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.     

滤波技术在蓄电池SOC估计中的应用

文章针对蓄电池SOC估计精度不高且实时显示效果不佳问题,提出了一种基于卡尔曼滤波技术的SOC估计方法。首先建立了蓄电池等效电路模型,该模型具有建模蓄电池容量和伏安特性功能,其次基于等效电路模型建立了蓄电池状态方程,选取SOC作为内部状态变量,通过测量终端电压和滤波技术求出SOC的最真递归解。最后选择蓄电池的真实放电数据对该方法进行验证,结果表明该方法具有估计精度高,实时显示效果好的优点。     

基于分数阶模型的分阶段自适应锂离子电池荷电状态估计

提出一种分阶段自适应锂离子电池荷电状态(state of charge,SOC)估计方法.选取含有常相位元件(constant phase element,CPE)的分数阶模型,以更好地描述电池的充放电动态过程,并采用改进型遗传算法(genetic algorithm,GA)对分数阶模型进行参数辨识,从而增强参数辨识的...     

储能电站蓄电池SOC在线最优估计

储能电站中需要准确地掌握蓄电池组充电、放电两种在线工作状态的实时荷电状态(SOC),针对这一工程应用背景,通过改进的蓄电池电路模型,联合修正的E-SOC关系,分充电和放电两个状态,建立了Kalman滤波器状态空间方程,运用Kalman滤波算法,实现了恒温下对储能电站蓄电池组充放电状态实时SOC的优化估计.实验仿真结果表明:本方法合理简单,符合储能电站蓄电池组对SOC估计的精度要求,具有很强的工程实用性.     

超级电容动态参数等效电路模型及实时辨识方法

针对超级电容传统静态参数等效电路模型不能有效反映其动态工作特性问题，提出一种包含动态充放电内阻和电容参数的二阶梯形等效电路模型，利用递推最小二乘法对二阶梯形等效电路模型参数进行初步离线辨识.进一步，考虑超级电容参数的动态变化，将离线辨识模型参数作为初值，引入带遗忘因子的递推最小二乘法对动态参数进行实时辨识.搭建超级电容仿真模型和实验测试平台，通过仿真和实验结果对比验证动态参数二阶梯形等效电路模型和实时辨识方法的有效性和准确性.结果表明：动态参数二阶梯形等效电路模型可以有效反映超级电容的动态充放电工作特性，与传统静态参数的三分支等效电路模型和二阶梯形等效电路模型相比，模型的精度分别提高2.08和3.56个百分点.     

基于神经网络的蓄电池荷电状态估算

针对蓄电池荷电状态(SOC)的估算问题,将神经网络算法应用于此以估算蓄电池荷电状态。通过神经网络输入参数的选择建立了蓄电池SOC估算模型,并基于BP神经网络和RBF神经网络对蓄电池分别进行SOC的估算。结果表明:神经网络应用于蓄电池SOC估算所得的结果准确度高。通过比较可以得出,BP神经网络相对于RBF神经网络预测结果更准确,且具有相对较好的抗干扰能力,能够更加准确的估算出蓄电池SOC。     

基于修正参数的电动汽车SOC估算方法仿真

电动汽车电池管理系统中最为重要的一个指标就是电池荷电状态（SOC）的估算。针对铅蓄电池的反应机理和工作特性,提出了一种带修正参数的安时-开路电压结合法,分析了将电池老化、放电效率以及温度等参数进行修正后对估算结果的影响,在Matlab中建立了SOC估算仿真模型。仿真结果和实验结果对比表明,该方法具有较高精度,可以精确地反映动力电池组使用情况。     

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.     

移动充电系统的锂电池SOC的估算及检测设计

为了能够实时在线检测移动充电系统的锂电池SOC,防止移动充电系统过度充放电,结合移动充电系统实际工作情况,提出在移动充电系统充放电两种状态下采用新的一种简单、易实现的分阶段算法分别对锂电池进行SOC估算.文中搭建一种新型改进二阶RC等效电路模型,利用最小二乘法理论进行锂电池参数辨识,考虑温度、充电电流和电池寿命SOH等因素对SOC估算的影响,对算法进行参数修正,并设计一种基于Android平台电池荷电状态检测系统,以容量2 750 mAh的比克三元锂电池为对象,进行HPPC实验,将实验值与仿真数据进行对比验证.结果表明:分阶段修正算法能较好地估算锂电池SOC,同时该检测系统能实时在线对锂电池进行SOC估算,验证了新修正SOC估算算法的可行性和检测系统的正确性,对实际工程应用具有一定的参考价值.     

