基于 GRU-UKF 的锂离子电池 SOC 估计方法研究

精确估计锂离子电池荷电状态(SOC)是电池管理系统的关键技术之一,直接影响着动力锂电池组的使用效率和安全 性。 锂离子电池特性复杂,其 SOC 无法直接测量,且受电流、温度等因素的影响较大。 为此,提出了一种基于门控循环单元 (GRU)神经网络与无迹卡尔曼滤波(UKF)相结合的组合算法。 该方法利用 GRU 网络获得可测量的电流、电压、温度与锂电池 SOC 之间的非线性关系,并以此作为 UKF 的观测方程。 然后,通过 UKF 估计 SOC 值以提高算法的估计精度。 实验结果表明, 在不同温度以及不同的工况下,本文所提方法的均方根误差(RMSE)和平均绝对误差(MAE)分别小于 0. 51%和 0. 46%,均能提 高 SOC 的估计精度。     

SOC在线估计误差修正算法研究

针对荷电状态(SOC)在线估计精度不高的问题,以磷酸铁锂(Li Fe PO4)锂离子电池为对象,研究环境温度、循环次数和放电电流等因素对电池容量的影响。提出一种误差修正方法,利用开路电压结合BP神经网络估计初始SOC,利用安时积分估计动态SOC。这种方法将SOC的估计精度控制在2%以内,可用于电池管理系统中在线估计SOC。     

基于抗差UKF的动力锂电池SOC估计算法研究

从锂离子电池模型的研究与优化入手,以自主设计的电池SOC仿真系统模型和硬件实验平台为基础,分析锂离子电池SOC预估算法中的粗差影响因素,建立一种新型基于抗差无迹Kalman滤波(UKF)的锂离子电池SOC预估方法.该方法将开路-AH法与抗差UKF估计理论相结合,克服传统估算方法无法消除累积误差的缺点.对照实验结果表明,新算法能够提高动力储能锂离子电池的SOC量测过程中的预估精度,对于促进动力储能锂离子电池的推广,提高动力储能锂离子电池组的能量储存能力、利用率和循环寿命有着重要的科学意义.     

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.     

无迹卡尔曼滤波法估计锂离子电池的SOC

通过电池脉冲放电实验,得到脉冲放电曲线,对曲线回弹段进行二阶指数拟合,结合电压零输入响应,离线辨识锂离子电池二阶RC等效电路模型的参数.为避免非线性函数线性化处理出现的误差,提高算法精度,采用无迹卡尔曼滤波(UKF)估计荷电状态(SOC).与扩展卡尔曼滤波(EKF)和安时积分法估计相比,UKF的估计误差在1％以内,精度更高.     

基于ANN方法的锂离子电池放电容量预测

锂离子电池放电容量的预测和估计是电池管理系统中一个非常重要的内容。某一个状态下锂离子电池的放电容量是放电电流、电压、温度以及过去电池充放电的历史等参数的函数。运用ANN方法即人工神经网络方法 ,可逼近任何多输入输出参数函数的性能 ,预测不同放电电流和电压下锂离子电池放电容量的大小。结果表明 ,ANN方法具有足够的精度 ,可用来预测锂离子电池的放电容量。     

深海环境锂离子电池荷电状态分析

针对应用于某4 500 m深度等级载人潜水器的充油锂离子电池,对于其深海环境下的典型工况,即下潜、作业和上浮过程,在不同深度下分析了110 V主电池的荷电状态(SOC)与工作电流的关系,同时分析了SOC与工作环境、温度的关系,在陆上分别模拟了常温常压充放电循环试验、低温容量测试和常温高压强放电循环试验,还比较了实际下潜时并联电池模块之间SOC的变化特点,发现深海低温环境和不同的工作电流对锂离子电池的SOC有较明显作用,在此可以对锂离子电池在深海环境的使用提供相关技术参考。     

基于Adam优化算法和长短期记忆神经网络的锂离子电池荷电状态估计方法

锂离子电池是电动汽车、无人机及电力电子设备的储能系统组件,对其进行准确的荷电状态(SOC)估计对于正确决策、安全控制和维护具有重要意义.针对锂离子电池SOC估计问题,本文采用长短期记忆(LSTM)神经网络搭建锂离子电池SOC估计模型,将电池电压、电流、温度作为输入,建立多层LSTM预测模型,采用Adam优化算法与Dro...     

基于深度学习的锂离子电池SOC和SOH联合估算

锂离子电池常被作为储能元件以实现电能的存储和转化,然而其荷电状态(state of charge,SOC)和健康状态(state of health,SOH)无法被直接测量。为了实现锂离子电池SOC和SOH联合估算,该文分析SOC和SOH之间的关联性,并提出一种基于深度学习的锂离子电池SOC和SOH联合估算方法。该方法能够基于门控循环单元循环神经网络(recurrent neural network with gated recurrent unit,GRU-RNN)和卷积神经网络(convolutional neural network,CNN),利用锂离子电池电压、电流、温度,实现锂离子电池全使用周期内SOC和SOH的同时估算,而且由于将锂离子电池的SOH估算值考虑到SOC估算中,能够消除锂离子电池老化因素对锂离子电池SOC估算造成的负面影响,从而提升SOC估算精度。两个锂离子电池测试数据集上的实验结果表明,提出的估算方法能够在不同温度和不同工况下实现锂离子电池全使用周期SOC和SOH联合估算,且获得较高的精度。     

