动车组钛酸锂电池荷电状态估计

蓄电池作为应急供电电源,被广泛应用于动车组辅助供电系统中,电池的荷电状态可以反映充放电过程中电池的剩余电量,是动车组电池管理系统的重要参数.准确估计电池荷电状态,可以有效提高电池的使用效率及使用寿命.但是电池内部的化学反应复杂且难以测量,目前的电池荷电状态大多只能通过间接测量计算的方法得到.该文以中国标准动车组钛酸锂电池作为研究对象,搭建二阶RC等效电路模型,基于扩展卡尔曼滤波法(EKF)的在线辨识方法,并通过电池工况实验对比辨识精度.为克服常规卡尔曼滤波法估计过程中噪声方差固定的缺点,提出了自适应卡尔曼滤波方法(AEKF)对电池荷电状态进行估计,并在Matlab中针对动车组锂电池实际应用工况,验证了其估计电池荷电状态的准确性.     

储能系统中锂电池荷电状态的估计

锂电池荷电状态(SOC)的估计在整个能量管理系统中起重要作用,快速准确的估计出电池的荷电状态是能量管理系统的关键技术。针对锂电池内部复杂的化学反应,以二阶RC等效模型为基础,建立数学关系,应用含遗忘因子的递推最小二乘法求其模型参数。采用安时积累法、开路电压法和扩展卡尔曼滤波法结合的方法来估计锂离子电池的荷电状态。通过仿真得出的SOC值与实际SOC值比较可以得出此方法具有很好的精度,效果良好,可以作为SOC实时估计的一种手段。     

基于广义系统观测器的电池荷电状态估计

提出了一种新的电池荷电状态(SOC)的估计方法。电池的开路电压(OCV)与SOC之间是一种分段线性的关系,为了避开这类非线性问题,观测器设计时的通行做法是将输出电压的方程式对时间进行求导。文中分析表明这种对电压方程求导的做法是不正确的。指出可以将分段线性关系看做是广义系统中的一种线性约束,从而提出用广义系统观点来处理电池的这个分段线性约束,并且设计了广义系统观测器。仿真结果表明所提出的观测器的有效性。     

基于扰动观测器的锂电池荷电状态估算方法

基于电池模型的荷电状态(SOC)估算方法,模型参数的误差会直接影响估算结果.根据扰动观测器原理,建立了锂电池电压扰动观测器模型,与扩展卡尔曼滤波(EKF)算法相结合,设计了具有电池电压扰动补偿功能的锂电池SOC估算方法.由电压扰动观测器得到的补偿电压变量,可实时修正数学模型中的电池状态变量偏差对SOC估算的影响.仿真结果表明当电池数学模型存在滞后电压等动态响应误差时,该方法在充放电过程中SOC估算精度要优于常规EKF估算方法.     

基于自适应卡尔曼滤波的磷酸铁锂电池荷电状态估计

磷酸铁锂电池荷电状态（SOC）用于表征电池的剩余电量,是电池管理系统的重要参数。对SOC进行准确估计有助于提高电池利用率,保证电池的使用寿命和安全。但是SOC不能直接从外部测量得到,只能通过各种间接的方法求得,因此寻求准确的电池SOC估计算法非常重要。对磷酸铁锂电池进行建模,使用14组电池充放电数据分段进行参数辨识,得到具有广泛适用性的模型参数。基于此模型,运用自适应扩展卡尔曼滤波算法进行SOC估计,克服了常用扩展卡尔曼滤波会受到噪声影响的弊端,并通过仿真分析证明了算法的优越性。     

基于卡尔曼滤波器的蓄电池荷电状态估算

通过蓄电池的端电压、内阻和放电电流等可测量与荷电状态(state of charge,SOC)之间的对应关系,建立端电压-电阻模型并以最小二乘法进行模型系数辨识,运用卡尔曼滤波算法进行蓄电池SOC最优估算。以铅酸蓄电池为对象进行仿真实验,得到的放电折算效率为1.067 8。实验结果表明该方法具有很好的精确度,能用于估算蓄电池的SOC。     

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...     