经验贝叶斯岭估计在加速度计标定中的应用

针对高精度加速度计在重力场的标定试验,为了消除正交双表g2观测模型引起系统复共线性的影响和提高加速度计模型系数的辨识精度,文中提出了一种经验贝叶斯岭估计辨识方法并应用于正交双表误差模型的参数辨识中.从仿真分析和实验结果中看出,与传统的最小二乘法相比,经验贝叶斯岭估计能够消除系统的复共线性,可以分离出二次项系数K2,且辨...     

混合动力挖掘机用镍氢电池SOC估算策略

针对混合动力液压挖掘机上电池充放电工况复杂的问题,提出一种新的结合能量守恒模型和改进型电阻、电容等效电路（RC）模型的电池剩余电荷状态（SOC）综合估算方法,其中能量守恒模型增加了电池的反应热,改进型RC模型在RC模型基础上增加了迟滞效应电压,并运用sigma点卡尔曼滤波法对改进型RC模型的数据进行精确观测,通过调节权重系数将两者结合.针对镍氢(NiMH)池进行充放电实验,并采用能量守恒法、改进型RC模型法以及两者相结合的综合估算方法进行SOC估算的对比研究,结果表明：综合估算方法精度较高,适用混合动力液压挖掘机上电池的SOC估算.     

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。     

基于HSMM的铝空电池后期SOC估计

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。传统的安时法由于累积误差较大始终无法满足精确的SOC估计。该文采用基于隐半马尔可夫模型 (HSMM) 的SOC预测作为安时法的一个补充, 使铝空电池后期估计精度可以得到保障。该模型的每个不同状态产生多组观察值, 根据各个状态之间的转换概率以及状态驻留时间可以比较准确地预测后期各个状态下的剩余寿命。经过实验仿真验证, 与单一的安时法相比, 结合HSMM的SOC估计精度在后期有较大提升。     

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.

     

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.     

Fuzzy Model for Estimation of the State-of-Charge of Lithium-Ion Batteries for Electric Vehicles

A fuzzy model was established to estimate the state of charge (SOC) of a lithium-ion battery for electric vehicles. The robust Gustafson-Kessel (GK) clustering algorithm based on clustering validity indices was applied to identify the structure and antecedent parameters of the model. The least squares algorithm was utilized to determine the consequent parameters. Validation results show that this model can provide accurate SOC estimation for the lithium-ion battery and satisfy the requirement for practical electric vehicle applications.     

基于滑模观测器的锂离子动力电池荷电状态估计

基于混合动力脉冲功率特性试验数据辨识得到了锂离子动力电池的等效电路模型参数,提出了基于滑模观测器算法的动力电池荷电状态估计方法.设计了滑模观测器,最后进行了算法验证.结果表明,对FUDS工况,应用滑模观测器算法进行荷电状态估计的最大误差为1.17%,方差为0.00004,比传统算法获得了更好的估计精度和鲁棒性.     

A new state of charge determination method for battery management system

State of Charge (SOC) determination is an increasingly important issue in batter)., technology. In addition to the immediate display of the remaining battery capacity to the user, precise knowledge of SOC exerts additional control over the charging/discharging process which in turn reduces the risk of over-voltage and gassing, which degrade the chemical composition of the electrolyte and plates. This paper describes a new approach to SOC determination for the lead-acid battery management system by combining All-balance with an EMF estimation algorithm, which predicts the battery‘ s EMF value while it is under load. The EMF estimation algorithm is based on an equivalent-circuit representation of the battery, with the parameters determined from a pulse test performed on the battery and a curve-fitting algorithm by means of least-square regression. The whole battery cycle is classified into seven states where the SOC is estimated with the Ah-balance method and the proposed EMF based algorithm. Laboratory tests and results are described in detail in the paper.     

电动汽车锂电池SOC估算研究

为了精确估算电动汽车锂电池的荷电状态(state of charge,SOC),本文通过对主流SOC估算方法进行分析与比较,提出了一种基于卡尔曼滤波算法的电动汽车能量管理系统(energy management system,EMS)SOC估算方法,同时采用联合模型以保证估算过程中有较好的精度,并在实验室条件下进行实测数据及MATLAB仿真分析。仿真结果表明,卡尔曼滤波算法对锂电池SOC进行在线实时估计是有效的,能够较为准确地计算出SOC值,且估算结果与实测值基本一致,该方法可以用于电动汽车锂电池SOC的估算,具有很强的实际应用价值。