无人机锂电池电路等效和荷电状态智能计算估计

锂电池电池管理的核心是电池荷电状态(SOC)的实时准确估算。为精确实时估算SOC值,以无人机(UAV)锂电池为研究对象,建立戴维南等效电路模型,对电池进行试验测量、研究分析。首先,运用开路电压法标定锂电池的估算初值,在卡尔曼滤波算法的基础上进一步改良优化得到扩展卡尔曼滤波(EKF)算法。然后,将该算法运用到SOC估算中,即可在较短时间内高精度的估算出无人机锂电池的实时SOC值。在MATLAB/Simulink中搭建对应电池模型输入算法进行运行,并对得到的结果与实际数据进行比较、论证。试验表明,基于戴维南模型的EKF算法能很好地对无人机锂电池SOC进行估算,收敛效果好而且估算精度高于98.5%。扩展卡尔曼算法可以很准确地估算出无人机锂电池的实时SOC值。     

基于电路等效和UKF-EKF的锂电池SOC估算方法研究

锂电池以成组形式被广泛使用,但在生产与使用中单体不一致现象会严重影响电池的使用效率、寿命以及安全性。因此,对动力锂电池荷电状态(SOC)进行实时准确估算,保证电池的及时均衡尤为重要。针对动力电池估算所存在的等效模型模拟电池充放电过程中的真实性低、常用算法精度损失等问题,采用二阶Thevenin等效电路模型,通过递推最小二乘法进行电池模型的参数辨识。对比扩展卡尔曼滤波(EKF)算法与无迹卡尔曼滤波(UKF)算法的优、缺点,提出了一种结合EKF和UKF两种算法优势的联合在线SOC估计策略。将估计的SOC结果和试验测量结果进行比较,并通过试验与仿真验证该方法的精度。试验结果表明,该方法能够有效实现SOC的在线估算,其估计精度在5%内,为电池管理系统的搭建与锂电池组的均衡提供了判断依据。     

基于Thevenin模型和UKF的锂电池SOC估算方法研究

为解决在多种工况下锂电池实时估算困难、估算精度不高等问题,以三元锂电池为研究对象,建立Thevenin模型,对电池的工作特性进行表征。综合多种工况对锂电池工作特性进行研究分析,避免了依据电池内部复杂结构建立等效模型的困难。考虑到估算初期荷电状态(SOC)准确性对于后期估算的重要性,首先用开路电压法标定初值,然后运用无迹卡尔曼滤波(UKF)算法进行估算跟踪。UKF算法基于无迹变换,没有忽略高阶项,对于非线性分布具有较高的计算精度。在Matlab/Simulink中搭建仿真模型并结合多种工况数据进行分析。试验结果表明,Thevenin模型能够较好地对锂电池SOC进行估算,收敛速度快、跟踪效果好且能将估算误差控制在0.8%以内,验证了UKF在对锂电池进行SOC估算时具有较高的精度。     

基于改进EKF算法的锂电池SOC预估研究

电池荷电状态(SOC)是描述电池性能的重要指标之一。针对磷酸铁锂电池(LiFePQ_4)的特性,选用了能够较真实地反应电池内部状态的PNGV电路模型,提出了改进模型的方法。采用扩展卡尔曼滤波算法(EKF),说明了扩展卡尔曼滤波估算荷电状态的原理并将内阻R_0看作状态变量进行同时预估更新,改进形成新的卡尔曼滤波算法。在仿真时对充电电流加入了噪声模拟实测数据。结果表明,该方法能够适应电池特性的动态变化,保证较高的SOC估算精度,减小误差,提高实用性。     

基于无迹H∞滤波的锂电池SOC估计研究

新能源汽车中锂电池的荷电状态(SOC)估计是电池管理系统的关键技术,对其准确估算有重要意义.所提的算法参考无迹卡尔曼滤波(UKF),将无迹变换(UT)融入到扩展H∞滤波中,用以估计锂电池系统状态均值和协方差,避免线性误差累积、增加算法的数值稳定性.在仿真实验中,在不同动态工况下分析了该算法的估计误差,证明算法在面对噪声干扰时具有较好的鲁棒性和准确性,是一种有效可行的算法.     

动力锂电池SOC估计仿真研究

针对传统的无迹卡尔曼滤波算法(UKF)估计动力锂电池荷电状态(SOC)时,由于滤波迭代过程中系统噪声不确定,可能导致估计结果精度欠佳的问题,提出一种改进的自适应无迹卡尔曼滤波算法(AUKF)动态地估计锂离子电池的SOC.算法以UKF算法为基础,引入改进的Sage-Husa自适应滤波算法,利用观测数据进行滤波递推的同时,实时更新系统噪声的统计特性.以等效电路模型为基础,采用递推最小二乘法辨识模型参数,应用AUKF算法对电池SOC进行估算,并从实际工况进行仿真验证分析.仿真结果表明,上述算法有效的提高了估计精度,误差稳定性较高.     

