基于AUKF算法的锂电池SOC估算

针对无迹卡尔曼滤波(UKF)算法在估算锂电池荷电状态(SOC)时忽略了系统噪声时变特性问题,导致估算精度降低,故提出了自适应无迹卡尔曼滤波(AUKF)算法.通过建立电池模型,利用UKF对SOC进行估算的同时,结合Sage-Husa自适应滤波算法时刻对系统噪声进行估计和修正,进而提高估算SOC时的精度.通过在不同工况下对...     

基于ASRCKF算法的锂电池SOC估算

针对平方根容积卡尔曼滤波(SRCKF)估算SOC时需要准确获得系统状态及测量噪声协方差这一缺陷,将基于电池模型输出电压残差序列的协方差匹配思想引入平方根容积卡尔曼滤波,提出了自适应平方根容积卡尔曼滤波算法(ASRCKF).以18650型锂电池为实验对象,建立了戴维南等效电路模型,采用递推最小二乘法辨识电池模型参数,最后...     

基于扩展卡尔曼粒子滤波算法的锂电池SOC估计

锂电池荷电状态用来描述电池剩余电量的多少,进而反映电动汽车的续驶里程,是电池管理系统中的核心参数。电池循环次数、瞬间大电流以及温度等因素都会使电池特性发生变化,使用扩展卡尔曼滤波算法对电池荷电状态进行估计,会有较大的误差甚至导致算法不收敛。为了有效地抑制发散以及噪声的影响,基于锂电池混合噪声模型,应用扩展卡尔曼粒子滤波算法对锂电池荷电状态和电流漂移噪声进行同步估计。最后根据充放电试验数据进行仿真分析,结果证明了该算法的优越性。     

基于改进EKF算法的锂电池SOC估算

采用传统EKF算法对电池SOC估算时,系统噪声先验特性未知及电池模型误差会影响电池SOC估算的精度。论文提出一种基于改进EKF算法的锂电池SOC估算方法:通过建立电池等效电路模型,联合安时积分法原理,得到系统的状态空间方程;接着引入数据校正的思想,运用Cauchy鲁棒函数,以EKF观测方程的真实值与估计值之间的残差为依据,实时矫正了滤波状态噪声协方差阵Q,且在SOC区间内通过观测噪声协方差阵R进行了动态调整,使算法具有更强的鲁棒性。仿真结果表明,与传统的EKF算法相比,改进后的EKF算法估算误差降低了3.5%,且算法的平均误差保持在0.68%左右,验证了该方法的有效性及精确性。     

优化神经网络的锂电池SOC估算

神经网络由于强大的非线性逼近能力、不需要建立数学模型等优势可以很好地完成荷电状态(state of charge,SOC)预测.但是常用的BP神经网络也存在学习效率慢、容易陷入局部极小值的缺点.为改进传统神经网络的不足,提高预测精度,提出自适应变异粒子群优化算法(Particle Swarm Optimizition with Adaptive Mutation,AMPSO)与BP神经网络相结合的估算方法.在高级车辆仿真器(ADVISOR)仿真环境下,利用实际工况条件下的数据进行SOC估计,并与PSO、EKF、UKF方法对比,结果显示,优化后的BP神经网络预测误差在2％以内,说明所提的SOC估计方法有更好的预测准确性和稳定性.     

基于改进型Thevenin模型的锂电池SOC估算研究

为实现锂离子电池SOC的准确估算,对传统的Thevenin等效电路模型进行了改进:构建考虑容量变化的二阶Thevenin模型;探究电池实际容量的变化情况,并利用其在模型中进行容量修正;改进HPPC实验对电路模型进行参数辨识,获取相关参数的变化情况;将获取的参数应用于仿真中,将等效电路模型与扩展型卡尔曼滤波结合起来,将仿真与实际测试结果进行比较。研究结果表明:温度和放电倍率对电池实际可用容量影响较大;等效电路模型的参数值也和环境温度密切相关;细化参数的辨识条件后的模型与卡尔曼滤波结合,可以将SOC的估计精度控制在2%以内。     

基于指数冻结因子的锂电池SOC估算算法

纯电动汽车的荷电状态(SOC)表示电池组的剩余电量,其直接决定着驾驶员对电动车车剩余里程及对充放电等的判断。由于扩展卡尔曼滤波(EKF)法时其将其中的噪声按均值为零的高斯白噪声处理,因而使SOC估算精度不高乃至出现滤波发散。为防止该类情况发生,提出了一种基于指数冻结因子自适应滤波算法;该算法在Sage-Husa自适应扩展卡尔曼滤波(SHEKF)法的基础上引入发散判据,当有状态变量估算误差变大而发散时,对卡尔曼增益矩阵构造一个自适应指数冻结因子,有效防止了滤波发散,提高了系统稳定性。通过同传统的扩展卡尔曼滤波(EKF)法相比较,试验验证结果表明新方法具有更高的估算精度以及对滤波发散的有效控制。     

锂电SOC改进无迹卡尔曼滤波估算算法研究

传统无迹卡尔曼滤波(UKF)算法在估算锂离子动力电池荷电状态(SOC)时,常会出现由于电池模型参数不准确和无法预先获取噪声统计特性而使得估算误差增大的问题.针对这些问题,这里提出一种改进的自适应无迹卡尔曼滤波算法(AUKF):该算法通过扩充状态变量法来实现欧姆内阻在线更新,以此提高电池模型精度,并根据实时SOC估计值与真实值的误差,构造滑模观测器实现系统噪声和观测噪声的更新,降低未知噪声的干扰,最后通过不同温度下复杂工况实验,验证了新算法的估计精度和稳定性.     

