基于迭代扩展卡尔曼滤波算法的电池SOC估算

采用卡尔曼滤波算法估算动力电池的荷电状态(SOC),其估算精度与SOC初值无关,但与动力电池的等效模型有关。为进一步提高SOC估算精度,充分考虑温度对电池模型参数的影响,改进电池的二阶RC等效电路模型,建立电池的非线性状态空间模型;为保证SOC估算结果的收敛性,将迭代滤波理论引入到扩展卡尔曼滤波(EKF)算法中;采用Levenberg—Marquardt(LM)方法优化迭代过程,并将其应用于动力电池SOC的估计。实验结果表明,与EKF和迭代EKF(IEKF)算法相比,采用改进的电池等效模型和优化算法,具有较好的收敛性,且提高了估算SOC的精度。     

基于改进Sage-Husa的自适应无迹卡尔曼滤波的锂离子电池SOC估计

扩展卡尔曼滤波(EKF)算法估计锂离子动力电池荷电状态(SOC)时,由于系统噪声的不确定,可能导致估计算法不精确,并且算法中的线性化处理受电池模型的影响很大。为了解决上述两个问题,本文采用改进Sage-Husa的自适应无迹卡尔曼滤波法(AUKF)来动态地估计多元复合锂离子电池的SOC。与EKF相比,改进Sage-Husa的自适应卡尔曼滤波法提高了SOC估计的精度,并能够实时修正微小的模型误差带来的SOC估计误差,实时的工况模拟证明了该算法更适用于多元复合锂离子电池的动态SOC估计。     

基于UKF的动力电池SOC估算算法研究

动力电池荷电状态(SOC)在线估算对于混合电动汽车蓄电池管理系统有着举足轻重的意义。针对动力电池SOC估算算法中应用广泛的扩展卡尔曼滤波法(EKF)在非线性系统应用时存在的精度损失问题,采用无迹卡尔曼滤波法(UKF)以提高估算精度。研究了一种改进的电动势(EMF)电池等效模型,讨论了该模型的参数和空间状态方程,并将UKF应用于该模型估算SOC。由实验分析可知,对比采用开路电压法得出的SOC真实值,UKF结合EMF电池等效模型在估算算法中有较高的精度,其估算误差小于5%,且SOC估计结果明显优于EKF,具有较高的实用价值。     

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。     

基于改进PNGV模型的电池SOC估计算法研究

针对储能磷酸铁锂电池并根据磷酸铁锂电池电化学阻抗谱研究,提出一种双RC并联环节的改进PNGV模型,在HPPC实验下辨识模型参数。针对扩展卡尔曼滤波(EKF)算法在估计电池荷电状态(SOC)时不能实时估测噪声的缺点,将Sage-Husa自适应算法引入EKF算法得到自适应扩展卡尔曼滤波算法,并通过对噪声实时预测和修正来提高电池SOC估计精度。在Matlab/Simulink中搭建电池及SOC估计仿真模型并在模拟动态工况下进行仿真。仿真结果表明改进PNGV模型精度优于PNGV模型;自适应扩展卡尔曼滤波算法估计电池SOC时较EKF算法收敛速度更快,估计精度更高。模型及算法的改进取得较好的效果。     

基于自适应回归扩展卡尔曼滤波的电动汽车动力电池全生命周期的荷电状态估算方法

该文针对传统扩展卡尔曼滤波(EKF)算法对电池数学模型精确的高度依赖与动态电池模型难以精确获得之间的矛盾问题,提出一种完全数据驱动的基于改进EKF算法的动力电池全生命周期荷电状态(SOC)估计方法。该方法为数据驱动的SOC估计方法和基于模型的SOC估计方法的良好结合,其优点在于:一方面抑制数据驱动方法存在累积误差的问题,并保留其良好的动态特性;另一方面改善基于模型的算法过度依赖电池模型的缺点,并保留其很好的鲁棒特性。该方法的创新之处在于将等效电路中难以获知的一部分视为以电池电流为输入,以内部电压为输出,以电池内部阻抗为时变参数的黑箱系统,并加以动态在线辨识,获得实时的动力电池真实状态,从而保证电池模型的准确性和动态性,真正实现动力电池全生命周期的SOC估算。仿真结果表明,该方法具有较好的鲁棒性和实用性。     

