基于UKF-AUKF锂电池在线参数辨识和SOC联合估计

锂电池荷电状态(SOC)的精确估计是电动汽车安全行驶的保障。为了降低实际复杂工况下电池模型不契合实际电池参数时变特性造成的误差,采用无迹卡尔曼滤波算法(UKF)对电池模型进行在线参数辨识,再联合自适应无迹卡尔曼滤波算法(AUKF)估计锂电池SOC,将时变参数反馈到SOC估计的模型中,提高SOC估计精度和对各工况适应性,UDDS工况下通过与离线扩展卡尔曼滤波算法(EKF)、在线双扩展卡尔曼滤波算法(DEKF)进行比较分析,实验结果验证了UKF-AUKF的精确性和鲁棒性。     

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...     

基于自适应无迹卡尔曼滤波算法的锂离子动力电池状态估计EI北大核心CSCD

应用传统的无迹卡尔曼滤波(unscented Kalman filter,UKF)算法估计电动汽车锂离子动力电池核电状态(state of charge,SOC)时,常会出现由于电池模型参数不准确而造成估计误差增大的问题,该文采用了自适应无迹卡尔曼滤波(adaptive unscented Kalman filter,AUKF)算法解决该问题。AUKF算法是一种循环迭代算法,可以实时估计电池模型中的欧姆内阻,提高电池模型准确性,从而提高电池SOC估计精度。另外,电池的欧姆内阻可以表征电池的健康状态(state of health,SOH),因此还可以根据电池的欧姆内阻估计出电池的SOH。在设定工况下对电池做充放电实验,实验分析表明,与UKF相比,AUKF提高了电池SOC估计的精度,并能准确的估计出电池的欧姆内阻。     

基于自适应无迹卡尔曼滤波算法的锂离子动力电池状态估计

应用传统的无迹卡尔曼滤波(unscented Kalman filter,UKF)算法估计电动汽车锂离子动力电池核电状态(state of charge,SOC)时,常会出现由于电池模型参数不准确而造成估计误差增大的问题,该文采用了自适应无迹卡尔曼滤波(adaptive unscented Kalman filter,AUKF)算法解决该问题。AUKF算法是一种循环迭代算法,可以实时估计电池模型中的欧姆内阻,提高电池模型准确性,从而提高电池SOC估计精度。另外,电池的欧姆内阻可以表征电池的健康状态(state of health,SOH),因此还可以根据电池的欧姆内阻估计出电池的SOH。在设定工况下对电池做充放电实验,实验分析表明,与UKF相比,AUKF提高了电池SOC估计的精度,并能准确的估计出电池的欧姆内阻。     

基于自适应无迹卡尔曼滤波的动力电池SOC估计

针对传统无迹卡尔曼滤波(unscented Kalman filter,UKF)算法估计电池SOC时,在未知的干扰噪声条件下滤波精度较低和稳定性较差等问题,基于等效的二阶RC电路模型,提出自适应无迹卡尔曼滤波(adaptive unscented Kalman filter,AUKF)算法.在模型参数辨识的基础上,构建...     

基于综合型卡尔曼滤波的锂离子电池荷电状态估算

针对锂离子电池的荷电状态(SOC)估算问题,给出一种综合型卡尔曼滤波算法。该算法采用递推最小二乘算法(RLS)对锂离子电池模型参数进行实时在线辨识和参数更改;采用综合型卡尔曼滤波器估计电池SOC,即针对模型状态空间方程中的线性部分和非线性部分,分别使用线性卡尔曼滤波器(KF)和平方根高阶容积卡尔曼滤波器(SHCKF)计算。两种卡尔曼滤波器结合的综合型策略能够有效减小计算复杂度。其中,SHCKF结合了五阶球面-径向容积法则和平方根滤波技术,比扩展卡尔曼滤波器(EKF)、无迹卡尔曼滤波器(UKF)和容积卡尔曼滤波器(CKF)等传统非线性滤波器的估计精度更高,数值稳定性更强。实验结果证明了该综合型算法的可行性和有效性。     

