基于卡尔曼算法的动力锂电池SOC估算

电池荷电状态(SOC)估算是电池管理系统的核心。本文选用扩展卡尔曼算法原理,结合戴维南电池模型完成了电池SOC估算的建模,并基于SIMULINK平台搭建SOC估算仿真模型。通过混合动力脉冲能力试验得出电池模型的参数。通过验证试验,结果表明该模型能够很好的对电池SOC进行估算,且估算精度可以控制在5%以内,建立的仿真模型符合电池的实际特性。     

基于LSTM+UKF融合的动力锂电池SOC估算方法

为提高动力电池荷电状态(state of charge, SOC)估算准确性、稳定性,该文提出一种基于LSTM+UKF(long short term memory+unscented Kalman filter)融合的动力锂电池SOC估算方法。构建动力锂电池SOC估算窗口LSTM结构,通过动力电池电流、电压、温度并结合历史数据实时预测动力电池SOC训练网络;设计动力锂电池SOC估算UKF算法,提出融合策略。实验表明,研究窗口LSTM+UKF融合动力锂电池SOC估算方法 RMSE、MAX、MAE分别为1.13%、1.74%、0.39%,相较于加窗LSTM网络提升了动力锂电池SOC估算的准确性、稳定性。     

基于改进无迹卡尔曼滤波的锂电池SOC在线估计

针对无迹卡尔曼滤波算法对电池模型敏感并且容易受到不确定噪声干扰的问题,提出了改进的无迹卡尔曼滤波算法（improved unscented Kalman filter,IUKF）,提高电池荷电状态（State of charge,SOC）估计精度和鲁棒性能。首先,对锂离子电池进行建模并完成参数离线辨识。紧接着,对模型参数进行敏感性分析,研究不同参数对SOC估计效果的影响程度,为模型参数自适应对象的选取提供依据。随后,研究了包含模型自适应算法和噪声自适应算法在内的IUKF算法实现过程。最后,通过物理实验对比分析了IUKF与其它算法的实际估计效果,实验结果表明,该方法估计误差小于1.79%,鲁棒性能良好。     

高精度预测SOC的混合电动车电池管理系统的研究

研制了新型的电动汽车蓄电池组管理系统,该系统在提高采集监测电流、电压、温度等信号精度的基础上,采用了放电率、温度、自放电及容量老化等补偿的安时积分模型的估计,并考虑了自调整,从而可以以较高的精度预测电动汽车的电池荷电状态(SOC).     

ISG型中混合动力汽车镍氢电池管理系统的研制

以ISG型中混合动力汽车(HEV)用镍氢动力电池组为控制对象,设计了以数字信号处理器(DSP)为控制核心的电池管理系统(BMS)。该系统应用复杂逻辑控制器件和光耦开关阵列,实现了各路模块电压和总电压的分时、周期性采集。在电流和温度的采样方面,以简便、实用的硬件电路对传感器信号进行转换,并进行软件滤波处理,得到准确的采样值。在采样准确的基础上,实现了基于查表-线性插值算法的电池组最大充放电功率的估算,并应用卡尔曼滤波方法对电池荷电状态(SOC)进行了预估,从而准确地反映出电池的能量状态,使整车能更好地分配能量的使用。     

混合动力客车锂离子动力电池管理系统

根据混合动力客车锂离子动力电池组单体只数多、分布比较分散的特点,设计了基于双CAN总线的分布式电池管理系统（BMS）。该系统由若干采样模块和一个主控模块组成,与动力电池之间的连线数量少,可扩展性强,而且采用复杂可编程逻辑器件（CPLD）技术实现了串联电池组单体电压的采样方法,实现了温度的低成本采样方法,建立了基于“预测．修正”方法的动力电池荷电状态（SOC）的估算方法,可以实时地修正SOC估计的误差和可靠地实现对动力电池运行时状态参数的监测,提高电池SOC的估算精度。     

SVM和Kalman滤波大功率动力电池SOC预估方法的研究

新能源汽车大功率动力电池荷电状态(state-of-charge,SOC)的快速精确估计是动力电池能耗管理系统的核心技术,针对大功率动力电池这一非线性、强耦合系统,提出基于支持向量机(support-vector-machine,SVM)静态预测和基于卡尔曼滤波(Kalman)动态预测的动力电池SOC预估方法。仿真实验结果表明,采用基于SVM和Kalman滤波结合的预估方法可以快算完成动力电池SOC的估计,并且动力电池模型参数的变动几乎不影响算法的准确性,表明算法具有一定的鲁棒性。     

