适用于无人水下潜航器电池管理系统的SOC-SOH联合估计

为了提高无人水下潜航器(UUV)电池管理系统状态的估计精度,提出荷电状态-健康状态(SOC-SOH)联合估计方法.搭建测试台架,采用4组锂离子电池进行全寿命周期下的充放电测试,获取不同老化程度下的特性数据.经理论推导和实验分析设计四维表征因子,建立基于改进支持向量回归(SVR)的SOH估计模型.探究电池状态的耦合关系,建立基于扩展卡尔曼滤波(EKF)的SOC估计模型,采用遗忘因子递推最小二乘算法(RLS)更新模型参数,利用SOH对SOC估计结果进行修正.通过不同工况的实验进行验证,结果表明：四维表征因子和电池容量相关性好,SOH估计模型精度高,SOC估计模型精度在联合修正后得到提升.所提的联合估计方法具有较高的通用性和可靠性,可以作为有效的嵌入式电池管理系统状态估计算法.     

系统辨识(6):多新息辨识理论与方法

多新息辨识是系统辨识的一个重要分支.新息是能够改善参数估计精度或状态估计精度的有用信息.首先,详细讨论了线性回归模型的各种多新息辨识方法,包括多新息投影算法、多新息随机梯度算法、多新息遗忘梯度算法、变递推间隔多新息随机梯度算法、多新息最小二乘辨识方法、变递推间隔多新息最小二乘算法等;然后,给出了方程误差类系统、输出误差类系统、输入非线性系统的随机梯度辨识算法、多新息随机梯度算法和多新息最小二乘辨识算法;最后,简单说明了多新息辨识理论可以发展到多新息观测器和多新息卡尔曼滤波理论.     

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 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。     

改进多新息卡尔曼滤波法辨识船舶响应模型

为在船舶自主航行控制中提供参数精确的船舶响应模型,本文提出一种改进的多新息扩展卡尔曼滤波参数辨识方法。引入遗忘因子以降低历史干扰数据的累积影响,并从理论上分析了改进后算法辨识的收敛性,证明了改进后的辨识算法在一定条件下有界收敛。为验证所提出辨识方法的有效性,本文在获取真实的模型船Z型试验数据基础上,将改进算法辨识方法与传统扩展卡尔曼滤波辨识方法进行对比,结果表明所提出的改进算法辨识的船舶响应模型参数更加精确,预报均方误差可达到2(°)2以下。     

辅助模型辨识方法(5):最小二乘辨识

借助于辅助模型辨识思想,针对白噪声干扰的输入非线性有限脉冲响应系统,研究了辅助模型最小二乘辨识方法、辅助模型多新息最小二乘辨识方法、变递推间隔辅助模型最小二乘辨识方法、变递推间隔辅助模型多新息最小二乘辨识方法、等递推间隔辅助模型多新息最小二乘辨识方法,以及有限数据窗最小二乘辨识方法,包括引入加权因子(加权矩阵)、遗忘因子得到的一些相应辨识方法.     

基于UKF方法的锂离子电池荷电状态估计研究

选用二阶RC回路的电池模型,以单体的磷酸铁锂动力电池为研究对象,通过充电/放电电流脉冲实验获得电池模型中的各个参数变化范围,研究其荷电状态(SOC)的估算方法.根据电池模型的状态方程和输出方程,运用MATLAB软件,利用无迹卡尔曼滤波(UKF)方法来估算锂离子电池的SOC,并将其估算结果与扩展卡尔曼滤波(EKF)方法的估算结果进行比较.实验结果表明UKF方法能够更精确地估计出动力电池的SOC.     

类多变量输出误差系统的耦合多新息辨识方法

辅助模型辨识思想、多新息辨识理论、耦合辨识概念是研究复杂多变量系统辨识的新理念和原理.将它们结合起来研究类多变量输出误差系统的辨识问题,提出了多元辅助模型辨识方法、多元辅助模型多新息辨识方法、变递推间隔多元辅助模型多新息辨识方法.为减小算法的计算量和提高参数估计精度,将系统模型分解为一些子辨识模型,应用辅助模型辨识思想、多新息辨识理论、耦合辨识概念,研究和推导了部分耦合辅助模型辨识方法、部分耦合辅助模型多新息辨识方法.讨论了几个典型辨识算法的计算量,给出了参数估计的计算步骤和计算流程图.     

基于复合模型动力蓄电池SOC估算

采用安时计量法、开路电压法和卡尔曼滤波法相结合估计磷酸铁锂电池初始荷电状态(SOC)。为了修正电池容量特性对SOC的影响,在安时计量法中引入等效电流系数和温度系数,对修正后的安时计量法离散化处理,建立了电池的非线性复合模型的状态方程;结合Shepherd模型、Unnewehr universal模型和Nernst模型获得复合模型的观测方程。建立了基于电池复合模型的扩展卡尔曼滤波法(EKF)来估计SOC。通过Matlab进行了实验研究,经过与实验室测量出的SOC数据对比,EKF收敛很快,设计的估算方法可行实用。     

传递函数辨识(22):线性回归系统的递阶迭代参数估计

利用迭代搜索和递阶辨识原理,以线性回归系统为例,讨论了递阶梯度迭代辨识方法、递阶多新息梯度迭代辨识方法、递阶最小二乘迭代辨识方法、递阶多新息最小二乘迭代辨识方法,并给出引入加权因子和遗忘因子的递阶迭代辨识方法等。这些迭代辨识方法可以推广到有色噪声的随机系统中。     

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。     

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。     

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UKF和AH法的磁悬浮人工心脏泵用锂电池SOC估计复合算法

针对锂电池的非线性特性,提出电池状态模型在不同循环次数、不同温度下的具体改进方法;提出安时积分法和无迹卡尔曼滤波算法结合的锂电池荷电状态(state of charge, SOC)复合估计算法,分析新算法的收敛速度、估计精度以及算法复杂度。试验表明,这种复合算法复杂度低,精度高,能快速实现锂电池SOC的准确估计,估算误差为4.036 2%,适合实时在线计算。     

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.     

自适应扩展卡尔曼滤波电池荷电状态估算方法

为更精确预估电动汽车动力源的荷电状态,优化戴维南等效电路模型,用自适应扩展卡尔曼滤波进行荷电状态估算。对实验电池进行外特性数据获取实验,分别得到在充放电状态下的开路电压曲线,在开路电压-荷电状态对应曲线中考虑充放电状态变化的因素。对离线参数辨识进行优化处理,在固定参数离线辨识的基础上考虑充放电状态和荷电状态,并与在线辨识进行端电压估算对比。基于优化后电池模型,通过自适应扩展卡尔曼滤波及其对比算法估算荷电状态,在复杂脉冲电流工况下对比端电压和荷电状态的估算精度。结果表明:采用优化后电池模型离线辨识的端电压估算精度达到0.01 V以内,高于在线辨识的端电压估算精度。在优化模型及离线辨识基础上构建自适应扩展卡尔曼、扩展卡尔曼和交互多模型的算法模型,估算电池荷电状态。经动态工况实验验证,基于优化模型自适应算法的荷电状态估算精度达到0.05,高于交互多模型-扩展卡尔曼滤波算法及扩展卡尔曼滤波算法。