自适应渐消无迹卡尔曼滤波锂电池SoC估计

精确的荷电状态(SoC)是锂电池安全高效运行的重要保障, 文章针对传统无迹卡尔曼滤波(UKF)对非线性系统突变状态跟踪能力差, 导致SoC估计精度低的问题, 提出一种新型自适应渐消无迹卡尔曼滤波(AFUKF)SoC估计方法。首先, 通过设计新型衰减因子对UKF误差协方差矩阵进行加权, 并基于新型衰减因子完成AFUKF的设计, 减小陈旧量测值对估计结果的影响, 提高传统UKF的估计精度和跟踪能力。其次, 基于自主实验平台测试数据, 验证了本文所提AFUKF算法存在初始误差时, 相较于传统UKF算法, ECE工况下平均绝对误差和均方根误差分别下降了47.95%和33.92%, DST工况下分别下降了36.40%和27.73%; 相较于同类改进的AUKF算法, ECE工况下平均绝对误差和均方根误差分别下降了43.36%和33.51%, DST工况下分别下降了39.01%和25.63%。模型结果表明, 相比于传统UKF算法以及同类型改进的AUKF算法, AFUKF具有更高的估计精度, 且在相同初始SoC误差条件下具有更好的鲁棒性。     

基于无迹粒子滤波的车载锂离子电池状态估计

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。     

基于分数阶锂电池模型的FOMIAEKF算法SOC估计

以分数阶微分理论为依据,建立分数阶二阶RC等效电路模型,采用自适应遗传算法(AGA)结合脉冲放电实验对模型的参数进行辨识,并对整数阶模型和分数阶模型的精度进行对比.针对分数阶模型的特点以及扩展卡尔曼滤波器(EKF)算法的不足,提出了基于分数阶模型的多新息自适应EKF算法,通过与健康状态(SOH)联合估计来实时修正荷电状态(SOC)模型参数.结果表明,搭建的分数阶模型可以更好地描述锂电池的特性,分数阶多新息自适应扩展卡尔曼滤波器(FOMIAEKF)算法和联合估计方法可以有效提高估算的精度和跟踪的速度.     

基于分数阶模型的锂离子电池SOC与SOH协同估计

锂离子电池荷电状态(SOC)和健康状态(SOH)的精确估计对电动汽车稳定运行十分重要.以精确估计电池SOC和SOH为目标,提出了一种基于分数阶模型的协同估计算法.建立基于二阶RC电路模型的分数阶电池模型,采用自适应遗传算法(AGA)辨识模型参数,利用分数阶扩展卡尔曼滤波(FOEKF)算法估计SOC,并结合自适应无迹卡尔曼滤波(AUKF)算法估计SOH,迭代更新内阻与SOC进而实现SOC与SOH精确的协同估计.在城市道路循环工况(UDDS)下使用Matlab工具验证和对比了算法精度,平均误差均控制在2％以内.结果表明,该协同估计算法能够精确估计电池SOC和SOH,为电池状态估计提供了一种方法.     

基于自适应无迹卡尔曼滤波的电力系统动态状态估计

无迹卡尔曼滤波(unscented Kalman filter,UKF)是种非线性滤波方法。由于假设系统噪声的方差为常数,UKF的估计结果会受到未知系统噪声的影响。为减小未知系统噪声对动态状态估计的影响,提出了种改进的自适应UKF(adaptive unscented Kalman filter,AUKF)算法。该方法通过在UKF中引入渐消记忆指数加权的Sage-Husa噪声统计估值器,能够估计时变系统噪声的均值和方差。利用IEEE57和IEEE 118测试系统,在典型日负荷条件下对AUKF方法的有效性进行仿真验证,结果表明所提出的AUKF算法与传统UKF方法相比,在不增加计算复杂度的同时,能够提高状态估计精度。     

基于改进PNGV模型的电池SOC估计算法研究

针对储能磷酸铁锂电池并根据磷酸铁锂电池电化学阻抗谱研究,提出一种双RC并联环节的改进PNGV模型,在HPPC实验下辨识模型参数。针对扩展卡尔曼滤波(EKF)算法在估计电池荷电状态(SOC)时不能实时估测噪声的缺点,将Sage-Husa自适应算法引入EKF算法得到自适应扩展卡尔曼滤波算法,并通过对噪声实时预测和修正来提高电池SOC估计精度。在Matlab/Simulink中搭建电池及SOC估计仿真模型并在模拟动态工况下进行仿真。仿真结果表明改进PNGV模型精度优于PNGV模型;自适应扩展卡尔曼滤波算法估计电池SOC时较EKF算法收敛速度更快,估计精度更高。模型及算法的改进取得较好的效果。     

基于改进Sage-Husa的自适应无迹卡尔曼滤波的锂离子电池SOC估计

扩展卡尔曼滤波(EKF)算法估计锂离子动力电池荷电状态(SOC)时,由于系统噪声的不确定,可能导致估计算法不精确,并且算法中的线性化处理受电池模型的影响很大。为了解决上述两个问题,本文采用改进Sage-Husa的自适应无迹卡尔曼滤波法(AUKF)来动态地估计多元复合锂离子电池的SOC。与EKF相比,改进Sage-Husa的自适应卡尔曼滤波法提高了SOC估计的精度,并能够实时修正微小的模型误差带来的SOC估计误差,实时的工况模拟证明了该算法更适用于多元复合锂离子电池的动态SOC估计。     

