基于粒子群算法的最小二乘支持向量机电池状态估计CSCD

电池荷电状态(SOC)作为电池管理系统(BMS)重要参数之一,准确估计SOC尤为重要。由于SOC在估计过程中常会受到电压、电流、充放电效率等众多因素的影响,因此很难准确估计SOC。为了提高SOC的估计精度,本工作提出了基于最小二乘支持向量机(LSSVM)机器学习的锂离子电池SOC估计模型。将该电池的电流、电压和温度作为模型的输入向量,SOC作为模型的输出向量,为了更好的获得LSSVM模型的参数,提出了利用自适应粒子群算法来进行参数优化,从而获得高精度SOC估计模型。通过恒流充放电实验采集的数据,并和未优化的粒子群优化的LSSVM、支持向量机(SVM)神经网络(NN)相比,所提模型的SOC估计精度误差为1.63%,验证了算法的有效性。     

基于简单循环单元的储能锂离子电池SOC和SOH联合估计方法

锂离子电池的荷电状态(State of charge,SOC)和健康状态(State of health,SOH)是电池储能系统在运维过程中所需要估算的重要参数。为了能够对电池状态进行可靠估计,采用深度学习方法中的简单循环单元(Simple recurrent unit,SRU)来实现对电池SOC和SOH的联合估计。首先,通过利用SRU在处理时序问题上的优势,建立了基于SRU的电池SOC估计模型;接着,给模型引入了数据单元的输入形式,并使用含有电池老化信息的样本数据来对模型进行训练,使得训练好的模型能够实现任意电池老化程度下的SOC估计;最后,通过对该模型输出的SOC估计值中所隐含的老化信息进行挖掘,实现对电池SOH的估计。试验结果表明,该联合估计方法可以实现电池SOC与SOH的准确估计,并且对不同种类的电池也有较好的适用能力。     

基于自适应扩展卡尔曼滤波的锂离子电池荷电状态估计CSCD

锂离子电池荷电状态(SOC)是电池管理系统(BMS)重要的参数之一,准确估计可以提高电池的使用寿命。然而在SOC估计过程中,会受到如测量设备的精度、噪声等外界因素的干扰,降低SOC的估计精度。为了提高SOC的估计精度,针对扩展卡尔曼滤波(EKF)算法易受噪声干扰,提出了以新息自适应扩展卡尔曼滤波来提高SOC的估计精度和稳定性。通过实验工况采集的数据,并与传统的EKF进行对比,估计误差可以控制在3%以内,验证了该模型的有效性。     

基于改进的高斯过程回归的SOC估计算法

为了提高锂离子电池荷电状态(SOC)的估计精度,文中采用基于高斯过程回归(GPR)机器学习的锂离子电池数据驱动方法,首先选取数据集,将电池测量参数电流和电压作为模型的输入向量,SOC作为模型的输出向量来训练模型,为了提高模型精度,文中改进了高斯过程回归模型.将上一时刻估计的SOC值加入到移动窗口中,并与电流和电压一起作...     

基于电热耦合效应的锂电池荷电状态与温度状态联合估计

准确估计电池的荷电状态(SOC)和内部温度可以提高电池的性能和安全性。其中,电池模型的准确性和估计算法的适用性是关键。为了解决这两个问题,本文建立了圆柱形锂离子电池的多参数电热耦合模型。模型考虑电池SOC与温度变化之间的耦合关系,并且利用改进的熵热系数实验获得电池运行中产生的可逆热与不可逆热,通过可变遗忘因子最小二乘算法(VFFRLS)进行参数辨识,并对比独立的电模型与热模型的SOC与内部温度估计结果,验证了多参数电热耦合模型的准确性,结果证明所提模型相比较于单独的电热模型,估计精度提高了70%以上。最后,设计了一种基于奇异值分解的卡尔曼滤波(SVD-AUKF)算法来同时在线估计SOC和内部温度,并在改进的动态测试(DST)工况下对所提方法进行实验验证。结果表明：所提方法相较于扩展卡尔曼滤波(EKF)与无迹卡尔曼滤波(UKF)算法,能实现更高精度的SOC和温度估计,SOC与内部温度的平均误差分别是5%和0.2℃。     

基于自适应CKF的老化锂电池SOC估计CSCD

锂电池的荷电状态(SOC)估算是电动汽车的系统管理与能量控制的重要参数。在SOC估算过程中,电池参数变化和老化问题会对结果造成很大影响。针对这一问题,在递推最小二乘法算法(RLS)辨识锂电池模型的参数的基础上更新电池容量,通过容积卡尔曼滤波(CKF)估算电池SOC,结合RLS和CKF实现在电池参数发生变化时准确估计SOC。以锂离子电池作为对象,应用所提出的算法实现锂电池的SOC在线估计,验证算法的准确性。     

