基于改进EKF算法的锂电池SOC估算

采用传统EKF算法对电池SOC估算时,系统噪声先验特性未知及电池模型误差会影响电池SOC估算的精度。论文提出一种基于改进EKF算法的锂电池SOC估算方法:通过建立电池等效电路模型,联合安时积分法原理,得到系统的状态空间方程;接着引入数据校正的思想,运用Cauchy鲁棒函数,以EKF观测方程的真实值与估计值之间的残差为依据,实时矫正了滤波状态噪声协方差阵Q,且在SOC区间内通过观测噪声协方差阵R进行了动态调整,使算法具有更强的鲁棒性。仿真结果表明,与传统的EKF算法相比,改进后的EKF算法估算误差降低了3.5%,且算法的平均误差保持在0.68%左右,验证了该方法的有效性及精确性。     

融合GM(1,1)先验估计的扩展卡尔曼SOC估算

锂电池荷电状态(State of Charge,SOC)估算是电池管理系统(Battery Management System,BMS)的关键,准确估算SOC对合理使用动力电池、推动电动汽车的发展有重要意义。为避免安时积分法对SOC估算造成随时间累积的误差,以及在驱动参数设置不科学的情况下,扩展卡尔曼启动阶段性能差等问题,提出融合GM(1,1)先验估计的扩展卡尔曼SOC估算策略。在初始阶段使用安时积分来估算SOC值作为GM(1,1)模型的原始数据序列,以GM(1,1)模型替代EKF算法中的先验估算,保证状态估算的优良启动性能以及加快收敛速度,结合实时观测值对先验状态进行修正,随着迭代次数增加,后验估算值逐步淘汰GM(1,1)模型原始数据序列中的值,使得估算值主要依赖于实施监测实时检测的修正。实验结果表明,该方法有效提高了SOC估算精度,其估计精度在2%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。     

锂电池开路电压的预估及SOC估算

由于锂电池在多方面的优越性能,它在电动汽车领域的应用也越来越广泛。通过电池恒流充放电特性实验,得到锰酸铁锂电池开路电压(UOCV)与对应SOC的关系曲线及电池放电自恢复曲线,并结合锂电池等效电路模型,利用matlab拟合曲线,推导出开路电压的预估公式,实现对开路电压的预估,解决了开路电压法静置时间长的缺陷。在此基础上,结合安时积分法进行动态SOC估算,通过不断对安时积分法的值进行修正,消除它的累积误差。实验结果表明,该算法能较准确地估算电池的SOC,对电池管理系统的研究有一定参考价值。     

改进粒子滤波算法对电动汽车电池SOC的估计

引入SIR粒子滤波算法用于估算电动汽车电池的荷电状态(State of charge,SOC),利用系统状态连续近似分布进行采样的正则化滤波算法解决了SIR粒子滤波算法多样性匮乏问题。结合安时法构建电动汽车电池的状态空间模型,进而对电池模型进行参数辨别,结合SIR粒子滤波算法和改进后的粒子滤波算法在MATLAB中进行实验仿真。仿真结果显示,随着时间的增加,SIR粒子滤波算法估算电池SOC误差会变大,改进后的粒子滤波算法估算电池SOC一直逼近真实值,比SIR粒子滤波算法精度高、适应性更好,为电动汽车电池SOC的估算提供了新思路。     

基于可用容量估算和电量增量曲线的安时积分荷电状态估算方法

荷电状态(State of Charge, SOC)估算是电动汽车电池管理系统的重要功能之一,安时积分因其计算简单、不依赖具体电池模型的优点而广泛应用于SOC估算,但电流传感器的累计误差和电池可用容量误差会使SOC估算误差越来越大。从导致安时积分估算误差的原因出发,首先利用最小二乘法对电流传感器进行校准,然后利用温度和可用容量的关系对电池包可用容量进行估算,最后利用电池包充电过程中的电量增量(Incremental Capacity, IC)曲线对估算的SOC进行修正。通过长时间不同温度下连续动态压力测试(Dynamic Stress Test, DST)工况放电-恒流充电的不完全充放电实验,结果表明改进后的安时积分SOC估算误差在充放电过程中不超过4.1%,充电修正后的误差不超过3%,得到了比较精确的估算结果。     

基于STM32F105和LTC6804的电池管理系统设计

设计了一种基于STM32F105和LTC6804的电动汽车电池管理系统,可以在实现均衡功能的同时以高精度监测单体电池电压。提出了一种开路电压法和修正后的安时积分法结合的SOC估算方法,来实现对剩余电池电量较为精确的估计。     

