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。     

基于自适应无迹卡尔曼滤波的锂电池荷电状态估计

锂电池的SOC是新能源汽车电池管理系统的重要参数,对新能源汽车的安全运行起着重要作用.针对因系统噪声特性未知导致传统UKF算法对电池SOC估计精度不高的问题,提出了可以保证系统噪声协方差矩阵非负定性和对称性的改进Sage-Husa自适应滤波算法,并将改进的Sage-Husa自适应滤波算法与UKF结合形成一种新的AUKF...     

基于无迹卡尔曼滤波的动力电池荷电状态估计

提出一种基于无迹卡尔曼滤波算法的荷电状态估计算法。扩展卡尔曼可以线性化非线性函数实现滤波递推,但对于强非线性系统可能会滤波发散,且复杂的计算难以保证系统的实时性。无迹卡尔曼通过对非线性函数的概率密度进行近似,用一系列确定的样本来逼近状态的后验概率密度。通过FUDS工况实验验证了无迹卡尔曼滤波算法在荷电状态估计的效果,结果表明SOC估计精度在3%以内,满足实验的要求。     

基于模糊卡尔曼滤波算法的动力电池SOC估计

为了改善传统卡尔曼滤波算法估计SOC时量测噪声的影响,提出了将传统卡尔曼滤波算法与模糊控制相结合的动力电池SOC的自适应估计方法。通过实时监控量测噪声实际方差与理论方差之间的差值,实现对量测噪声协方差矩阵的实时在线调整,提高算法在实际应用中的鲁棒性。通过基于联邦城市行驶工况(FUDS)验证混合算法的有效性。结果表明,基于模糊卡尔曼滤波算法的SOC估计最大误差仅为0.21%,高于传统卡尔曼滤波估计精度最大误差0.53%。仿真结果表明,该方法可以有效解决传统卡尔曼滤波算法估计不准和累计误差的问题。     

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。     

基于多模型自适应卡尔曼滤波器的电动汽车电池荷电状态估计

基于电池的戴维宁(Thevenin)模型,设计了多模型自适应卡尔曼滤波器,并将多模型自适应卡尔曼滤波器应用于电动汽车电池荷电状态(state-of-charge,SOC)估计。由于老化电池是未知系统,利用传统的单一模型卡尔曼滤波器估计老化电池SOC时,因模型不准确而使估计误差增大。与单一模型滤波估计相比,多模型滤波估计融合了电池的各种老化信息,适合于未知系统的状态估计,从而提高了SOC的估计精度,并通过实验证明了上述结论的正确性。利用多模型自适应卡尔曼滤波器估计电池SOC,老化电池的模型与权值最大的单一模型较接近,根据单一模型权值可以近似估计出老化电池的健康状态(state of health,SOH),并通过电池容量测量,证明了SOH估计的正确性。     

自适应渐消无迹卡尔曼滤波锂电池SoC估计

精确的荷电状态(SoC)是锂电池安全高效运行的重要保障, 文章针对传统无迹卡尔曼滤波(UKF)对非线性系统突变状态跟踪能力差, 导致SoC估计精度低的问题, 提出一种新型自适应渐消无迹卡尔曼滤波(AFUKF)SoC估计方法。首先, 通过设计新型衰减因子对UKF误差协方差矩阵进行加权, 并基于新型衰减因子完成AFUKF的设计, 减小陈旧量测值对估计结果的影响, 提高传统UKF的估计精度和跟踪能力。其次, 基于自主实验平台测试数据, 验证了本文所提AFUKF算法存在初始误差时, 相较于传统UKF算法, ECE工况下平均绝对误差和均方根误差分别下降了47.95%和33.92%, DST工况下分别下降了36.40%和27.73%; 相较于同类改进的AUKF算法, ECE工况下平均绝对误差和均方根误差分别下降了43.36%和33.51%, DST工况下分别下降了39.01%和25.63%。模型结果表明, 相比于传统UKF算法以及同类型改进的AUKF算法, AFUKF具有更高的估计精度, 且在相同初始SoC误差条件下具有更好的鲁棒性。     

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...     

基于双无迹变换的锂离子电池SOC估计研究

电池的荷电状态(SOC)是电池管理系统(BMS)的重要指标,然而锂离子电池是一个具有复杂性噪声特点的非线性动态系统,精准估计SOC十分困难。针对无迹卡尔曼滤波(UKF)估计SOC时受模型精度和系统噪声预定变量影响较大问题,基于改进的PNGV模型提出一种两次非线性变换预测系统闭环端电压方法,采用动态函数提高卡尔曼增益,从而提高SOC估计精度和效果。通过充放电混合动力脉冲能力特性(HPPC)和混合放电比实验验证可得该方法具有良好的估计效果,在电压和电流变化剧烈的条件下,平均绝对误差为0.11%,精度相对提高了58%,均方根误差为0.15%,稳定性相对提高了63%。     

基于无迹卡尔曼滤波的动力电池健康状态估计

准确估计动力电池的荷电状态(SOC)及健康状态(SOH)是电池领域的关键性技术,对正在服役的动力电池进行全面安全精确的管理是保障电动汽车安全高效运行的前提。以二阶RC等效电路模型为基础,运用无迹卡尔曼滤波算法(UKF)对电池SOC和欧姆内阻进行实时估计,再利用电池欧姆内阻与SOH的关系,实现了对SOH的实时估计。与传统的扩展卡尔曼滤波算法相比,无迹卡尔曼滤波算法无需对状态方程进行线性化处理,不存在截断误差,具有更高的估算精度与稳定性。     

基于自适应无迹卡尔曼滤波的动力电池SOC估计

针对传统无迹卡尔曼滤波(unscented Kalman filter,UKF)算法估计电池SOC时,在未知的干扰噪声条件下滤波精度较低和稳定性较差等问题,基于等效的二阶RC电路模型,提出自适应无迹卡尔曼滤波(adaptive unscented Kalman filter,AUKF)算法.在模型参数辨识的基础上,构建...     

