基于改进EKF算法的锂离子电池SOC估算方法

针对锂离子电池在变电流放电过程中荷电状态SOC(state of charge)估算精度的问题,提出了一种基于改进扩展卡尔曼滤波EKF(extended Kalman filter)算法的新估算方法。首先,通过放电实验和混合脉冲功率特性HPPC(hybrid pulsepower characteristic)实验,分析计算了等效电路模型参数;然后,利用该方法获得了该模型参数与放电倍率和SOC之间的关系,提出了一种估算SOC时在线修正开路电压和欧姆内阻的新原理和方法;最后,通过变电流放电的SOC估算结果,验证了该改进算法的可行性与有效性,从而解决了锂离子电池在复杂工况下估算精度不足的问题。     

基于改进EKF的飞机蓄电池在线SOC估计方法

蓄电池荷电状态(state of charge,SOC)是电池管理系统最为重要的参数之一,由于飞机蓄电池工作环境恶劣复杂,具有较强的非线性,给蓄电池的在线 SOC估计带来较大的困难。以提高复杂应力条件下飞机蓄电池在线 SOC估计精度为目的,采用性能测试实验对蓄电池性能参数的温度、放电率特性进行研究,并提出递推最小二乘法与扩展卡尔曼滤波算法结合的改进 EKF方法,实现蓄电池等效电路模型参数的在线辨识以及蓄电池在线 SOC 的估计。上述方法通过物理实验进行了验证,实验结果表明,改进后 EKF方法的 SOC 估计误差小于0.5%,估计精度获得明显提高。     

锂离子电池SOC与模型参数联合估算研究

电池荷电状态(SOC)的估算精度是影响新能源汽车性能的重要因素之一。针对电池参数动态变化影响SOC估算精度的问题,在确定二阶RC等效电路模型的基础上,采用渐衰记忆的递推最小二乘算法和扩展卡尔曼滤波算法对模型参数与SOC在线联合估算。经过实验与仿真验证,在模拟城市道路工况的放电条件下,与安时法和卡尔曼法相比,联合估算方法得到的SOC估算值与真实值的误差缩小到1.29%。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。     

锂电池的电量估计仿真研究

锂电池的荷电状态(SOC,State-of-Charge)直接反映电池的剩余电量,是电池组管理的核心参数。然而,电池循环次数的增加、瞬间大电流、温度等因素将导致电池特性发生变化,因此使用扩展卡尔曼滤波(EKF,extended kalman filtering)对锂电池的荷电状态进行估计会引入较大的误差甚至算法发散。为了有效抑制参数扰动和系统的非线性,基于一种改进的二阶RC等效电路模型,应用粒子滤波算法(PF,particle filtering)实现了锂电池荷电状态的估计。最后,根据锂电池放电实验所得数据进行仿真,结果显示了该算法的优越性。     

提高串联锂电池SOC在线估计快速性的简化二阶模型

锂离子电池最常用的等效电路模型为二阶RC等效电路模型。基于该模型的参数辨识存在所需辨识参数多、运算量大的缺点,同时荷电状态(state of charge, SOC)估计中状态方程存在复杂的指数运算等问题,这些都使得难以对多个串联电池进行SOC的在线估计。因此,提出了一种简化二阶电池模型。该模型忽略电池内部极化反应,只关注其外特性,使得参数辨识个数减少。该简化模型也使得状态空间方程中需要估计的状态变量个数减少,避免了复杂的指数运算,降低了计算复杂度和整体的运算量,有利于多个串联锂电池SOC的实时在线估计。通过对单体锂电池和串联锂电池进行参数辨识和SOC估计测试,验证了所提的简化模型在保证参数辨识及SOC估计精度的同时,大大提升了系统运算速度,进而提高了SOC估计的快速性。     

基于分数阶理论的车用锂离子电池建模及荷电状态估计

针对电动汽车动力锂离子电池的状态估计问题,提出一种基于分数阶等效电路建模方法,并采用分数阶卡尔曼滤波算法估计电池荷电状态(SOC)。首先建立基于二阶等效电路的分数阶电池模型,采用遗传算法辨识阶数,然后利用分数阶卡尔曼滤波算法估计电池SOC,并与扩展卡尔曼滤波算法进行比较。实验结果表明,在恒流放电下采用分数阶模型,其端电压最大绝对误差为0.014V,SOC最大估计误差不超过2%。本文提出的基于二阶等效电路的分数阶模型及分数阶卡尔曼滤波算法,不仅给出了一种准确、可靠的建模方法,而且为有效提高电池管理系统中SOC估计的准确性提供了途径。     

基于Simscape的动力锂离子电池的建模与仿真

随着电动车的普及,动力锂离子电池的研究受到人们的重视,建立精确的锂离子电池模型对动力锂离子电池的研究至关重要。采用锂离子电池的等效电路模型,利用Simulink的Simscape模块搭建电池的模型。在模型中运用安时计量法对锂离子电池的SOC进行估算,对动力锂离子电池模型在不同工作情况下进行仿真分析。所建锂离子电池模型可集成到电动汽车整车系统等大系统模型及其仿真分析中,节约研发成本。     

