基于EKF算法的铅酸蓄电池SOC在线检测装置设计

为在线检测铅酸蓄电池的荷电状态,基于6-TKA-180型铅酸蓄电池建立其等效电路模型并进行参数辨识,在此基础上,应用扩展卡尔曼滤波算法进行了铅酸蓄电池荷电状态在线检测装置的设计,并通过实验验证了基于扩展卡尔曼滤波算法的铅酸蓄电池荷电状态在线检测的可靠性与准确性。     

应用Kalman滤波法估计铅酸蓄电池SOC

在蓄电池的充／放电过程中,正确估计其剩余容量,对充／放电控制器采取下一步的动作有着非常重要的指导作用,针对蓄电池充／放电的实际情况,在分析了传统SOC估计方法不足的基础上,引入Kalman滤波法作为蓄电池荷电状态（soc）估计的主要算法。本文采用Randles等效电路模型,详细给出了Kalman滤波法估计SOC的算法推导,通过Matlab软件仿真验证了运用KalmaJ,滤波法可以有效跟踪蓄电池SOC的变化,并且控制精度优于传统方法。     

基于容量修正的阀控式铅酸蓄电池SOC估计

阀控式铅酸蓄电池(valve regulated lead acid battery,VRLA)广泛应用于储能系统中,准确估算其实时荷电状态(state of charge,SOC),对确保铅酸蓄电池安全供电具有重要意义。铅酸蓄电池的工作环境温度对其容量的影响不可忽视,然而,现有的SOC估算方法常将电池总容量视作固定值,这就导致了估算误差会随着环境温度的变化而积累,严重影响了SOC的估算精度。提出了一种基于容量修正的SOC估计方法,通过研究电池容量随温度的变化规律,引入了温度补偿对电池总容量进行修正。在此基础上,结合扩展卡尔曼滤波(EKF)算法进行不同温度下的SOC实时估计,并对容量修正后的SOC估计值与一般算法SOC估计值进行比较。仿真和实验结果表明,所提出的SOC估算方法能够提高不同环境温度下的铅酸蓄电池SOC估计精度。     

基于dSPACE的铅酸蓄电池SOC估计

首先通过大量实验测试,对处于不同电池荷电状态(SOC)下铅酸电池的等效模型参数进行了辨识,使传统的恒定参数电池模型得以改善.建立了基于数字信号处理和控制系统(dSPACE)的SOC估算测试平台,以dSPACE充当快速控制原型对铅酸电池进行SOC实时估计.此处给出了详细的SOC估计算法,以及基于dSPACE试验平台的开发...     

基于粒子群的模糊神经网络铅酸蓄电池SOC估计

研究估计变电站阀控式铅酸蓄电池荷电状态(SOC)的方法。采用模糊神经网络对蓄电池的荷电状态预测建立模型,然后利用粒子群算法对网络中的连接权值、隶属度函数进行优化,用蓄电池在不同倍率下的充放电实验数据训练网络,根据训练好的网络模型对蓄电池SOC进行了预测,最后将预测结果与传统模糊神经网络预测结果进行对比。结果表明:该方案达到了对蓄电池荷电状态准确预测的目的,且预测误差小,具有良好的实用性。     

基于EKF算法的蓄电池等效电路模型参数仿真研究

蓄电池在充放电过程中,其内部存在着复杂的电化学反应,导致蓄电池荷电状态（SOC）及各个参数是多维、非线性的关系。因此,本文基于7-HK-182型铅酸蓄电池建立等效电路模型,进行参数辨识。在此基础上,采用扩展卡尔曼滤波（EKF）算法,利用Matlab软件对蓄电池SOC及各个参数进行实时仿真,通过仿真与实验结果对比验证了EKF算法的实时性与准确性。     

基于MIV-GA-BP神经网络的铅酸蓄电池SOC预测

建立了铅酸蓄电池充电过程中SOC的神经网络预测模型,采用平均影响值(M1V)算法对预测模型的输入变量进行了分析和筛选.在MIV算法的基础上,比较了基于遗传算法优化的BP神经网络(MIV-GA-BP)与传统MIV-BP神经网络对蓄电池充电过程中SOC的预测误差.测试样本的验证结果表明,MIV-GA-BP神经网络模型对蓄电...     

基于RBFNN的船用铅酸蓄电池SOC预测方法研究

目前预测铅酸蓄电池荷电状态(SOC)的算法很多,这些算法各有特点。根据船用铅酸蓄电池的特点,本文比较分析了这些方法的预测效果,提出了利用径向基神经网络(RBFNN)算法预测船用铅酸蓄电池SOC的方法。并利用某型船用铅酸蓄电池的实验数据,对其SOC进行了预测。结果表明:利用该算法预测船用铅酸蓄电池的SOC,精度高,操作简便。     

汽车用铅酸蓄电池SOC预测研究

电池的开路电压与电池荷电状态(SOC)存在密切的关系,然而大量研究表明,当电池在恒定电流下充放电时,端电压与SOC的变化规律近似于开路电压与SOC的变化规律。但对于汽车用蓄电池来说,并没有文献明确地给出蓄电池在充放电电流变化状态下其端电压与SOC的对应关系表达式。通过对电动汽车用蓄电池进行充放电实验,利用Matlab对实验数据进行曲线拟合处理,得到变化工作电流下的蓄电池SOC与其端电压的数学关系,提出了蓄电池SOC估计的修正经验公式,为电动汽车续航里程的准确估计提供了新方法。     

