基于扩展卡尔曼滤波的小型无人机锂电池组SOC估计

在锂电池组提供动力的小型无人机中,对锂电池组进行准确、可靠的荷电状态估计(state of charge,SOC)尤为重要。针对传统SOC估算方法存在计算量大、估计不准确等缺点,通过对锂电池组建立Thevenin模型,提出了一种基于扩展卡尔曼滤波(Estimationkalmanfilter,EKF)算法的小型无人机锂电池组SOC实时估算方法。通过采用串联7节4Ah钴酸锂电池单体的锂电池组进行实验验证。实验表明该方法对小型无人机锂电池SOC估计误差低于4%,在误差允许范围内,基本满足了对小型无人机锂电池组SOC在线估计的需求。     

基于数据驱动的电池系统泛化SOH估计方法

准确可靠的电池健康状态估计是保证锂离子电池安全运行的关键,同时为失效预警提供参考。提出一种适用于电池单体和电池组的健康状态估计通用方法。首先,提出基于局部充放电数据的电池单体高效健康因子提取方法,保证健康因子和容量的高相关性和实现健康因子的在线可获取性。其次,提出考虑电池组容量衰减和不一致性的特征生成策略,利用主成分分析获取融合特征,利用双时间尺度滤波和电池组等效电路模型拓宽特征提取方法的应用范围。然后,基于高斯过程回归算法框架,考虑健康因子和容量衰减的整体关系和局部变化提出改进的高斯核函数提高估计精度和可靠性。最后,利用多个试验数据集验证算法在不同应用条件下的泛化能力。估计结果表明,对恒流放电工况的电池单体估计误差小于1.28%,在动态变温条件下电池单体估计误差小于1.82%;串联电池组的验证结果表明在各种应用场景下估计误差均小于1.43%。提高了电池系统健康状态估计的精度以及在广泛应用场景下的适应性。     

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。     

一种退役锂电池健康状态估计方法

针对退役锂电池健康状态估计效率较低的现状,提出一种快速、有效的估计方法。首先采用3阶RC等效电路模型描述电池特性得出状态方程,确保电池模型精确性,同时引入电池荷电状态SOC(State of charge)和欧姆内阻(R₀)作为状态方程参数。其次利用区域概念,计算出特定的区域容量与区域电压,减少电池参数估计所需要的数据、时间。然后通过扩展卡尔曼滤波(Extended kalman filtering)算法估计电池参数SOC和R₀,进而对电池健康状态(State of health, SOH)进行估计。最后,利用电池测试设备(Arbin-BT2000)对18650电池进行充放电实验,验证该方法的可行性。实验结果证明SOH估计所需参数明显减少,使得电池数据测量所需时间明显缩短,并且估计误差不超过4%,误差较小,说明所提出方法能快速、有效地估算出电池SOH。     

基于模糊卡尔曼滤波器的锂电池荷电状态与健康状态预测

针对当前锂电池荷电状态(State of charge, SOC)与健康状态(State of health, SOH)预测精度较低的问题,提出了一种基于模糊卡尔曼滤波器的预测方法。采用非线性二阶电阻电容模型表示锂电池,并通过最小二乘误差优化算法对模型参数进行估计,从而更准确地确定蓄电池容量作为SOH值的基础。扩展卡尔曼滤波器(Extended Kalman filter, EKF)可在初始SOC值未知的情况下对其进行准确预测,而模糊逻辑有助于消除测量和过程噪声。仿真结果表明,在城市测功机驱动计划期间(Urban dynamometer drving schedule, UDDS)测试中最大的SOC估算误差是0.66%;通过离线更新卡尔曼滤波器,可对电池容量进行估计,结果表明,最大估计误差为1.55%,从而有效提高了SOC值的预测精度。     

