qū)域運行范圍，避免了城市中由于密集接觸網(wǎng)線路造成的視覺污染問題，不存在接觸網(wǎng)供電可能發(fā)生的故障問題，提高了車輛運行的可靠性。蓄電池老化程度直接影響列車的運行狀況，其內(nèi)部狀況主要包括荷電狀態(tài)(state-of-charge，SOC)和健康狀態(tài)(state- of-health，SOH)[4]，其中，SOC表征的是電池的剩余電量，SOH表示電池的健康狀況[5-6]，目前國內(nèi)外研究學(xué)者主要通過電池的容量、內(nèi)阻特性、電池的充放電行為及其循環(huán)次數(shù)3個方向[7]來研究電池的SOH。蓄電池SOC常用的研究方法有安時積分法、開路電壓法、神經(jīng)網(wǎng)路模型和基于模型的狀態(tài)觀測器等[8]。安時積分法(Ah積分)相比較簡單，是在已知初始SOC值SOC0的前提下，且對其依賴性較大，SOC及測量的電流都會存在或多或少的誤差，并且會隨著時間延長誤差越來越大；開路電壓法利用蓄電池的開路電壓(OCV)和SOC之間的函數(shù)關(guān)系，由OCV的值預(yù)測得到SOC，該方法需將電池提前靜置較長一段的時間，不適用于實際運行列車的實時估算；神經(jīng)網(wǎng)絡(luò)算法依靠較多的樣本數(shù)據(jù)，估算的精度以及運算量依托于訓(xùn)練方法；基于模型的觀測器方法是通過電池的空間狀態(tài)模型，并利用算法遞推迭代運算得到，該方法依賴于模型的精確度。SOH預(yù)測研究方法主要包括基于電池特征分析、模糊控制、數(shù)據(jù)驅(qū)動等方法[9]?；陔姵靥卣鞣治鍪峭ㄟ^基本特征，如利用電池的容量、內(nèi)阻等與電池充放電循環(huán)次數(shù)之間的關(guān)系，從而預(yù)測電池的SOH；模糊控制是將輸入的確定值模糊化處理，其規(guī)則建立較為困難，且估算結(jié)果受模糊規(guī)則的影響較大，一般適用于電池電化學(xué)模型的內(nèi)部參數(shù)分析；數(shù)據(jù)驅(qū)動常用的方法有神經(jīng)網(wǎng)絡(luò)、支持向量機、KF算法等，但該方法對建立的電池的空間狀態(tài)模型有一定的依賴性，但能對電池的狀態(tài)定性定量分析，隨著列車運行環(huán)境較為復(fù)雜且多變，列車儲能系統(tǒng)受到的干擾噪聲無法保持一個定值，而自適應(yīng)無跡卡爾曼濾波算法根據(jù)觀測值與預(yù)測值之間的誤差實時更新觀測及系統(tǒng)噪聲，因此該方法更適用于列車儲能系統(tǒng)的電池狀態(tài)估計中[11]。針對目前蓄電池狀態(tài)估計在精度及實時性等方面不夠理想的問題，本文綜合考慮影響電池SOC估計的因素，選取適用于蓄電池的二階RC等效電路模型，并通過自適應(yīng)無跡卡爾曼濾波算法(adaptive unscented Kalman filter，AUKF)估算電池的SOC。自適應(yīng)無跡卡爾曼濾波算法是將無跡卡爾曼濾波算法(UKF)和擴展卡爾曼濾波算法(EKF)相結(jié)合，采用循環(huán)迭代的方法計算電池的SOC和參數(shù)值，能夠?qū)崟r計算更新電池的模型參數(shù)，克服了電池在使用時是一個時變系統(tǒng)的難題，該方法能夠?qū)崟r計算更新模型參數(shù)的同時也提高了SOC估計的精度。通過歐姆內(nèi)阻的大小可以反應(yīng)電池的SOH，本文通過電池的外部電壓情況，基于二階RC等效電路模型的特點，驗證了AUKF算法估計電池SOC和內(nèi)阻的可行性，并對比UKF算法，證明了該算法估計SOC的精確度更高。

