基于极化效应PNGV模型的动力锂电池SOC估算

为提高锂电池荷电状态的估算精度及模拟锂离子电池实际充放电特性的准确性,本文通过改进现有的PNGV等效电路模型,在PNGV模型基础上,增加一节RC并联模块,使模型更好的反映电池的极化效应。同时,通过实验获取电池充放电特性,为卡尔曼滤波器提供精确的参数,并提出了电池的开路电压曲线模型,通过Matlab拟合验证满足精度要求。最后采用扩展卡尔曼滤波(extended kalmanfilter,EKF)算法对锂电池荷电状态(state of charge,SOC)进行估算,并与安时积分法进行比较。实验结果表明,估算最大误差不超过4.5%,平均不超过3%,提高了SOC的估算精度。该研究为电动汽车运行工况提供了理论依据。     

磷酸铁锂电池模型参数辨识与SOC估算

根据磷酸铁锂电池的特性,从电池电化学角度分析,建立电池的等效电路模型。通过实验方法测得电池开路电压与SOC关系和电池模型的参数,利用卡尔曼滤波法来估算电池初始荷电状态（SOC_0）.实验与仿真表明,该算法可以有效的估算出SOC初始值,并可以将误差控制在10%之内.     

基于DKF的锂电池SOC与内阻估算

电动汽车电池管理系统(BMS)需要满足对电池荷电状态(SOC)进行准确地估算。为提高传统安时法估算SOC的精度,根据二阶RC等效电路模型,提出了双卡尔曼滤波(DKF)来完成对电池SOC及其欧姆内阻R0联合在线估算的算法。通过进行某型号三元锂电池的复合脉冲功率特性测试(HPPC)实验及放电实验等,离线拟合得到所需模型参数。将Matlab仿真结果与同等条件下的实验结果进行对比分析,证明了DKF算法能够有效地在线估算电池SOC及其欧姆内阻R0,且误差在3%以内。最后,证明了DKF算法能够比安时法更好地估算出各点处的SOC值。     

基于变采样率UKF算法的动力锂电池SOC估算

电动汽车处于不同行驶工况时,固定采样率的无迹卡尔曼滤波（Fixed Sampling Rate Unscented Kalman Filter, FSR-UKF）算法不能精确估算荷电状态（State of Charge,SOC）。为克服这一缺点,以传统的UKF算法为基础,针对电动汽车不同行驶状态下电池电流的变化特点,将变采样率采集方法与UKF算法融合,根据受控电压源电池等效电路模型及其参数辨识结果,将变采样率UKF（Variable Sampling Rate UKF, VSR-UKF）算法应用于电池SOC的估算中,并设计估算流程图。最后,通过仿真实验,获得最大相对误差不超过1%的电池端电压仿真结果以及最大相对误差不超过5%的SOC估算结果,验证了本研究的正确性和准确性。     

基于V-R模型与卡尔曼滤波器的蓄电池SOC估计

蓄电池组广泛应用于UPS系统中,荷电状态(SOC)是表征蓄电池状态的重要参数之一.在线准确估算蓄电池SOC,有利于开展对蓄电池的状态诊断、维护,保证电池组安全供电.通过对阀控铅酸电池作了大量的充放电试验,根据试验数据应用最小二乘法进行辨识,获得蓄电池SOC的端电压-电阻的计算模型,运用卡尔曼滤波器算法,对SOC做最优估计.经实验验证和仿真,得到了蓄电池SOC最优估计结果,具有很好的精确度,表明该方法能够在工程上用来估算蓄电池的SOC.     

