تخمین هم‌زمان پارامترها و وضعیت شارژ باتری با استفاده از حداقل مربعات بازگشتی و فیلتر ذره‌ای اصلاح‌شده

تخمین وضعیت شارژ باتری (soc ) در باتری‌های لیتیوم یون نه‌تنها برای مدیریت بهینۀ انرژی، برای اطمینان از عملکرد امن و جلوگیری از شارژ و دشارژ و درنتیجه، کاهش عمر باتری اهمیت زیادی دارد. با وجود این، این پارامتر به‌طور مستقیم از پایانه‌های باتری قابل اندازه‌گیری نیست؛ بنابراین، نیاز به تخمین آنها وجود دارد. در این مقاله از روش حداقل مربعات بازگشتی (rls ) برای تخمین پارامترهای باتری و از فیلتر ذره‌ای اصلاح‌شده برای تخمین soc باتری‌های لیتیوم یون استفاده شده است. فیلتر ذره‌ای استاندارد دارای مشکل پدیدۀ تباهیدگی ذرات است که دقت تخمین را کم می‌کند؛ بنابراین، در فیلتر ذره‌ای اصلاح‌شده، الگوریتم تفاضل تکاملی (de ) و گام مارکوف چاین مونت کارلو (mcmc  ) روی pf استاندارد اعمال می‌شود که باعث تخمین دقیق‌تر و سازگارتر از soc می‌شود. برای ارزیابی عملکرد روش پیشنهادی، این روش با روش‌های کلاسیک مقایسه شده است. نتایج نشان‌دهندۀ عملکرد موثر روش پیشنهادی در مقایسه با سایر روش‌ها است.

Simultaneous Estimation of model parameters and state-of-charge of Lithium-Ion Batteries using Recursive least squares and Modified Particle Filter

Estimating the status of battery charge (SOC) in lithiumion batteries is important not only for optimum energy management but also for ensuring safe operation and preventing charge and discharge and thus reducing battery life. However, this parameter cannot be directly measured from the battery terminals. Therefore, SOC needs to be estimated. In this paper, the recursive least squares method (RLS) is used to estimate the battery parameters and the modified particle filter is used to estimate the SOC of lithiumion batteries. The standard particle filter has the problem of particle degeneracy phenomenon, which reduces estimation accuracy. Therefore, in modified particle filter, the difference evolutionary algorithm and the Markov chain Monte Carlo) MCMC (method are applied to the standard PF, that makes the estimation of SOC more accurate and consistent.  In order to evaluate the performance of the proposed method, this method is compared with the classical methods. The results show the effective performance of the proposed method compared to other methods.