基于LSTM的储能蓄电池SOC与SOH联合在线估计

蓄电池组是微电网储能系统重要的组成部分之一,对储能系统的整体技术及经济性能具有重要影响。针对蓄电池荷电状态(SOC)与健康状态(SOH)在线准确测量的难题,提出基于长短期记忆(LSTM)神经网络的蓄电池SOC与SOH联合在线估算方法。该方法利用LSTM的动态逼近与长时间记忆能力,以电池端电压、电流及温度的时间序列数据,将阶段SOH均值引入SOC的估算中实现联合估算。采用NASA开放实验数据测试,基于LSTM网络的联合模型相比于单独模型及Bp传统网络具有更高的精确度和更稳定的估算效果。     

铅酸蓄电池荷电状态的判定方法解析

铅酸蓄电池已经有150年多年的历史,最初是主要作为固定式电源和起动式电源使用,目前在电动自行车、太阳能-风能一体化发电站等领域也获得应用.在后一种情况下,铅酸蓄电池荷电状态的确定十分重要.目前已提出十几种方法用于确定荷电状态,本文详尽地综述了这些方法,比较了每种方法的优、缺点.     

一种多采样率EKF的锂电池SOC估计

为了准确估算出锂离子电池的荷电状态(SOC),采用多采样率的扩展卡尔曼滤波算法(MREKF),建立了二阶RC的电池的等效电路模型,对磷酸铁锂电池进行充放电实验,并根据实验数据进行参数辨识,获得等效电路模型的参数。根据电路模型建立电池的状态方程,分别使用安时法,单采样率的扩展卡尔曼算法和多采样率的扩展卡尔曼算法对电池的SOC进行估计,并用Matlab仿真,对比了三种算法,实验和仿真结果表明MREKF能更精确地估算出SOC。     

基于聚类算法的蓄电池SOC模糊预测

为了实现对蓄电池的准确在线估算,研究了利用蓄电池电动势、内阻与荷电状态(state of charge,SOC)之间的关系,设计了基于模糊C-均值聚类的模糊控制器。该控制器将模糊C-均值聚类方法与模糊控制系统有机结合,能有效地进行数据划分和构建模糊控制规则。实验表明,该方法将SOC预估误差控制在3%之内,很好地反映了铅酸蓄电池的能量状态。与现有的模糊预测控制器相比,准确度更高,具有一定的实用性。     

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LIN总线的阀控式铅酸蓄电池管理系统设计

电池管理系统作为电动汽车重要的组成部件之一,被广泛地用于汽车电池组管理中,来确保电池的高性能、高可靠性和高稳定性.电池管理系统能够保护电池免受破坏,预测电池寿命以及在电池工作的情况下维护和保养电池.由于铅酸蓄电池充放电过程的复杂性和非线性,采用非线性最小二乘法回归得到电池的初始荷电状态.针对阀控式铅酸蓄电池,设计了基于...     

基于改进的AEKF铅酸电池SOC在线估计

为了提高铅酸电池在随机工况下荷电状态(SOC)估计精度,减小误差变化对估计精度的影响。针对自适应扩展卡尔曼滤波中误差新息序列长度固定选取的局限性,本文提出一种改进的自适应扩展卡尔曼滤波算法估计SOC。通过似然估计来监测协方差匹配算法中的误差新息序列分布变化时刻,根据误差新息的分布变化来自适应调整新息序列长度,进而降低估计SOC时的误差。首先通过带遗忘因子的递推最小二乘法(FFRLS)辨识获得等效模型参数,其模型平均误差电压为13.63 mV,然后在随机工况实验下发现,改进后的算法在估计SOC时的RMSE和MAE性能上精度分别提高了14.44%和17.26%,结果表明改进后的算法拥有更好的稳定性和精度。     

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。     

LS-SVM在通信电源蓄电池SOC估计中的应用

结合统计学习理论的方法,将最小二乘支撑向量机(LS-SVM)用于通信电源中蓄电池的荷电状态(SOC)检测。选定径向基核函数为支撑向量机算法的核函数,并选取矩阵分块求逆的方法改进最小二乘支撑向量机的算法,在此基础上建立了蓄电池荷电状态估计的模型。通过仿真实验验证了该算法具有较好的SOC估计效果,对于实际应用,可以选择合理的剪辑标准,从而得到更好的估计效果。     

一种基于EKF和Thevenin的锂电池SOC估算新方法

估算锂电池的剩余电量一直是当前研究的热点,由于锂电池充放电过程中复杂的电化学反应,电池荷电状态(SOC)与其影响因素呈现非线性动态关系,导致难以实时精确估算SOC。本文提出了一种基于扩展卡尔曼滤波(EKF)算法,并选用戴维南(Thevenin)模型来对锂电池的剩余电量进行估算。本文在戴维南模型的基础上建立了电池的非线性状态空间方程,通过实验和仿真的结果表明,该算法的误差小于3.00%,精度达到了应用的要求。     

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。