← 返回
基于克拉默-拉奥界分析的锂离子电池荷电状态与健康状态联合估计电流剖面优化
Current Profile Optimization for Combined State of Charge and State of Health Estimation of Lithium Ion Battery Based on Cramer–Rao Bound Analysis
| 作者 | Ziyou Song · Xiaogang Wu · Xuefeng Li · Jing Sun · Heath F. Hofmann · Jun Hou |
| 期刊 | IEEE Transactions on Power Electronics |
| 出版日期 | 2019年7月 |
| 技术分类 | 储能系统技术 |
| 技术标签 | 储能系统 电池管理系统BMS 储能变流器PCS 可靠性分析 |
| 相关度评分 | ★★★★★ 5.0 / 5.0 |
| 关键词 | 锂离子电池 荷电状态 健康状态 Cramer-Rao界 扩展卡尔曼滤波 等效电路模型 电池管理系统 |
语言:
中文摘要
本文针对锂离子电池的荷电状态（SoC）与健康状态（SoH）在线估计问题，基于一阶等效电路模型（ECM），采用多尺度扩展卡尔曼滤波进行参数与状态估计。研究指出电池激励电流剖面对估计精度影响显著，通过克拉默-拉奥界（CRB）分析优化电流激励，旨在提升电池管理系统的估计效率与可靠性。
English Abstract
Online State of Charge (SoC) and State of Health (SoH) estimations are essential for efficient, safe, and reliable operation of Lithium ion batteries. Based on the first-order equivalent-circuit model (ECM), a multi-scale extended Kalman filter is adopted in this paper to estimate ECM parameters and battery SoC using dual time scales. The nature of the battery excitations significantly influences ...
S
SunView 深度解读
该研究直接服务于阳光电源储能业务的核心——电池管理系统（BMS）。在PowerTitan和PowerStack等大型储能系统中，精准的SoC/SoH估计是实现电池簇均衡管理、延长循环寿命及保障安全运行的关键。通过CRB理论优化电流激励剖面，可提升BMS在复杂工况下的状态感知精度，减少因估算偏差导致的过充过放风险。建议研发团队将此优化算法集成至iSolarCloud智能运维平台，通过大数据分析优化储能电站的充放电策略，进一步提升系统全生命周期的经济性与安全性。