不同温度下的基于BPNN-AUKF的新型自动水下航行器SOC估计器

本研究提出了一种基于反向传播神经网络（BPNN）和自适应无迹卡尔曼滤波器（AUKF）的SOC(state of charge)估计方法。首先针对电池SOC与端电压之间在不同温度下的关系,研究设计了一系列温度补偿策略,以提高在低温、低SOC条件下的估计精度。其次,利用反向传播神经网络（BPNN）建立了一个耦合了温度补偿策略的电池模型。这个模型能更好地适应低温和低SOC条件下的电池状态变化,提高了SOC估计的准确性。最后,基于BPNN电池模型建立了BPNN-AUKF的SOC估计框架,通过利用测量值与测量预测值之间的信息和残差序列,对系统过程和测量噪声协方差进行估计修正。通过实验验证,发现该方法在低温环境下具有明显优势,相比传统方法能够更准确地估计电池的SOC,且具备较好的泛化能力。这种基于BPNN-AUKF方法的SOC估计器不仅适用于自主无人潜水器（AUV）,而且对于其他在复杂环境中工作的车辆也具有广泛的应用价值。     

基于高斯过程回归的UKF锂离子电池SOC估计CSCD

高精度的电池荷电状态估计是电动汽车电池管理系统的关键技术之一,其估计精度直接影响能量管理效率和汽车的续航里程。传统的滤波方法基于模型来估计电池SOC,但难以建立锂离子电池精确的数学模型。针对此问题,提出一种基于高斯过程回归的无迹卡尔曼滤波(UKF)锂离子电池SOC估计方法,使用高斯过程回归在有限的训练数据下建立等效电路模型的测量方程,在UKF和高斯过程回归之间建立关联。该模型能够充分联合利用现有实验数据和被预测实时状态数据,实现SOC估计。结果表明,与传统UKF相比,基于高斯过程回归的UKF算法具有较高精确性。     

基于Bi-LSTM/Bi-GRU循环神经网络的锂电池SOC估计

锂电池的荷电状态(state-of-charge,SOC)涉及的物理特性或电化学特性高度复杂,其值一般难以直接测量,基于深度神经网络等新方法的SOC估计近期为相关研究者所关注.为进一步提升SOC估计性能,有效捕获锂电池SOC的动态物理特性,缓解深度神经网络模型容易发生的梯度消失与梯度爆炸等问题,本文引入双向学习策略,基于双向长短期记忆循环神经网络(bidirectional long short-term memory,Bi-LSTM)以及双向门控循环单元网络(bidirectional gated recurrent unit,Bi-GRU)估计锂电池的SOC取值.双向循环神经网络SOC估计模型由输入层、隐藏层和输出层组成.输入层输入电池电压、电流与温度序列;隐藏层在正向LSTM/GRU层的基础上增加反向LSTM/GRU层,引入逆序信息,基于输入序列上下文所含信息整体上学习、表征电池特性序列与SOC序列之间的内在关联;输出层输出模型的估计值.所拟模型使用Python语言结合TensorFlow后端在Keras框架中实现,并基于基准数据集在3种温度条件下结合多种工况进行性能分析.结果表明,双向学习策略能有效提升锂电池SOC的估计性能,较之单向学习模型具有更高的估计精度与鲁棒性.与构造电池等效模型等方法的思路不同,所拟方法基于数据驱动学习锂电池SOC的非线性特性,将易于观测的锂电池特性序列数据映射为待估计的SOC取值,为锂电池SOC估计提供了可能的新思路.     

基于PNGV模型与自适应卡尔曼滤波的铅炭电池荷电状态评估

储能电池应用广泛,准确估计储能电池的荷电状态(state of charge,SOC)对提高电池健康状态有重要意义。铅炭电池作为一种高性能、低成本、高安全性的新型储能电池,在储能电站等场景受到广泛关注,而目前尚缺少铅炭电池SOC估计相关研究。本工作首先通过静流间歇滴定技术探究铅炭电池的荷电状态与开路电压关系,后通过混合脉冲功率性能试验得到铅炭电池的伏安特征数据,建立一阶Thevenin和一阶PNGV等效电路模型,利用基于代理模型和灵敏度分析的随机算法(surrogate optimization algorithm,SOA)对两种等效电路模型进行参数辨识。在此基础上,利用扩展卡尔曼滤波算法(extended Kalman filter,EKF)估计铅炭电池SOC,估算过程考虑噪声干扰。另外,在铅炭电池SOC初值未知的情况下,EKF算法不能准确估计铅炭电池SOC。因此,本工作提出采用自适应扩展卡尔曼滤波算法(adaptive extended Kalman filter,AEKF)对铅炭电池进行状态估计,来弥补EKF的不足。结果表明,在存在噪声且SOC初值未知的情况下,AEKF算法较EK...     

