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。     

电动汽车动力电池SOC估算研究

电动汽车的电池性能直接影响到整车性能,而SOC(state of charge)估算是电池管理系统的重要功能,也是急需解决的技术难点。为了估算锂电池的荷电状态SOC,基于电池外特性的实验数据,建立电池等效电路模型。在MATLAB中搭建电池模型,并研究卡尔曼滤波算法对Ah计量法估算SOC的修正作用。结果表明:所选择的电池复合模型能有效地模拟电池特性,结合开路电压法、Ah计量法和卡尔曼滤波法的SOC估算算法能有效地解决SOC初值估算不准和累计误差的问题。     

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。     

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.     

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。     

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。     

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...     

基于不同模型下EKF算法的锂离子电池SOC估计

动力电池的准确建模及荷电状态(SOC)的精准估计对提高电池的利用效率、延长使用寿命具有重要意义。本文对锂离子电池进行等效电路模型的建立并通过HPPC测试对模型进行参数辨识。利用Matlab软件,基于两种模型开展扩展卡尔曼滤波算法下的电池SOC估计精度对比实验研究。结果表明,在同一实验条件下,EKF-Ah SOC估计方法能够有效提高电池SOC的估计精度;与Rint模型相比,基于Thevenin模型的EKF-Ah SOC估计精度得到显著提高,SOC估计最大绝对误差为1.91%。     

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.     

改进卡尔曼滤波的融合型锂离子电池SOC估计方法

荷电状态(SOC)估计对于锂离子电池充放电优化控制、任务规划、可靠性提升等均具有重要价值,针对广泛应用的卡尔曼滤波(KF)一类方法存在的参数设置无具体标准、模型性能随工况环境改变而适应性降低等问题,提出一种噪声方差可变卡尔曼滤波方法(VVKF)的SOC估计算法,该算法每次迭代时估计并设定最适应当前系统状态的的噪声方差,克服了KF噪声方差初值依靠人为经验设定而造成精度下降的问题,同时采用最小二乘支持向量机作为KF的量测方程,通过建立样本库的方式克服电池型号以及工况改变对SOC估计精度的影响。采用马里兰大学CACLE中心锂离子电池数据集的实验证明了VVKF较KF性能的提升以及SOC估计的有效性。     

基于DSP的电动汽车蓄电池电量计量及荷电状态估计

荷电状态是反映蓄电池能量的重要参数,是电动汽车整车控制器制定能量控制策略的重要依据。为了解决电动汽车蓄电池电量计量及荷电状态估计问题,设计了基于数字信号处理器(DSP)的蓄电池电量快速计量系统,采用安时法对蓄电池充放电容量进行了估计,通过放电率、温度、自放电及容量老化等补偿措施来提高计量精度,并分析了温度与充放电倍率对蓄电池容量的影响。试验结果表明,补偿后的安时法可准确地估计蓄电池荷电状态,最大充放电倍率随温度升高而增大。     

基于EKF的AMR锂电池SOC动态估计研究

AMR在科研和军事方面的应用决定了其需要一个能够准确、实时估计出锂电池SOC的估计值.由于AMR工作中的放电具有很强的动态性,使得传统估计方法用于锂电池SOC的动态估计效果很不理想.本文描述了EKF方法在AMR锂电池SOC动态估计中的应用.模拟AMR工况进行动态放电试验.试验结果表明,该估计方法能够实时而准确地得到SOC值.     

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.     

面向SOC估计的计及温度和循环次数的锂离子电池组合模型

锂离子电池荷电状态(SOC)估计的准确性依赖于精确的电池模型,为此提出一种基于改进的Shepherd模型并耦合温度和循环次数因素的锂离子电池组合模型(SCM)。将Shepherd模型受温度和循环次数影响的满电开路电压、极化常数、可用容量、内阻等参数进行热建模和循环损失建模,同时将模型参数辨识方法简化为仅需两组不同环境温度下放电实验数据的非线性最小二乘法。通过对不同循环次数的锂离子电池在不同温度环境下模拟电动汽车实际工况,进行放电实验,并结合扩展卡尔曼滤波算法实现对SCM模型和ECM模型的SOC动态估计。仿真和实验结果表明所提模型相对误差小于1.5%,SOC估计误差小于3%,从而验证了所提出模型的优越性。     

基于DSP控制的锂电池快充电路研究

针对锂电池充电速度需要不断提升,而不同种类锂电池最佳充电策略不同的问题,对锂电池充电电路、充电方法等方面进行了研究,对不同充电电路的优缺点进行了归纳,提出了一种基于DSP28035控制的锂电池快充电路,可用于单体锂电池快速充电方法研究。用DSP28035采集电池电压电流对其进行了数字闭环控制,电路具有6 V~30 V的宽范围输入,Buck降压变换器用于电池充电,Boost升压变换器用于脉冲放电去极化,电池充放电电流均精确可调。改变DSP的程序可实现CC、CV、CCCV以及阶梯恒流充电、脉冲充电等多种形式的充电。利用Matlab/Simulink进行了仿真,并制作了充电样机,进行了锂电池充电测试。研究结果表明,该电路结构简单、控制方便,能够进行各种充电策略测试,能够实现过流、过压、过温保护,电路稳定性好、可靠性高。     

基于太赫兹技术的锂电池电极涂层质量检测

为了对锂电池的电极涂覆层材料厚度以及均匀性进行无损检测,弥补传统检测方式辐射性强、对检测人员伤害大以及太赫兹远场成像分辨率低的缺点,设计研制了一套测量探头能够灵活移动的太赫兹近场光谱检测系统。采用太赫兹微米探针和利用近场技术对涂覆层进行探测,实现了微米级检测。检测结果表明,本系统能够发现传统β射线和X射线等检测手段无法识别到的厚度不均匀缺陷,可为锂电池电极涂覆层的质量检测提供一种高分辨率的、快速的太赫兹无损安全检测手段。     

基于量子粒子群算法的SOC测试调度优化研究

在基于IP核复用技术的SOC(system-on-chip,SOC)芯片中,测试资源的稀缺性限制了IP核并行测试的能力,导致了SOC测试耗时过长的局面.同时SOC测试时必须满足一定的功耗约束,否则会造成测试芯片的损坏.针对SOC测试时间与测试功耗协同优化这一难题,本文采用群智能优化算法-量子粒子群(quantum-behaved particle swarm optimization,QPSO)算法来实现这一目标.结合QPSO算法和测试调度问题,设计算法的适应度计算法则并建立测试时间与测试功耗的协同优化数学模型.通过实验确定算法中参数的最佳取值.最后利用算法搜索最优解确定IP核在TAM (test access mechanism)上的分配,实现SOC功耗与时间的协同优化.经过国际标准SOC电路验证表明在解决功耗约束下的SOC测试调度优化问题上量子粒子群算法与已有算法相比,不仅能够更好的达到缩短SOC测试时间的目的,而且算法收敛速度快,需要调整的参数少,实现简单.