基于混合象群算法与金雕优化技术的扩展卡尔曼滤波器在储能电池电量估算中的应用

《Batteries》：Hybrid Elephant Herding and Golden Eagle Optimization-Based Extended Kalman Filter for State of Charge Estimation of Energy Storage Batteries

　　

摘要

扩展卡尔曼滤波器是一种广泛用于评估储能电池充电状态（SOC）的方法。然而，在实际应用中，传统的EKF往往容易受到环境温度变化、噪声矩阵不确定性以及参数估计不准确的影响。为此，本文提出了基于混合象群优化和金鹰优化的EKF算法（HEGO），以提高电池SOC估算的精度和效率。该算法利用象群优化的局部收敛特性，在预定的搜索空间内缩小搜索范围，精准定位最优解区域。在由EHO确定的缩小后的搜索范围内，再通过金鹰优化算法确定当前状态下的适当噪声矩阵和等效电路参数，从而提升SOC估算的精度及抗环境干扰能力。研究通过实验平台收集了在联邦城市驾驶工况、动态应力测试工况以及混合脉冲功率特性测试工况下18650电池的数据，并对所提算法进行了实验验证。结果表明，在不同的温度和运行条件下，该算法始终能保持优异的性能，平均绝对误差低于0.7%，且具有很强的泛化能力，可为电池SOC估算提供稳定可靠的技术支持。