UTSTF锂离子电池时变参数估计与故障诊断

针对锂离子电池的参数偏差型故障诊断问题,提出基于无迹变换强跟踪滤波器（UTSTF）的电池时变参数估计与故障诊断方法.建立电池的开路电压（OCV）-荷电状态（SOC）特性曲线与一阶等效电路模型;将电池参数加入状态变量,建立状态与参数的联合状态空间方程,通过UTSTF算法得到电池参数的实时估计结果,并根据估计值设计故障诊断算法流程;以电池内部的接触型故障与扩散型故障为例,在变温环境下模拟故障发生并进行电池充放测试,得到电池参数在UTSTF与无迹卡尔曼滤波（UKF）下估计值与真实值的对比.实验结果表明,所提方法对于电池故障参数具有良好的跟踪效果、较高的估计精度与诊断可靠性.     

辅助混合动力电动汽车技术研究(Ⅶ)——混合动力电动汽车电池荷电状态估计

为了对混合动力电动汽车用电池组荷电状态进行精确估计,减少电量累积方法前期试验的工作量和运行中的误差累积,研究和应用了卡尔曼滤波法．在电池等效电路模型的基础上,建立了电池组系统的状态方程和测量方程,根据汽车运行时对电池电流和电压的实时检测数据,通过滤波算法估计模型中的开路电压,并由此计算电池组的荷电状态．实验表明,卡尔曼滤波在电动汽车电池组荷电状态估计方面具有应用潜力．     

基于V-R模型与卡尔曼滤波器的蓄电池SOC估计

蓄电池组广泛应用于UPS系统中,荷电状态(SOC)是表征蓄电池状态的重要参数之一.在线准确估算蓄电池SOC,有利于开展对蓄电池的状态诊断、维护,保证电池组安全供电.通过对阀控铅酸电池作了大量的充放电试验,根据试验数据应用最小二乘法进行辨识,获得蓄电池SOC的端电压-电阻的计算模型,运用卡尔曼滤波器算法,对SOC做最优估计.经实验验证和仿真,得到了蓄电池SOC最优估计结果,具有很好的精确度,表明该方法能够在工程上用来估算蓄电池的SOC.     

储能电站蓄电池SOC在线最优估计

储能电站中需要准确地掌握蓄电池组充电、放电两种在线工作状态的实时荷电状态(SOC),针对这一工程应用背景,通过改进的蓄电池电路模型,联合修正的E-SOC关系,分充电和放电两个状态,建立了Kalman滤波器状态空间方程,运用Kalman滤波算法,实现了恒温下对储能电站蓄电池组充放电状态实时SOC的优化估计.实验仿真结果表明:本方法合理简单,符合储能电站蓄电池组对SOC估计的精度要求,具有很强的工程实用性.     

蓄电池管理系统在电力系统一体化电源中的应用

为提高电力系统一体化电源中蓄电池组监测管理技术,本文采用Linear公司的电池监测芯片LTC6803和ST公司的32位微控制器STM32F105,提出了一种电池管理系统(battery management system,BMS)设计方案,同时对其硬件电路和软件进行设计,并在实验室条件下进行仿真分析及数据实测。仿真结果表明,所设计的电池管理系统对电池状态能精准的实时监测,还可以对一体化电源中蓄电池组的电压、充放电电流、温度及电池剩余量(SOC)等参数进行精确的实时监测和数据分析,并能在蓄电池组非正常状态时进行及时报警和保护动作,保证了电池组的安全,延长了电池组的使用寿命。     

基于卡尔曼滤波的锂电池SOC估算影响因素研究

锂电池组的SOC估算是纯电动汽车剩余里程估计与能量管理的基础,也是电池管理系统的基础工作.卡尔曼滤波算法便于实现实时估计、能更好地适应电动汽车剧烈变化的工况而被广泛使用.为获得基于卡尔曼滤波算法的锂电池组SOC估算的影响因素,文章以磷酸铁锂电池组为研究对象,建立锂电池组的PNGV状态空间模型,并设计了EKF算法和UKF...     

