康道新，李立偉，楊玉新，王凱

(青島大學(xué) a.電氣工程學(xué)院；b.圖書館，山東 青島 266071)

傳統(tǒng)汽車的出現(xiàn)為人們的出行帶來了巨大的便捷，推動(dòng)了人類發(fā)展的進(jìn)程。但汽車數(shù)量的不斷增加也帶來了能源短缺和環(huán)境污染兩大難題[1]。隨著人們節(jié)能和環(huán)保意識(shí)的不斷增加，為應(yīng)對(duì)這兩大難題，各國汽車廠商一直在尋找一種兩全其美的辦法，直到電動(dòng)汽車開始進(jìn)入人們的視野，并在近幾年快速發(fā)展，人們才看到了解決這兩大難題的希望。作為新能源汽車，電動(dòng)汽車完全依靠電池輸送的電能來運(yùn)行，可以有效減少化石能源的消耗，也不會(huì)產(chǎn)生尾氣污染。作為電動(dòng)汽車核心的電池需要保持長(zhǎng)期的可靠性，這就要依靠為電動(dòng)汽車配備的電池管理系統(tǒng)在行駛過程中實(shí)時(shí)監(jiān)測(cè)電池狀態(tài)，其中最主要的參數(shù)是電池的荷電狀態(tài)(state of charge，SOC)和健康狀態(tài)(state of health，SOH)[2]。電池管理系統(tǒng)需要精確估算電池的SOC值和SOH值，為駕駛員提供準(zhǔn)確的電池狀態(tài)信息，及時(shí)對(duì)汽車電池進(jìn)行充電或更換，才能有效避免因電池故障導(dǎo)致的安全事故，保證安全駕駛[3]。

鋰電池主要是通過SOC值和SOH值來反映電池的實(shí)時(shí)狀態(tài)[4]。電池的SOC指當(dāng)前電池的剩余電量與額定容量之比，是評(píng)判電動(dòng)汽車當(dāng)前最大行駛里程的決定性參數(shù)。估算電池SOC值的方法主要有：①安時(shí)積分法[5]——通過測(cè)得電池工作時(shí)的電流，并將電流與時(shí)間進(jìn)行積分，計(jì)算出電池輸出的電量，得到SOC值，該方法在計(jì)算開始階段具有較高的精度；但隨著工作時(shí)間的推移，之前產(chǎn)生的誤差也會(huì)累積，造成后期SOC誤差增大。②開路電壓法[6-7]——在離線狀態(tài)下測(cè)得電池工作狀態(tài)下開路電壓與電池SOC的數(shù)據(jù)，并擬合成函數(shù)關(guān)系，即可通過測(cè)得電池工作時(shí)的電壓得到相應(yīng)的SOC值；但需要電池長(zhǎng)時(shí)間靜置，才能測(cè)得電池內(nèi)部達(dá)到穩(wěn)定時(shí)的開路電壓，不適用于在線監(jiān)測(cè)。③包括卡爾曼濾波[8-9]、粒子濾波[10]、神經(jīng)網(wǎng)絡(luò)[11-12]等新型估算方法，這些方法不需要研究電池內(nèi)部的化學(xué)機(jī)理，直接通過電池當(dāng)前電壓、電流等參數(shù)估算出SOC，適用于鋰電池的在線監(jiān)測(cè)。其中，卡爾曼濾波算法因不需要大量的歷史數(shù)據(jù)進(jìn)行算法訓(xùn)練，使得算法更為簡(jiǎn)單、適應(yīng)性廣，得到廣泛研究和應(yīng)用。

電池的SOH通常指電池的老化程度，描述電池當(dāng)前儲(chǔ)電量與理想儲(chǔ)電量的對(duì)比。隨著電池老化，會(huì)出現(xiàn)容量減小和內(nèi)阻增大的情況，所以計(jì)算SOH值的主要參數(shù)是電池容量和內(nèi)阻[13]。理論上應(yīng)該從電池當(dāng)前可用容量與電池理想容量對(duì)比來計(jì)算SOH值，而這需要電池完全充電與放電；所以這種方法只適用于實(shí)驗(yàn)室中電池的性能測(cè)試，對(duì)于正在運(yùn)行中的電動(dòng)汽車并不適用。本文選用內(nèi)阻作為參數(shù)，通過估算內(nèi)阻來計(jì)算得到電池的SOH值。