电动汽车锂电池建模仿真及SOC估计研究

为了提高电动汽车用动力锂电池模型精度及荷电状态(SOC)估算精度,以PNGV等效电路模型架构为基础进行模型改进,考虑SOC估算精度主要受充放电倍率、温度及电池容量变化等的影响,结合改进模型及扩展卡尔曼滤波算法(EKF),对SOC估算输入参数进行加权修正处理,并在Matlab/Simulink中建立仿真模型。实验和仿真对比表明,改进模型能够较好地模拟电池充放电特性,与改进EKF算法的结合对SOC的估算精度较高,可将模型与算法进一步应用于电动汽车电池管理系统的研究中。     

基于云平台的电池管理系统设计与实现

针对现有电动汽车电池管理系统荷电状态(SOC)估计精度不高的问题,基于扩展卡尔曼滤波法并结合安时积分法和开路电压法对电池SOC进行估算。同时,基于中国移动OneNET云平台设计了后台管理系统,通过4G DTU模块实现电池管理系统各项数据的上传,并对这些数据进行分析和处理,从而实时监测电池系统状态。实验结果表明,该系统的各项功能均满足设计要求。     

蓄电池SOC估算方法概述

电池荷电状态(State of Charge,SOC)作为电池状态重要的评价指标,很难通过直接测量获得。传统方法通过物理指标侧面估算SOC的大小,存在一定的局限性。因此,研究拓展卡尔曼滤波法(Extended Kalman Filter,EKF)、BP神经网络(BP Neural Network)以及模糊控制方法等估计SOC值的方法,分析各种方法的实现过程及优缺点,提出了一种BP和EKF相结合的方法用于SOC值的估计。该方法可提高EKF的收敛性,并增加了SOC值估计的准确度。     

基于二阶近似扩展卡尔曼滤波的锂离子电池 SOC估计

为提高电池荷电状态(SOC)估计的准确性，更高阶的扩展卡尔曼滤波(EKF)算法被用来估计SOC值。首先建立锂离子电池一阶Thevenin等效电路模型，采用样条函数来表述开路电压(OCV)和SOC值的函数关系。为更加精确地识别等效电路模型参数，提出一种新的带有可变遗忘因子最小二乘法(VFFRLS)的算法来在线识别模型参数。由于VFFRLS解的精度依赖于算法初始值的设定，为此采用改进粒子群算法求得模型初始参数值，进而得到更加精确的VFFRLS初始值。最后采用二阶EKF来估计电池的SOC值，以此提高估计精度。两组不同的数据集用来证明二阶EKF估计SOC值具有普适性。实验结果表明，二阶EKF在估计不同工况条件下的SOC值时，平均绝对误差(MAE)都保持在1%以内，由此证明了所提方法的有效性。     

电动汽车动力电池SOC估算研究

电动汽车的电池性能直接影响到整车性能,而SOC(state of charge)估算是电池管理系统的重要功能,也是急需解决的技术难点。为了估算锂电池的荷电状态SOC,基于电池外特性的实验数据,建立电池等效电路模型。在MATLAB中搭建电池模型,并研究卡尔曼滤波算法对Ah计量法估算SOC的修正作用。结果表明:所选择的电池复合模型能有效地模拟电池特性,结合开路电压法、Ah计量法和卡尔曼滤波法的SOC估算算法能有效地解决SOC初值估算不准和累计误差的问题。     

基于荷电状态的锂离子电池组主动均衡控制

针对锂离子电池组中单节电池间的差异性会对电池组的可使用寿命以及容量利用率造成严重影响,设计了一种电感式主动均衡电路。基于递推最小二乘扩展卡尔曼滤波(RLS-EKF)算法在线估算锂离子电池的荷电状态(SOC),同时以SOC值作为均衡准则对锂离子电池组实施均衡控制,实现了一种主动均衡控制策略,并开发了锂离子电池组能量均衡管理系统测试平台。实验结果表明,RLS-EKF算法的SOC估算误差在3.5%以内,并且所提出的主动均衡控制方法极大改善了电池间的差异性,电池的容量利用率大幅度提高。     

[动力电池]基于双时间尺度扩展卡尔曼粒子滤波算法的电池组单体荷电状态估计

为实现对电池组单体荷电状态(SOC)的精确估算,首先对锂电池组单体建立增强自校正(ESC)模型,然后根据锂电池ESC模型建立电池组平均模型和各单体SOC差异模型,再对其用双时间尺度的扩展卡尔曼粒子滤波(EKPF)算法来估算电池组平均SOC值和各单体差异SOC值,从而得到电池组中各单体SOC值。对12节锂电池串联电池组进行SOC估算实验,结果表明,基于双时间尺度EKPF算法的电池组单体SOC估计方法可实现对单体SOC的精确估计,且该方法比双时间尺度扩展卡尔曼滤波算法和扩展卡尔曼滤波(EKF)算法具有更高的估算精度。     