锂电池开路电压的预估及SOC估算

由于锂电池在多方面的优越性能,它在电动汽车领域的应用也越来越广泛。通过电池恒流充放电特性实验,得到锰酸铁锂电池开路电压(UOCV)与对应SOC的关系曲线及电池放电自恢复曲线,并结合锂电池等效电路模型,利用matlab拟合曲线,推导出开路电压的预估公式,实现对开路电压的预估,解决了开路电压法静置时间长的缺陷。在此基础上,结合安时积分法进行动态SOC估算,通过不断对安时积分法的值进行修正,消除它的累积误差。实验结果表明,该算法能较准确地估算电池的SOC,对电池管理系统的研究有一定参考价值。     

车载锂电池SOC估算方法和应用探析

车载锂电池中的宽电压、两极化特性,会对电池的荷电状态产生比较大的影响,同时,车载锂电池组之间存在明显的不同,以及使用时间的差异性等均会对荷电状态产生不良影响。因此,电池荷电状态,也就是SOC的良好性是保障车载锂电池性能的关键所在。这就需要对车载锂电池组的荷电状态进行准确估算,以此来提升电动汽车电池的使用效率和质量,延长电池组的使用寿命,同时,为电动企业行业的发展奠定良好的基础。基于此,本文就车载锂电池组的荷电状态估算方法和应用进行了分析和探讨,以期为电动汽车电池组的优化提供一些有价值的参考。     

基于安时积分和无迹卡尔曼滤波的锂离子电池SOC估算方法研究

基于Thevenin等效模型建立二阶RC等效电路模型,通过混合脉冲动力功率特性测试实验获取电池脉冲放电数据,进行电池等效电路参数辨识。为弥补锂离子电池荷电状态在90%~100%区间时电池模型参数辨识拟合误差而引起其估算误差的缺陷,综合采用安时积分与无迹卡尔曼滤波估算电池荷电状态。使用硬件在环仿真测试平台及环境模拟测试平台进行电池管理系统设计,在不同工况下对电池进行荷电状态估算,结果表明荷电状态估算误差范围为-1.5%~1.0%,该方法估算精度较高,效果理想。     

基于卡尔曼滤波的磷酸铁锂电池SOC管理系统研究

针对电池电量检测效率与精度的问题,设计一种基于卡尔曼滤波算法的电池电量管理系统。该系统用卡尔曼滤波算法精确估测电池电量初始值,用安时法进行过程控制,并加入温度补偿,有效提高了实用环境下电池电量管理系统对SOC的估测效率与精度。与基于开路电压法和安时法的系统相比,该系统具有估测精度高,控制准确稳定,环境适应性强等特点,能够满足电池电量管理的实时性与准确性的需要。     

双卡尔曼滤波算法在锂电池SOC估算中的应用

以在线估计锂离子电池组的荷电状态(SOC)为目的,建立了双卡尔曼滤波(DEKF)算法.以Thevenin电池模型和卡尔曼滤波算法为基础,对电池模型建立了状态空间表达式.分别采用最小二乘法和DEKF算法对该模型参数进行辨识,提高了该模型的精度,使电池模型能够较好地反映电池内部的真实状态.介绍了双卡尔曼滤波算法在线估算荷电状态的原理,并设计了相关的电池测试实验.实验结果表明在不同的工况环境下,该算法在线估计SOC具有较高的精度和对环境的适应度,最大误差小于4.5％.最后,验证了DEKF算法具有较好的收敛性和鲁棒性,可以有效解决初值估算不准和累积误差的问题.     

不同放电倍率下锂电池SOC估算分析研究

电动汽车作为新型节能环保的交通工具之一,以常用磷酸铁锂电池为研究对象,分析电池欧姆内阻是否对荷电状态(State of Charge,SOC)的估算存在影响。通过不同放电倍率的混合脉冲功率特性(Hybrid Pulse Power Characteristic,HPPC)实验对电池欧姆内阻进行了分析和辨识,并提出了一种实时修正欧姆内阻的原理和方法,以建立等效电路模型和滤波算法方法实现了在不同放电倍率下的SOC估算,报告了不同放电倍率下欧姆内阻对估算SOC及汽车容量信息显示存在影响的现状。研究结果表明,电池欧姆内阻对SOC估算及电动汽车剩余容量信息的显示具有直接的影响。     