國內(nèi)外現(xiàn)有的估算電池SOH值的方法主要分為離線估算法和在線估算法兩類[14]。前者包括內(nèi)阻法、容量法、電壓曲線擬合法等[15]。離線法是電池在離線狀態(tài)下測(cè)得的電池SOH值與電池某一參量的關(guān)系曲線，該方法設(shè)計(jì)簡(jiǎn)單，但測(cè)量誤差較大，不適用于在線檢測(cè)。后者包括卡爾曼濾波法、粒子濾波法、神經(jīng)網(wǎng)絡(luò)算法等[16-18]，這些方法可以對(duì)電池進(jìn)行實(shí)時(shí)檢測(cè)分析，更具有實(shí)用價(jià)值，近年來得到了迅猛發(fā)展?？柭鼮V波法與神經(jīng)網(wǎng)絡(luò)法等方法相比，需要的數(shù)據(jù)量較少，相應(yīng)的計(jì)算量也小，估算精度較高，更適用于電動(dòng)汽車。

由于卡爾曼濾波法存在以上特性，更加適用電動(dòng)汽車的實(shí)際工況，其在計(jì)算電池狀態(tài)方面被廣泛應(yīng)用。Plett[19]通過建立電池模型，利用拓展卡爾曼濾波計(jì)算電池的SOC值，拓展卡爾曼濾波算法需要將非線性方程線性化，忽略高次項(xiàng)，易造成線性化誤差。魏可新[20]等通過將電池模型中的歐姆內(nèi)阻變?yōu)闋顟B(tài)變量，加入到算法當(dāng)中，可以實(shí)時(shí)更新電池模型，使得估算出的SOC值更為精確。趙天意[21]等提出了噪聲方差可以變化的卡爾曼濾波法，可實(shí)時(shí)更新噪聲方差，更加符合電動(dòng)汽車的運(yùn)行工況。汪秋婷[22]等利用雙無跡卡爾曼濾波(double unscented Kalman filter，DUKF)算法同時(shí)估算鋰電池的SOC值和SOH值，精度在4%以內(nèi)，但是算法的快速收斂性還需改進(jìn)，且精度還可以進(jìn)一步提高。本文選用雙自適應(yīng)無跡卡爾曼濾波(double adaptive unscented Kalman filter，DAUKF)算法估算電池的SOC值和內(nèi)阻，再以內(nèi)阻為參數(shù)，利用函數(shù)關(guān)系式估算得到SOH值；通過噪聲方差自適應(yīng)減少噪聲干擾，使估算結(jié)果更加精確，收斂性更好。

1 電池模型

1.1 電池模型建立

為精確模擬鋰電池的工作狀態(tài)，本文選用二階戴維南電池模型。戴維南模型利用RC環(huán)路，可以更準(zhǔn)確地表現(xiàn)出電池的動(dòng)態(tài)過程，精度更高。通常電池模型的RC階數(shù)越高，對(duì)電池充放電狀態(tài)的反映越準(zhǔn)確，但這會(huì)使電池模型變得極為復(fù)雜。從實(shí)際應(yīng)用考慮，二階RC模型就可以較好地滿足電動(dòng)汽車的使用，既能保持精度，又不會(huì)產(chǎn)生大量計(jì)算。二階RC電池模型如圖1所示。圖1中，Uoc為電池開路電壓，R0為電池的歐姆內(nèi)阻，R1、R2與C1、C2為電池的極化電阻和極化電容，U1與U2為2個(gè)RC環(huán)路的電壓，I為電池輸出電流，Uo為電池端電壓。

圖1 鋰離子電池二階戴維南等效電路模型Fig.1 The second-order Thevenin equivalent circuit model of Li-ion battery

根據(jù)戴維南電池模型及基礎(chǔ)電路知識(shí)估算SOC值KSOC，列寫出如下關(guān)系式：

(1)

(2)

Uo=Uoc-U1-U2-I(t)R0.

