基于改进GRU模型算法的锂电池SOC估计

锂电池荷电状态(SOC)的准确估计对提高电池的动态性能和能量利用率至关重要。针对现有神经网络SOC估计方法在复杂工况下存在精度低,稳定性差等问题,本文提出一种改进GRU模型算法对SOC进行估计。首先将1DCNN和Bi-GRU相结合并添加注意力机制,构建1DCNN-Bi-GRU-ATT模型。其次,为解决ReLU激活函数易出现死神经元现象,将其改进为PReLU激活函数。同时,为解决MSE-Loss易受复杂工况中电池异常数据影响和MAE-Loss收敛速度较慢等问题,改用Huber-Loss作为网络损失函数。最后,将Adam算法使用Nesterov加速梯度改进为Nadam算法。锂电池SOC估计实验结果表明,在12种复杂工况下该模型算法的均方根误差和平均绝对误差的平均值分别为1.181 7%和0.924 1%,与改进前及其他模型相比,本文模型在12种情况中综合表现更为稳定和准确,有更高的泛化性。     

基于ARWLS-AEKF的锂电池SOC估计

根据SOC在电池管理系统中的应用需求,针对锂离子电池的模型准确度低、SOC估算精度差的问题,提出了一种ARWLS-AEKF联合算法。该方法以二阶R-C网络模型为基础,通过加权自适应算法引入自适应遗传因子,优化参数辨识精度,并搭建MATLAB仿真平台联合自适应扩展卡尔曼滤波算法(AEKF)算法对SOC进行在线估算。将三种测试工况下的算法仿真结果与电池实验平台所得测量数据进行对比,结果表明:ARWLS-AEKF算法相对于离线EKF算法有更高的准确度与适应性,能适应随机变化的噪声环境。在LA_92、UDDS、HWFET工况下,ARWLS-AEKF算法的误差在2%以内,MAE分别为0.45%、0.74%、0.87%,RMSE值分别为0.54%、0.71%、0.42%。     

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。     

基于改进PNGV模型的动力锂电池SOC精确估计

作为动力锂电池的核心参数,锂电池的荷电状态(SOC)的精度估算决定了储能系统控制的精度和管理的可靠性,目前业内对于SOC估计算法的研究不够深入,导致精度低,计算量大,并且依赖于初始值精度,工程应用难度大,以至于动力锂电池管理系统的精确控制和管理难以实现。对电池等效电路PNGV模型进行改进,提高了模型精度,并结合拓展卡尔曼滤波算法(EKF)实现了高精度的SOC估计,通过电池实测和仿真验证,该算法提高了SOC估算精度,解决了SOC估计依赖初值精度问题,具有较高的工程应用价值。     

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...     

基于Gassing模型的锂电池SOC估计与参数辨识

具有非线性、时变性的Gassing锂电池模型具有以下两大特点[1]:模型考虑了析气现象,使其适用范围拓广到SOC＞85％的临界情况;模型考虑了温度的动态变化对系统状态变量的影响.针对该模型,基于相关的试验数据,采用双Kalman滤波算法(DKF),同时实现了对模型参数的辨识和对SOC的在线估计.台架试验和实车验证表明,...     

基于ESP模型的锂电池参数辨识和SOC估计

精准的电池模型是电动汽车电池管理系统的关键,它为准确估计电池荷电状态(SOC)提供保证。基于电化学反应机理,建立扩展单粒子(ESP)模型。基于ESP模型参数较多的特点,利用改进遗传算法分不同SOC阶段进行多组参数辨识,通过充放电实验验证模型的准确性。基于ESP模型和卡尔曼滤波算法,引入强跟踪滤波器和自适应滤波方法,且对模型状态方程进行修正,建立自适应强跟踪Sigma点卡尔曼滤波算法来进行SOC估计。结果表明,ESP模型有较高的精度,且基于此模型和所建立的算法可以实现对SOC的精确估计,其最大误差在2.3%以内。     