基于自适应无迹卡尔曼滤波的电力系统动态状态估计

无迹卡尔曼滤波(unscented Kalman filter,UKF)是种非线性滤波方法。由于假设系统噪声的方差为常数,UKF的估计结果会受到未知系统噪声的影响。为减小未知系统噪声对动态状态估计的影响,提出了种改进的自适应UKF(adaptive unscented Kalman filter,AUKF)算法。该方法通过在UKF中引入渐消记忆指数加权的Sage-Husa噪声统计估值器,能够估计时变系统噪声的均值和方差。利用IEEE57和IEEE 118测试系统,在典型日负荷条件下对AUKF方法的有效性进行仿真验证,结果表明所提出的AUKF算法与传统UKF方法相比,在不增加计算复杂度的同时,能够提高状态估计精度。     

基于双自适应扩展粒子滤波器的锂离子电池状态联合估计

为了更好地优化电池的能量管理,提高电池的利用效率,加强电池的安全性能,有必要对锂离子电池的荷电状态（SOC）和健康状态（SOH）进行精确估计。为解决噪声协方差取值和粒子采样分布问题,该文首先提出自适应扩展粒子滤波（AEPF）算法,根据状态向量预测的准确度自适应调整噪声协方差,并利用扩展卡尔曼滤波实现粒子分布函数的局部线性化。随后利用双自适应扩展粒子滤波（DAEPF）算法进一步实现电池SOC和SOH的联合估计,避免电池使用过程中模型参数变化对SOC估计的影响,并结合多时间尺度的方法节约所需的计算资源。最后在动态工况条件下对不同电池模型与算法进行对照实验,结果表明,改进后的算法收敛速度明显提升,且能够显著地提高电池的SOC与SOH的估计精度。     

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。     

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。     

基于无迹卡尔曼滤波的超级电容SOC估计

超级电容是电动车辆常用车载电源之一,其荷电状态(state of charge,SOC)估计是车载电源领域的研究重点.以超级电容为研究对象,首先,完成超级电容混合动力脉冲测试,基于遗传算法进行Thevenin等效电路模型参数辨识;其次,依托无迹卡尔曼滤波(unscented Kalman filter,UKF)实现超级电容SOC估算;最后,基于城市道路循环工况下验证UKF算法的效果和准确性.结果表明,基于UKF算法的超级电容单体SOC估计误差仅为0.71％,超级电容组的误差为1.5％.     

基于小波神经的动力电池SOC估计的研究

提高电池荷电状态(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。根据历史实验数据,在分析了电池电压、电流、电池表面温度及放电总电量等因素对电池SOC的影响后,提出一种利用小波神经网络的SOC在线实时估计方法。通过与BP神经网络的预测结果进行比较,结果表明,小波神经网络能更准确地逼近实际SOC值,并克服了神经网络容易陷入局部次优点的缺点,且将神经网络隐含层的传输函数用小波函数代替,算法易实现且易于应用和推广。     

基于自适应无迹卡尔曼滤波的配电网状态估计

随着大量分布式电源和电动汽车接入配电网,DG出力难以预测以及负荷监控复杂是配电网运行管理的难题。针对传统无迹卡尔曼滤波预测误差大,且容易受不良数据影响的问题,利用新息向量构造了自适应因子,提出自适应无迹卡尔曼滤波(Adaptive Unscented Kalman Filter,AUKF)算法对配电网进行状态估计。当系统负荷突变以及量测存在不良数据时,利用自适应因子对相应的预测协方差矩阵进行在线修正,减小了预测误差对估计精度的影响。在三相不平衡配电网中进行仿真分析,结果表明,AUKF算法比UKF估计精度高、鲁棒性强,验证了所提算法的有效性。     

基于最大相关熵扩展卡尔曼滤波算法的锂离子电池荷电状态估计

针对在非高斯噪声干扰下,传统扩展卡尔曼滤波(EKF)算法估计锂离子电池荷电状态(SOC)时精度低的问题,该文提出一种基于最大相关熵的扩展卡尔曼滤波新算法(MCC-EKF),用于估计锂离子电池的荷电状态.首先对锂离子电池进行Thevenin等效电路建模,并对该模型中的参数进行辨识;然后在不同噪声类型干扰下,分别运用所提出新算法MCC-EKF和EKF算法对电池进行SOC估计.实验结果表明,与EKF算法相比,新算法在高斯噪声干扰下,运行时间增加0.282s,估计精度提高19％;在非高斯噪声干扰下,运行时间增加0.418s,估计精度提高51％;可见新算法的估计精度高于EKF算法,尤其是在非高斯噪声干扰下,新算法的估计精度有显著性提高.另外,新算法在给定错误初始SOC值的情况下,在电池开始工作后10s内就能够收敛到真实值,说明新算法具有较好的鲁棒性.故新算法在运行时间增加很小的情况下,估计精度高且鲁棒性好,是一种非常有效的SOC估计方法.