基于采样点卡尔曼滤波的动力电池SOC估计

动力电池荷电状态(SOC)的快速精确估计是电池能量管理系统的核心技术。针对动力电池这一动态非线性系统,提出了电池过程模型的具体改进方法,以使其可以适应不同放电速率和不同温度条件对动力电池SOC的影响;给出了利用采样点卡尔曼滤波进行电池SOC估计的具体步骤;最后,分析了采样点卡尔曼滤波在SOC估计精度、收敛速度、算法复杂度及鲁棒性等方面的性能。实验表明,采用采样点卡尔曼滤波算法可以快速地完成动力电池SOC的精确估计,误差在5%左右;模型参数的合理微调几乎不影响算法的准确性,表明了算法具有一定的鲁棒性。     

基于自适应无迹卡尔曼滤波算法的锂离子动力电池状态估计EI北大核心CSCD

应用传统的无迹卡尔曼滤波(unscented Kalman filter,UKF)算法估计电动汽车锂离子动力电池核电状态(state of charge,SOC)时,常会出现由于电池模型参数不准确而造成估计误差增大的问题,该文采用了自适应无迹卡尔曼滤波(adaptive unscented Kalman filter,AUKF)算法解决该问题。AUKF算法是一种循环迭代算法,可以实时估计电池模型中的欧姆内阻,提高电池模型准确性,从而提高电池SOC估计精度。另外,电池的欧姆内阻可以表征电池的健康状态(state of health,SOH),因此还可以根据电池的欧姆内阻估计出电池的SOH。在设定工况下对电池做充放电实验,实验分析表明,与UKF相比,AUKF提高了电池SOC估计的精度,并能准确的估计出电池的欧姆内阻。     

基于自适应无迹卡尔曼滤波算法的锂离子动力电池状态估计

应用传统的无迹卡尔曼滤波(unscented Kalman filter,UKF)算法估计电动汽车锂离子动力电池核电状态(state of charge,SOC)时,常会出现由于电池模型参数不准确而造成估计误差增大的问题,该文采用了自适应无迹卡尔曼滤波(adaptive unscented Kalman filter,AUKF)算法解决该问题。AUKF算法是一种循环迭代算法,可以实时估计电池模型中的欧姆内阻,提高电池模型准确性,从而提高电池SOC估计精度。另外,电池的欧姆内阻可以表征电池的健康状态(state of health,SOH),因此还可以根据电池的欧姆内阻估计出电池的SOH。在设定工况下对电池做充放电实验,实验分析表明,与UKF相比,AUKF提高了电池SOC估计的精度,并能准确的估计出电池的欧姆内阻。     

基于在线LS-SVM的动力电池SOC估算方法研究

荷电状态(SOC)是描述动力电池状态的重要参数之一,提高SOC估计的准确性对电动汽车电池管理系统的研究至关重要。提出一种改进的最小二乘支持向量机(LS-SVM),动态地调整模型参数,对电池的开路电压(OCV)进行在线实时估计;通过SOC与OCV的关系确定初值,采用安时积分法估算SOC;并利用OCV的偏差信息对电池SOC进行修正,有效地补偿拟合误差和安时积分法产生的累计误差。仿真实验结果表明,在线LS-SVM算法能准确地逼近实际SOC值,平均绝对误差为1.279 3%。     

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。     

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。     

动态工况电池在线参数辨识及SOC估计研究

基于电池模型的荷电状态(SOC)估计方法,其估计精度主要取决于模型的精度。电池在动态工况下,输入电流变化激烈,传统的辨识方法因其收敛性差,导致模型精度降低。为了提高动态工况下电池模型精度,对传统带遗忘因子最小二乘法(FFRLS)进行改进,通过设置精度阈值,引入梯度矫正的方法,提出了改进带遗忘因子递推最小二乘法(IFFRLS)。利用改进算法进行在线参数辨识,建立二阶RC等效电路模型,与其他传统参数辨识建立的模型进行对比,验证IFFRLS对模型精度提高的有效性,模型平均误差为0.003 8 V。最后,将不同辨识方法所建立的模型与扩展卡尔曼滤波(EKF)算法进行联合估计SOC并对比其误差,结果表明通过IFFRLS辨识出来的高精度模型可有效提高SOC的估计精度,DST工况下,误差在1.51%以内。     