混合动力汽车电池管理系统的研究

研制了用于混合动力汽车的镍氢动力电池管理系统。该系统采用分布式测量方案,具有安装简单、抗干扰能力强等优点;剩余电量的估算结合了库仑计法和开路电压法,具有较高的精度;采用了电池均衡充电方法,对电池的不一致性进行了补偿,从而延长了电池组的使用寿命。     

基于BSA-RELM的纯电动汽车锂离子电池SOC估计

提出一种基于鸟群算法优化鲁棒极限学习机的锂离子电池荷电状态估计算法。鲁棒极限学习机克服了极限学习机不能处理异常值的缺点,提高了网络的预测准确率。利用鸟群算法优化鲁棒极限学习机的隐层节点数和调节因子等参数,解决隐层节点数和调节因子等参数难以确定的问题,可进一步提高网络的收敛速度,且利于寻找全局最优值。利用ADVISOR软件采集影响电池荷电状态的主要参数:电流、电压、温度和内阻等进行建模和测试。仿真结果表明,采用鸟群算法优化鲁棒极限学习机比BPNN、RBFNN和FNN的估计误差更小,具有更高的预测精度。     

交互式多模型的锂电池荷电状态估计

针对锂电池工作在温度不恒定的环境中时单个模型无法捕捉电池参数动态变化,导致电池模型误差增大,荷电状态估计精度下降的问题,提出使用交互式多模型平方根无迹卡尔曼滤波算法来估计电池荷电状态.以戴维宁电池模型为基础建立了一组电池温度子模型,并实现参数辨识;在平方根无迹卡尔曼滤波的基础上,利用交互式多模型方法估计电池荷电状态,通过实时调整模型概率来实现各个模型间的软切换.实验结果表明,交互式多模型方法融合了不同温度下的电池信息,增强了荷电状态估计的精度和鲁棒性.     

Improved estimation of residual capacity of batteries for electric vehicles

Abstract

This paper proposes an improved means of estimation for the residual capacity of lead‐acid batteries used in electric vehicles. The residual capacity of batteries in commercial products is usually indicated by the state of charge (SOC) of the battery set, in terms of the measurement of amp‐hours, or roughly an instant voltage. More practical and accurate SOC in the operation of electric vehicles must consider the original capacity when the battery is first installed, capacity deficiency due to high discharge rate, capacity dissipated in internal resistance, and correcting parameters for the battery aging process. The proposed estimation techniques include the amp‐hours measurement weighted by a correction function of various discharge rates, the transient open‐circuit voltage measurement to compensate for the energy dissipation from internal resistance, and the reset of parameters in the linear function of SOC and open‐circuit voltage for the aging effect. A monitoring circuit with a programmable logic chip is implemented, and the experimental results show that a more accurate indication of SOC is achieved using the modified estimation techniques, namely a weighted ampere‐hour measurement with transient open‐circuit voltage combined with the aging effect.     

基于WOA-UKF算法的锂电池容量与SOC联合估计

锂电池的荷电状态(SOC)和有效容量是表征电池当前剩余电量和电池寿命的重要参数,提出一种锂离子电池有效容量和SOC的联合估计方法。在电池全寿命周期内,给出一种开路电压与SOC和电池有效容量非线性模型的两变量多项式描述;当电池循环使用次数超过预设值,采用鲸鱼优化算法估计当前电池容量与电池模型参数,根据模型参数与容量值采用无迹卡尔曼滤波器估计电池SOC;在SOC估计过程中,采用鲸鱼优化算法更新无迹卡尔曼滤波器的观测噪声方差和过程噪声方差,实现噪声方差的自适应调节,进而提高估计精度。实验结果验证了该方法的有效性和联合估计方案的可行性。     

基于模糊神经网络的电池剩余电量计算模型

为了有效地对电池剩余容量进行预测,在分析了与电池剩余电量相关因数的基础上,提出了基于模糊神经网络的电池剩余电量预测模型,充分利用了模型可逼近任何多输入输出参数函数的性能.系统通过样本训练达到了较好的仿真结果.从现场实验的数据分析,该模型能较准确地预测电池剩余电量,为电池管理系统提供了一种新的预测方法.     