(3)

式中：t為時(shí)間；KSOC,0為SOC在0時(shí)刻的初始值；η為庫倫效率，通常在放電條件下η=1；QN=1/3 600CN，CN為電池的標(biāo)準(zhǔn)容量；Uo和I均可通過實(shí)驗(yàn)測(cè)得。

1.2 電路模型參數(shù)辨識(shí)

本文選用額定電壓為3.7 V，額定容量為10 Ah、SOC為100%的鋰電池為仿真實(shí)驗(yàn)對(duì)象，按10 A電流對(duì)電池進(jìn)行間歇恒流脈沖放電實(shí)驗(yàn)，并記錄實(shí)驗(yàn)數(shù)據(jù)。通過分析得到的實(shí)驗(yàn)數(shù)據(jù)，對(duì)電池模型進(jìn)行參數(shù)辨識(shí)。放電間歇周期為360 s，其中放電180 s，然后電池停止放電靜置180 s，使得開路電壓恢復(fù)穩(wěn)定值并記錄下來，此時(shí)開路電壓約等于電池電動(dòng)勢(shì)；每次循環(huán)SOC減少5%，測(cè)試時(shí)間為7 200 s。間歇恒流脈沖工況如圖2所示。

圖2 鋰電池放電電流Fig.2 Discharge current of lithium battery

圖3為放電實(shí)驗(yàn)中選取的部分電壓曲線。由圖3可以看出，在放電開始和結(jié)束的瞬間，電池電壓均發(fā)生突變，之后再緩慢變化，達(dá)到一個(gè)穩(wěn)定值。結(jié)合電池模型和放電曲線分析可得，電壓突變是由于電池歐姆內(nèi)阻通電和斷電產(chǎn)生的，而緩慢變化的部分是由極化電容通過極化內(nèi)阻充放電產(chǎn)生的。

圖3 脈沖放電電池端電壓波形Fig.3 Terminal voltage waveform of impulsive discharge battery

1.2.1 電池歐姆內(nèi)阻辨識(shí)

由圖3可以看出，在一次脈沖放電過程中，有曲線AB和曲線CD兩段發(fā)生2次電壓突變，分別記為ΔUAB和ΔUCD。為減少內(nèi)阻估算誤差，可將電池開始放電時(shí)的電壓突變值ΔUAB與停止放電時(shí)的電壓突變值ΔUCD求和，再求取平均值。由于已知放電電流，可通過歐姆定律求取內(nèi)阻，即

(4)

1.2.2 極化電阻和極化電容辨識(shí)

圖 3中，電池停止放電后端電壓的漸變過程曲線DE可以由2個(gè)RC回路模擬。此時(shí)RC回路為零輸入響應(yīng)，則從D點(diǎn)到E點(diǎn)的端電壓

(5)

式中t0為D點(diǎn)的時(shí)刻。

利用MATLAB的Curve Fitting工具箱對(duì)電壓與式(5)的函數(shù)進(jìn)行擬合，即可得到2個(gè)RC回路的模型參數(shù)。利用實(shí)驗(yàn)數(shù)據(jù)最終求得電池模型參數(shù)包括：R0=37 mΩ，R1=2.195 mΩ，C1=3.924 kF，R2=1.989 mΩ，C3=26.483 kF。

1.3 電池端電壓與SOC關(guān)系曲線確定

記錄實(shí)驗(yàn)中每次循環(huán)中Uoc與KSOC的對(duì)應(yīng)關(guān)系，為減少擬合誤差，本文選用五階多項(xiàng)式對(duì)數(shù)據(jù)進(jìn)行擬合，可得到擬合式(6)，擬合結(jié)果如圖4所示。

0.081 378KSOC+3.295.

(6)

圖4 端電壓與SOC擬合曲線Fig.4 Uoc-KSOC fitting curve

2 自適應(yīng)無跡卡爾曼濾波法

2.1 無跡卡爾曼濾波算法

無跡卡爾曼濾波算法不同于拓展卡爾曼濾波算法，后者是將非線性的系統(tǒng)方程作一階泰勒展開，而忽略高次項(xiàng)，這很容易造成線性化誤差的積累，使得估算誤差越來越大，導(dǎo)致結(jié)果發(fā)散；而無跡卡爾曼濾波算法采用卡爾曼線性濾波框架，利用無跡變換處理均值和協(xié)方差的非線性傳遞問題[23]。無跡卡爾曼濾波算法對(duì)非線性函數(shù)的概率密度分布進(jìn)行近似，利用樣本來趨向狀態(tài)的后驗(yàn)概率密度[24]，比拓展卡爾曼算法具有更高的計(jì)算精度，魯棒性也更好。

2.2 無跡卡爾曼濾波算法原理

無跡卡爾曼濾波算法具體步驟如下。

(7)

步驟2，利用無跡變換，選取2n+1個(gè)Sigma點(diǎn)(其中n為狀態(tài)的維數(shù)，本文中n=3，所以共有7個(gè)采樣點(diǎn))，并計(jì)算相應(yīng)的權(quán)值ω。

Xk-1,i=

(8)

