تخمين پارامترها و وضعيت شارژ باتري با استفاده از فيلتر تطبيقي مقاوم جذر مكعبي

Estimation of parameters and state of charge battery using adaptive robust square-root cubature filter

در سيستم هاي مديريت باتري ، تخمين وضعيت شارژ (SOC) باتري بمنظور اطمينان از عملكرد و جلوگيري از شارژ و دشارژ زياد از اهميت بالايي برخوردار است. تخمين وضعيت شارژ باتري از اهميت بالايي براي سيستم هاي مديريت باتري ليتيوم يون به منظور اطمينان از عملكرد و جلوگيري از شارژ و دشارژ بيش از حد برخوردار است. تا كنون روش هاي مختلفي براي تخمين وضعيت شار باتري ارايه شده است. در اكثر اين روش ها مشخصات آماري نويز پروسه و اندازه گيري معلوم فرض مي شود. با وجود اين، اين مشخصات در كاربردهاي واقعي نامشخص و حتي ممكن است با زمان تغيير كنند. با انتخاب نادقيق اطلاعات نويز پروسه و اندازه كيري، عملكرد فيلترها تحت تاثير قرار گرفته و دقت تخمين وضعيت شارژ كاهش و حتي ممكن است به واگرايي منجر شود. براي رفع اين مشكل، در اين مقاله از فيلتر تطبيقي مقاوم جذر مكعبي براي تخمين وضيت شارژ باتري و از الگوريتم حداقل مربعات بازگشتي براي تخمين پارامترهاي باتري استفاده شده است. روش پيشنهادي در كنار امتياز كاهش هزينه محاسبات، داراي امتيازاتي نظير سازگاري افزايش يافته دارد كه به پايداري عددي بيشتر و عملكرد بهتر منتهي مي شود. اين بدان دليل است كه در روش پيشنهادي همه ماتريس هاي كواريانس منتجه مثبت معين باقي مي مانند. بعلاوه روش پيشنهادي در مواجهه با اطلاعات از پيش دانسته شده نادرست نويزها و همچنين نويزهاي غير گوسي مقاوم است. براي ارزيابي عملكرد روش پيشنهادي، اين روش با روش هاي كلاسيك تخمين وضعيت شار باتري مقايسه شده است. نتايج نشان دهنده عملكرد موثر روش پيشنهادي در مقايسه با ساير روش ها است.

In Battery Management Systems (BMS), State of charge of Battery (SOC) estimation is very important to ensure performance and to prevent overcharging and discharging. So far, various methods have been presented to estimate state of charge of Battery. In most of these methods, the statistical characteristics of process noise and measurement are assumed to be known. By choosing the wrong statistical characteristics of process noise and measurement, the performance of the filters is affected and the accuracy of the charging state estimation is reduced and may even lead to divergence. To solve this problem, in this paper, adaptive robust square-root cubature filter is used to estimate state of charge of battery and the least squares recursive algorithm is used to estimate the battery parameters. The proposed method, along with the benefits of reducing computational cost, has advantages such as increased compatibility leading to greater numerical stability and better performance. This is because in the proposed method, all variance matrices remain positive definite. In addition, the proposed method is robust to inaccurate noise information as well as non-Gaussian noise. To evaluate the performance of the proposed method, this method is compared with the classical methods. To evaluate the performance of the proposed method, this method has been compared with the classical method of estimating the state of charge of a battery. The results show the effective performance of the proposed method compared to the other methods.