纯电动汽车锂离子动力电池热特性研究

分析锂离子动力电池的发热机理,总结出电池发热与电动势温度系数、电池荷电状态(SOC)值、电池内阻、电流倍率等因素有关,通过实验在不同环境温度下对三元锂离子电池重要特性指标进行研究。得出结论:放电容量随环境温度的升高而增大,随放电倍率的增大而降低;直流内阻在低温时升高明显,放电内阻大于充电内阻;在低温下荷电状态-开路电压曲线低于高温下曲线;放电效率曲线得出电池正常工作的温度参考范围。对于电动汽车电池热管理系统的设计具有重要的意义。     

大容量锂离子电池的并联性能评估与等价性分析

为研究大容量锂离子电池在并联方式制约下的性能估计和评价方法,首先,基于不同循环条件和不同电池参数差异条件的并联电池实验,分析了支路电流不平衡的起因和结果;选取简化的并联等效电路模型,详细分析了不同充电阶段的支路荷电状态(state of charge,SOC)累积特性,提出了并联电池电流不平衡的等效计算方法;建立了以并联电池交叉点前的平均电流、放电末端的电流极值和整体容量利用率等参数为基础的电池组综合性能评价指标;阐述了并联电池组和单体电池的等价范围,对延长并联电池使用寿命和成组筛选等应用提供了参考。     

一种锂离子电池荷电状态估计与功率预测方法

为了能够准确估计锂离子电池的荷电状态(SOC),同时对电池实际可用的最大充、放电功率进行预测,在研究电池充、放电过程中的滞回现象的基础上,建立基于电压滞回特性的二阶RC等效电路模型。为了避免因噪声统计特性造成的误差,将H∞滤波算法应用到锂离子电池的SOC估计中,减少了估计过程中的模型误差和算法误差,提高了估计的鲁棒性。将电池电压、电流和SOC的估计值作为联合约束条件预测锂离子电池实际可用的最大充、放电功率,对电池做脉冲充、放电实验,实验分析表明,与混合脉冲功率特性(HPPC)测试方法相比,联合约束算法提高了预测电池功率的准确性。     

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。     

电动汽车动力电池变流放电特性与荷电状态实时估计

通过对电动汽车常用的铅酸动力电池大电流变流放电实验数据与特性的研究，建立以能动势和计算等效内阻为基本参数的电池动态模型，并得到了当电池放电电流大于某一特定临界电流时电池等效内阻趋于稳定的规律。基于这一重要规律，实现了以能动势为依据来估计电池荷电状态(SOC)的方法。该方法在电池大电流放电时，可以仅根据放电电流和在线端电压来估计SOC．分析和初步实验表明，这种电池SOC估计方法简单易行，实时性强，应用前景良好．     

影响锂离子电池SOC因素的灰色关联分析*

为定量分析电流、开路电压、环境温度等因素对电池荷电状态(SOC)变化率的影响,提出采用灰色理论中的灰色关联分析方法确定各个因素与SOC的灰色关联度(r)。通过建立灰色关联分析模型分析锂离子电池在不同工况下放电实验数据,确定上述因素对SOC灰色关联度,实验结果表明:放电电流对电池SOC影响最为显著(r=0.869 0),其次为开路电压(r=0.600 5),环境温度影响最小(r=0.583 1)。试验结果验证了灰色关联分析模型可定量给出每种因素的影响程度,该研究可为优化SOC预测模型和进一步提高电池SOC估算精度提供理论依据。     

基于恒流实验的锂离子电池开路电压与内阻估计方法

开路电压(OCV)与内阻(R)是采用等效电路模型表述锂离子电池外特性时的重要参数,被用于分析电池功率特性、一致性、老化等问题。两者是电池荷电状态(SOC)、电流I和电池温度Tbat的非线性函数,难以详细、快速、准确、同时地估计。提出一种基于电池实验和数据处理的OCV与R估计方法。设计了一组多环境温度下的恒电流实验以得到详细的数据,并使用大电流以减少实验时间;基于电池机理设计了一套实验数据处理方法,解决了电池工作中SOC与Tbat同时变化且耦合的问题并考虑了电池的非线性特性,从而准确、同时地估计出OCV{SOC,Tbat}和R{SOC,I,Tbat}曲线。与现有方法相比,该方法实验时间短、估计精度高、估计结果信息丰富,从而更适用于容量增量分析等电池老化研究。实验验证了该方法的有效性。     

基于UKF的18650锂离子电池健康状况估计

根据18650型锂离子单体电池的特性分析,建立了电路等效模型和电化学模型相结合的电池模型,以实时在线辨识锂离子电池欧姆内阻为目标,利用无迹Kalman(UKF)滤波算法,实现了对电池欧姆内阻的在线辨识,开展了锂离子电池健康状况(SOH)估计实验,建立了适用于18650型锂离子电池的SOH估计模型。仿真结果显示,该模型同时考虑电池内阻在不同工况下的变化趋势和充放电电流大小等因素,为实现锂离子电池健康状况精确估计提供了较好的理论基础。     

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.     

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。