(9)

步驟3，計(jì)算Sigma點(diǎn)的預(yù)測(cè)。

(10)

式中：下標(biāo)k/k-1表示變量在k-1時(shí)刻和k時(shí)刻的中間估計(jì)值，下同；F為狀態(tài)方程函數(shù)；Ik-1為k-1時(shí)刻電流。

步驟4，由求得的Sigma點(diǎn)及其對(duì)應(yīng)權(quán)值，對(duì)Sigma點(diǎn)加權(quán)求和，計(jì)算得到電池狀態(tài)變量的預(yù)測(cè)值及協(xié)方差矩陣。

(11)

式中Q為狀態(tài)方程高斯白噪聲的協(xié)方差。

步驟5，進(jìn)行二次無跡變換，產(chǎn)生新的Sigma點(diǎn)集。

Xk/k-1,i=

(12)

步驟6，將新的Sigma點(diǎn)代入觀測(cè)方程，可以求得預(yù)測(cè)的觀測(cè)量Z。

(13)

式中G為觀測(cè)方程函數(shù)。

步驟7，通過預(yù)測(cè)觀測(cè)值加權(quán)求和，求得系統(tǒng)預(yù)測(cè)的均值和協(xié)方差。

(14)

式中：Pzz,k為預(yù)測(cè)觀測(cè)值Zk的協(xié)方差；Pxz,k為預(yù)測(cè)狀態(tài)值Xk和預(yù)測(cè)觀測(cè)值Zk的協(xié)方差；R為觀測(cè)方程高斯白噪聲的協(xié)方差。

步驟8，計(jì)算卡爾曼增益矩陣。

(15)

步驟9，最后通過無跡卡爾曼濾波估算出電池的狀態(tài)和協(xié)方差。

(16)

2.3 自適應(yīng)無跡卡爾曼濾波算法

無跡卡爾曼濾波算法容易受到噪聲的干擾，而且在電動(dòng)汽車行駛過程中產(chǎn)生的噪聲是隨機(jī)不確定的，并不符合高斯白噪聲的特點(diǎn)，這就容易使無跡卡爾曼濾波算法在實(shí)際應(yīng)用中產(chǎn)生較大誤差；所以需要對(duì)無跡卡爾曼算法中的噪聲方差進(jìn)行自適應(yīng)處理，使算法精度進(jìn)一步得到提升。自適應(yīng)過程如式(17)和式(18)：

(17)

(18)

式中：k時(shí)刻的系統(tǒng)噪聲wk、觀測(cè)噪聲vk及系統(tǒng)噪聲協(xié)方差Qk、觀測(cè)噪聲協(xié)方差Rk是通過對(duì)時(shí)變?cè)肼暯y(tǒng)計(jì)的估計(jì)值遞歸獲得的；dk=(1-b)/(1-bk)，b為遺忘因子，通常取值為0

2.4 雙自適應(yīng)無跡卡爾曼濾波計(jì)算SOC及歐姆內(nèi)阻

利用DAUFK算法計(jì)算電池的SOC值和SOH值時(shí)，需要?dú)W姆內(nèi)阻R0在內(nèi)的精確電池參數(shù)，而計(jì)算R0時(shí)，也需要準(zhǔn)確的SOC值；所以本文選用2個(gè)卡爾曼濾波器AUKF1和AUKF2，分別計(jì)算SOC值和R0，然后各自作為已知參數(shù)去計(jì)算另一狀態(tài)量，形成迭代計(jì)算，不斷更新狀態(tài)。這里的R0不再是一個(gè)固定的常數(shù)，而是一個(gè)動(dòng)態(tài)的系統(tǒng)估計(jì)量，需要通過算法求得，以此實(shí)時(shí)估算電池的SOH值。

2.4.1 SOC值估算

離散化式(1)和(3)，可整理得到電池的狀態(tài)方程和觀測(cè)方程，分別如式(19)和式(20)：

(19)

Uo,k=Uoc,k-U1,k-U2,k-IkR0+vk.

