تخمین وضعیت شارژ باتری با استفاده از فیلتر کالمن توسعه یافته: نامعینی مدل و ‏اطلاعات نویز

چکیده مقاله

سیستم‌های مدیریت باتری‎ (BMS) ‎با چالش‌هایی مانند خطاهای اندازه‌گیری و تغییرات پارامترهای باتری مواجه هستند که ‏دقت تخمین حالت شارژ‎ (SOC) ‎را کاهش می‌دهند. این مقاله برای حل این مشکلات، دو الگوریتم شناسایی آنلاین برای ‏پارامترهای باتری و نویز معرفی می‌کند. در این روش، از الگوریتم بازگشتی حداقل مربعات‎ (RLS) ‎برای به‌روز‌رسانی مداوم ‏مقاومت و خازن باتری استفاده می‌شود. همچنین، کوواریانس نویز فرآیند و اندازه‌گیری با استفاده از الگوریتم شناسایی تکراری ‏به‌روز می‌شود. این مقادیر به‌روز شده در الگوریتم فیلتر کالمن توسعه‌یافته‎ (EKF) ‎به کار می‌روند و نتایج شبیه‌سازی نشان ‏می‌دهد که این روش‌ها دقت تخمین‎ SOC ‎را بهبود می‌بخشند‎.‎‏ ‏