基于BCRLS-ACKF的锂离子电池荷电状态估计

精确的锂离子电池荷电状态(state of charge,SOC)估计对于电池管理系统至关重要.模型参数辨识是SOC估计的前提,也是影响其估计精度的关键因素.为了有效避免噪声对参数辨识的影响,采用偏差补偿递推最小二乘法(BCRLS)进行在线参数辨识.在此基础上,采用自适应容积卡尔曼滤波(ACKF)算法估计电池SOC,对系统噪声进行实时更新以提高估计精度.此外,对于计算过程中由于协方差矩阵失去正定性而出现平方根无法分解的问题,利用奇异值分解的方法代替Cholesky分解,以提高数值计算的稳定性.最后将BCRLS与ACKF相结合以实现模型参数和SOC的联合估计,并在不同工况和初始值不精确的情况下进行算法验证,结果表明本文所提算法具有较高的精度,平均绝对误差在2％以内.     

SOC estimation of lithium battery based on adaptive untracked Kalman filter

电池荷电状态（SOC）的准确估计是电池管理系统的关键问题,对电池的可靠性和安全性至关重要。由于多数情况下建立的电池模型精度不够高、电池系统的噪声统计是未知的或不准确的,这都会对锂离子电池系统的SOC估计会产生较大影响。本文采用二阶RC等效模型,可减小电池模型带来的误差;同时结合SageHusa滤波算法与无迹卡尔曼滤波（UKF）算法提出了一种新的SOC估计方法,基于噪声统计估计器的自适应无迹卡尔曼（AUKF）滤波算法,它可以对系统噪声进行实时修正以提高SOC的估算精度。并通过比较AUKF和UKF来验证SOC估计方法的准确性和有效性。实验结果表明,AUKF具有更高的SOC估计精度和自适应能力,在脉冲放电工况和动态工况下的估计精度均能保持在4.68%以内,可以有效地估计电池的SOC值。     

基于递推门控循环单元神经网络的锂离子电池荷电状态实时估计方法北大核心CSCD

锂离子电池荷电状态(state of charge,SOC)的准确估计对于保证电池系统安全运行至关重要。目前基于门控循环单元(gated recurrent unit,GRU)等循环神经网络的SOC估计方法得到了广泛关注,其无需预设电池模型即可实现SOC准确估计。然而,这类估计方法存在计算复杂度过高而难以在工程中实际应用的问题。针对传统GRU神经网络估计SOC时需要进行大量隐状态迭代而导致计算复杂度过高的问题,提出了网络隐状态时序继承的递推更新方式,通过改进GRU网络的输出结构,从而实现了仅需对当前时刻采样数据进行一次网络计算即可准确获取当前时刻SOC估计值。与文献中报道传统GRU方法相比,该递推GRU方法在保证SOC估计准确度不降低的情况下,能减少99%以上的计算量,具有较好的应用前景。此外,针对部分应用场景中电池训练数据缺乏的问题,方法能够结合迁移学习来快速完成网络训练。通过实验室测试数据集以及公开数据集进行验证,该方法能对不同温度环境、不同老化状态以及不同型号的锂离子电池进行准确SOC估计,其最大估计误差均不高于3%。     

基于BP-UKF算法的锂离子电池SOC估计北大核心CSCD

电池的荷电状态(state of charge,SOC)是电池管理的重要指标之一,准确的SOC估计是保证锂离子电池安全有效运行的必要条件。为提高锂离子电池SOC估计的准确性,本文基于二阶Thevenin等效模型,提出一种将无迹卡尔曼滤波(unscented Kalman filter,UKF)与BP(back propagation)神经网络相结合的SOC估计方法。在通过混合功率脉冲特性测试获取模型参数的基础上,首先利用UKF算法对电池SOC进行初步估计,通过非线性点变换的方法避免了扩展卡尔曼滤波(extended Kalman filter,EKF)在线性化过程中对系统造成的精度损失;其次,构建三层BP神经网络,综合考虑锂离子电池的充放电电压、电流等参数,对估计结果进行修正,将估计误差从初始估计结果中排除,以达到更加准确的估计结果。通过电池充放电测试仪采集锂离子电池在动态应力测试下的充放电数据,并在不同的噪声环境下将本文提出的BP-UKF算法与EFK算法和UKF算法进行对比实验分析。实验结果表明,本文提出的BP-UKF算法的最大误差在2.18%以内,平均误差在0.54%以内,均方根误差在0.0044以内,较EKF算法和UKF算法有较大程度地提升;并且在较大的环境噪声条件下,BP-UKF算法的准确性提升更为明显。     

