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。     

基于抗差UKF的动力锂电池SOC估计算法研究

从锂离子电池模型的研究与优化入手,以自主设计的电池SOC仿真系统模型和硬件实验平台为基础,分析锂离子电池SOC预估算法中的粗差影响因素,建立一种新型基于抗差无迹Kalman滤波(UKF)的锂离子电池SOC预估方法.该方法将开路-AH法与抗差UKF估计理论相结合,克服传统估算方法无法消除累积误差的缺点.对照实验结果表明,新算法能够提高动力储能锂离子电池的SOC量测过程中的预估精度,对于促进动力储能锂离子电池的推广,提高动力储能锂离子电池组的能量储存能力、利用率和循环寿命有着重要的科学意义.     

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。     

基于自适应CKF的锂离子电池SOC估算

扩展卡尔曼滤波(EKF)和无迹卡尔曼滤波(UKF)算法估算电池荷电状态(SOC)依赖等效模型参数的准确性,估算精度低。容积卡尔曼滤波(CKF)算法的滤波性能良好。利用自适应CKF(ACKF)算法估算电池SOC,自适应调节过程噪声协方差和量测噪声协方差,提高估算SOC的精度。对锂离子电池建立二阶RC等效电路模型,在不同工况下进行充放电,用卡尔曼滤波算法在线辨识等效模型的参数,ACKF算法实时估算SOC。ACKF算法估算SOC的鲁棒性较强,精度在1. 5%以内。     

基于二阶RC网络模型的UKPF-VFFRLS电池SOC预测估计

针对单一滤波算法对动力电池荷电状态(SOC)预测估计精度有限的问题，分析并建立了二阶RC网络等效电路模型，进行了离线参数辨识，并验证了辨识结果的准确性。以该模型为基础，运用无迹卡尔曼粒子滤波(UKPF)算法对动力电池SOC的动态模型状态进行预测估计，以带可变遗忘因子的递推最小二乘法(VFFRLS)对动态模型参数进行辨识，两者互为输入输出，实现UKPF-VFFRLS算法的联合估计。仿真实验结果表明：相比原有单一滤波算法，UKPF-VFFRLS联合估计算法使得SOC平均误差降低至0.74%，均方根误差(RMSE)低至0.009 9，提高了SOC的预测估计结果精度，从而提升了能源消耗预判能力和电池使用效率。     

电热耦合模型与UKF组合估算电池温度与SOC

提出电热耦合模型与无迹卡尔曼滤波(UKF)组合算法来估算锂离子电池荷电状态(SOC)及其平均温度,并且将SOC和平均温度用于在线调整模型的参数,该估算的平均温度更接近电池内部真实温度.结果表明在实际工况下,模型估算温度高于电池表面温度且最高温差在2.6 ℃以内,它们的变化趋势相同的同时,1C放电时能够提前预测到电池内部温度.采用实时估算的平均温度和SOC调整模型参数,当初始SOC与实际SOC相同时,SOC估算误差在1％以内;当初始SOC与实际SOC相差较大时,能够在250 s内收敛到真实值,其SOC估算误差在1％～2％间波动.     

基于UKF的在线锂离子电池SOC估算研究

锂离子电池的精确荷电状态(SOC)估算是电池管理系统(BMS)的关键技术之一,它依赖于电池模型的准确性。由此,基于二阶等效电路模型,采用一种带有遗忘因子递推最小二乘(FRLS)的在线参数辨识方法,以及在线辨识用于锂电池SOC估算的无迹卡尔曼滤波算法(UKF)来研究精确的SOC电池管理系统。并通过动态应力测试(DST),验证该模型的准确性,以及验证所研究方法在SOC估算上的准确性和稳定性。实验结果表明,与离线的UKF方法相比,基于UKF的在线SOC估算方法具有较高的精度和稳定性。     

由MIEKPF-EKPF算法协同估计锂离子电池SOC与SOH

针对锂离子电池荷电状态(SOC)和健康状态(SOH)难以直接测量的问题，提出基于多新息的扩展卡尔曼粒子滤波(MIEKPF)与扩展卡尔曼粒子滤波(EKPF)协同估计SOC和SOH。采用EKPF算法在线辨识参数，并估计SOH,将阻容等辨识结果作为输入，弥补估计SOC时应该考虑电池老化影响产生的误差，实现SOH对SOC的修正，提高模型精度。在新欧洲驾驶周期(NEDC)工况下，进行充放电实验，EKPF算法估计SOH的结果符合实际情况。MIEKPF-EKPF算法最终SOC估计的平均误差为0.48%、最大误差为1.97%、均方根误差为0.58%,仿真结果验证了所提方法的可行性和准确性。     

基于UKF的动力电池SOC估算算法研究

动力电池荷电状态(SOC)在线估算对于混合电动汽车蓄电池管理系统有着举足轻重的意义。针对动力电池SOC估算算法中应用广泛的扩展卡尔曼滤波法(EKF)在非线性系统应用时存在的精度损失问题,采用无迹卡尔曼滤波法(UKF)以提高估算精度。研究了一种改进的电动势(EMF)电池等效模型,讨论了该模型的参数和空间状态方程,并将UKF应用于该模型估算SOC。由实验分析可知,对比采用开路电压法得出的SOC真实值,UKF结合EMF电池等效模型在估算算法中有较高的精度,其估算误差小于5%,且SOC估计结果明显优于EKF,具有较高的实用价值。     

基于H_∞无迹卡尔曼滤波的退役锂离子电池SOC估计

电动汽车的锂离子动力电池退役后,具备在储能系统等场合继续使用的潜力,其SOC(电池荷电状态)的准确估计对于退役电池的梯次利用具有重要意义。针对传统UKF(无迹卡尔曼滤波)算法出现模型参数不确定及采样噪声干扰导致估算精度下降甚至系统发散等问题,提出一种HUKF(H_∞无迹卡尔曼滤波)算法。该算法在UKF基础上,利用H_∞控制理论引入调整因子来修正UKF中计算协方差时遇到的病态矩阵,提高对异常值和非高斯噪声的鲁棒性。实验结果表明,改进算法以较快的收敛速度实现了更精确的SOC估计,且鲁棒性较好,满足了退役电池SOC估计的实际需求。