1 建立蓄電池等效電路模型

1.1 蓄電池等效電路模型建立

圖1 二階RC等效電路模型

根據(jù)圖1所確定的本文中采用的等效電路模型，得到該模型的狀態(tài)方程如下：

1.2 模型參數(shù)辨識

由Ah積分法可得到蓄電池SOC，其計算過程如下：

其中：為庫倫效率系數(shù)；Q為電池額定容量。

綜上可得到本文所構(gòu)建的蓄電池狀態(tài)空間模型為：

其中：

式中：v為觀測噪聲；w為系統(tǒng)噪聲。

本文研究的對象為國內(nèi)某公司生產(chǎn)的鋰電池，其最大電壓為4.2 V，標(biāo)稱電壓為3.6 V，標(biāo)稱容量10 Ah，在1.5 A的恒流模式下進行充電，直到其電壓達到4.2 V，然后繼續(xù)在恒定電壓下對其進行充電，直到充電電流降至20 mA。在恒電流為2 A的水平下進行放電，直到鋰離子電池的電壓降至2.7 V。實驗具體電流、電壓工況如圖2所示。

圖2 鋰電池設(shè)定工況過程

針對復(fù)雜的時變系統(tǒng)，應(yīng)用最多的是用最小二乘算法(Recursive Least Square，RLS)來辨識模型的參數(shù)，但是隨著新數(shù)據(jù)的增多，新數(shù)據(jù)的信息得不到利用，估算的準(zhǔn)確性下降，因此，本文選用引入新舊數(shù)據(jù)比重的遺忘因子最小二乘算法(Forgetting Factor Recursive Least Square, FFRLS)[12]來估算參數(shù)值，即利用權(quán)重因子來削弱舊數(shù)據(jù)所起的作用，從而提高新的數(shù)據(jù)的作用，其性能指標(biāo)為：

由此得到FFRLS估計公式如下：

將上文中建立的蓄電池二階等效電路模型狀態(tài)方程式(1)拉氏變換處理得到如下的關(guān)系式：

令：

則式(8)可化簡為：

即，求解出參數(shù)，，和可得到模型的參數(shù)值。

由上述的FFRLS辨識得到的本文中確定的該鋰電池模型的參數(shù)如圖3所示，并取其平均值作為本文所建立的模型參數(shù)：1=0.006 37 Ω，1=6 547，2=0.000 53 Ω，2=15 125。

圖3 鋰電池參數(shù)辨識結(jié)果

1.3 模型驗證

基于上文中采用的鋰電池二階RC等效電路模型，以及通過FFRLS辨識得到的參數(shù)值，在Simulink平臺搭建的電路仿真模型如圖4所示，通過對Simulink模型運行調(diào)試得到的電壓值與實際值的對比，驗證模型的準(zhǔn)確性。

本文采用上文中設(shè)定的鋰電池工況充放電實驗過程對選用的模型驗證，并將電流作為模型的輸入量，得到該模型仿真電壓，并將仿真得到的電壓值和實際的電壓值進行對比分析。如圖5所示為電壓對比圖，圖6為誤差曲線。

2 AUKF估計鋰離子電池SOC

2.1 UKF估計電池SOC

2.1.1 UKF算法原理

無跡卡爾曼濾波(Unscented Kalman Filter，UKF)[13]是為了提高非線性系統(tǒng)的估算精度，Julier等提出了UKF算法，該算法不同于EKF算法，無需對非線性系統(tǒng)采取線性化處理方式，通過增加UT變換解決非線性問題，經(jīng)過UT變換后再結(jié)合KF算法框架便得到UKF框架。相比EKF算法，避免了在線性化過程中將Taylor公式展開的高階項忽略不計帶來的估算誤差較大問題，有較高的估算 精度。

圖4 鋰電池Simulink模型

圖5 實測電壓與模型電壓對比

圖6 模型仿真電壓誤差結(jié)果

UKF算法主要是實現(xiàn)UT變換，UT變換是在在狀態(tài)變量周圍選擇采樣點，且每一個采樣點都需要滿足該采樣點與狀態(tài)變量二者的均值和協(xié)方差及狀態(tài)變量相等的要求，并將采樣點代入非線性方程，由計算出的函數(shù)值求得經(jīng)過UT變換之后的均值和協(xié)方差。

2.1.2 UKF算法流程

由于城軌車輛在實際運行環(huán)境存在不確定性因素，根據(jù)其儲能系統(tǒng)蓄電池在退化過程為非線性波動現(xiàn)象，因此假設(shè)非線性系統(tǒng)描述如下[14]：

其中：為狀態(tài)方程函數(shù)；為觀測方程函數(shù)；為狀態(tài)變量。

1) 選擇2+1個sigma點，其選取方式如下：

2) 加權(quán)系數(shù)：

3) 狀態(tài)更新：

4) 測量更新：

5) 電池狀態(tài)變量和協(xié)方差估算：

2.1.3 基于UKF估計電池SOC

根據(jù)上述建立得等效電路模型以及式(3)～(4)確定得電池系統(tǒng)空間狀態(tài)方程，結(jié)合UKF算法步驟，得到UKF估計電池SOC過程如圖7所示。