基于EKF的钛酸锂电池SOC估计

精确的荷电状态(SOC)估计可以保障电池系统安全可靠地工作。钛酸锂电池优良的大倍率充放电特性使其近年来在需要大功率充放电的特种车辆上得到应用。针对使用扩展卡尔曼滤波算法估计SOC在不同模型上产生不同误差的问题,以钛酸锂电池为实验对象,针对最常用的一阶RC和二阶RC模型,利用实验数据进行了参数辨识,开展了三种不同工况下的SOC仿真研究,结果表明：两种模型的扩展卡尔曼滤波算法精度都较高,平均相对误差都在2%以内。在恒定工况下,一阶RC模型的扩展卡尔曼滤波算法有更高的精度,而在变工况下,一阶RC模型的扩展卡尔曼滤波算法比二阶RC模型精度略低,表明二阶RC模型具有更好的动态性能。     

基于ICDKF的锂电池SOC在线估计

动态的实时估计锂离子电池荷电状态(state of charge,SOC)是锂离子电池管理系统研究的关键技术。针对扩展卡尔曼滤波(EKF)估计SOC误差大的不足,基于二阶RC等效电路模型,提出了一种基于迭代中心差分卡尔曼滤波(ICDKF)算法的磷酸铁锂电池SOC估计方法。利用Matlab进行了仿真,并与扩展卡尔曼滤波和中心差分卡尔曼滤波(CDKF)算法进行了效果对比,从仿真结果可以看出,该SOC算法有效地降低了估计误差,与EKF相比,具有更好的滤波估计精度。     

基于自适应卡尔曼滤波的锂电池SOC估计

考虑到传统的卡尔曼滤波策略在未知干扰噪声环境下不能对锂离子电池的荷电状态(SOC)进行准确的估计,简要论述了锂离子电池的等效电路模型,提出了自适应卡尔曼滤波方法,利用Matlab/Simulink建立了基于自适应和常规的卡尔曼滤波法的锂离子电池SOC估计的仿真模型,分析研究了在未知干扰噪声下两种滤波法的SOC估计值变化曲线以及误差关系。仿真结果表明,采用自适应卡尔曼滤波方法估计的SOC误差较传统的要小,从而有效降低了未知干扰噪声对电池管理系统所受到的影响,且具有较好的鲁棒性,为今后深入研究动力电池SOC估计方法提供了一定的参考。     

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。     

基于改进Thevenin模型锂电池SOC估算方法

针对纯电动汽车锂离子电池荷电状态(SOC)在环境温度和放电电流变化较大的情况下估算精度较低的问题,采用了一种基于改进Thevenin模型的扩展卡尔曼滤波算法(EKF)。根据电池性能模型,把电池容量作为状态变量,把影响SOC估算精度的环境温度和放电电流作为修正量,采用扩展卡尔曼滤波算法提高SOC估算精度。实验结果表明,该方法提高了SOC估算精度,可用于电动汽车电池管理系统。     

基于锂电池SOC估算方法

电池的荷电状态(State of charge,SOC)是锂电池组电池管理系统的重要参数,而电池的SOC估算受到很多因素的综合影响,难以保证其估算精度。准确的电池模型是精确估算SOC的基础,通过对电池模型的改进、模型参数的实时更新,提高了模型参数的精确度;修正的扩展卡尔曼滤波并结合修正的安时积分法,减小了温度、充放电倍率等因素的影响,从而提高了SOC估算的精度。     

基于电化学模型估算锂电池SOC的方法研究

针对锂电池SOC估算的精度,采用电化学模型作为电路模型,结合卡尔曼滤波算法估算SOC。利用Matlab最小二乘法对模型参数进行在线辨识,并通过Matlab/Simulink仿真验证模型的可行性与精度。结果表明,该方法能有效估算锂电池的SOC值,并能有效控制在3%的误差精度范围之内。     

基于FFRLS-AEKF的动力锂电池SOC在线估计

针对锂电池等效电路模型参数不准确以及复杂工况噪声不确定导致荷电状态（SOC）估计精确度较低的问题,提出一种自适应扩展卡尔曼滤波（AEKF）融合带遗忘因子最小二乘法（FFRLS）的算法来解决此问题。在每一步SOC估计过程中,首先使用FFRLS算法跟随试验工况环境变化,实时辨识出一阶RC等效电路模型参数,增加模型精确度,准确描述锂电池工作时的动态特性;再使用AEKF算法实时更新与修正系统噪声并在线估计SOC。设计搭建动力锂电池试验平台,在动力动态测试（DST）和北京公交动力动态测试（BBDST）工况下,该方法估计值最大绝对误差均低于0.15%,平均绝对误差在0.077以下,均方根误差在0.007以下,相较于扩展卡尔曼滤波(EKF)算法,所提算法的估计效果有较大提升。     

