基于安时积分和无迹卡尔曼滤波的锂离子电池SOC估算方法研究

基于Thevenin等效模型建立二阶RC等效电路模型,通过混合脉冲动力功率特性测试实验获取电池脉冲放电数据,进行电池等效电路参数辨识。为弥补锂离子电池荷电状态在90%~100%区间时电池模型参数辨识拟合误差而引起其估算误差的缺陷,综合采用安时积分与无迹卡尔曼滤波估算电池荷电状态。使用硬件在环仿真测试平台及环境模拟测试平台进行电池管理系统设计,在不同工况下对电池进行荷电状态估算,结果表明荷电状态估算误差范围为-1.5%~1.0%,该方法估算精度较高,效果理想。     

基于双自适应无迹卡尔曼滤波算法的锂电SOC/SOH联合估计

合理准确地估算出电池荷电状态（SOC）与健康状态（SOH）对电动汽车安全运行和能量分配有重大意义。目前锂离子动力电池状态参数的研究中,很少考虑两个参数在估算过程中的相互影响;传统无迹卡尔曼滤波（UKF）算法在应用时,常因难以真实模拟实际噪声导致估算误差增大。针对这些问题,这里以电池Thevenin等效电路模型为基础,结合改进的AUKF,提出双自适应无迹卡尔曼滤波算法（DAUKF）,实时更新计算模型参数,实现SOC与SOH的联合估算,提高算法的估算精度。最后通过实验及仿真对比,验证了该算法的可行性及估算精度。     

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.     

基于改进的无迹卡尔曼滤波确定视线感知相对状态

基于视线传感器原理,研究了如何确定摄动作用下两颗卫星间相对状态的问题.采用VISNAV传感器作为相对状态传感器,并应用一种改进滤波算法实现了问题求解.首先,考虑了两颗卫星间相对位置与相对姿态的运动方程及摄动作用的影响,给出了改进的离散系统方程及其误差协方差矩阵的取值方法,避免了复杂协方差矩阵的实时额外求解,降低了算法计算量及实施难度.最后,给出相应的无迹卡尔曼滤波(UKF)算法并通过STK和MATLAB软件进行了数值仿真实验.分析表明,改进后的算法保证了收敛性,数值仿真及对比仿真验证了本文方法的可行性和有效性.在摄动因素作用的前提下,改进的方法能够在200m的相对距离内达到角秒级的相对姿态确定精度和毫米级的相对位置确定精度,完全可以满足近距离自由飞行卫星间的相对状态确定要求.     

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。     

基于自适应高斯-厄米特滤波的锂电SOC估算研究

对锂电池荷电状态(state of charge,SOC)进行准确地估算十分重要.由于SOC呈非线性特征,并且受多种因素的动态影响,准确估计困难.本文利用高斯-厄米特滤波(Gauss-Hermite filter,GHF)的思想,结合Thevenin等效电路模型,提出一种自适应高斯-厄米特滤波(adaptive Gauss-Hermite filter,AGHF)算法对SOC实时估计更新.利用MATLAB/Simulink建立仿真模型,并与扩展卡尔曼滤波(extended Kalman filter,EKF)算法及传统的高斯-厄米特滤波算法相比较.通过分析对比可以发现该算法的估算精度较高,可以有效地控制滤波发散.     

基于自适应高斯-厄米特滤波的锂电SOC估算研究

对锂电池荷电状态(state of charge,SOC)进行准确地估算十分重要.由于SOC呈非线性特征,并且受多种因素的动态影响,准确估计困难.本文利用高斯-厄米特滤波(Gauss-Hermite filter,GHF)的思想,结合Thevenin等效电路模型,提出一种自适应高斯-厄米特滤波(adaptive Gauss-Hermite filter,AGHF)算法对SOC实时估计更新.利用MATLAB/Simulink建立仿真模型,并与扩展卡尔曼滤波(extended Kalman filter,EKF)算法及传统的高斯-厄米特滤波算法相比较.通过分析对比可以发现该算法的估算精度较高,可以有效地控制滤波发散.     

基于AUKF算法的锂电池SOC估算

针对无迹卡尔曼滤波(UKF)算法在估算锂电池荷电状态(SOC)时忽略了系统噪声时变特性问题,导致估算精度降低,故提出了自适应无迹卡尔曼滤波(AUKF)算法.通过建立电池模型,利用UKF对SOC进行估算的同时,结合Sage-Husa自适应滤波算法时刻对系统噪声进行估计和修正,进而提高估算SOC时的精度.通过在不同工况下对...     