基于PSO-ELM的储能锂电池荷电状态估算

对锂离子电池荷电状态(SOC)进行准确估算是保证电池管理系统安全稳定运行的关键。常用的安时积分法存在累积误差,卡尔曼滤波算法需要建立精确的电池模型,神经网络法不依赖具体的锂电池模型,能够反映锂电池的非线性关系,因而受到广泛关注,然而传统神经网络估算SOC训练时间长、精度低。针对以往电池SOC估算精度低等问题,文中提出粒子群(PSO)优化极限学习机(ELM)神经网络的方法。以电池电压、电流和温度作为PSO-ELM模型的输入向量,以SOC作为输出向量。将实验获得的数据导入模型进行训练和测试,采用PSO对ELM随机给定的输入权值和隐含层阈值进行寻优。仿真结果表明,与BP神经网络的预测结果相比,文中估算SOC的方法具有更高的精度。     

基于随机片段数据的锂电池状态估计方法

针对锂电池状态估计通常只能采集到不完整的放电数据,导致难以准确判断锂电池状态的问题,提出一种基于随机片段数据的锂电池状态估计方法.以固定健康状态(SOH)差为间隔构建老化数据库,利用随机片段数据进行匹配,并采用粒子群优化算法进行求解,从而判断对应的锂电池初始荷电状态(SOC)及SOH等信息;基于二阶戴维南等效电路模型对锂电池进行建模,并对其参数进行辨识;基于状态匹配结果与所建模型,利用扩展卡尔曼滤波对锂电池SOC进行估计,获得锂电池的剩余放电时间等状态信息.利用锂电池单体放电数据进行实验验证,实验与仿真结果表明:与传统方法相比,所提方法具有较高的稳定性和准确率.     

基于模糊优化决策的锂电池SOC估计

为了提高动力锂电池的使用效能和整车性能,需要准确估计动力锂电池的荷电状态(SOC),在研究分析常用SOC估计方法的基础上,根据开路电压法和卡尔曼滤波算法的特性,引入T-S模糊模型,建立了基于模糊优化决策的锂电池SOC估计方法,通过仿真验证,可有效提高锂电池SOC估计的精度。     

一种改进的基于车载锂电池数据的SoC估算方法

针对车载锂离子电池的SoC(State of Charge)估算,面临两个主要问题:电池充放电过程中的极化效应,SoC与OCV(Open Circuit Voltage)关系曲线受电池内阻等因素影响,精度较低。从自主设计的锂电池等效电路模型入手,改进现有的Thevenin模型,用一个新的极化模型来代替传统的RC模块克服锂离子电池的极化效应,增加模型的精度。利用改进后的模型,基于DualEKF(dual-Extended Kalman Filter)估计方法,克服传统方法中无法消除电池内阻误差的缺点。对照实验结果表明,在保证较低计算复杂度的情况下,使估算误差保证在6%以内。     

基于PSO-LSSVM的锂离子电池荷电状态预测方法

锂离子电池荷电状态(State of Charge,SOC)直接影响着锂离子电池使用性能和效率。为了实现准确的SOC在线预测,提出一种粒子群优化最小二乘支持向量机软测量方法。该方法使用最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)建立非线性系统模型,以锂离子电池工作电压、电流为输入量,电池SOC为输出量。建立软测量模型时,LSSVM正则化参数λ和径向基核宽度μ直接影响着模型的准确度,采用粒子群算法(Particle Swarm Optimization,PSO)对这两个关键参数进行优化。用型号为BTS6050C4的NBT电池测试系统进行样本数据采集,通过MATLAB仿真软件进行模型训练并校正。实验和仿真结果表明采用PSO-LSSVM优化算法精确度高、易实现,且在正常和过充工作环境下均可有效预测锂离子电池SOC。     

新型铝硫电池的等效电路模型及参数辨识

铝硫电池作为一种低成本,安全高效的新电池技术,成为电池储能的发展方向之一。与传统锂离子、铝离子、钠离子电池的充放电原理不同,铝硫电池的充放电过程是一个多步连续的氧化还原反应,因此铝硫电池的充放电曲线与工作特性都较为特殊。针对新型铝硫电池的进一步应用还存在着没有电池模型的问题,以及铝硫电池与传统阳离子电池不同的工作原理与特点,文中提出了一种基于二阶RC等效电路模型的铝硫电池等效电路模型,并使用HPPC测试数据,实现了模型参数的离线辨识。通过仿真平台的模拟测试,证明该模型在低电流及中等电流条件下具有良好的准确性,可以满足铝硫电池在下一步电池荷电状态估计中对模型精确度的要求,实用性很高。     

