共查询到20条相似文献,搜索用时 229 毫秒
1.
2.
锂电池在工作过程中,其内部参数易受多种因素影响,为提高锂电池在复杂环境下荷电状态(SOC)估计精度,以二阶戴维宁(Thevenin)等效模型为基础,结合遗忘因子递推最小二乘法(FFRLS)对模型参数进行在线辨识。针对传统卡尔曼滤波算法高度非线性及系统噪声不确定性等缺点,提出了一种自适应平方根无迹卡尔曼滤波(ASR-UKF)算法,该算法利用平方根算法处理均值和协方差,确保了状态协方差的半正定性和稳定性,并引入自适应滤波算法对噪声进行实时修正,消除了系统时变噪声影响。结果表明,FFRLS能有效解决数据饱和及算法矩阵计算量大的问题,等效模型精度高达98%。在混合动力脉冲特性(HPPC)测试和北京公交动态测试工况(BBDST)下,ASR-UKF算法SOC估计最大误差分别为3.264%和0.572%,具备更好的跟踪效果,验证了改进算法良好的收敛性与自适应性。 相似文献
3.
针对当前亟需解决锂离子电池荷电状态(SOC)估计在动态与稳态工况下无法同时保持高精度的问题,利用气液动力学电池模型(GLD)与递推最小二乘法和扩展卡尔曼滤波算法提出联合SOC估算算法,采用含遗忘因子的递推最小二乘法(FFRLS)对模型的参数进行在线辨识,以消除原始算法存在的估算误差波动问题.利用恒流和动态应力测试(DST)工况进行了仿真验证.与单独采用FFRLS的算法以及原始算法进行对比,结果表明,所提算法具有更高的估算精度,最大误差为2.62%,具有估算精确度高和鲁棒性强的优点. 相似文献
4.
5.
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%. 相似文献
6.
为解决矿井复杂环境下电机车锂离子电池的过充或过放对电池产生不可逆的容量损耗问题,提出一种基于有限差分双扩展卡尔曼滤波(FDDEKF)矿用电机车锂离子电池容量与荷电状态(SOC)协估计框架。针对扩展卡尔曼滤波器(EKF)线性化误差问题,采用有限差分改进DEKF。基于二阶电阻-电容(RC)模型,利用遗忘因子递推最小二乘法(FFRLS)进行模型参数辨识,基于时变的模型参数,利用改进DEKF对容量和SOC在分离时间尺度上实时在线估计。不同工况下实验结果表明,该方法能有效提高电池SOC的估计精度,与恒流工况相比,该方法在动态电机车工况下更适用,SOC估计均方根误差降低了0.65%,SOC估计最大绝对误差降低至0.38%。 相似文献
7.
8.
《中国电机工程学报》2017,(15)
在充电式混合动力电动汽车(plug-in hybrid electric vehicle,PHEV)和电动汽车(electric vehicle,EV)中,对电池进行精确、可靠的荷电状态估计(state of charge,SOC)非常重要。传统估计方法存在计算量大、估计不精确等缺点,提出一种平方根无迹卡尔曼滤波(square root unscented Kalman filter,SRUKF)算法对SOC进行实时估计及更新。利用无迹变换(unscented transformation,UT)精确估计系统方程的均值和协方差,使估算值达到二阶精度。利用平方根算法保证状态协方差的半正定性,提高数字计算的稳定性。通过实验对比,验证了该算法的有效性。结果表明,该方法可使状态估计值具有较小的误差和快速跟随性,满足了SOC估计的实际需求。 相似文献
9.
传统的无迹卡尔曼滤波(UKF)和粒子滤波(PF)算法估计动力锂离子电池的荷电状态(SOC)时,常会出现电池模型参数不准确或粒子退化等问题导致估计精度差甚至系统发散等现象。为解决粒子匮乏和噪声干扰等问题,提出一种改进的估计算法——无迹粒子滤波算法(UPF)以实现SOC的精确估计。运用无迹卡尔曼算法为每个粒子计算均值和协方差,解决粒子滤波技术中粒子退化的问题。通过锂离子电池充放电实验,对等效模型进行辨识,最后在脉冲充放电和UDDS动态工况下对该算法进行测试验证。实验结果证明,基于二阶RC等效电路模型的UPF算法能显著提高SOC估计的实时性和精确性,其SOC估计精度在2%以内,收敛速度在250 s内。 相似文献
10.
11.
针对锂电池等效电路模型参数不准确以及复杂工况噪声不确定导致荷电状态(SOC)估计精确度较低的问题,提出一种自适应扩展卡尔曼滤波(AEKF)融合带遗忘因子最小二乘法(FFRLS)的算法来解决此问题。在每一步SOC估计过程中,首先使用FFRLS算法跟随试验工况环境变化,实时辨识出一阶RC等效电路模型参数,增加模型精确度,准确描述锂电池工作时的动态特性;再使用AEKF算法实时更新与修正系统噪声并在线估计SOC。设计搭建动力锂电池试验平台,在动力动态测试(DST)和北京公交动力动态测试(BBDST)工况下,该方法估计值最大绝对误差均低于0.15%,平均绝对误差在0.077以下,均方根误差在0.007以下,相较于扩展卡尔曼滤波(EKF)算法,所提算法的估计效果有较大提升。 相似文献
12.