基于UKF算法的汽车状态估计

准确实时获取行驶过程中的状态信息是汽车动态控制系统研究的关键问题。将unscented卡尔曼滤波(UKF)算法应用到汽车的状态估计之中,建立了包含时不变统计特性噪声和非线性轮胎的汽车动力学模型,采用具有对称采样策略和比例修正的UKF算法对汽车估计了多个关键状态量。将UKF估计器与常见的EKF估计器进行了比较分析,基于ADAMS/Car的虚拟试验和实车试验验证了UKF在汽车状态估计中的可行性。     

基于改进扩展卡尔曼滤波算法的锂离子电池荷电状态估计

针对在复杂应力条件下扩展卡尔曼滤波估计锂离子电池SOC的估计精度不高问题,提出了一种改进扩展卡尔曼滤波算法的锂离子电池SOC估计方法。通过运用Sage-Husa自适应算法来对系统噪声与观测噪声进行修正。最后设计了DST工况实验进行验证,实验结果表明,相比Ah法与扩展卡尔曼滤波估计法,改进扩展卡尔曼滤波估计法具有更高的精度与收敛性,最大估计误差不超过0.7%,是一种行之有效的方法。     

基于IUKF的非线性状态估计

为了提高测量更新的近似精度,将迭代卡尔曼滤波(IKF)的思想引入到UKF中,得到迭代无迹卡尔曼滤波算法(IUKF).理论分析与仿真结果表明:IKF的引入在提高非线性近似精度的前提下并没有增加计算的复杂性;在相同数量级运算时间的条件下,其估计性能明显优于标准EKF和UKF滤波器.     

改进粒子滤波算法对电动汽车电池SOC的估计

引入SIR粒子滤波算法用于估算电动汽车电池的荷电状态(State of charge,SOC),利用系统状态连续近似分布进行采样的正则化滤波算法解决了SIR粒子滤波算法多样性匮乏问题。结合安时法构建电动汽车电池的状态空间模型,进而对电池模型进行参数辨别,结合SIR粒子滤波算法和改进后的粒子滤波算法在MATLAB中进行实验仿真。仿真结果显示,随着时间的增加,SIR粒子滤波算法估算电池SOC误差会变大,改进后的粒子滤波算法估算电池SOC一直逼近真实值,比SIR粒子滤波算法精度高、适应性更好,为电动汽车电池SOC的估算提供了新思路。     

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。     

四驱混合动力轿车驱动工况无迹卡尔曼车速估计

针对驱动模式复杂多变的四驱混合动力轿车,考虑其后轮毂电机驱动转矩的准确可测以及既定模式下前驱动轮转矩的可推算性,结合电子稳定程序(Electronic stability program,ESP)系统传感器信号,提出无迹卡尔曼车速估计算法。搭建四驱混合动力轿车仿真平台,其集成了驱动系统模型、非线性7自由度车辆动力学模型和统一轮胎模型。基于车辆动力学模型和轮胎模型,设计融合驱动轮转矩信息和传感器信息的车速估计算法,并将估计结果与仿真车速进行比较分析。在样车上加装转向盘转角、横摆角速度和质心加速度等传感器,采集轮转、驱动轮转矩信息,在后轮纯电驱动模式低速双纽线试验、四轮混合驱动模式双移线和蛇行试验工况下,对所设计算法进行实车道路试验。仿真和实车试验结果表明,无迹卡尔曼车速估计算法精度较高,且具有较强的工况适应性。     

基于扩展卡尔曼滤波的锂离子电池荷电状态估计

针对电池荷电状态（SOC）难以准确估计的问题,采用扩展卡尔曼滤波方法来提高SOC的估计精度。首先以磷酸铁锂电池为研究对象,建立了电池的PNGV等效电路模型,并采用充放电实验和离线辨识的方法得到模型中的参数,得到了开路电压、欧姆内阻、极化内阻和极化电容与SOC的多项式函数关系;然后,对模型进行验证,并分析了模型的准确性;最后,在实际工况下,运用扩展卡尔曼滤波方法估计锂离子电池的SOC值,并与安时法计算的SOC值进行比较。结果表明,PNGV模型结合扩展卡尔曼滤波方法估计的锂离子电池SOC值的最大误差仅为2.78%,提高了电池SOC的估计精度。