基于UD分解自适应KEF的锂电池 SOC估算

电池荷电状态(SOC)是电池重要的性能指标之一,为电池管理系统实现管理控制提供了重要依据。针对卡尔曼滤波算法不能预估和修正噪声的问题,引入改进的Sage-Husa噪声估计器,构成自适应扩展卡尔曼滤波算法AEKF)估算动力锂电池SOC,同时针对计算机在进行浮点运算时存在单位舍入误差问题,采用UD分解算法,保证任意时刻状态估计协方差矩阵的对称正定性,限制由于计算误差引起的滤波发散,提高算法的精度和稳定性,通过MATLAB仿真对本文算法进行了验证,并与标准EKF算法进行比较,结果表明该算法具有较高的估算精度和稳定性,可以满足应用要求。     

基于UKF的电动汽车锂电池SOC估计方法

准确估计电池的荷电状态(SOC,state of charge)是电动汽车电池管理系统研究的关键技术。基于Thevenin模型建立了状态空间方程组,采用无色卡尔曼滤波(UKF,unscented Kalman filtering)算法实现非线性条件下的SOC准确估计。硬件在环仿真试验表明:UKF估计误差小于5%,且当SOC值低于50%时,其估计结果明显优于扩展卡尔曼滤波(EKF,extended Kalman filtering)方法,有较高的实用价值。     

基于温度补偿的动力锂电池SOC估算方法

动力电池的荷电状态(State of Charge,SOC)是电动汽车的重要参数之一,直接影响电动汽车的安全控制与可续行里程的评估.电池总容量作为估算电池SOC的重要变量之一,其与使用环境温度密切相关,而在SOC估计算法中常被认为是恒定值,从而影响不同环境温度下锂电池SOC估计精度.为实现对锂电池SOC的准确估计,考虑温度对锂电池容量等特性参数的影响,通过引入温度补偿模型,并结合扩展卡尔曼滤波(Extended Kalman Filter,EKF)算法实现对锂电池SOC的动态估计.在不同环境温度下模拟电动汽车实际工况对锂电池进行放电试验,并比较未经温度补偿的SOC算法与补偿后的SOC算法精度.研究结果表明,所提出的方法适用于不同温度的锂电池,能实现较为精确的估计.     

基于MSUKF的锂离子电池SOC估算研究

快速、准确地估算锂离子电池的荷电状态(SOC)是电池管理系统的关键技术之一，有利于延长电池使用寿命并提高使用的安全性。以三元锂电池为研究对象，采用二阶阻容(RC)等效电路模型构建锂离子电池模型，通过递推最小二乘法(RLS)对等效模型参数进行在线辨识，并结合多新息无迹卡尔曼滤波(MSUKF),形成RLS-MSUKF算法，以实现锂离子电池SOC估算。采用多时刻的新息信息对估算值进行校正，以减少误差积累、增强算法的收敛性及提高锂离子电池SOC估算的精度，并在混合脉冲功率特性(HPPC)测试工况下对锂离子电池进行SOC估算。试验结果表明，HPPC工况下的SOC误差稳定控制在0.78%以内，验证了改进算法的良好性能。该算法为优化锂离子电池SOC估算提供了依据，对锂离子电池SOC估算研究具有启发意义。     

State of charge estimation for Li-ion battery based on model from extreme learning machine

Lithium-ion (Li-ion) battery state of charge (SOC) estimation is important for electric vehicles (EVs). The model-based state estimation method using the Kalman filter (KF) variants is studied and improved in this paper. To establish an accurate discrete model for Li-ion battery, the extreme learning machine (ELM) algorithm is proposed to train the model using experimental data. The estimation of SOC is then compared using four algorithms: extended Kalman filter (EKF), unscented Kalman filter (UKF), adaptive extended Kalman filter (AEKF) and adaptive unscented Kalman filter (AUKF). The comparison of the experimental results shows that AEKF and AUKF have better convergence rate, and AUKF has the best accuracy. The comparison from the radial basis function neural network (RBF NN) model also verifies that the ELM model has lighter computation load and smaller estimation error in SOC estimation process. In general, the performance of Li-ion battery SOC estimation is improved by the AUKF algorithm applied on the ELM model.     

基于RLS与EKF算法的锂电池SOC估计

准确估计荷电状态是电池管理系统高效和安全运行的关键因素之一.以Thevenin模型为基础,运用递推最小二乘法,对模型参数进行估计并且定期更新.采用扩展卡尔曼滤波算法实现了对锂电池荷电状态的估算.仿真结果表明,该估算策略能保持很高的精度,并对观测噪声有很强的抑制作用.     