基于模糊卡尔曼滤波器的锂电池荷电状态与健康状态预测（英文）

针对当前锂电池荷电状态(State of charge, SOC)与健康状态(State of health, SOH)预测精度较低的问题,提出了一种基于模糊卡尔曼滤波器的预测方法。采用非线性二阶电阻电容模型表示锂电池,并通过最小二乘误差优化算法对模型参数进行估计,从而更准确地确定蓄电池容量作为SOH值的基础。扩展卡尔曼滤波器(Extended Kalman filter, EKF)可在初始SOC值未知的情况下对其进行准确预测,而模糊逻辑有助于消除测量和过程噪声。仿真结果表明,在城市测功机驱动计划期间(Urban dynamometer drving schedule, UDDS)测试中最大的SOC估算误差是0.66%;通过离线更新卡尔曼滤波器,可对电池容量进行估计,结果表明,最大估计误差为1.55%,从而有效提高了SOC值的预测精度。     

基于云端计算的SOC估计策略

荷电状态(SOC)是锂电池的重要参数。现有的SOC估计方法并不能很好地反映锂电池健康状态随着时间变化而变化的特征。结合云计算技术和无线通信技术,针对车载SOC估计中计算量和存储量不足的问题,提出了一种基于云端计算的SOC估计架构,并通过仿真试验验证了这一方法的有效性。     

[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。     

基于电化学阻抗谱的退役动力电池荷电状态 和健康状态快速预测

针对现阶段检测退役动力电池健康状态存在的耗时长、精度低和能耗大等问题,提出了一种基于电化学阻抗谱(EIS)的电池荷电状态(SOC)和健康状态(SOH)的快速预测方法。通过对退役磷酸铁锂动力电池在不同SOH、不同SOC和不同温度下的EIS测试和分析,建立了EIS等效电路模型。然后,利用常相位元件参数与退役动力电池SOC和SOH之间的关系,建立数学模型,实现对退役动力电池SOC和SOH的快速估计。验证实验表明,利用这种方法,可以大大减少测试时间至20min以内、节约能源以及实现对未知荷电状态和健康状态的电池的快速估计,预测误差在4%以内。     

电动汽车锂离子动力电池健康状态在线诊断方法

随着电动汽车的快速发展,高比能锂离子电池的衰减问题日益受到关注,其健康状态是耐久性管理的核心参数,对延长电池寿命提高系统可靠性至关重要。以三元材料锂离子电池为研究对象,基于正负极的开路电压模型,描述正负极和全电池的匹配关系并在全新电池尺度上重构其开路电压-荷电状态曲线,分析正负极匹配关系在电池经历各种老化模式后的演变特性,从而在全新电池尺度上重构老化电池的开路电压-荷电状态曲线,并据此提出了改进的锂离子电池老化模式无损定量诊断方法,克服了现有方法必须以电池的真实开路电压-荷电状态曲线为诊断依据的局限性,从而更加适用于实车在线应用。采用扩展卡尔曼滤波算法,从电池动态电流工况放电数据中辨识开路电压随放电容量的变化曲线,并使用所提出的老化诊断方法拟合该开路电压曲线,可以定量分析电池遭受的正极材料损失、负极材料损失和可用锂离子损失。在此基础上,提出电池最大可用容量的估计方法和真实开路电压-荷电状态曲线的辨识方法,结果表明,在动态工况下容量估计误差在1%以内,开路电压-荷电状态曲线的方均根误差在6 mV以内。该方法应用于电池组,可以实现电池组内各单体电池的最大可用容量和荷电状态一致性估计。     

基于LabVIEW的电池管理系统设计

电池管理系统对防止锂电池过充过放、延长锂电池使用寿命至关重要。采用电动汽车专用控制芯片和电池组监视芯片设计了锂电池组电池管理系统。实现锂电池组单体电池电压检测、电流检测、温度检测、电路均衡和电池荷电状态估计,通过控制器局域网络CAN(controller area network,CAN)总线将数据实时显示在上位机界面。对系统进行功能验证,优化后电路采集电压准确,均衡压差减小,电池荷电状态估计精度明显提高。该系统采集数据可靠,有效提升了锂电池组使用效率。     

