一种基于FFRLS-AEKF联合估算电化学储能系统SOC技术方案

本发明专利技术公开了一种基于FFRLS‑AEKF联合估算电化学储能系统SOC，包括电池模型和电池模型参数，其特征在于：包括参数辨识模块和SOC估算模块，所述参数辨识模块用于采用遗忘因子递推最小二乘法对电池模型参数进行实时辨识；所述SOC估算模块用于采用自适应扩展卡尔曼滤波算法，结合电池模型参数辨识结果，实时估算电池的SOC值；本方案通过带遗忘因子递推最小二乘法能够有效提高电池参数辨识精度并参与在线实时辨识；遗忘因子递推最小二乘法的应用：利用遗忘因子递推最小二乘法对电池模型进行在线参数辨识，实现对电池内部参数的初步估计，提高了参数辨识的准确性，为电池管理系统(BMS)提供关键参数，实现对电池状态的准确监测和评估。

【技术实现步骤摘要】

本专利技术属于电化学储能系统电池管理系统，具体涉及一种基于ffrls-aekf联合估算电化学储能系统soc。

技术介绍

1、在电池管理系统
，准确地估算电化学储能系统中锂离子电池的荷电状态(state of charge，soc)对于电化学储能系统的性能优化、寿命延长和安全性保障具有重要意义。然而，电池模型的参数会随着使用时间的增长和环境条件的变化而发生变化，导致传统的soc估算方法精度下降。为了解决这一问题，研究人员提出了许多soc估算方法，如开路电压法、安时积分法、卡尔曼滤波法等。

2、其中，卡尔曼滤波法因其良好的实时性和鲁棒性而受到广泛关注。然而，传统的卡尔曼滤波算法在处理非线性系统时存在一定的局限性。为了提高soc估算的精度和适应性，提出了自适应扩展卡尔曼滤波算法(简称：aekf)，该算法能够有效地处理非线性系统。

3、此外，为了进一步提高电池模型参数的准确性，研究人员提出了遗忘因子递推最小二乘法(简称：ffrls)。该方法通过引入遗忘因子，使得旧数据对参数更新的影响逐渐减小，从而更好地适应参数的变化。

4本文档来自技高网...

【技术保护点】

1.一种基于FFRLS-AEKF联合估算电化学储能系统SOC，包括电池模型和电池模型参数，其特征在于：包括参数辨识模块和SOC估算模块，所述参数辨识模块用于采用遗忘因子递推最小二乘法对电池模型参数进行实时辨识；所述SOC估算模块用于采用自适应扩展卡尔曼滤波算法，结合电池模型参数辨识结果，实时估算电池的SOC值。

2.根据权利要求1所述的一种基于FFRLS-AEKF联合估算电化学储能系统SOC，其特征在于：所述参数辨识模块包括第一输入单元、遗忘因子递推最小二乘法单元和第一输出单元，所述第一输入单元用于接收电池的输入信号；

3.根据权利要求1所述的一种基于FFRLS-...

【技术特征摘要】

1.一种基于ffrls-aekf联合估算电化学储能系统soc，包括电池模型和电池模型参数，其特征在于：包括参数辨识模块和soc估算模块，所述参数辨识模块用于采用遗忘因子递推最小二乘法对电池模型参数进行实时辨识；所述soc估算模块用于采用自适应扩展卡尔曼滤波算法，结合电池模型参数辨识结果，实时估算电池的soc值。

2.根据权利要求1所述的一种基于ffrls-aekf联合估算电化学储能系统soc，其特征在于：所述参数辨识模块包括第一输入单元、遗忘因子递推最小二乘法单元和第一输出单元，所述第一输入单元用于接收电池的输入信号；

3.根据权利要求1所述的一种基于ffrls-aekf联合估算电化学储能系统soc，其特征在于：所述soc估算模块包括第二输入单元、自适应扩展卡尔曼滤波算法单元和第二输出单元，所述第二输入单元用于接收辨识后的电池模型参数；

4.根据权利要求2所述的一种基于ffrls-aekf联合估算电化学储能系统soc，其特征在于：所述遗忘因子递推最小二乘法单元包括遗忘因子设置单元和参数更新单元，所述遗忘因子设置单元用于设置遗忘因子；

5.根据权利要求...

【专利技术属性】
技术研发人员：文青武，文亚龙，杨晓光，喻云泰，张增涛，
申请(专利权)人：弘正储能上海能源科技有限公司，
类型：发明
国别省市：