(20)

式中：T為采樣頻率，實(shí)驗(yàn)中T=1 s；Uoc是關(guān)于SOC的函數(shù)，可通過Uoc-KSOC曲線求得。

2.4.2 SOH值估算

在電池的使用過程中，不斷的充電和放電會(huì)使電池產(chǎn)生老化現(xiàn)象。當(dāng)老化到一定程度時(shí)，即電池SOH值過小時(shí)，就不再符合使用標(biāo)準(zhǔn)；因此，需要通過電池內(nèi)阻求得SOH值，以判斷電池是否符合使用標(biāo)準(zhǔn)。SOH值的定義為[14]

(21)

式中：Rold為電池容量降到80%時(shí)的內(nèi)阻；Rnow為電池當(dāng)前的內(nèi)阻；Rnew為剛出廠新電池還未使用時(shí)的內(nèi)阻。SOH值的合理范圍為0～100%，當(dāng)KSOH低于0時(shí)，電池容量已經(jīng)降到80%以下，并且電池內(nèi)部耗電量增加，不再符合電動(dòng)汽車的使用標(biāo)準(zhǔn)。

為了實(shí)時(shí)估算出精確的電池SOH值，作為評(píng)判電池能否滿足使用的標(biāo)準(zhǔn)，必須計(jì)算出電池內(nèi)阻R0。這時(shí)R0不是一個(gè)固定參數(shù)，而是一個(gè)緩慢變化的狀態(tài)變量，將其離散化，得到狀態(tài)方程和觀測(cè)方程如下：

(22)

式中：R0為上一步估算值基礎(chǔ)上加上1個(gè)噪聲得到；rt和et分別為估算內(nèi)阻過程中的系統(tǒng)噪聲和觀測(cè)噪聲，其協(xié)方差分別為Dr和De。

3 仿真實(shí)驗(yàn)

本文利用Simulink環(huán)境對(duì)實(shí)驗(yàn)電池在不同工況下進(jìn)行仿真放電實(shí)驗(yàn)，并利用算法對(duì)電池的SOC值和SOH值進(jìn)行估算。將電池的狀態(tài)空間模型式(19)及式(20)作為狀態(tài)方程和觀測(cè)方程，分別代入到DUKF算法和DAUKF算法當(dāng)中，并將算法編寫進(jìn)MATLAB程序中運(yùn)行。通過對(duì)電池進(jìn)行間歇恒流放電實(shí)驗(yàn)，將實(shí)驗(yàn)得到的電池電壓和電流數(shù)據(jù)代入到DAUKF算法的程序中進(jìn)行運(yùn)算。利用算法不斷循環(huán)計(jì)算，可以實(shí)時(shí)在線計(jì)算出電池的SOC值，并將預(yù)測(cè)結(jié)果進(jìn)行對(duì)比。其中，SOC參考值是在電池放電實(shí)驗(yàn)時(shí)，利用安時(shí)積分法得到的；其次如第1.2節(jié)，對(duì)電池進(jìn)行參數(shù)辨識(shí)，KSOC每下降5%辨識(shí)1個(gè)內(nèi)阻值，然后將內(nèi)阻與放電時(shí)間進(jìn)行擬合；在電池間歇放電的停止放電間隙時(shí)，可以認(rèn)為電池內(nèi)阻不變，以此得到電池內(nèi)阻的參考值，再由式(21)求得SOH參考值。

3.1 間歇恒流實(shí)驗(yàn)驗(yàn)證

預(yù)測(cè)結(jié)果如圖5所示，基于DUKF算法得到的電池SOC值誤差在3%左右，而基于DAUKF算法的SOC預(yù)測(cè)值誤差則穩(wěn)定在1%以內(nèi)；這驗(yàn)證了DAUKF算法的精確性，并且穩(wěn)定性良好，可以很好地完成電池SOC估算工作。

通過實(shí)驗(yàn)還發(fā)現(xiàn)，在預(yù)測(cè)初始值和參考初始值相同時(shí)，DUKF算法可以具有較好的預(yù)測(cè)效果。當(dāng)初始值存在較大誤差時(shí)，如圖6中，初始值存在20%的誤差，雖然DUKF算法會(huì)使預(yù)測(cè)值最終收斂，但是收斂速度過慢，造成前期預(yù)測(cè)誤差較大，對(duì)于實(shí)際應(yīng)用將造成很大影響。相比之下，通過對(duì)噪聲方差的自適應(yīng)，DAUKF算法可以在初期對(duì)初始值進(jìn)行快速收斂，這樣就不會(huì)對(duì)整體誤差產(chǎn)生較大影響，驗(yàn)證了DAUKF算法較好的快速收斂性，可以保證實(shí)時(shí)數(shù)據(jù)的準(zhǔn)確性。