VCM模型下的IBAS⁃EKF锂电池荷电状态估计

为解决锂电池荷电状态(SoC)难以精确估计的问题,提出了极化电压修正模型(VCM)和改进天牛须优化扩展Kalman滤波算法(IBAS?EKF)共同实现电池SoC的精确估计.在建立3阶RC电池模型和参数辨识的基础上,使用Elman循环神经网络对模型极化电压实现在线修正和优化,形成VCM模型;采用改进天牛须搜索算法优化扩展Kalman滤波算法的系统噪声协方差矩阵和量测噪声协方差矩阵,形成IBAS?EKF锂电池SoC估计算法.在测试平台上进行城市道路循环工况试验,结果表明:基于VCM模型的IBAS?EKF锂电池SoC估计算法的各项误差指标均低于传统的SoC估计算法,估计误差在0.6％以内,效果满足实际工程要求.     

VCM模型下的IBAS⁃EKF锂电池荷电状态估计

为解决锂电池荷电状态(SoC)难以精确估计的问题,提出了极化电压修正模型(VCM)和改进天牛须优化扩展Kalman滤波算法(IBAS?EKF)共同实现电池SoC的精确估计.在建立3阶RC电池模型和参数辨识的基础上,使用Elman循环神经网络对模型极化电压实现在线修正和优化,形成VCM模型;采用改进天牛须搜索算法优化扩展Kalman滤波算法的系统噪声协方差矩阵和量测噪声协方差矩阵,形成IBAS?EKF锂电池SoC估计算法.在测试平台上进行城市道路循环工况试验,结果表明:基于VCM模型的IBAS?EKF锂电池SoC估计算法的各项误差指标均低于传统的SoC估计算法,估计误差在0.6％以内,效果满足实际工程要求.     

基于小波信息熵归一化的齿轮箱可靠性研究

针对目前可靠性分析方法必须采用很大的统计样本数据和采用概率统计方法计算齿轮箱可靠性的不足,提出了利用齿轮箱运行状态信息来实现小样本条件下齿轮箱可靠性估计的方法:基于小波信息熵归一化的可靠性估计。基于小波信息熵归一化的齿轮箱可靠性估计是对齿轮箱运行工程中的振动信号利用第二代小波包进行分解和重构计算,得到分解频带信号,然后计算分解频带信号的相对能量和小波信息熵归一化,最后根据小波信息熵归一化获得反应齿轮箱运行状态可靠性的指标——可靠度。在对齿轮箱可靠性估计的应用表明所提出的方法有效、合理,为齿轮箱在缺乏大样本数据、非概率统计条件的可靠性估计提供了方法。     

基于脉冲电压频域特征和内阻的退役电池快速初步分选策略

随着新能源产业的发展,越来越多的退役电池如何处理成为了一个急需解决的问题。 磷酸铁锂电池由于高能量密度及 安全性的优点被广泛应用于汽车及储能场合,是现有退役电池中的主流之一。 退役磷酸铁锂电池的二次利用场景是根据电池 的健康状态、内阻等状态进行评估的,但是这个过程耗费大量的时间。 本文提出利用脉冲过程电压的频域特征作为估计健康状 态的健康特征,然后利用随机森林回归算法实现了健康状态的快速估计,这极大的缩短了退役磷酸铁锂电池分选的时间。 在此 基础上,本文提出利用基于高斯分布的异常参数识别方法评估异常内阻退役磷酸铁锂电池。 通过实验验证,选取的 15 节磷酸 铁锂电池中健康状态估计的最大误差为 6% ,且能够有效的筛除内阻与 SOH 不匹配的退役磷酸铁锂电池。     

角域多信息熵融合算法的EHA柱塞泵滑靴副状态评估方法

滑靴副是电静液执行器(Electro-hydrostatic Actuator,EHA)柱塞泵中受力最为复杂和薄弱环节,在变转速极端工况下对其健康状态进行有效评估对于EHA的安全稳定运行尤为重要。针对滑靴副在变转速工况下磨损故障特征机理复杂、难以揭示的问题。提出一种基于角域多信息熵融合算法的新状态评估方法,结合阶比分析与信息熵理论,针对EHA变转速极端工况提出“角域信息熵”新概念,运用BP神经网络和D-S证据理论构建基于角域多信息熵融合的滑靴磨损状态评估模型;最后在恒压变转速工况条件下,以滑靴外边缘偏磨磨损故障为例对评估模型进行测试试验验证和结果分析,证实状态评估方法有效性和评估结果的准确性。     