基于BP神经网络法估算动力电池SOC

精确估计电动汽车用动力锂离子电池荷电状态(SOC)对于电动汽车的续航里程的估计和动力电池的安全保护具有重要的意义。针对锂离子电池的非线性关系,采用BP神经网络法来估算SOC。以3.2 V/100 Ah的磷酸锂铁电池为研究对象,在恒温条件下采用Arbin BT2000系列的充放电测试仪进行充放电实验采集原始数据,并将数据导入到神经网络模型中去训练和验证。验证结果表明:用BP神经网络法估算SOC的误差能控制在5%以内,验证了模型的准确性,为相似的SOC估计算法的改进提供参考和依据。     

基于FFRLS-AEKF的动力锂电池SOC在线估计

针对锂电池等效电路模型参数不准确以及复杂工况噪声不确定导致荷电状态（SOC）估计精确度较低的问题,提出一种自适应扩展卡尔曼滤波（AEKF）融合带遗忘因子最小二乘法（FFRLS）的算法来解决此问题。在每一步SOC估计过程中,首先使用FFRLS算法跟随试验工况环境变化,实时辨识出一阶RC等效电路模型参数,增加模型精确度,准确描述锂电池工作时的动态特性;再使用AEKF算法实时更新与修正系统噪声并在线估计SOC。设计搭建动力锂电池试验平台,在动力动态测试（DST）和北京公交动力动态测试（BBDST）工况下,该方法估计值最大绝对误差均低于0.15%,平均绝对误差在0.077以下,均方根误差在0.007以下,相较于扩展卡尔曼滤波(EKF)算法,所提算法的估计效果有较大提升。     

实用型磷酸铁锂电池SOC高准度算法研究

分析了常用动力电池SOC(State of charge)算法在同时保证实用性和准确度两方面的局限性,并利用开路电压(VOC,Voltage of charge)和电池等效电路模型相结合的方法,提出了一种既能保证准确度又具有实用价值的算法.以某公司生产的磷酸铁锂电池为对象进行了电池特性试验,通过大量试验数据综合和计算得...     

磷酸铁锂电池等效电路模型对比分析

磷酸铁锂电池(LiFePO_4)凭借其较高的比功率、较高的比能量和使用寿命长等优点,逐渐成为电动汽车领域应用电池的研究热点。准确的电池荷电状态(State-of-Charge,简称SOC)估计离不开合理的等效模型,模型的精度与复杂程度直接影响电池SOC估计。文章首先分析四种等效电路模型参数,基于电池测试系统对LiFePO_4进行混合脉冲功率性能测试(The Hybrid Pulse Power Characterization,简称HPPC),应用最小二乘法进行模型参数辨识,根据辨识结果对比模型精度与复杂程度;然后将电池在整个SOC周期内对三个带有RC网络结构的模型精度进行对比;最后对LiFePO_4电池进行联邦城市运行工况(The Federal Urban Driving Schedule,简称FUDS)测试,对比双极化等效电路模型在不同温度下模型精度。实验结果显示双极化等效电路模型为具有良好精度的等效电路模型,同时带有低温特性。     

一种150V矿用锂电池管理系统的SOC估算策略

锂离子电池在生产生活中应用越来越广泛,由于目前电池技术的限制,单节电池达不到煤矿电机车的需求,因此需将多节电池串联成电池组,因单体电池的差异性,需要设计一个高效的电池管理系统,而关键技术是SOC估算。针对矿用这个特殊的环境,根据矿用电机车动力电池组的需求,提出了将安时积分法和开路电压法相结合的估算策略。由于锂电池的性能受多种环境因素的影响,其中最主要的是温度因素,因此在估算策略中加入了温度修正,更加准确地进行SOC估算。     

基于自适应卡尔曼滤波的矿用救生舱动力电池SOC估计

磷酸铁锂动力电池是矿用救生舱的重要组成部分,其电荷状态(SOC)估计的准确性直接影响避难人员的安危。针对电池SOC常用估算方法的不足,提出一种基于自适应卡尔曼滤波的矿用救生舱动力电池SOC估算方法。在电池特性分析的基础上,建立了更符合实际的改进二阶RC等效电池模型和电池的状态空间模型。通过脉冲放电实验和改进的带遗忘因子递推最小二乘算法,对模型参数进行在线辨识,并将自适应卡尔曼滤波算法(AKF)用于此模型,在线估计电池的SOC。实验结果表明:AKF可以实时修正模型误差,实时估计SOC的动态变化,估算精度高,能够满足矿用救生舱电池管理系统的要求。     

锂电池电化学阻抗谱的多项式等效电路模型

选取磷酸铁锂圆柱形锂离子电池为实验对象,测试其在263、273和283 K低温环境,298 K常温环境和不同荷电状态(SOC)值下的电化学阻抗谱,建立锂电池多项式等效电路模型,对比了传统等效电路和多项式等效电路的拟合性能,结果表明多项式等效电路模型具有良好的性能,八阶多项式函数足以描述SOC对电路参数的非线性影响,为预测不可见SOC的阻抗谱和电路参数奠定了基础。