1. 国网河北省电力有限公司武安市供电分公司
2. 国网河北省电力有限公司邯郸供电分公司
Published:2026
移动端阅览
姚冲城, 张嘉琳, 赵宁, et al. 电能表时钟电池SOC估计方法[J]. 2026, 45(2): 91-94.
DOI:
姚冲城, 张嘉琳, 赵宁, et al. 电能表时钟电池SOC估计方法[J]. 2026, 45(2): 91-94. DOI: 10.26945/j.cnki.1001-9898.2026.02.013.
针对传统电池荷电状态(SOC)预测方法精度不足的问题,提出一种基于多新息自适应无迹卡尔曼滤波(multiple innovations adaptive unscented kalman filter
MIAUKF)的改进算法。首先,建立电池二阶RC等效电路模型并完成参数辨识,通过实验验证模型有效性。随后,引入多新息理论对自适应无迹卡尔曼滤波(adaptive unscented kalman filter
AUKF)算法进行改进,利用多新息误差向量的新校正阶段和卡尔曼增益矩阵更新估计值,以提升精度。最终,通过不同温度条件下的仿真测试,验证该方法的SOC估计性能。实验数据显示,该方法将SOC最大估计误差降低至1.67%。相较于自适应鲁棒无迹卡尔曼滤波(adaptive robust unscented kalman filter
ARUKF)、无迹卡尔曼滤波(unscented kalman filter
UKF)及AUKF等方法,所提算法在SOC估计精度方面具有显著优势。
朱迪帆.智能电能表健康状态评估方法研究[D].石家庄铁道大学,2024(05).
刘奥.锂离子电池SOC与SOH联合估计方法研究[D].吉林大学,2024(04).
Feng Guo,Guangdi Hu,Shun Xiang,Pengkai Zhou,Ru Hong,Neng Xiong.A multi-scale parameter adaptive method for state of charge and parameter estimation of lithium-ion batteries using dual Kalman filters[J].Energy,2019.
吴泽新.基于深度卷积神经网络下单相智能电能表故障检测系统[J].自动化与仪表,2025(02).
杜涵,马雁,王非,周永年,辛业春.基于AUKF算法的锂离子电池SOC估计[J].电池,2024(06).
刘月骁,杨广华,李娜,史鹏博,陆翔宇,李蕊.基于迁移学习的电能表运行状态评估方法[J].自动化应用,2024(16).
王伟峰,叶方彬,陈徐笛,杨杰,李璟,蔡慧,郑迪.基于威布尔分布的智能电表时钟电池可靠性分析[J].智慧电力,2024(01).
张本松,吴昊文,何恒靖,刘林,陈爱华,乔舒雅.基于双芯智能电表的时钟电池容量监测应用设计[J].电力科学与技术学报,2023(02).
方德宇,楚潇,刘涛,李俊夫.基于数据-模型驱动的锂离子电池健康状态估计[J].电气工程学报,2022(04).
刘良俊,高一钊,朱景哲,张希.数据驱动的锂离子电池健康状态估计[J].电池,2022(02).
刘保会,任晓锋,刘安东,曹健,时彬.智能电表外置时钟电池连接可靠性分析与探讨[J].现代信息科技,2021(07).
王文亮,何锋,蒋雪生,郑永樑.基于双扩展卡尔曼滤波锂电池荷电状态估算研究[J].电子测量技术,2020(19).
荣丽娜.智能电能表时钟电池欠压分析及关键计量指标影响[J].煤,2019(08).
程泽,杨磊,孙幸勉.基于自适应平方根无迹卡尔曼滤波算法的锂离子电池SOC和SOH估计[J].中国电机工程学报,2018(08).
邓磊,李小谦,吴浩伟,姚川,汪晓峰.基于改进PNGV模型的动力锂电池SOC精确估计[J].电源技术,2017(10).
0
Views
下载量
CSCD
Publicity Resources
Related Articles
Related Author
Related Institution