基于联合参数辨识的粒子群优化扩展粒子滤波的锂电池荷电状态估计

提高参数辨识的精度和SOC算法的精度是提高SOC估计的关键,该文提出了基于联合参数辨识的粒子群优化扩展粒子滤波的荷电状态（SOC）估计方法。在参数辨识阶段,结合遗忘因子递推最小二乘法在线辨识的优势,弥补粒子群辨识精度高但前期缺乏数据无法实时辨识的劣势,联合进行参数辨识;在SOC估计阶段,利用扩展卡尔曼滤波生成重要性密度函数,去克服粒子退化,同时采用粒子群优化算法优化重采样策略改进采样过程缓解粒子贫化。最后在联邦城市运行（FUDS）和US06高速公路运行（US06）工况下将所提算法与F-PF、F-PSO-PF、FPSO-PSO-PF进行了对比,结果表明,在FUDS工况下,方均根误差分别提高了65.4%、56.3%和43.5%;在US06工况下,方均根误差分别提高了45.8%、35.9%和35.1%,验证了所提算法具有较好的适应性和鲁棒性。     

基于等效建模和参数辩识的锂电池荷电状态估算研究

锂电池是近年来大量用于新能源汽车、智能电网等的储能元件,其荷电状态的准确估算是锂电池研究的关键技术之一。通过对锂电池进行脉冲电流实验,建立Thevenin等效电路模型并进行参数辨识。基于所建立的模型运用扩展卡尔曼滤波算法进行荷电状态估算,其结果表明在复杂工况下扩展卡尔曼滤波算法能修正荷电状态初始误差,且估算过程中最大误差低1.5%,全过程平均误差为0.36%,该方法能够准确估算荷电状态。     

联合扩展卡尔曼滤波的滑模观测器SOC估算算法研究

文中提出一种联合扩展卡尔曼滤波的滑模观测器算法用于电动汽车电池的荷电状态(state of charge,SOC)估计。电池模型采用二阶Thevenin等效电路模型,辨识不同温度下的模型参数,分析温度对电池模型参数及精度的影响。针对扩展卡尔曼滤波对模型精度依赖性高及滑模观测器对噪声敏感导致估计结果存在较严重抖振现象的缺陷,提出在扩展卡尔曼滤波算法的状态修正方程中加入防抖函数,依据滑模观测器稳定性约束条件获取函数相关参数,得到一种新的联合扩展卡尔曼滤波的滑模观测器算法。所提算法能够同时综合扩展卡尔曼滤波器和滑模观测器优点,在滤除噪声的同时对建模误差也具有较强的鲁棒性。最后,设计相应的模拟工况进行实验,实验结果证明,所提算法在复杂的车载环境下拥有比扩展卡尔曼滤波和滑模观测器更高的电池SOC估计精度。     

基于灰色扩展卡尔曼滤波的锂离子电池荷电状态估算

准确估算电池荷电状态(SOC)是电池管理系统的核心技术之一。为提高扩展卡尔曼滤波(EKF)估算电池SOC精度,将灰色预测模型(GM)和EKF融合,构建灰色扩展卡尔曼滤波(GM-EKF)算法用于电池SOC估算。该算法首先用GM(1,1)替代EKF算法中Jacobian矩阵,对当前时刻电池系统状态预测,即实现系统状态先验估算;再通过观测值对系统状态进行更新和修正,获得后验估算值,实现对电池SOC的估算;最后在自主搭建的电池实验平台上对电池进行模拟工况放电实验。实验结果表明,GM-EKF算法相比EKF算法,估算电池SOC具有更高的精度,估算误差不超过±0.005。研究结果对电池管理系统估算电池SOC具有现实指导意义。     

基于自适应CKF的锂离子电池SOC估算

扩展卡尔曼滤波(EKF)和无迹卡尔曼滤波(UKF)算法估算电池荷电状态(SOC)依赖等效模型参数的准确性,估算精度低。容积卡尔曼滤波(CKF)算法的滤波性能良好。利用自适应CKF(ACKF)算法估算电池SOC,自适应调节过程噪声协方差和量测噪声协方差,提高估算SOC的精度。对锂离子电池建立二阶RC等效电路模型,在不同工况下进行充放电,用卡尔曼滤波算法在线辨识等效模型的参数,ACKF算法实时估算SOC。ACKF算法估算SOC的鲁棒性较强,精度在1.5%以内。     

无刷直流电机离散滑模观测器直接转矩控制

分析了非理想反电势下无刷直流电机传统脉宽调制电流控制产生电磁转矩脉动的原因。为便于计算机控制,采用离散滑模观测器获取无刷直流电机反电势,进而完成电磁转矩的估算,并证明了离散滑模观测器的到达条件和稳定条件。在此基础上,提出无刷直流电机直接转矩控制。该方法采用转矩滞环的输出和磁极位置来选择电压空间矢量,可有效抑制非理想反电势和低速换相电磁转矩脉动。仿真结果证明了其正确性。     