基于扩展卡尔曼滤波的锂离子电池荷电状态估计

针对电池荷电状态（SOC）难以准确估计的问题,采用扩展卡尔曼滤波方法来提高SOC的估计精度。首先以磷酸铁锂电池为研究对象,建立了电池的PNGV等效电路模型,并采用充放电实验和离线辨识的方法得到模型中的参数,得到了开路电压、欧姆内阻、极化内阻和极化电容与SOC的多项式函数关系;然后,对模型进行验证,并分析了模型的准确性;最后,在实际工况下,运用扩展卡尔曼滤波方法估计锂离子电池的SOC值,并与安时法计算的SOC值进行比较。结果表明,PNGV模型结合扩展卡尔曼滤波方法估计的锂离子电池SOC值的最大误差仅为2.78%,提高了电池SOC的估计精度。     

基于Peukert方程的动力电池荷电状态卡尔曼滤波估计算法

电池荷电状态（SOC）受到温度、电流、循环寿命等因素的影响,Peukert方程是一种很好的计算电池容量方法。传统Peukert方程没有考虑温度的影响,而温度变化会导致Peukert方程常数n和K的变化。因此,建立了基于温度和电流变化的Peukert方程,利用安时法和复合电化学模型建立电池模型状态方程和测量方程,采用扩展卡尔曼算法实现电池荷电状态动态估算。结果显示,基于温度修正Peukert方程的镍氢电池荷电状态估计算法精度比传统安时法提高7%~8%。     

锂电SOC改进无迹卡尔曼滤波估算算法研究

传统无迹卡尔曼滤波(UKF)算法在估算锂离子动力电池荷电状态(SOC)时,常会出现由于电池模型参数不准确和无法预先获取噪声统计特性而使得估算误差增大的问题.针对这些问题,这里提出一种改进的自适应无迹卡尔曼滤波算法(AUKF):该算法通过扩充状态变量法来实现欧姆内阻在线更新,以此提高电池模型精度,并根据实时SOC估计值与真实值的误差,构造滑模观测器实现系统噪声和观测噪声的更新,降低未知噪声的干扰,最后通过不同温度下复杂工况实验,验证了新算法的估计精度和稳定性.     

基于ASRCKF算法的锂电池SOC估算

针对平方根容积卡尔曼滤波(SRCKF)估算SOC时需要准确获得系统状态及测量噪声协方差这一缺陷,将基于电池模型输出电压残差序列的协方差匹配思想引入平方根容积卡尔曼滤波,提出了自适应平方根容积卡尔曼滤波算法(ASRCKF)。以18650型锂电池为实验对象,建立了戴维南等效电路模型,采用递推最小二乘法辨识电池模型参数,最后,利用UDDS电池实验数据对ASRCFK算法进行了仿真。实验结果表明,传统的SRCKF算法估算SOC产生的均方根误差为3.41%;而提出的ASRCKF算法估算SOC产生的均方根误差仅为0.97%,与传统算法相比具有更高的精度,对噪声的适应能力更强。     

基于融合修正SOC算法的家用储能BMS系统设计

本文基于融合修正SOC估计算法,设计了一种用于家用储能的电池管理系统(BMS)。基于家用储能系统BMS主从拓扑结构及磷酸铁锂电池的特性,设计了一种以NXP单片机(MC9S12)和TI电池管理芯片(BQPLA455A)为核心的BMS。该BMS可实现对多路电池电压、温度采集及均衡控制;同时,可根据采样数据利用融合修正SOC算法进行SOC计算。根据测试实际数据,将通过电池组实际电压、温度值与系统采样值,对电池均衡效果及SOC进行分析。试验结果证明,设计的BMS具有较高的采样精度和采样速度,均衡控制合理,SOC估算值误差较小,验证了本文所设计家用储能BMS的可用性。     

基于粒子滤波算法的动力电池SOC估计

针对电池荷电状态(SOC)容易受到电流、温度、循环寿命等非线性因素的影响,建立基于温度和电流变化的电池容量修正方程。结合安时法和复合电化学原理构建电池状态空间模型。由于粒子滤波算法对非高斯、非线性系统的适应性,因此选用粒子滤波算法来研究电池SOC估计。通过美国FTP-75工况和NEDC工况实验仿真显示,基于粒子滤波算法的电池SOC估计比扩展卡尔曼滤波算法估计精度高、适应性好。     

双卡尔曼滤波算法在锂电池SOC估算中的应用

以在线估计锂离子电池组的荷电状态(SOC)为目的,建立了双卡尔曼滤波(DEKF)算法.以Thevenin电池模型和卡尔曼滤波算法为基础,对电池模型建立了状态空间表达式.分别采用最小二乘法和DEKF算法对该模型参数进行辨识,提高了该模型的精度,使电池模型能够较好地反映电池内部的真实状态.介绍了双卡尔曼滤波算法在线估算荷电状态的原理,并设计了相关的电池测试实验.实验结果表明在不同的工况环境下,该算法在线估计SOC具有较高的精度和对环境的适应度,最大误差小于4.5％.最后,验证了DEKF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和累积误差的问题.