适用于无人水下潜航器电池管理系统的SOC-SOH联合估计

为了提高无人水下潜航器(UUV)电池管理系统状态的估计精度,提出荷电状态-健康状态(SOC-SOH)联合估计方法.搭建测试台架,采用4组锂离子电池进行全寿命周期下的充放电测试,获取不同老化程度下的特性数据.经理论推导和实验分析设计四维表征因子,建立基于改进支持向量回归(SVR)的SOH估计模型.探究电池状态的耦合关系,建立基于扩展卡尔曼滤波(EKF)的SOC估计模型,采用遗忘因子递推最小二乘算法(RLS)更新模型参数,利用SOH对SOC估计结果进行修正.通过不同工况的实验进行验证,结果表明：四维表征因子和电池容量相关性好,SOH估计模型精度高,SOC估计模型精度在联合修正后得到提升.所提的联合估计方法具有较高的通用性和可靠性,可以作为有效的嵌入式电池管理系统状态估计算法.     

基于热电耦合模型的锂电池内核温度估计

电池温度直接影响电池性能,且电池内核温度与表面温度存在差异.针对电池内核温度难以测量的现状,建立了电池热电耦合模型来估计电池内核温度.电池热电耦合模型由等效电路模型及热模型组成,通过电池充放电实验辨识等效电路模型参数,采用最小二乘法辨识热模型参数.在给定工况下,运用等效电路模型计算电池生热量并传递给热模型,热模型估计得到电池内核温度.采用新欧洲驾驶循环(New European Driving Cycle,NEDC)工况来验证提出的热电耦合模型精度,实验结果表明,提出的热电耦合模型可以准确估计电池内核温度变化,估计误差在1℃以内.     

基于卡尔曼滤波的电动汽车剩余电量估计

电动汽车的电池管理系统需要一个精确和可靠的电池剩余电量预测。由于电池组真实的剩余电量受许多因素如电池温度、充放电次数、电池老化等因素的影响,传统的剩余电量预测技术很难得到精确的结果。该文以聚合物锂离子电池组为研究对象,采用卡尔曼滤波递推算法对电池组剩余电量进行估算,经试验这种方法能够获得蓄电池精确和可靠的剩余电量预测值。     

基于UKF方法的锂离子电池荷电状态估计研究

选用二阶RC回路的电池模型,以单体的磷酸铁锂动力电池为研究对象,通过充电/放电电流脉冲实验获得电池模型中的各个参数变化范围,研究其荷电状态(SOC)的估算方法.根据电池模型的状态方程和输出方程,运用MATLAB软件,利用无迹卡尔曼滤波(UKF)方法来估算锂离子电池的SOC,并将其估算结果与扩展卡尔曼滤波(EKF)方法的估算结果进行比较.实验结果表明UKF方法能够更精确地估计出动力电池的SOC.     

电动汽车用动力电池组建模和参数辨识方法

提出了电动汽车用的锂离子动力电池组电化学极化模型,并利用扩展卡尔曼滤波和最小二乘算法分别建立了在线和离线的参数辨识方法。混合脉冲功率特性试验的验证结果表明:基于提出的电化学极化模型所建立的参数辨识方法能够保证模型最大相对误差在1%以内,可精确模拟动力电池组的动态电压特性。建立的参数辨识方法能有效地避免动力电池初次使用前耗时、复杂且易错的参数辨识及定期的参数标定等试验,提高电池管理系统的工作效率。     

用基于遗传优化的扩展卡尔曼滤波算法辨识电池模型参数

提出了一种基于遗传优化算法(Genetic algorithm,GA)和扩展卡尔曼滤波(ExtendedKalman filter,EKF)算法的电池模型参数辨识方法。建立了锂离子动力电池等效电路模型,模型中两个RC网络分别描述电池的电化学极化特性和浓差极化特性,迟滞电压描述电池充放电过程的平衡电势的差异。对于具有耦合关系的模型参数,采用具有最小均方误差估计效果的EKF辨识算法,针对EKF算法通过试验调节难以取得最佳滤波效果的问题,提出基于遗传算法优化EKF噪声矩阵的方法。试验和仿真结果表明:基于遗传优化的EKF算法(GA-EKF)辨识的电池模型满足电动车辆仿真精度要求。     