基于在线参数辨识和改进2RC-PNGV模型的锂离子电池建模与SOC估算研究

锂电池荷电状态(state of charge,SOC)的准确估计对电池安全监测与能量的高效利用具有重要意义.提出一种新的验证模型,首先对电池新一代汽车合作伙伴(PNGV)模型进行改进,考虑电池充放电的差异,加入了二极管电阻的并联网络来代替传统PNGV模型的内阻,在此基础上,增加了一个RC的并联网络来表征电池的动静态特性.以三元锂电池为研究对象,通过遗忘因子最小二乘法(forgetting factor recursive least square,FFRLS)对改进模型进行在线参数辨识,并提出了主充电、放电实验对锂电池工作特性进行仿真分析,通过FFRLS-EKF算法在DST工况下对SOC进行估算.实验结果表明,改进的2RC-PNGV模型能够较好地反映锂电池工作特性,HPPC实验的平均电压误差为0.17％,模型具有较高的精度.主充电过程SOC平均估算误差为0.957％,最大估算误差为5.03％;主放电过程SOC平均估算误差为0.807％,最大估算误差为3.38％,表明改进的2RC-PNGV模型与联合估计算法均可用于SOC实际估算.     

基于Bi-LSTM的电动直臂车磷酸铁锂电池SOC估计

针对电动直臂车的特殊工况，提出了一种基于双向长短期记忆神经网络(Bi-LSTM)的电动直臂车荷电状态(SOC)估计模型和方法。该方法将电池的工作电压、电流及表面温度作为输入，采用双向传递的两层LSTM神经网络进行训练，再将两次得到的结果进行拼接作为最终输出。实验结果表明，该方法比传统前馈(BP)神经网络和单向LSTM神经网络具有更好的估计性能，并且可以精确估计不同环境温度下的电池及整车SOC。     

基于扩展卡尔曼滤波法的锂电池荷电状态估计

锂离子电池在储能电站具有广阔的应用前景,它是储能电站的能量储存单元,精确地对锂离子电池荷电状态(SOC)进行预测是至关重要的,这可以在很大程度上提高电站系统的安全性能。通过多种等效电路模型的对比,选择二阶戴维南等效电路模型。选择三洋18650型动力锂电池作为电池充放电实验对象,设计测试实验步骤,得出电池的参考容量为3.4A·h,库伦效率为98.48%。对电池模型进行精确的参数辨识,通过曲线拟合得到UOC-SOC关系表达式。在仿真软件MATLAB/Simulink中运用扩展卡尔曼滤波法(EKF)对SOC进行仿真预测,通过SOC误差曲线对比可以发现,EKF估计器在起始状态略有误差,但1min内即快速收敛到SOC参考值附近,并且稳定状态下观测误差可维持在0.1%以内,能够满足工程实际应用的要求,证明了扩展卡尔曼滤波法对电池SOC预测的准确性。     

基于PNGV模型储能锂电池参数辨识及SOC估算研究

锂电池因具有比能量高、循环寿命长、对环境无污染等优点,在储能系统中已逐渐得到应用.准确估算锂电池的荷电状态(SOC)可防止电池过充、过放,保障电池安全、充分地使用.为了精确估算储能锂电池SOC,基于PNGV(partnership for a new generation of vehicles)电池等效模型,利用递推最小二乘法(RLS)对模型参数进行在线辨识和实时修正,增强了系统的适应性.结合安时法、开路电压法和PNGV模型,提出了一种实时在线修正SOC算法.根据实验数据,建立了仿真模型,以验算模型和SOC估算算法的精度.仿真结果表明,PNGV模型能真实地模拟电池特性,且能有效地提高SOC估算精度,适合长时间在线估算储能锂电池的SOC.     

基于并行卡尔曼滤波器的锂离子电池荷电状态估计

针对新能源电动汽车的电量显示与安全管理问题,对其锂离子电池的荷电状态展开研究,提出了基于并行卡尔曼滤波器的全寿命下的电池荷电状态(state of charge,SOC)估计算法.建立了电池Thevenin一阶RC等效电路模型,通过开路实验的数据处理获取静态OCV-SOC关系表达式,并利用具有动态遗忘因子的最小二乘法对模型参数进行了辨识.以安时积分法为状态传递方程,在扩展卡尔曼滤波的基础上利用最大似然估计准则使模型噪声协方差具有自学习能力.考虑模型参数随电池寿命衰减而改变的问题设计并行结构的滤波器来分别进行电池状态估计和参数修正,保证了数据传递中的纯洁性和独立性,从而实现了全寿命下的SOC估计.经过仿真实验验证算法的快速收敛性与实时性,估计精度在2％以内.     

基于双自适应卡尔曼滤波的锂电池状态估算

精准的锂电池建模是保证电池储能系统可靠性至关重要的手段.荷电状态(state of charge,SOC)的准确估计保证了特定应用程序的安全高效运行.为了提高SOC的估计精度,首先建立等效电路模型,利用遗忘因子的偏差补偿最小二乘法(bias compensation recursive least squares,BC...