基于分数阶阻抗模型的磷酸铁锂电池荷电状态估计

锂电池荷电状态(SOC)估计是电池管理系统中不可或缺的重要组成部分。锂电池传统整数阶等效电路模型未充分考虑其内部电化学反应现象,故将导致SOC估计结果偏离真实状态。文中以磷酸铁锂电池单体为研究对象,提出一种基于分数阶阻抗模型的锂电池SOC估计方法。该方法利用分数阶元件表征锂电池内部固液界面的输运现象和极化效应,基于分数阶微分理论建立状态转移方程和系统量测方程,并针对锂电池高度非线性的工作特性,利用无迹变换逼近原始状态分布,运用分数阶无迹卡尔曼滤波算法估计锂电池SOC。实验结果表明,分数阶阻抗模型能准确描述锂电池工作特性,所提算法在估计精度和跟踪速度上有一定提高。     

基于增量误差的卡尔曼滤波算法全区间荷电状态估计

在电池管理系统领域，精确的荷电状态SOC（state-of-charge）估计是众多状态估计中最基础的技术之一。但在一些特定的SOC区间段内，便于实际应用的等效电路模型并不能很好地等效电池的特性，故基于传统卡尔曼滤波算法的SOC估计会出现精度下降的问题。提出一种基于增量误差的卡尔曼滤波算法，通过离线分析等效电路模型在各个SOC区间段内的性能优劣，得到各个SOC区间的噪声协方差控制表；将噪声协方差应用于对应的SOC区间段内，从而实现对全区间SOC的精确估计。实验表明在SOC低于20%的区间内，采用基于增量误差的卡尔曼滤波算法可以大大提高SOC估计精度。     

回溯搜索算法改进RBF算法的锂离子电池SOC估算研究

随着电动汽车的发展和应用,动力电池SOC估算的意义越来越重要,为了提高SOC估算的精度,本文在标准RBF网络模型的基础上提出了利用回溯搜索算法改进RBF神经网络模型。通过对锂电池模型中的目标函数进行优化求解,利用寻找最佳的目标权值和阈值提高RBF网络模型的SOC估算精度。最后搭建了实验仿真平台,对改进前后的算法SOC估算进行了仿真对比分析,实验结果证明了改进后RBF网络比标准RBF网络算法SOC估算精度更高,并把估算误差降低到2%以内,对锂离子电池有较好的估算精度,具有一定的理论研究意义。     

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。     

优化电池模型的自适应Sigma卡尔曼荷电状态估算

采用数学模型法对磷酸铁锂电池进行非线性建模,优化了状态模型及观测模型。模型考虑了充放电倍率、温度、老化循环寿命等因素,对电池松弛效应及极化现象影响进行建模补偿,提高了电池建模的准确度,降低了不同条件下因电池模型造成电池荷电状态(SOC)估算的误差影响。在电池模型参数辨识基础上,提出采样自适应Sigma卡尔曼算法构建SOC估算模型,按照非线性模型对状态变量的分布构建Sigma采样序列,采用模型输出残差更新噪声协方差,赋予Sigma采样序列最优估计及噪声的权值,并实现误差量的实时更新,降低计算复杂度。通过持续大电流、间断电流、变电流放电及充电实验条件下的SOC估算对比实验,验证了自适应Sigma卡尔曼算法快速收敛性,数学描述更准确,具备较高的SOC的观测准确度。     

磷酸铁锂电池倍率容量特性建模及荷电状态估算

针对磷酸铁锂蓄电池,首先采用解析型动力学电池模型(KBM)对电池的倍率容量特性进行描述,进而推导出双井荷电状态(SOC)的数学表达式;为建立SOC与电池电压的联系,进一步将KBM与电动势模型相结合形成综合模型;最后,基于该综合模型及非线性滤波算法实现SOC估算。实验结果表明,该模型可以体现锂电池的倍率容量特性及可用容量恢复特性,双井SOC估算结果可更全面地体现锂电池的SOC;此外,这种基于非线性滤波的SOC估算策略还具备初始误差自校正能力。