辅助混合动力电动汽车技术研究(Ⅶ)——混合动力电动汽车电池荷电状态估计

为了对混合动力电动汽车用电池组荷电状态进行精确估计,减少电量累积方法前期试验的工作量和运行中的误差累积,研究和应用了卡尔曼滤波法．在电池等效电路模型的基础上,建立了电池组系统的状态方程和测量方程,根据汽车运行时对电池电流和电压的实时检测数据,通过滤波算法估计模型中的开路电压,并由此计算电池组的荷电状态．实验表明,卡尔曼滤波在电动汽车电池组荷电状态估计方面具有应用潜力．     

用基于遗传优化的扩展卡尔曼滤波算法辨识电池模型参数

提出了一种基于遗传优化算法(Genetic algorithm,GA)和扩展卡尔曼滤波(ExtendedKalman filter,EKF)算法的电池模型参数辨识方法。建立了锂离子动力电池等效电路模型,模型中两个RC网络分别描述电池的电化学极化特性和浓差极化特性,迟滞电压描述电池充放电过程的平衡电势的差异。对于具有耦合关系的模型参数,采用具有最小均方误差估计效果的EKF辨识算法,针对EKF算法通过试验调节难以取得最佳滤波效果的问题,提出基于遗传算法优化EKF噪声矩阵的方法。试验和仿真结果表明:基于遗传优化的EKF算法(GA-EKF)辨识的电池模型满足电动车辆仿真精度要求。     

磷酸铁锂电池滞回特性的修正算法研究

为了更近似地描述磷酸铁锂电池的工作特性,提高电池荷电状态(SOC)精度,基于改进的Thevenin等效电路模型,提出了一种简单、易实现的新型荷电状态算法,修正传统开路电压法估算SOC值的误差.在MATLAB/Simulink平台建立SOC估算模型,实际数据与仿真结果对比表明,改进的Thevenin模型具有较高的精确性,新型的SOC算法对电压滞回特性有很强的修正作用.     

基于扩展卡尔曼滤波法的锂离子电池荷电状态估算方法研究

电池的荷电状态(SOC)定义为电池当前容量与额定容量的比值,是电池能量管理系统的重要参数,准确获取电池SOC能够提高能量管理系统工作效率,延长电池组寿命.然而现有测量指标不能直接反映电池的荷电状态,需要进行SOC估算.开路电压法和电流积分法可粗略计算电池SOC,但会随着时间产生累积误差,严重影响蓄电池SOC估算的精确性.本文基于扩展卡尔曼滤波方法对磷酸铁锂蓄电池的SOC进行预估,并与传统方法进行了比较,结果表明,该方法能减小SOC估算误差,有效提高蓄电池SOC估算的准确性,且速度快,适合在线预测.     

基于改进多新息扩展卡尔曼滤波的电池SOC估计

为了提高SOC估计精度,提出基于遗忘因子改进多新息扩展卡尔曼滤波（FMIEKF）方法. 建立锂离子电池的双极化等效电路模型,开展开路电压测试. 通过递归最小二乘法,实现电池模型参数在线辨识. 提出FMIEKF进行SOC估计,该方法在融合多新息辨识理论和卡尔曼滤波基础上,引入遗忘因子削弱历史数据修正权重,解决数据过饱和问题. 通过实验和硬件在环进行验证. 结果表明,FMIEKF具有较高的准确性和收敛性,最大估计误差为0.948%,平均误差为0.214%,在不同SOC初值下20 s内收敛,可以适用于实际的电池管理系统中.     

基于 SHEKF-GPM 融合的锂电池 SOC 估算

荷电状态（SOC）是电池控制策略和管理系统的重要参数。针对积分法和电压法估算锂电池 SOC 时不能减少误差累积现象,提出一种基于平方根高阶扩展卡尔曼滤波（SHEKF）与灰色预测模型（GPM） 融合的算法,用于估算锂电池 SOC。该方法结合遗忘因子递推最小二乘法（FFRLS）和二阶 RC 等效电路模 型实时在线辨识和修改锂电池模型参数,结合 SHEKF-GPM 融合模型进行锂电池 SOC 状态方程的线性部分 和非线性部分估算。通过仿真分析,得到 SHEKF-GPM 融合算法估算 SOC 时的误差低于 0.3%,协方差误 差为 0% 左右,不会产生误差累积。仿真结果表明,该方法能减少误差累积,提高电池管理系统估算锂电池 SOC 时的实用性、有效性和估算精度。     

UTSTF锂离子电池时变参数估计与故障诊断

针对锂离子电池的参数偏差型故障诊断问题,提出基于无迹变换强跟踪滤波器（UTSTF）的电池时变参数估计与故障诊断方法.建立电池的开路电压（OCV）-荷电状态（SOC）特性曲线与一阶等效电路模型;将电池参数加入状态变量,建立状态与参数的联合状态空间方程,通过UTSTF算法得到电池参数的实时估计结果,并根据估计值设计故障诊断算法流程;以电池内部的接触型故障与扩散型故障为例,在变温环境下模拟故障发生并进行电池充放测试,得到电池参数在UTSTF与无迹卡尔曼滤波（UKF）下估计值与真实值的对比.实验结果表明,所提方法对于电池故障参数具有良好的跟踪效果、较高的估计精度与诊断可靠性.     