2.2 AUKF算法估計SOC

自適應(yīng)無跡卡爾曼濾波算法(Adaptive Unscented Kalman Filtering，AUKF)[15]是依據(jù)觀測電壓和預(yù)測電壓的誤差實時的更新觀測和系統(tǒng)噪聲，從而減少由于模型誤差帶來的影響。本文中基于AUKF算法估算SOC結(jié)合了鋰離子電池的狀態(tài)及模型參數(shù)的估算方法，利用循環(huán)迭代方法估算電池SOC，首先根據(jù)模型的參數(shù)來估算電池的SOC，再由估算出的SOC值計算參數(shù)，以此遞推循環(huán)計算。具體AUKF算法估算SOC流程如圖8所示。

圖7 UKF算法估計SOC流程圖

圖8 AUKF估算SOC流程圖

3 實驗結(jié)果驗證

為了驗證AUKF算法估算電池荷電狀態(tài)SOC的可行性和準(zhǔn)確性，本文基于搭建的二階RC等效電路模型，在相同的條件下，分別利用UKF算法和AUKF算法估算鋰離子電池SOC結(jié)果如圖9所示，通過精確計算電流積分得到SOC的參考值，其誤差結(jié)果如圖10所示，由圖9可知，UKF和AUKF算法均能較好地跟蹤預(yù)測電池的SOC，但隨著時間累積，UKF算法明顯出現(xiàn)誤差較大的情況。從圖10可以看出，AUKF算法估計得到的SOC的誤差在3.5%以內(nèi)，其均差在1.5%，而UKF算法估算結(jié)果誤差在5.5%以內(nèi)，均差在3%，因此，AUKF算法估算SOC的精確度明顯高于UKF算法。

圖9 鋰離子電池SOC估算結(jié)果

圖10 AUKF和UKF算法估計SOC誤差比較

4 SOH估計

鋰電池的SOH一般指的是其使用壽命長度，電池的容量會隨著充放電循環(huán)次數(shù)的增加不斷減小，當(dāng)蓄電池的實際容量衰減到標(biāo)稱容量的80% 時[16]，即認(rèn)為該電池處于失效狀態(tài)，可對電池更換，因此電池的實際容量為健康狀態(tài)的重要評價指標(biāo)之一，此外，電池的歐姆電阻會隨著電池的使用逐漸增大，從而達到電池的失效狀態(tài)，即歐姆內(nèi)阻是評價電池SOH的另一重要指標(biāo)[17]。綜上，隨著充放電次數(shù)的不斷增加，電池的失效標(biāo)準(zhǔn)如下：

根據(jù)電池的容量和歐姆內(nèi)阻2個評價指標(biāo)，其SOH的計算公式如下：

1) 以電池容量為評價指標(biāo)定義

根據(jù)電池的容量定義的SOH計算公式，以容量為系統(tǒng)的狀態(tài)變量，建立的空間模型如下：

式中：1，1分別表示過程噪聲和觀測噪聲。

2) 以電池內(nèi)阻為評價指標(biāo)定義

根據(jù)電池的歐姆內(nèi)阻定義的SOH計算公式，以內(nèi)阻為系統(tǒng)的狀態(tài)變量，建立的空間模型如下：

式中：2，2分別為過程噪聲和觀測噪聲。

本文在同一個工況實驗下，通過AUKF算法估計鋰離子電池的容量與內(nèi)阻結(jié)果如下圖所示，將估算得到的容量與歐姆內(nèi)阻代入式(18)和式(20)中，即可計算出電池的SOH。圖11為電池的容量估計曲線，圖12為電池的內(nèi)阻變化曲線。

圖11 電池容量估算曲線

圖12 歐姆內(nèi)阻估計值

由圖12可知，利用AUKF算法估算電池的容量和內(nèi)阻結(jié)果較好，歐姆內(nèi)阻0估計值與參考值吻合度較高，即該估算算法精度較高，有較好的魯 棒性。

5 結(jié)論

1) 以城市軌道交通為背景，研究復(fù)合動力儲能系統(tǒng)儲能元件的健康狀態(tài)。首先根據(jù)城軌交通車輛復(fù)合儲能系統(tǒng)蓄電池的特點，選取二階RC等效電路模型為蓄電池模型。利用FFRLS辨識模型的參數(shù)，并基于MATLAB平臺搭建蓄電池的SIMULINK模型，通過1.5 A的恒流模式下充電及2 A電流下的放電實驗，驗證了該模型的可靠性。