基于联合集合卡尔曼滤波的锂电池SOC估计

锂电池的SOC(荷电状态)准确估计是电池管理系统及其控制的基础。现有扩展卡尔曼滤波、无迹卡尔曼滤波等方法需计算高维雅克比矩阵或协方差矩阵,对计算能力要求较高。结合数据同化和集合预报的思想,提出基于联合EnKF(集合卡尔曼滤波)的锂电池SOC估计方法。该方法利用集合的统计特征来表征状态变量,避免了高维矩阵的运算,对SOC和模型参数进行联合估计,可提高算法速度和精度。建立了锂电池等效电路模型并辨识了模型初始参数,得到了开路电压曲线。在EnKF的基础上,针对充放电过程中模型参数的变化,提出了基于联合EnKF的SOC估计方法,可在计算过程中联合估计SOC和模型参数。实验结果表明,所提方法可准确高效地估计锂电池的SOC。     

基于改进扩展卡尔曼滤波的锂电池SOC估计

为了减小模型参数发生变化带来的影响,提高锂电池荷电状态(SOC)的估计精度,提出了一种改进的扩展卡尔曼滤波算法(I-EKF)。建立Thevenin等效电路模型,采用遗忘因子最小二乘法进行参数辨识,将辨识的参数用局部加权回归(Lowess)算法与电池电压、电流进行拟合,利用拟合函数求出每一时刻对应的模型参数,再采用I-EKF算法进行SOC估计。实验分析表明,与传统的扩展卡尔曼滤波算法(EKF)相比,当模型参数发生变化时,I-EKF算法的估计精度更高,收敛后的估计误差基本在0.5%以内。     

基于BiGRU和PF的锂电池SOC估计

提出了一种基于双向门控循环神经网络 (BidirectionalGateRecurrentUnit,BiGRU)和粒子滤波 (Particle Filter,PF)相结合的方法,对电池的荷电状态 (StateofCharge,SOC)进行估计.利用 BiGRU 网络,根据可测量的电压 (V)、电流 (I)、温度 (T)等信息学习锂电池内部的动态特性.由于电池的平台期特性导致 BiGRU 网络在 捕捉测量数据与电池内部特性时会有一些波动,因此采用 PF对 BiGRU 网络的输出进行滤波,让最终的估计更加稳定.对所提出的方法在 FUDS和 US06工况下进行验证,实验结果显示 BiGRU 能很好地捕捉到电池的动态特性,从而避免了繁杂的建模过程,结合 PF,进一步提升了模型估计精度和鲁棒性.     

基于模糊优化决策的锂电池SOC估计

为了提高动力锂电池的使用效能和整车性能,需要准确估计动力锂电池的荷电状态(SOC),在研究分析常用SOC估计方法的基础上,根据开路电压法和卡尔曼滤波算法的特性,引入T-S模糊模型,建立了基于模糊优化决策的锂电池SOC估计方法,通过仿真验证,可有效提高锂电池SOC估计的精度。     

基于电池暂态响应分析的锂电池SOC估计

锂离子电池因快速充电和长循环寿命特性,在电动汽车、电网侧储能系统中应用广泛.精准的电池荷电状态(SOC)估计有助于保障系统可靠性,延长电池系统寿命,然而在考虑电池充电和放电以及复杂工况条件造成的电池内部复杂的化学和物理变化的条件下,完成精准电池SOC估计十分困难.通过脉冲激励电池的充放电暂态响应特性分析,辨识等效电路模型参数,建立电池不同工况条件下的动态电池模型,并采用扩展卡尔曼滤波方法对纠正参数辨识和OCV-SOC映射中的误差.以Arbin测试平台估算结果作为对标,验证了所提方法的有效性.