随机机动目标拦截中的多模型自适应估计算法

针对随机机动目标末端制导拦截问题,提出了一种快速有效的多模型自适应估计算法。该算法充分挖掘了单元滤波器组对应假设空间的特殊结构,引入聚合和剪裁手段简化了传统多模型自适应估计算法。为有效处理非线性,不敏卡尔曼滤波器被用于设计依赖假设的单元滤波器。为满足应用要求,给出了该算法的数值鲁棒实现方法。仿真结果验证了所提出算法的有效性。     

A comparative study of different online model parameters identification methods for lithium-ion battery

Precise states estimation for the lithium-ion battery is one of the fundamental tasks in the battery management system (BMS), where building an accurate battery model is the first step in model-based estimation algorithms. To date, although the comparative studies on different battery models have been performed intensively, little attention is paid to the comparison among different online parameters identification methods regarding model accuracy, robustness ability, adaptability to the different battery operating conditions and computation cost. In this paper, based on the Thevenin model, the three most widely used online parameters identification methods, including extended Kalman filter (EKF), particle swarm optimization (PSO), and recursive least square (RLS), are evaluated comprehensively under static and dynamic tests. It is worth noting that, although the built model’s terminal voltage may well follow a measured curve, these identified model parameters may significantly out of reasonable range, which means that the error between measured and predicted terminal voltage cannot be seen as a gist to determine which model is the most accurate. To evaluate model accuracy more rigorously, battery state-of-charge (SOC) is further estimated based on identified model parameters under static and dynamic tests. The SOC prediction results show that EKF and RLS algorithms are more suitable to be used for online model parameters identification under static and dynamic tests, respectively. Moreover, the random offset is added into originally measured data to verify the robustness ability of different methods, whose results indicate EKF and RLS have more satisfactory ability against imprecisely sampled data under static and dynamic tests, respectively. Considering model accuracy, robustness ability, adaptability to the different battery operating conditions and computation cost simultaneously, EKF is recommended to be adopted to establish battery model in real application among these three most widely used methods.

     

基于强跟踪卡尔曼滤波的电池SOC估计

针对锂电池模型不准确和状态突变导致SOC估计精度不佳的问题,提出了引入时变渐消因子的强跟踪卡尔曼滤波算法.以HPPC试验方法辨识了锂电池的等效二阶RC模型,对比分析了现有的扩展卡尔曼滤波原理及提出的强跟踪卡尔曼滤波算法.通过结合强跟踪原理和卡尔曼滤波算法并引入时变渐消因子,提出的方法能够强制估计残差保持正交特性,并保证残差满足高斯白噪声特性.仿真验证表明,与扩展卡尔曼滤波原理相比,在模型不准确和状态突变的情况下,强跟踪卡尔曼滤波算法具有更高的估计精度,估计误差低于2.5%,提高了近45%.     

基于自适应组合滤波的惯性导航系统初始对准方法

针对系统噪声不确定情况下的惯性导航系统非线性初始对准问题,提出了一种基于自适应组合滤波的初始对准方法.首先给出了一种基于Kalman/UKF组合滤波的神经网络实时训练算法;进而提出了基于Kalman/UKF组合滤波的非线性系统状态估计方法,该算法利用神经网络在线估计系统噪声,并利用Kalman/UKF组合滤波在线同时估计初始对准的状态量和神经网络的权值;最后将该算法应用于惯性导航系统非线性初始对准问题中,并进行了仿真研究.仿真结果表明:自适应组合滤波算法不仅保证了初始对准的精度,而且具有更好的实时性,是解决惯性导航非线性初始对准问题的一种有效且实用的方法.