2) 基于建立的二階RC等效電路模型，應(yīng)用AUKF算法，不僅可以估算出電池的SOC還可以同時估算容量和歐姆內(nèi)阻，并根據(jù)估算得出的容量和內(nèi)阻值，實時估算電池的SOH。此外在1.5 A的恒流模式下進行充電及恒電流為2 A的水平下進行放電，直到鋰離子電池的電壓降至2.7 V的實驗工況下，通過仿真對比分析可知，UKF算法和AUKF算法估計電池的SOC和SOH可行并都有一定的優(yōu)越性，但AUKF算法相比于UKF算法，其優(yōu)勢在于精度較高，更具有實時性，在車輛運用上有很好的實用性。

[1] 胡婧嫻, 林仕立, 宋文吉, 等. 城市軌道交通儲能系統(tǒng)及其應(yīng)用發(fā)展[J]. 儲能科學(xué)與技術(shù), 2014, 3(2): 106- 116. HU Jingxian, LIN Shili, SONG Wenji, et al. Energy storage for urban rail transportation[J]. Energy Storage Science and Technology, 2014, 3(2): 106-116.

[2] 季炳成. 超級電容器及其復(fù)合儲能系統(tǒng)荷電狀態(tài)研究[D]. 大連: 大連理工大學(xué), 2015. JI Bingcheng. The research on graphene super capacitor and state-of-charge estimation of hybrid energy storage system[D]. Dalian: Dalian University of Technology, 2015.

[3] 郭亮, 賈彥, 康麗, 等. 一種蓄電池和超級電容器復(fù)合儲能系統(tǒng)[J]. 儲能科學(xué)與技術(shù), 2017, 6(2): 297-301. GUO Liang, JIA Yan, KANG Li, et al. The composite storage using lead storage battery and EDLC[J]. Energy Storage Science and Technology, 2017, 6(2): 297-301.

[4] Ng K S, Moo C S, CHEN Y P, et al. Enhanced coulomb counting method for estimating state-of-charge and state- of-health of lithium-ion batteries[J]. Applied Energy, 2009, 86(9): 1506-1511.

[5] Meissner E, Richter G. The challenge to the automotive battery industry: The battery has to become an increasingly integrated component within the vehicle electric power system[J]. Journal of Power Sources, 2005, 144(2): 438-460.

[6] Kong Song-Ng, Moo Chin-Sien, CHEN Yiping, et al. Enhanced coulomb counting method for estimating state- of-charge and state-of-health of lithium-ion batteries[J]. Applied Energy, 2009, 86(9): 1506-1511.

[7] XIA Bizhong, LAO Zizhou, ZHANG Ruifeng, et al. State-of-charge estimation for lithium-ion batteries based on a nonlinear fractional mode[J]. IEEE Transactions on Control System Technology, 2016, 25(1): 3-11.

[8] 田強. 基于模型的純電動汽車動力電池SOC估計方法研究[D]. 長沙: 湖南大學(xué), 2018. TIAN Qiang. Study on SOC estimation method of power battery for electric vehicle based on model[D]. Changsha: Hunan University, 2018.

[9] 李金東, 古月圓, 王路陽, 等. 退役鋰離子電池健康狀態(tài)評估方法綜述[J]. 儲能科學(xué)與技術(shù), 2019, 8(5): 807-811. LI Jindong, GU Yueyuan, WANG Luyang, et al. Review on state of health estimation of retired lithium-ion batteries[J]. Energy Storage Science and Technology, 2019, 8(5): 807-811.

[10] 張利, 張慶, 常成, 等. 用于電動汽車SOC估計的等效電路模型研究[J]. 電子測量與儀器學(xué)報, 2014, 28(10): 1161-1168. ZHANG Li, ZHANG Qing, CHANG Cheng, et al. Research on equivalent circuit model for state of charge estimation of electric vehicle[J]. Journal of Electronic Measurement and Instrumentation, 2014, 28(10): 1161- 1168.

[11] 安治國, 田茂飛, 趙琳, 等. 基于自適應(yīng)無跡卡爾曼濾波的鋰電池SOC估計[J]. 儲能科學(xué)與技術(shù), 2019, 8(5): 856-861. AN Zhiguo, TIAN Maofei, ZHAO Lin, et al. SOC estimation of lithium based on adaptive untracked Kalman filter[J]. Energy Storage Science and Technology, 2019, 8(5): 856-861.

