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...     

基于融合算法的车载锂电池荷电状态估计

动力电池的荷电状态(State Of Charge,SOC)是电池管理系统(Battery Management System,BMS)的关键内容。本文采用遗传算法(Genetic Algorithm,遗传算法)和BP神经网络(BP neural network)相结合的方法对动力锂电池进行荷电状态估计,通过从NASA中提取的锂电池充放电数据进行训练和测试得到的SOC估计值与真实值的对比分析,基于这种融合算法的锂电池SOC估算误差在2.5%以内,验证了提出的电池估计方法的有效性。     

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。     

基于组合模型的锂电池参数辨识和电池荷电状态在线联合估计

针对电池荷电状态(SOC)估算过程中开路电压与SOC之间的迟滞效应以及充放电电流和端电压中噪声的影响,提出了基于组合模型的Frisch 方案双滤波（FSDF）法。先通过一阶RC等效电路模型结合Preisach离散模型建立新的模型,随后采用Frisch 方案对模型的输入输出进行噪声方差估计,滤除部分输入输出噪声,最后使用扩展卡尔曼滤波结合无迹卡尔曼滤波进行参数实时更新和电池单体SOC估算。实验证明,FSDF方法对锂电池SOC估算结果与Frisch方案递推最小二乘无迹卡尔曼滤波法等其他方法相比,具有精度高、鲁棒性好等特点。     

径向基粒子滤波状态跟踪测量算法

状态跟踪测量的过程噪声降低了目标信噪比,增加了自适应滤波跟踪的难度。当误差较大时,基本粒子滤波算法的预测累积误差效应将导致系统发散。无迹粒子滤波算法利用无迹卡尔曼滤波提高重要性函数估计精度,减少后验概率密度分布误差,但同时也将大幅增加运算时间。提出一种基于径向基函数网络(RBFN)的改进型粒子滤波算法PF-RBF,利用RBFN通过目标状态观测值和全局预测值拟合状态变化趋势,更新各粒子状态,提高先验概率密度分布估计精度,消除过程噪声引起的估计误差。与无迹粒子滤波(UPF)算法相比,该算法无需构造无迹卡尔曼滤波(UKF)重要性函数,提高了运算速度。机动目标跟踪试验表明,径向基粒子滤波算法在线性和非线性观测方程下的状态跟踪测量精度和算法稳定性均优于UKF、PF和UPF算法,可有效实现对状态变化的实时鲁棒跟踪。当参与运算的粒子数增加时,PF-RBF算法执行时间的增长速率较UPF算法更低,可满足高精度状态跟踪应用。     

基于改进型采样点卡尔曼滤波的矿用电池SOC估计

为了实时、准确地估计矿用电池SOC值,通过采用加权统计线性回归法实现模型函数线性化,将采样点卡尔曼滤波技术应用到矿用电池SOC估计中。针对有限的电池管理系统资源,基于电池状态观测复合模型的状态方程线性和观测方程非线性的特点,提出了将标准卡尔曼滤波和采样点卡尔曼滤波组合的非线性滤波算法;为了使得该算法具有应对突变状态的强跟踪能力和应对模型不准确的鲁棒性,引入了奇异值分解,采用特征协方差矩阵代替误差协方差矩阵,并基于强跟踪原理引入了次优渐消因子。仿真结果表明,基于改进型采样点卡尔曼滤波的矿用电池SOC估计算法兼顾估计精度和运算量,并具有跟踪突变状态和应对模型不准确的鲁棒性,完全适用于资源有限的矿用电池SOC估计;可见,该算法具有良好的实际应用价值。     

5基于改进型采样点卡尔曼滤波的矿用电池SOC估计

为了实时、准确地估计矿用电池SOC值,通过采用加权统计线性回归法实现模型函数线性化,将采样点卡尔曼滤波技术应用到矿用电池SOC估计中.针对有限的电池管理系统资源,基于电池状态观测复合模型的状态方程线性和观测方程非线性的特点,提出了将标准卡尔曼滤波和采样点卡尔曼滤波组合的非线性滤波算法;为了使得该算法具有应对突变状态的强跟踪能力和应对模型不准确的鲁棒性,引入了奇异值分解,采用特征协方差矩阵代替误差协方差矩阵,并基于强跟踪原理引入了次优渐消因子.仿真结果表明,基于改进型采样点卡尔曼滤波的矿用电池SOC估计算法兼顾估计精度和运算量,并具有跟踪突变状态和应对模型不准确的鲁棒性,完全适用于资源有限的矿用电池SOC估计;可见,该算法具有良好的实际应用价值.     

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.     

改进粒子滤波算法对电动汽车电池SOC的估计

引入SIR粒子滤波算法用于估算电动汽车电池的荷电状态(State of charge,SOC),利用系统状态连续近似分布进行采样的正则化滤波算法解决了SIR粒子滤波算法多样性匮乏问题。结合安时法构建电动汽车电池的状态空间模型,进而对电池模型进行参数辨别,结合SIR粒子滤波算法和改进后的粒子滤波算法在MATLAB中进行实验仿真。仿真结果显示,随着时间的增加,SIR粒子滤波算法估算电池SOC误差会变大,改进后的粒子滤波算法估算电池SOC一直逼近真实值,比SIR粒子滤波算法精度高、适应性更好,为电动汽车电池SOC的估算提供了新思路。     