基于神经网络和MS-AUKF算法的蓄电池荷电状态估计

蓄电池的荷电状态(state of charge,SOC)是表征电池当前剩余电量的重要参数。提出一种基于神经网络和主从式自适应无迹卡尔曼滤波(masterslaveadaptiveunscented Kalmanfilter,MS-UKF)算法的SOC估计方法。首先,建立蓄电池的戴维南(Thevenin)二阶模型,针对开路电压与电池SOC之间的非线性关系,采用神经网络模型代替多项式模型,以提高拟合精度。根据实时测量数据,基于最小二乘法在线确定电池模型的参数。针对传统的扩展卡尔曼滤波(extendedKalmanfilter,EKF)和无迹卡尔曼滤波(unscented Kalman filter,UKF)方法存在噪声方差固定,会产生误差造成估计精度不高的问题,采用MS-AUKF算法。该算法的主滤波器用来估计系统状态,辅助滤波器用来估计噪声方差矩阵。算法每次迭代时更新系统模型的噪声方差,克服了传统卡尔曼滤波算法中,噪声方差初值人为设定可能导致滤波发散的缺点。仿真结果表明,相比于EKF、UKF算法,MSAUKF在估计电池SOC时具有更高的精确度和收敛速度。     

基于UKPF算法的锂离子电池SOC估算

电池在工作时电流变化剧烈,使用传统无迹卡尔曼算法(UKF)估算电池荷电状态(SOC)时有较大误差.为了提高SOC估算精度,基于锂离子电池混合噪声模型,利用粒子滤波算法对无迹卡尔曼的滤波进行修正,得到无迹卡尔曼粒子滤波算法(UKPF),并用该方法来估算锂离子电池的SOC.实验结果表明,UKPF算法SOC的估算误差小于2.1％,明显优于UKF和PF算法.     

基于FFRLS和ASR-UKF滤波算法的锂电池SOC估计

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。     

观测模型误差不确定的锂电池SOC估计方法

建立的锂电池非线性系统中存在不确定的观测模型误差时,会影响滤波器估计的精度和稳定性,严重时还会导致估计结果发散。针对这一问题,基于变分贝叶斯自适应滤波方法,提出了一种鲁棒UKF算法。该算法构建虚拟观测噪声用来补偿观测模型误差,并采用逆Wishart分布对虚拟观测噪声协方差建模。在变分迭代过程中,实现对系统状态和虚拟观测噪声协方差的联合后验概率估计,使估计结果自适应地逼近到真实分布。利用无迹卡尔曼滤波对系统状态进行更新。结合锰酸钾锂电池非线性模型进行仿真实验表明,该算法估计锂电池荷电状态具有很好的精度、跟踪速度以及鲁棒性。     

简化分数阶AEPF的锂电池SOC估计算法

电池极化效应、随机干扰以及电池在整个寿命周期内高度非线性和动态特性,给电池荷电状态(SOC)在线精确估计带来了许多挑战。等效模型的精确表达与估计算法的优化设计是提高SOC估计精度的两大重要技术路线。对此,提出了基于分数阶模型自适应扩展卡尔曼粒子滤波(FOAEPF)的SOC估计方法。对分数阶模型(FOM)的二项式系数的求和项进行了适当的截断,从而得到了能够有效降低计算量的简化分数阶模型。然后运用AEPF算法估计电池的SOC。自适应扩展卡尔曼滤波被用作粒子滤波算法的建议分布函数,不但解决了粒子滤波算法的粒子退化问题,而且能够充分结合两类算法的优势实现二次滤波。多组实验的测试结果表明所提出的方法在削减计算负担的基础上,能够进一步提高电池SOC估计精度与鲁棒性。     

基于ABC-RFEKF算法的锂电池SOC估计

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。     

基于自适应无迹卡尔曼算法的工业物联网数据融合处理

为提高工业物联网实测数据精度,减少数据冗余、测量误差,提出了一种使用自适应无迹卡尔曼滤波(AUKF)算法对工业物联网中的多传感器信息进行数据融合处理的方法。首先给出并比较卡尔曼算法以及常规无迹卡尔曼(UKF)算法、AUKF算法原理及数学模型;在工业传感器观测值的基础上,分别应用常规UKF、AUKF算法对数据进行融合处理,并对仿真结果进行数值分析。结果表明,使用改进AUKF算法较其他数据融合算法能够显著提高状态估计的准确性和系统稳定性,可适用于工业物联网的实时生产环境。