基于自适应CKF的锂离子电池SOC估算

扩展卡尔曼滤波(EKF)和无迹卡尔曼滤波(UKF)算法估算电池荷电状态(SOC)依赖等效模型参数的准确性,估算精度低。容积卡尔曼滤波(CKF)算法的滤波性能良好。利用自适应CKF(ACKF)算法估算电池SOC,自适应调节过程噪声协方差和量测噪声协方差,提高估算SOC的精度。对锂离子电池建立二阶RC等效电路模型,在不同工况下进行充放电,用卡尔曼滤波算法在线辨识等效模型的参数,ACKF算法实时估算SOC。ACKF算法估算SOC的鲁棒性较强,精度在1. 5%以内。     

基于FF-MILS和UKF算法的锂电池SOC估算

为了建立精确的锂离子电池模型,在线监测电池的荷电状态(SOC),采用二阶等效电路模型,通过实验数据拟合开路电压(OCV)与荷电状态的对应关系.选用遗忘因子多新息递推最小二乘法(FF-MILS)为在线辨识算法完成对锂离子电池在线模型参数估测,同时将所得模型参数传入卡尔曼滤波器,完成对动力电池荷电状态的估算.在MATLAB/Simulink中实现该算法的编程,把电池综合测试仪对锂离子电池采样所得电流、电压、容量等实验数据导入算法进行仿真.结果表明,该算法迅速收敛初值误差,并在稳定状态下最大误差不超过2％,从而验证了该算法的有效性以及对外界干扰的鲁棒性,可以用来实现对车用锂离子电池状态的准确估算.     

基于UKPF算法的锂离子电池SOC估算

电池在工作时电流变化剧烈,使用传统无迹卡尔曼算法(UKF)估算电池荷电状态(SOC)时有较大误差.为了提高SOC估算精度,基于锂离子电池混合噪声模型,利用粒子滤波算法对无迹卡尔曼的滤波进行修正,得到无迹卡尔曼粒子滤波算法(UKPF),并用该方法来估算锂离子电池的SOC.实验结果表明,UKPF算法SOC的估算误差小于2.1％,明显优于UKF和PF算法.     

提升低温下电池SOC估算精度的算法

针对低温环境下电池荷电状态(SOC)估算精度不高的问题,提出一种相应的电池SOC估算方法.在充分考虑模型适配与算法融合的前提下,在低温下对锂离子电池进行充放电测试,采用三阶RC等效电路模型进行参数辨识.利用自适应扩展卡尔曼滤波(AEKF)估算模型进行仿真分析,提升SOC估算精度,并与扩展卡尔曼滤波(EKF)算法进行对比.该算法在-20～0℃的低温区间,SOC平均估算误差在0.73％左右,相比于EKF降低了约5.6％.     

基于门控循环单元神经网络和Huber-M估计鲁棒卡尔曼滤波融合方法的锂离子电池荷电状态估算方法

锂离子电池作为重要的储能元件,其荷电状态(SOC)直接影响所在系统的运行状态。为了实现对锂离子电池SOC的精确估算,提出一种基于门控循环单元神经网络(GRU-RNN)和Huber-M估计鲁棒卡尔曼滤波(HKF)融合方法的锂离子电池SOC估算模型。该方法利用Huber-M估计改进卡尔曼滤波器的鲁棒性,并将基于GRU-RNN所估算的锂离子电池SOC值作为改进卡尔曼滤波器的观测量。在两组锂离子电池数据集上分别进行锂离子电池SOC估算实验。实验结果表明,基于GRU-RNN和HKF融合方法的锂离子电池SOC估算模型不仅能够准确地实现锂离子电池SOC估算,而且能够降低测量误差及异常值对估算结果的影响,使锂离子电池SOC估算结果快速且精确收敛。     

基于扩展卡尔曼滤波算法的锂离子电池的SOC估算

为了精确估算锂离子动力电池的电池荷电状态(State Of Charge,SOC),在分析影响SOC估算精度的主要因素以及传统SOC估算方法的优缺点的基础上,提出一种改进的安时积分法,对影响SOC估算的主要因素进行参数修正.该算法采用基于简单电化学模型的组合电池模型,结合扩展的卡尔曼滤波(Extended Karlman Filter,EKF)算法对SOC进行估算.对比结果表明,在SOC的估算过程中能够保持很好的精度.     

基于改进模型的锂离子电池SOC估计

为提升锂离子电池荷电状态(SOC)的估计精度,提出一种易于工程实现的二阶RC滞回等效电路模型.该模型采用差分进化(DE)算法对参数进行优化辨识,在城市道路循环工况(UDDS)、新标欧洲循环测试(NEDC)运行工况条件下对端电压和SOC进行估算.相比于传统二阶RC等效模型,二阶RC滞回等效电路模型估算的端电压误差小于10 mV,SOC误差减小至1％.此改进模型更符合锂离子电池的电化学特征,以此模型进行扩展卡尔曼滤波(EKF)算法的SOC估计具有更高的估计精度,为1％.     

基于自适应递推最小二乘法与无迹卡尔曼滤波的电池SOC估算

为了建立精确的锂离子电池模型,并在其基础上实时且有效的监测电池的状态。综合考虑采用二阶等效电路模型,在递推最小二乘法的基础上加上自适应因子完成对锂离子电池在线模型参数估测,与此同时将所得模型参数传入卡尔曼滤波器,完成对动力电池的荷电状态(SOC)的估算。在MATLAB中实现该算法的编程,把电池综合测试仪对锂离子电池采样所得电流、电压、容量等实验数据导入算法进行仿真。仿真结果表明,该算法迅速收敛初值误差,并在稳定状态下最大误差不超过2. 5%,验证了该算法的有效性以及对外界干扰的鲁棒性,可以用以实现对车用锂离子电池状态的准确估算。     

电热耦合模型与UKF组合估算电池温度与SOC

提出电热耦合模型与无迹卡尔曼滤波(UKF)组合算法来估算锂离子电池荷电状态(SOC)及其平均温度,并且将SOC和平均温度用于在线调整模型的参数,该估算的平均温度更接近电池内部真实温度.结果表明在实际工况下,模型估算温度高于电池表面温度且最高温差在2.6 ℃以内,它们的变化趋势相同的同时,1C放电时能够提前预测到电池内部温度.采用实时估算的平均温度和SOC调整模型参数,当初始SOC与实际SOC相同时,SOC估算误差在1％以内;当初始SOC与实际SOC相差较大时,能够在250 s内收敛到真实值,其SOC估算误差在1％～2％间波动.     

考虑环境温度影响的锂离子电池改进双极化模型及其荷电状态估算

建立准确合理的锂离子电池数学模型,精确估算锂离子电池(LIB)终端电压及荷电状态(SOC)对于开发高效实用的电池管理系统十分重要.首先,该文建立一种改进的环境温度依赖的锂离子电池双极化(DP)模型.然后,基于锂离子电池的动态实验数据,利用遗忘因子最小二乘法(FFLS)对该锂离子电池模型关键参数进行辨识,并将其拟合为环境温度的连续函数.同时,根据扩展卡尔曼滤波(EKF)算法,提出一种适用于不同环境温度的锂离子电池荷电状态估计方法.最后,采用?10℃、20℃和50℃下动态压力测试(DST)和US06循环工况的实验数据,对该文的锂离子电池模型进行仿真分析和验证.结果表明,该文提出的改进DP模型能够准确反映环境温度对模型参数的影响,且在电池终端电压和SOC估算方面具有较高的精度和较宽的温度适用范围.