基于动能定理的公交车质量估计算法(英文)

公交车质量是影响公交车油耗的重要因素,同时也是车辆自动换挡策略和混合动力能量管理的关键参数。本文针对公交车质量的估计问题,提出了基于动能定理的估计算法。利用车辆数据采集系统,得到车辆的速度、扭矩等信息,选择同一站点、同一档位加速过程的数据,使用动能定理的方法估计了公交车的质量。经过试验数据验证,质量的平均估计误差为2.92%。动能定理的方法相比传统的递推最小二乘方法所需的样本点更少,估计误差更小。由于公交车站点间的运行距离一般较短,可提供的样本数据非常少,因而动能定理的方法更适用于公交车的质量估计。此外,还分析了档位、滚动阻力系数、空气阻力系数和道路坡度对质量估计的影响。     

复杂交通流下基于卡尔曼滤波的多目标全生命周期状态估计

针对复杂行车环境下噪声干扰和车辆行车过程中状态变化导致交通场景中目标状态估计精度低的问题,以毫米波雷达 为检测传感器,提出涵盖参数初始化和在线更新的基于卡尔曼滤波的多目标全生命周期状态估计方法。 首先,建立交通流下多 目标运动状态的卡尔曼滤波状态估计模型;基于此,一方面提出基于数据驱动的卡尔曼滤波观测噪声协方差矩阵初始化的新方 法,另一方面采用变分贝叶斯方法对卡尔曼滤波参数进行在线更新,以此提高多目标状态估计精度;最后,在算法实现步骤的基 础上,利用实车数据开展测试验证工作。 实验结果表明,方法的目标状态估计均方误差为 0. 153,相较于传统卡尔曼滤波减小 了 36. 2% ,证明所提出方法对提升车辆感知精度的有效性。     

电动汽车动力锂电池模型参数辨识

针对纯电动汽车上动力锂电池等效模型参数辨识的问题,以某纯电动汽车的由87个单体串联的84 Ah的镍钴锰三元锂电池组为研究对象,基于市区行驶的电池数据,选用了二阶RC电池等效模型,辨识了等效模型的参数。基于整体电池数据,选取出了8段在连续的12个(及12个以上)采样周期内相邻两个采样点的电流变化绝对值超过0.2 C的电池数据段,分别对初始开路电压最大和最小的单体进行了参数辨识。以最小二乘法对电流连续变化最长的一段电池数据段作为参数辨识的结果,并结合整体电池数据对辨识得的结果进行了参数的验证。研究结果表明,初始开路电压最大单体的绝对误差平均值为3.62%,初始开路电压最小单体的绝对误差平均值为3.24%,满足工程要求,可运用于工程实践中。     

基于局部模型网络的锂电池SOC估计方法

锂电池的荷电状态(SOC)是电池管理最重要的参数，准确的SOC估计对保证电池运作的安全性至关重要。传统基于数据驱动的SOC估计法，如神经网络，在可解释性、参数整定方面表现不足。本文提出一种基于局部模型网络和天牛须搜索优化组合的SOC估计法。首先，借助局部模型网络描述复杂非线性系统的能力和其作为灰箱模型的可解释性，将模型的工况空间分解为多个可以用简单模型表示的局部子区间，再用调度函数组合为最终的模型。其次，在网络的训练过程中，采用天牛须搜索优化算法确定分裂空间上的最佳分裂方位，很好的兼顾了模型辨识的精度和运算复杂度。最后，在锂电池动态特性数据集上与已有文献中的SOC估计法进行了对比试验，本文所提出的方法在简单工况的训练集上的RMSE误差小于0.4%,在复杂工况的测试集上的RMSE误差小于0.9%,在不同温度上的表现也相对平稳，总体展现出较高的辨识精度及泛化能力。这一特点在实测的数据集上也得到了进一步验证。