[12] Remmlinger J, Buchholz M, Meiler M. State-of-health monitoring of lihium-ion batteries in electric vehicles by on-board internal resistance estimation[J]. Journal of Power Sources, 2011, 196: 5357-5363.

[13] 曹夏令, 費亞龍, 孫紹博, 等. 基于自適應(yīng)無跡卡爾曼濾波器的鋰電池SOC估計[J]. 電力電子技術(shù), 2017, 51(7): 69-72. CAO Xialing, FEI Yalong, SUN Shaobo, et al. SOC estimation of lithium battery based on AUKF[J]. Power Electronics, 2017, 51(7): 69-72.

[14] 張紹虹. 電動汽車鋰離子電池SOH估算方法研究[D]. 太原: 太原理工大學(xué), 2019. ZHANG Shaohong. Research on SOH estimation method for lithium-ion battery electric vehicle[D]. Taiyuan: Taiyuan University of Technology, 2019.

[15] 顏湘武, 鄧浩然, 郭琪, 等. 基于自適應(yīng)無跡卡爾曼濾波的動力電池健康狀態(tài)檢測及梯次利用研究[J]. 電工技術(shù)學(xué)報, 2019, 34(18): 3937-3947. YAN Xiangwu, DENG Haoran, GUO Qi, et al. Study on the state of health detection of power batteries based on adaptive unscented Kalman filters and the battery echelon utilization[J]. Transactions of China Electro Technical Society, 2019, 34(18): 3937-3947.

[16] 曾文文. 鋰離子電池健康狀態(tài)評估及剩余壽命預(yù)測方法[D]. 淮南: 安徽理工大學(xué), 2019. ZENG Wenwen. State-of-health estimation and remaining useful life prediction method of lithium-ion battery[D]. Huainan: Anhui University of Science and Technology, 2019.

[17] 劉大同, 周建寶, 郭力萌, 等. 鋰離子電池健康評估和壽命預(yù)測綜述[J]. 儀器儀表學(xué)報, 2015, 36(1): 1-16. LIU Datong, ZHOU Jianbao, GUO Limeng, et al. Survey on lithium-ion battery health assessment and cycle life estimation[J]. Chinese Journal of Scientific Instrument, 2015, 36(1): 1-16.

Estimation of battery SOC and SOH for urban rail vehicle composite power energy storage system

GUO Youmin1, 2, 3, DAI Yinjuan1, 2, 3, FU Shilei1, 2, 3

(1. Mechatronics T&R Institute, Lanzhou Jiaotong University, Lanzhou 730070, China;2. Gansu Provincial Engineering Technology Center for Informatization of Logistics & Transport Equipment, Lanzhou 730070, China;3. Gansu Provincial Industry Technology Center of Logistics & Transport Equipment, Lanzhou 730070, China)

The purpose of this paper is to estimate the state of charge (SOC) and state of health (SOH) of the battery of the urban rail transit composite energy storage system. This paper adopted a second-order RC equivalent circuit model that meets the operating conditions of urban rail transit vehicles and identifies its model parameters by the forgetting factor least square algorithm. Based on the second-order RC equivalent circuit model, the traditional adaptive unscented Kalman filter algorithm was used to estimate the state of charge (SOC) of the battery. Due to the complex running environment of the train, the noise of the battery was a dynamic change value. The error of the estimation result is large, and the maximum error is 5.5%. Therefore, this paper used the adaptive unscented Kalman filter algorithm (AUKF) to estimate the state of charge (SOC), Ohmic internal resistance and capacity of the battery in real time. According to the relationship between the Ohmic internal resistance, capacity and battery SOH, the battery’s SOH was estimated. Finally, the experimental results show that compared with UKF algorithm, AUKF algorithm can estimate SOC and model parameters in real-time cycle at the same time. According to the observation value, it can update the noise automatically. Therefore, it has better practicability and higher accuracy for the actual operation of the train, with the maximum error of 3.5% and the average error of 1.5%.

battery; state of charge; state of health; second order RC equivalent circuit model; adaptive unscented Kalman filter

U223.6

A

1672 - 7029(2020)11 - 2920 - 09

10.19713/j.cnki.43-1423/u.T20200047

2020-01-13

國家重點研發(fā)計劃資助項目(2017YFB1201003-20)；甘肅省高等學(xué)?？蒲匈Y助項目(2018C-10)

郭佑民(1968-)，男，甘肅隴西人，教授，從事設(shè)備控制與監(jiān)測等方向研究；E-mail：18209317506@163.com

(編輯 陽麗霞)