基于改进型能量守恒SOC估算法的电动汽车三段式智能充电方式研究

为研究电动汽车安全、快速的智能充电方式,基于传统能量守恒法,考虑电池容量衰减和电池内阻损失对荷电状态(state of charge,SOC)估算的影响,提出改进型能量守恒SOC估算方法。对比分析几种传统充电方式,根据马斯定理确定最佳充电电流,提出以改进型能量守恒SOC估算法得到的SOC值作为判断依据的电动汽车三段式(小电流充电、脉冲充电、恒压充电)智能充电方式,并建立其仿真模型。结果表明:改进型能量守恒SOC估算法得到的SOC值要小于传统能量守恒法,其更加接近真实SOC值;三段式智能充电方式能根据电池组SOC值的变化智能地选择具体充电方式,实现了对电池的安全、快速充电。提出的基于改进型能量守恒SOC估算的三段式智能充电方式对当前电动汽车充电方式的研究提供了一定的参考价值,为智能充电方式研究效能的提升提供了一种可行方法,也为智能充电理论应用于工程实践打下基础。     

一类基于改进Weibull分布模型的 电力电缆寿命评估方法

对电缆的剩余寿命进行评估是电缆寿命管理的关键环节,以往电缆寿命评估的方法中有Arrhenius方法和Weibull分布模型。对这两种方法分别进行分析,特别是确定Arrhenius模型中激活能的计算,以及应用Weibull分布模型对电缆寿命进行评估。最后以实际电缆的状态监测数据,对简化的Arrhenius模型进行仿真,说明所提出的方法是有效的。     

State-of-charge estimation of lithium-ion batteries in electric vehicles based on an adaptive extended Kalman filter

进行了用自适应扩展卡尔曼滤波(AEKF)算法估计电动车用锂离子动力电池的荷电状态(SOC)的研究.基于混合脉冲功率特性(HPPC)试验,利用遗传优化算法改进Thevenin电路模型参数辨识方法,且从充放电两个方向来获得模型参数,然后在动态应力测试(DST)工况下对改进的模型进行仿真验证分析,基于改进的模型和联邦城市行驶工况(FUDS),应用AEKF算法开展SOC估计研究.仿真和台架试验结果对比表明,改进的Thevenin电路模型和AEKF算法均具有较高的精度,最大估算误差分别为1.70％和2.53％;同时AEKF算法具有较好的鲁棒性,可以有效地解决初始估算不准和累计误差的问题.     

Battery cell modeling and online estimation of the state of charge of a lithium-ion battery

Battery models are vital to the development of electric vehicles. Different models have been proposed over the years to describe the battery dynamics in various degree of detail. More detail comes at the cost of more computation. This paper proposes using a combination of the Kinetic Battery Model (KiBaM) and the dual capacity network model to capture both the nonlinear state of charge variation and linear transient response. After capture, we then derived a recursive formula for the online implementation of the proposed model. In the first part of this study, MATLAB® was used to build a battery model of a battery cell. The battery model simulates how the magnitude of the discharge current and state of charge influence the parameters of the model, with the results showing that it can predict the voltage response within a voltage error of 4% under dynamic loading. In the second part of the study, a model-based Kalman filter was adopted for estimating the state of charge. This algorithm was compatible with the recursive formula and could be used in conjunction with the online batter model.     

基于BELLHOP模型的水下多目标跟踪算法研究

针对高频主动声呐的深海多目标跟踪问题,提出了基于BELLHOP模型的无迹卡尔曼滤波-高斯混合概率假设密度(Unscentesd Kalman Filter-Gaussian Mixture-Probability Hypothesis Density, UKF-GM-PHD)水下多目标跟踪算法。该算法首先利用BELLHOP射线声学模型,计算出本征声线、目标信号的幅度、相位及时延信息,以此构造目标回波信号并叠加高斯白噪声。然后,由回波信号计算得到目标相对于观测站的距离、方位角和俯仰角信息,作为目标跟踪系统中的量测信息。最后利用提出的UKF-GM-PHD多目标跟踪算法,实现高频主动声呐非线性系统的多目标跟踪。仿真结果表明,在深海高频主动声呐条件下,文章提出的UKF-GM-PHD多目标跟踪算法较传统高斯混合概率假设密度(Gaussian Mixture Probability Hypothesis Density, GM-PHD)方法,明显降低了目标丢失率,并且最优子模式指派统计量(Optimal Sub-Patter Assignment, OSPA)距离也更小,跟踪效果更好。