圖5 SOC預(yù)測(cè)值及預(yù)測(cè)誤差Fig.5 SOC prediction value and prediction error

圖6 初始值存在誤差時(shí)SOC預(yù)測(cè)值及預(yù)測(cè)誤差Fig.6 SOC prediction value and prediction error when initial value has error

為驗(yàn)證DAUKF算法同時(shí)估算SOH值的可行性，本文選用有一定老化程度的鋰電池為實(shí)驗(yàn)對(duì)象。預(yù)測(cè)結(jié)果如圖7所示，在估算歐姆內(nèi)阻R0時(shí)，R0誤差穩(wěn)定在2%以內(nèi)，說明算法對(duì)R0也可以較好地估算。由估算得到準(zhǔn)確的內(nèi)阻值，就可以推算出電池的實(shí)時(shí)SOH值，如圖8所示，SOH值在86%左右，且預(yù)測(cè)誤差較小，驗(yàn)證了算法準(zhǔn)確的預(yù)測(cè)性能。

3.2 變電流工況實(shí)驗(yàn)驗(yàn)證

為測(cè)試算法在復(fù)雜工況下的預(yù)測(cè)性能，選用更加復(fù)雜的變電流工況，這種工況更符合實(shí)際行車工況，并再次對(duì)鋰電池進(jìn)行放電實(shí)驗(yàn)。實(shí)驗(yàn)歷時(shí) 1 680 s，放電電流如圖9所示，SOC值和SOH值結(jié)果如圖10和圖11所示。

圖7 內(nèi)阻預(yù)測(cè)值及預(yù)測(cè)誤差Fig.7 Prediction value and error of internal resistance

圖8 SOH預(yù)測(cè)值及預(yù)測(cè)誤差Fig.8 SOH prediction value and prediction error

由圖10可見，在變電流工況下，DAUKF算法也能較好地跟蹤SOC參考值，使預(yù)測(cè)曲線基本與參考值重合，誤差在1%以內(nèi)。對(duì)比圖10、圖11可以看出，DAUKF對(duì)SOH的預(yù)測(cè)誤差較SOC誤差大，但也可以穩(wěn)定在2%以內(nèi)，滿足電動(dòng)汽車的使用要求。

通過以上仿真實(shí)驗(yàn)結(jié)果可知，DAUKF算法可以在很大程度上減少狀態(tài)量初始值誤差的影響，在初始值存在較大誤差時(shí)，也可以快速收斂并跟蹤實(shí)際值，估算誤差也比DUKF算法有很大改善，即使在較為復(fù)雜的工況下，算法預(yù)測(cè)結(jié)果也較為精確和穩(wěn)定。算法結(jié)構(gòu)較為簡(jiǎn)單，可以快速得到結(jié)果，并且實(shí)驗(yàn)結(jié)果穩(wěn)定，能夠滿足電動(dòng)汽車鋰電池狀態(tài)實(shí)時(shí)檢測(cè)和估算的要求。

圖9 變電流工況Fig.9 Variable current condition

圖10 變電流工況下SOC預(yù)測(cè)值及預(yù)測(cè)誤差Fig.10 SOC prediction value and prediction error under variable current condition

圖11 變電流工況下SOH預(yù)測(cè)值及預(yù)測(cè)誤差Fig.11 SOH prediction value and prediction error under variable current condition

4 結(jié)束語

本文將內(nèi)阻作為狀態(tài)參數(shù)實(shí)時(shí)更新，并通過對(duì)算法噪聲方差自適應(yīng)的改進(jìn)，提出DAUKF算法，可以同時(shí)估算鋰電池的SOC值和SOH值。對(duì)DAUKF算法進(jìn)行仿真實(shí)驗(yàn)，結(jié)果表明：在不同工況下估算電池SOC值和SOH值時(shí)，DAUKF估算結(jié)果有較高精度和穩(wěn)定性；在SOC初始值誤差較大的實(shí)驗(yàn)條件下，DAUKF估算結(jié)果較DUKF估算結(jié)果收斂更快，精度更高；利用估算出的電池內(nèi)阻得出SOH值，精度保持在2%。綜合實(shí)驗(yàn)結(jié)果得出結(jié)論：DAUKF算法具有簡(jiǎn)單、計(jì)算速度快、精度高、收斂性好等特點(diǎn)，具備很強(qiáng)的實(shí)用性，可以實(shí)現(xiàn)對(duì)電動(dòng)汽車電池狀態(tài)的實(shí)時(shí)檢測(cè)和估算，對(duì)延長(zhǎng)電池使用壽命和提高駕駛安全性有重要意義。