基于无迹卡尔曼滤波估算电池SOC

为了实现在线估计汽车动力电池的荷电状态（SOC）,提出了结合神经网络的无迹卡尔曼滤波算法。以Thevenin电路为等效电路模型,建立了状态空间表达式,采用最小二乘算法对模型参数进行辨识。在此基础上,利用神经网络算法拟合电池的荷电状态与模型各个参数之间的函数关系,经过多次实验,确定了神经网络算法的收敛曲线,此方法比传统的曲线拟合精度高。介绍了扩展卡尔曼滤波和无迹卡尔曼滤波的原理,并设计了等效电路模型验证实验、电池的SOC测试实验和算法的收敛性实验。实验结果表明,在不同的工况环境下,该方法估计SOC具有可在线估算、估算精度高和环境适应度高等优点,最大误差小于4%。最后验证了结合神经网络的无迹卡尔曼滤波的算法具有较好的收敛性和鲁棒性,可以有效解决初值估算不准确和累计误差的问题。     

基于Thevenin模型和自适应卡尔曼的SOC估算研究

精确的荷电状态(SOC)值在电池的应用开发中具有重要的意义。选择合适的滤波算法是精确估算的前提。由于扩展卡尔曼滤波(EKF)中噪声的给定值与实际工况下噪声的统计特性不符,导致估算精度低。为提高S0C估算精度,构建能准确反映锂电池工作特性的Thevenin电路模型。在此基础上,构建状态方程和观测方程,提出自适应卡尔曼滤波(AKF)算法。利用混合动力脉冲能力特性(HPPC)试验对模型参数进行辨识,通过MATLAB/Simulink建模仿真,分析锂电池分别在恒流放电和动态工况下S0C估算的精度。试验表明,Thevenin模型能够良好地表征锂电池的工作特性且能较好地进行S0C估算,参数辨识、恒流放电工况、动态工况下的最大误差分别控制在0.4%、0.2%、0.1%以内,验证了AKF应用于锂电池S0C估算的优越性。     

在线参数辨识和扩展卡尔曼算法的锂离子电池SOC估算研究

荷电状态(SOC)的准确估计对锂离子电池的在线实时监测和安全控制具有重要意义。以中航锂电池为研究对象,选择二阶阻容(RC)模型对电池工作特性进行表征,并结合多种工况情形对锂离子电池进行研究分析。考虑到参数辨识的初值对在线辨识修正效果的影响,搭建仿真模型与电池脉冲工况特性比较验证,仿真误差在0.05 V以内。在此基础上,构建含有遗忘因子的递推最小二乘法(FFRLS)的在线参数辨识系统,对电池动态应力测试工况(DST)进行仿真预测,相对误差在1.50%以内。针对离线参数辨识的不足,采用在线参数辨识结合扩展卡尔曼(EKF)算法对工况下电池SOC进行估计。试验结果表明,在线参数辨识下,EKF算法能够有效表征系统SOC估算,相对误差精度在0.3%以内。     

Comparison between two model-based algorithms for Li-ion battery SOC estimation in electric vehicles

Accurate battery State of Charge (SOC) estimation is of great significance for safe and efficient energy utilization for electric vehicles. This paper presents a comparison between a novel robust extended Kalman filter (REKF) and a standard extended Kalman filter (EKF) for Li-ion battery SOC indication. The REKF-based method is formulated to explicitly compensate for the battery modeling uncertainty and linearization error often involved in EKF, as well as to provide robustness against the battery system noise to some extent. Evaluation results indicate that both filters have a good average performance, given appropriate noise covariances, owing to a small average modeling error. However, in contrast, the REKF-based SOC estimation method possesses slightly smaller root-mean-square (RMS) error. In the worst case, the robustness characteristics of the REKF result in an obviously smaller error bound (around by 1%). Additionally, the REKF-based approach shows superior robustness against the noise statistics, leading to a better tolerance to inappropriate tuning of the process and measurement noise covariances.     

一种非线性滤波方法用于卫星的姿态估计

由于用于卫星姿态估计的传统非线性滤波方法,即扩展卡尔曼滤波(EKF)方法不仅容易引入线性化误差,而且必须计算系统函数的Jacobi矩阵,而Unscented卡尔曼滤波(UKF)是一种比较新的非线性滤波方法,能够克服EKF的上述缺点。该方法不仅能提高滤波精度,而且更容易实现。因此,利用UKF方法,基于修正的罗德里格参数(MRPs),设计了一种无陀螺卫星的姿态估计算法,并通过仿真验证了算法的有效性。     

基于UKF的两轮自平衡机器人姿态最优估计研究

针对扩展卡尔曼滤波器(EKF)设计困难并且容易发散的问题，提出基于采样卡尔曼滤波(UKF)的方法解决滤波器设计及收敛问题，并补偿低成本的惯性传感器陀螺仪和加速度计的误差，从而得到机器人姿态的最优估计．将滤波后的模型应用到两轮自平衡机器人系统，实验结果表明UKF参数设计简单，姿态估计误差小于EKF，方差估计优于EKF，估计精度、计算量基本与EKF相当．因此，UKF能够满足两轮自平衡机器人快速机动过程中的实时姿态估计要求．