42、电池荷电状态估计与ABS系统智能控制策略

电池荷电状态估计与ABS系统智能控制策略

1. 电池荷电状态（SOC）估计方法

在电池管理系统中，准确估计电池的荷电状态（SOC）至关重要。这里介绍了两种不同的SOC估计方法：自适应滑模观测器（AGSMO）和前馈神经网络（FFNN）。

1.1 电池模型

首先采用了一阶Thevenin电池模型，其内部参数如下表所示：
| 参数 | (R_0(\Omega)) | (R_p(\Omega)) | (C_p(F)) |
| ---- | ---- | ---- | ---- |
| 值 | 0.24 | 0.1 | 920 |

该模型的方程为：
(\begin{cases}
\dot{U} {cp} = -\frac{U {cp}}{R_pC_p} + \frac{I_L}{C_p}\
V_t = V_{oc}(soc) - U_{cp} + R_0I_L
\end{cases})
其中，(V_t)和(I_L)分别是电池端子的电压和电流，(U_{cp})是(R_pC_p)两端的电压。

1.2 自适应滑模观测器（AGSMO）

AGSMO是传统滑模观测器（SMO）的高级版本，灵感来源于滑模控制（SMC）理论。它通过计算合适的反馈切换增益，将估计误差驱动到零。对于电池SOC估计，该增益能使内部状态保持在一个预定义的滑动区域内。与传统SMO不同，AGSMO的切换增益可以根据运行条件的变化自动调整，因此在抗建模误差和未知初始SOC的不确定性方面表现更优。

状态空间模型如下：
(\begin{case