为了提高铅酸电池在随机工况下荷电状态(SOC)估计精度,减小误差变化对估计精度的影响。针对自适应扩展卡尔曼滤波中误差新息序列长度固定选取的局限性,本文提出一种改进的自适应扩展卡尔曼滤波算法估计SOC。通过似然估计来监测协方差匹配算法中的误差新息序列分布变化时刻,根据误差新息的分布变化来自适应调整新息序列长度,进而降低估计SOC时的误差。首先通过带遗忘因子的递推最小二乘法(FFRLS)辨识获得等效模型参数,其模型平均误差电压为13.63 mV,然后在随机工况实验下发现,改进后的算法在估计SOC时的RMSE和MAE性能上精度分别提高了14.44%和17.26%,结果表明改进后的算法拥有更好的稳定性和精度。 相似文献
13.
14.
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。 相似文献
15.
在实际工况中,电池测量参数易受相关性较强的有色噪声干扰。仅考虑有色观测噪声满足一阶自回归模型,提出一种带有色观测噪声的自适应无迹卡尔曼滤波算法(CM-AUKF)。算法对荷电状态(SOC)估计的平均绝对误差为0.000 4,均方根误差为0.000 3,估计精度和稳定性较高,可克服对系统噪声方差初值敏感的问题,提高SOC估计的自适应能力。 相似文献
16.
荷电状态(State of Charge, SOC)是锂离子电池的重要参数之一,SOC的精准估计对电池组安全可靠运行具有重要意义。针对误差反向传播(Back Propagation, BP)神经网络易收敛至局部最优,导致基于BP网络的SOC估计精度不高的问题,论文提出子种群自适应趋同策略改进思维进化算法,用其优化BP神经网络初始权值及阈值(优化后的BP网络简称SAMEA-BP神经网络)。结合充放电实验数据,将提出的SAMEA-BP神经网络与BP、思维进化算法优化的BP (MEA-BP)神经网络用于锂离子电池的SOC估计,并对三种方法做了对比分析。结果表明:标准BP神经网络的预测误差保持在9%以内,MEA-BP及SAMEA-BP神经网络分别将误差降低至5%及3%以内,在不同工况下和不同温度下,SAMEA-BP有良好适应性,且估计精度高于BP和MEA-BP。 相似文献
17.
锂电池荷电状态(SOC)的准确估计对提高电池的动态性能和能量利用率至关重要。针对现有神经网络SOC估计方法在复杂工况下存在精度低,稳定性差等问题,本文提出一种改进GRU模型算法对SOC进行估计。首先将1DCNN和Bi-GRU相结合并添加注意力机制,构建1DCNN-Bi-GRU-ATT模型。其次,为解决ReLU激活函数易出现死神经元现象,将其改进为PReLU激活函数。同时,为解决MSE-Loss易受复杂工况中电池异常数据影响和MAE-Loss收敛速度较慢等问题,改用Huber-Loss作为网络损失函数。最后,将Adam算法使用Nesterov加速梯度改进为Nadam算法。锂电池SOC估计实验结果表明,在12种复杂工况下该模型算法的均方根误差和平均绝对误差的平均值分别为1.181 7%和0.924 1%,与改进前及其他模型相比,本文模型在12种情况中综合表现更为稳定和准确,有更高的泛化性。 相似文献
18.
基于电池模型的荷电状态(SOC)估计方法,其估计精度主要取决于模型的精度。电池在动态工况下,输入电流变化激烈,传统的辨识方法因其收敛性差,导致模型精度降低。为了提高动态工况下电池模型精度,对传统带遗忘因子最小二乘法(FFRLS)进行改进,通过设置精度阈值,引入梯度矫正的方法,提出了改进带遗忘因子递推最小二乘法(IFFRLS)。利用改进算法进行在线参数辨识,建立二阶RC等效电路模型,与其他传统参数辨识建立的模型进行对比,验证IFFRLS对模型精度提高的有效性,模型平均误差为0.003 8 V。最后,将不同辨识方法所建立的模型与扩展卡尔曼滤波(EKF)算法进行联合估计SOC并对比其误差,结果表明通过IFFRLS辨识出来的高精度模型可有效提高SOC的估计精度,DST工况下,误差在1.51%以内。 相似文献
19.
准确、可靠的荷电状态(SOC)估计可以为电池管理系统的安全高效使用提供保障。针对锂电池SOC估计精度不足的问题,提出人工蜂群算法(ABC)和随机森林优化EKF算法(RFEKF)分别实现电池模型的参数辨识和SOC估计。在建立双极化模型的基础上,为解决在线辨识初始误差累积的问题,采用ABC算法搜索最小模型电压误差下的全局最优阻抗参数值,实现模型参数的精确辨识。在获得精确的模型参数基础上,使用随机森林(RF)对SOC后验估计误差进行在线补偿,达到弥补传统EKF算法高阶项误差的目的,进而实现SOC高精度估计。联合半实物仿真系统和电池测试平台,在EPA城市动力工况下对SOC估计算法实现快速控制原型验证。结果表明:基于ABC-RFEKF的锂电池SOC估计算法各项误差指标均低于传统SOC估计算法,平均误差在1%左右,满足实际工程需求。 相似文献
20.
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。 相似文献