自适应扩展卡尔曼滤波电池荷电状态估算方法

为更精确预估电动汽车动力源的荷电状态,优化戴维南等效电路模型,用自适应扩展卡尔曼滤波进行荷电状态估算。对实验电池进行外特性数据获取实验,分别得到在充放电状态下的开路电压曲线,在开路电压-荷电状态对应曲线中考虑充放电状态变化的因素。对离线参数辨识进行优化处理,在固定参数离线辨识的基础上考虑充放电状态和荷电状态,并与在线辨识进行端电压估算对比。基于优化后电池模型,通过自适应扩展卡尔曼滤波及其对比算法估算荷电状态,在复杂脉冲电流工况下对比端电压和荷电状态的估算精度。结果表明:采用优化后电池模型离线辨识的端电压估算精度达到0.01 V以内,高于在线辨识的端电压估算精度。在优化模型及离线辨识基础上构建自适应扩展卡尔曼、扩展卡尔曼和交互多模型的算法模型,估算电池荷电状态。经动态工况实验验证,基于优化模型自适应算法的荷电状态估算精度达到0.05,高于交互多模型-扩展卡尔曼滤波算法及扩展卡尔曼滤波算法。     

基于改进多新息扩展卡尔曼滤波的电池SOC估计

为了提高SOC估计精度,提出基于遗忘因子改进多新息扩展卡尔曼滤波（FMIEKF）方法. 建立锂离子电池的双极化等效电路模型,开展开路电压测试. 通过递归最小二乘法,实现电池模型参数在线辨识. 提出FMIEKF进行SOC估计,该方法在融合多新息辨识理论和卡尔曼滤波基础上,引入遗忘因子削弱历史数据修正权重,解决数据过饱和问题. 通过实验和硬件在环进行验证. 结果表明,FMIEKF具有较高的准确性和收敛性,最大估计误差为0.948%,平均误差为0.214%,在不同SOC初值下20 s内收敛,可以适用于实际的电池管理系统中.     

基于强跟踪卡尔曼滤波的电池SOC估计

针对锂电池模型不准确和状态突变导致SOC估计精度不佳的问题,提出了引入时变渐消因子的强跟踪卡尔曼滤波算法.以HPPC试验方法辨识了锂电池的等效二阶RC模型,对比分析了现有的扩展卡尔曼滤波原理及提出的强跟踪卡尔曼滤波算法.通过结合强跟踪原理和卡尔曼滤波算法并引入时变渐消因子,提出的方法能够强制估计残差保持正交特性,并保证残差满足高斯白噪声特性.仿真验证表明,与扩展卡尔曼滤波原理相比,在模型不准确和状态突变的情况下,强跟踪卡尔曼滤波算法具有更高的估计精度,估计误差低于2.5%,提高了近45%.     

基于滑模观测器的锂离子动力电池荷电状态估计

基于混合动力脉冲功率特性试验数据辨识得到了锂离子动力电池的等效电路模型参数,提出了基于滑模观测器算法的动力电池荷电状态估计方法.设计了滑模观测器,最后进行了算法验证.结果表明,对FUDS工况,应用滑模观测器算法进行荷电状态估计的最大误差为1.17%,方差为0.00004,比传统算法获得了更好的估计精度和鲁棒性.     

自适应模型与改进粒子滤波的电池RUL预测

为提高锂电池运行的安全性和可靠性并维护系统稳定运行,提出一种自适应混合模型与改进粒子滤波（particle filter, PF）算法的锂电池剩余使用寿命（remaining useful life, RUL）预测方法。采用经验模型与神经网络模型结合建立自适应混合模型描述电池容量退化趋势,并使用天牛须搜索（beetle antennae search, BAS）算法优化PF重采样步骤解决粒子多样性丧失问题,从而提高估计精度进而实现RUL的精准预测。应用NASA和CALCE公开的两组不同类型锂电池作为实验对象,验证模型的有效性并通过对比PF与改进PF算法验证RUL预测的准确性。结果表明:自适应混合模型对于电池容量变化的表达能力更强,既能考虑电池内部的参数变化又能反应电池外部环境的变化,基于BAS改进的PF（BAS-PF）方法相较于传统PF算法的估计精度更高而且RUL预测更准确,对于不同的预测起点,两块测试电池的RUL预测误差分别为5.88%、3.92%、1.96%和3.75%、1.25%、0%。自适应混合模型能更加有效地描述电池容量特征,基于自适应混合模型的BAS-PF算法的电池RUL预测能力更好,可靠性更强,有助于提高RUL预测的精度和表现。