融合GM(1,1)先验估计的扩展卡尔曼SOC估算

锂电池荷电状态(State of Charge,SOC)估算是电池管理系统(Battery Management System,BMS)的关键,准确估算SOC对合理使用动力电池、推动电动汽车的发展有重要意义。为避免安时积分法对SOC估算造成随时间累积的误差,以及在驱动参数设置不科学的情况下,扩展卡尔曼启动阶段性能差等问题,提出融合GM(1,1)先验估计的扩展卡尔曼SOC估算策略。在初始阶段使用安时积分来估算SOC值作为GM(1,1)模型的原始数据序列,以GM(1,1)模型替代EKF算法中的先验估算,保证状态估算的优良启动性能以及加快收敛速度,结合实时观测值对先验状态进行修正,随着迭代次数增加,后验估算值逐步淘汰GM(1,1)模型原始数据序列中的值,使得估算值主要依赖于实施监测实时检测的修正。实验结果表明,该方法有效提高了SOC估算精度,其估计精度在2%内,为电池管理系统的搭建与锂电池组的均衡提供了判断依据。     

基于平方根无迹卡尔曼神经网络的铝电解工耗模型

铝电解过程中传统机理建模及静态建模等方法难以建立精确过程模型。采用平方根无迹卡尔曼神经网络算法构建铝电解工耗模型。无迹卡尔曼神经网络滤波与平方根滤波理论相结合,改进无迹卡尔曼神经网络滤波算法,利用协方差矩阵的平方根代替无迹卡尔曼算法中的协方差矩阵参与递推运算,解决铝电解建模过程中出现误差协方差矩阵非正定型而导致滤波发散的问题,并且提高了模型的自适应能力和精确度。通过对某铝厂出铝情况的日报样本进行验证,对比神经网络模型和无迹卡尔曼神经网络模型,平方根无迹卡尔曼神经网络提高了铝电解工耗模型精度和可靠性,表明了该方法的有效性、先进性和可靠性。     

基于双层修正无迹卡尔曼的水下节点定位算法

针对水下无线传感网络中运动节点定位精度低的问题,提出了一种新的基于双层修正无迹卡尔曼的水下节点定位算法(DLMUKF)。该算法利用下层无迹卡尔曼滤波算法对节点状态进行预测,根据各信标节点的测距传播时延对预测的节点状态进行修正。运用上层无迹卡尔曼滤波算法对修正后的状态进行新的预测与修正。仿真实验中,DLMUKF算法的平均定位误差约为传统多边定位算法的15%,约为基于无迹卡尔曼滤波(UKF)定位算法的16%,受节点运动时间与速度的影响最小。通过实验证明DLMUKF算法能更充分利用实际距离值,可以有效减小运动节点的定位误差。     

汽车行驶状态无迹卡尔曼软测量

为了有效解决电动汽车在行驶过程中的车速、质心侧偏角和横摆角速度等参数低成本测量的问题,采用无迹卡尔曼滤波(UKF)搭建了软测量算法.该算法充分考虑了电动汽车非线性的车辆运动状态估计,对于轮胎侧向力的估计采用非线性的魔术轮胎模型.通过联合仿真实验方法,验证了所建立的软测量算法能够准确、实时地估计出电动汽车的运动参数.     

基于遗传神经网络的电动汽车锂电池SOC预测

针对传统方法在电动汽车锂电池荷电状态（State of Charge,SOC）预测中的局限和不足,提出了一种基于遗传神经网络的电池SOC预测算法.该算法的整体方案首先给出了车载锂电池状态监测系统的软硬件实现,在该系统上以不同的放电倍率对磷酸铁锂电池进行了放电实验,获取了其放电过程中电压、电流和SOC的样本数据,然后利用遗传算法全局寻优能力对神经网络中的连接权值和阈值进行了优化,用实验所得的样本数据训练BP神经网络,根据训练好的神经网络对锂电池SOC进行了预测并将其与真实SOC进行对比,以验证算法的可行性.研究结果表明,该方案可通过电压、电流的实时测量值获知锂电池的剩余电量,具有收敛速度快、预测误差小、适应范围广的特点,有效解决了电动汽车锂电池的SOC预测问题.     

半主动悬架的无迹卡尔曼状态观测器设计

卡尔曼滤波器是线性动态系统中应用最广泛的一种状态估计方法。在非线性系统中,扩展卡尔曼滤波(EKF)和无迹卡尔曼滤波(UKF)被广泛应用,相比扩展卡尔曼滤波器,无迹卡尔曼滤波器准确度更高、更易于实现。在车辆动力学这种强的非线性系统中,无迹卡尔曼滤波器应用广泛。设计了一种基于无迹卡尔曼滤波器的半主动悬架系统状态观测器,讨论了不准确的过程噪声协方差Q和测量噪声协方差R、及测量信号组合的选择和不准确的模型参数对状态观测精度的影响,仿真结果表明不准确的过程噪声和测量噪声协方差、不合适的测量信号选择和模型参数不准确的干扰在不同程度上降低了状态估计精度。