基于双自适应无迹卡尔曼滤波算法的锂电SOC/SOH联合估计

合理准确地估算出电池荷电状态（SOC）与健康状态（SOH）对电动汽车安全运行和能量分配有重大意义。目前锂离子动力电池状态参数的研究中,很少考虑两个参数在估算过程中的相互影响;传统无迹卡尔曼滤波（UKF）算法在应用时,常因难以真实模拟实际噪声导致估算误差增大。针对这些问题,这里以电池Thevenin等效电路模型为基础,结合改进的AUKF,提出双自适应无迹卡尔曼滤波算法（DAUKF）,实时更新计算模型参数,实现SOC与SOH的联合估算,提高算法的估算精度。最后通过实验及仿真对比,验证了该算法的可行性及估算精度。     

基于扩展卡尔曼滤波法的锂离子电池SOC估算

SOC(State of Charge)的准确估算可以为整车控制提供良好的判断依据,本文采用扩展卡尔曼滤波法,基于戴维南(Thevenin)模型对锂离子电池SOC的估算进行了研究。并通过工况实验,在MATLAB环境下对该算法进行了仿真验证,结果证明扩展卡尔曼滤波法可以有效跟踪锂离子电池SOC的变化,并且抗干扰能力强,具有较高的控制精度。     

[动力电池]基于双时间尺度扩展卡尔曼粒子滤波算法的电池组单体荷电状态估计

为实现对电池组单体荷电状态(SOC)的精确估算,首先对锂电池组单体建立增强自校正(ESC)模型,然后根据锂电池ESC模型建立电池组平均模型和各单体SOC差异模型,再对其用双时间尺度的扩展卡尔曼粒子滤波(EKPF)算法来估算电池组平均SOC值和各单体差异SOC值,从而得到电池组中各单体SOC值。对12节锂电池串联电池组进行SOC估算实验,结果表明,基于双时间尺度EKPF算法的电池组单体SOC估计方法可实现对单体SOC的精确估计,且该方法比双时间尺度扩展卡尔曼滤波算法和扩展卡尔曼滤波(EKF)算法具有更高的估算精度。     

基于粒子滤波算法的动力电池SOC估计

针对电池荷电状态(SOC)容易受到电流、温度、循环寿命等非线性因素的影响,建立基于温度和电流变化的电池容量修正方程。结合安时法和复合电化学原理构建电池状态空间模型。由于粒子滤波算法对非高斯、非线性系统的适应性,因此选用粒子滤波算法来研究电池SOC估计。通过美国FTP-75工况和NEDC工况实验仿真显示,基于粒子滤波算法的电池SOC估计比扩展卡尔曼滤波算法估计精度高、适应性好。     

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.     

电动汽车动力电池SOH估计方法探讨

实时估计电动汽车动力电池健康状态(State of Health,SOH),对于充分保证每个电池组的充/放电性能,延长整个电池组的寿命具有重要意义。作为电池管理系统的重要组成部分,相比于电池荷电状态(State of Charge,SOC)和电池均衡系统的研究,SOH估计方法的研究明显落后。简单介绍了SOH的定义及影响因素,按照离线估计方法和在线估计方法进行分类,探讨了常见的SOH估计方法。最后展望了SOH估计方法的发展趋势,指出基于卡尔曼滤波的在线估计和智能学习神经网络的方法将是未来的主流方法。     

蓄电池SOC估算方法概述

电池荷电状态(State of Charge,SOC)作为电池状态重要的评价指标,很难通过直接测量获得。传统方法通过物理指标侧面估算SOC的大小,存在一定的局限性。因此,研究拓展卡尔曼滤波法(Extended Kalman Filter,EKF)、BP神经网络(BP Neural Network)以及模糊控制方法等估计SOC值的方法,分析各种方法的实现过程及优缺点,提出了一种BP和EKF相结合的方法用于SOC值的估计。该方法可提高EKF的收敛性,并增加了SOC值估计的准确度。     

基于UKF滤波的自主移动机器人锂电池SOC估计

准确估计剩余电量(state of charge,SOC)关系到自主移动机器人(AMR)的生存与安全,是AMR研究中所面临的主要挑战之一.针对广义卡尔曼滤波估计SOC的不足,本文给出基于无色卡尔曼滤波(UKF)估计AMR锂电池SOC的新方法.通过试验对UKF和EKF进行了比较.试验验证了同样条件下,UKF比EKF具有更好的滤波估计精度.     

基于自适应高斯-厄米特滤波的锂电SOC估算研究

对锂电池荷电状态(state of charge,SOC)进行准确地估算十分重要.由于SOC呈非线性特征,并且受多种因素的动态影响,准确估计困难.本文利用高斯-厄米特滤波(Gauss-Hermite filter,GHF)的思想,结合Thevenin等效电路模型,提出一种自适应高斯-厄米特滤波(adaptive Gauss-Hermite filter,AGHF)算法对SOC实时估计更新.利用MATLAB/Simulink建立仿真模型,并与扩展卡尔曼滤波(extended Kalman filter,EKF)算法及传统的高斯-厄米特滤波算法相比较.通过分析对比可以发现该算法的估算精度较高,可以有效地控制滤波发散.     

基于自适应高斯-厄米特滤波的锂电SOC估算研究

对锂电池荷电状态(state of charge,SOC)进行准确地估算十分重要.由于SOC呈非线性特征,并且受多种因素的动态影响,准确估计困难.本文利用高斯-厄米特滤波(Gauss-Hermite filter,GHF)的思想,结合Thevenin等效电路模型,提出一种自适应高斯-厄米特滤波(adaptive Gauss-Hermite filter,AGHF)算法对SOC实时估计更新.利用MATLAB/Simulink建立仿真模型,并与扩展卡尔曼滤波(extended Kalman filter,EKF)算法及传统的高斯-厄米特滤波算法相比较.通过分析对比可以发现该算法的估算精度较高,可以有效地控制滤波发散.