基于分数阶理论的车用锂离子电池建模及荷电状态估计

针对电动汽车动力锂离子电池的状态估计问题,提出一种基于分数阶等效电路建模方法,并采用分数阶卡尔曼滤波算法估计电池荷电状态(SOC)。首先建立基于二阶等效电路的分数阶电池模型,采用遗传算法辨识阶数,然后利用分数阶卡尔曼滤波算法估计电池SOC,并与扩展卡尔曼滤波算法进行比较。实验结果表明,在恒流放电下采用分数阶模型,其端电压最大绝对误差为0.014V,SOC最大估计误差不超过2%。本文提出的基于二阶等效电路的分数阶模型及分数阶卡尔曼滤波算法,不仅给出了一种准确、可靠的建模方法,而且为有效提高电池管理系统中SOC估计的准确性提供了途径。     

基于扩张状态观测器的PMSM积分时变滑模控制

为了实现永磁同步电机(PMSM)驱动系统的高精度跟踪控制,提出了新型积分时变滑模控制策略,该策略考虑到系统的非线性和耦合特性对动、静态性能的影响,首先采用反馈线性化原理将系统模型线性化,然后为了加快动态响应过程,采用单回路结构取代串级结构设计积分时变滑模控制器。针对负载扰动的问题,设计了一种以负载转矩为观测对象的扩张状态观测器,并将观测值反馈到控制器中以克服扰动对性能的影响。最后在永磁同步电机实验平台上开展了对比实验研究,通过实验结果可以看出,积分时变滑模控制器使系统具有无超调、快速性的优点,提高了系统的动态和稳态性能,扩张状态观测器能够快速跟踪负载的变化,增强了控制器对负载扰动的鲁棒性。     

电动汽车动力电池荷电状态估计方法探讨

准确估计电池荷电状态(SOC)是电动汽车电池管理的重要内容,SOC的准确评估对延长电池寿命和提高电动汽车整车性能具有重要意义。各国研究人员对电池SOC估计方法进行大量研究,先后提出了多种估计方法。文中介绍了电池SOC的定义及其主要影响因素,根据电池SOC估计方法的特点,按离线和在线方法对SOC估计方法进行总结和介绍,并比较了各方法的特点及实用效果。最后展望了电池SOC估计方法的两个潜在发展方向,即基于电池模型的非线性滤波方法和具有自学习能力的智能方法,为今后深入研究动力电池SOC估计方法提供借鉴。     

基于滑模观测器定子磁链观测研究

定子磁链观测是直接转矩控制系统中的关键环节.基于电压模型的磁链观测方法是常用的观测方法,但其低速观测精度受定子电阻变化的影响,低速时,定子电阻压降在反电动势中所占比例较大,较小的定子电阻误差都会导致观测精度下降.提出了一种基于滑模观测器观测定子磁链的方法,通过滑模函数驱动估计电流跟随实际电流.实现对定子磁链的观测.该方法不含有定子电阻,对定子电阻具有完全鲁棒性,而且不需要定子电压信息.仿真结果表明该方法能在全速范围内准确观测定子磁链,且具有结构简单,容易实现的特点.     

基于自抗扰控制的永磁同步电动机滑模控制调速系统

为提高永磁同步电动机调速系统的鲁棒性,采用自抗扰控制和滑模变结构控制策略,提出了一种新颖的永磁同步电动机双闭环调速系统.外环速度调节由带扩张状态观测器(ES0)的滑模控制器生成期望的q轴电流,内环电流调节由自抗扰控制器生成d-q旋转坐标系下的两个电压分量ud和uq,削弱了抖动现象,增强了抗扰能力.仿真试验结果表明,系统的速度响应较快,稳态误差小,无超调,能有效地抑制参数变化和负载扰动带来的影响,提高了控制系统动态性能和鲁棒性.     

基于dSPACE的铅酸蓄电池SOC估计

首先通过大量实验测试,对处于不同电池荷电状态(SOC)下铅酸电池的等效模型参数进行了辨识,使传统的恒定参数电池模型得以改善.建立了基于数字信号处理和控制系统(dSPACE)的SOC估算测试平台,以dSPACE充当快速控制原型对铅酸电池进行SOC实时估计.此处给出了详细的SOC估计算法,以及基于dSPACE试验平台的开发...