基于EKF算法的铅酸蓄电池SOC在线估计

针对快速充电设备需要快速、准确检测蓄电池荷电状态(SOC)的应用需求,在分析传统SOC估计方法不足的基础上,采用了扩展卡尔曼滤波法进行铅酸蓄电池SOC的估计。通过对铅酸蓄电池充放电过程的分析,基于改进的Thevenin模型,建立了7-HK-182型铅酸蓄电池的等效电路模型。通过Matlab仿真,对比安时积分法估计SOC数据,验证了扩展卡尔曼滤波法能够实时、准确估计蓄电池SOC的变化。     

基于自适应卡尔曼滤波的磷酸铁锂电池荷电状态估计

磷酸铁锂电池荷电状态（SOC）用于表征电池的剩余电量,是电池管理系统的重要参数。对SOC进行准确估计有助于提高电池利用率,保证电池的使用寿命和安全。但是SOC不能直接从外部测量得到,只能通过各种间接的方法求得,因此寻求准确的电池SOC估计算法非常重要。对磷酸铁锂电池进行建模,使用14组电池充放电数据分段进行参数辨识,得到具有广泛适用性的模型参数。基于此模型,运用自适应扩展卡尔曼滤波算法进行SOC估计,克服了常用扩展卡尔曼滤波会受到噪声影响的弊端,并通过仿真分析证明了算法的优越性。     

基于分数阶理论的车用锂离子电池建模及荷电状态估计

针对电动汽车动力锂离子电池的状态估计问题,提出一种基于分数阶等效电路建模方法,并采用分数阶卡尔曼滤波算法估计电池荷电状态(SOC)。首先建立基于二阶等效电路的分数阶电池模型,采用遗传算法辨识阶数,然后利用分数阶卡尔曼滤波算法估计电池SOC,并与扩展卡尔曼滤波算法进行比较。实验结果表明,在恒流放电下采用分数阶模型,其端电压最大绝对误差为0.014V,SOC最大估计误差不超过2%。本文提出的基于二阶等效电路的分数阶模型及分数阶卡尔曼滤波算法,不仅给出了一种准确、可靠的建模方法,而且为有效提高电池管理系统中SOC估计的准确性提供了途径。     

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PNGV模型的电池SOC估计算法研究

针对储能磷酸铁锂电池并根据磷酸铁锂电池电化学阻抗谱研究,提出一种双RC并联环节的改进PNGV模型,在HPPC实验下辨识模型参数。针对扩展卡尔曼滤波(EKF)算法在估计电池荷电状态(SOC)时不能实时估测噪声的缺点,将Sage-Husa自适应算法引入EKF算法得到自适应扩展卡尔曼滤波算法,并通过对噪声实时预测和修正来提高电池SOC估计精度。在Matlab/Simulink中搭建电池及SOC估计仿真模型并在模拟动态工况下进行仿真。仿真结果表明改进PNGV模型精度优于PNGV模型;自适应扩展卡尔曼滤波算法估计电池SOC时较EKF算法收敛速度更快,估计精度更高。模型及算法的改进取得较好的效果。     

基于复合EKF算法的锂电池组的SOC估计

动力锂电池组的荷电状态SOC估计是电动汽车能量控制的重要参数。针对串联锂电池组的SOC估计问题,利用扩展卡尔曼滤波法(EKF)和传统的安时积分法相结合(复合EKF算法)优势互补,并运用对于扩展卡尔滤波法较准确地估计电池的Thevenin模型,以电池组的最小单体电池的电压作为参考电压值,用提出的算法结合所选用的电池模型,对模拟电动车的实际工况进行电池组放电实验,证明这种复合算法不但比EKF法估计SOC准确,对误差还有一定的修正能力,而且还能满足电动车SOC准确度的需要。     

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。     

基于改进Sage-Husa的自适应无迹卡尔曼滤波的锂离子电池SOC估计

扩展卡尔曼滤波(EKF)算法估计锂离子动力电池荷电状态(SOC)时,由于系统噪声的不确定,可能导致估计算法不精确,并且算法中的线性化处理受电池模型的影响很大。为了解决上述两个问题,本文采用改进Sage-Husa的自适应无迹卡尔曼滤波法(AUKF)来动态地估计多元复合锂离子电池的SOC。与EKF相比,改进Sage-Husa的自适应卡尔曼滤波法提高了SOC估计的精度,并能够实时修正微小的模型误差带来的SOC估计误差,实时的工况模拟证明了该算法更适用于多元复合锂离子电池的动态SOC估计。     

一种简化的锂离子电池SOC估计方法

为了克服安时积分法和开路电压法估计电池SOC的缺点,使用扩展卡尔曼滤波法将安时积分法与开路电压法结合起来。使用Thevenin等效电路电池模型作为扩展卡尔曼滤波法的模型基础,提出简化扩展卡尔曼滤波器过程噪声协方差和测量噪声协方差的方法,使电池SOC估计误差接近开路电压法的水平。最后,通过DST实验验证提出的电池SOC估计方法。     

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。     

基于自适应CKF的锂离子电池SOC估算

扩展卡尔曼滤波(EKF)和无迹卡尔曼滤波(UKF)算法估算电池荷电状态(SOC)依赖等效模型参数的准确性,估算精度低。容积卡尔曼滤波(CKF)算法的滤波性能良好。利用自适应CKF(ACKF)算法估算电池SOC,自适应调节过程噪声协方差和量测噪声协方差,提高估算SOC的精度。对锂离子电池建立二阶RC等效电路模型,在不同工况下进行充放电,用卡尔曼滤波算法在线辨识等效模型的参数,ACKF算法实时估算SOC。ACKF算法估算SOC的鲁棒性较强,精度在1.5%以内。     

基于EMF等效模型电动车镍氢电池SOC估计

讨论了电动汽车镍氢动力电池荷电状态(State of Charge,简称SOC)的估计方法。提出用电动势(EMF)等效电路模型法来估计电池的SOC。研究确定了EMF与SOC之间的关系,并通过电路分析,计算得出电池EMF与端电压之间的关系,最终建立了端电压与SOC关系。通过实测数据并利用模型估计数据的对比得出,SOC的误差在混合动力汽车的允许误差范围内。该方法在车辆停车和行驶时均适用。     

基于随机片段数据的锂电池状态估计方法

针对锂电池状态估计通常只能采集到不完整的放电数据,导致难以准确判断锂电池状态的问题,提出一种基于随机片段数据的锂电池状态估计方法.以固定健康状态(SOH)差为间隔构建老化数据库,利用随机片段数据进行匹配,并采用粒子群优化算法进行求解,从而判断对应的锂电池初始荷电状态(SOC)及SOH等信息;基于二阶戴维南等效电路模型对锂电池进行建模,并对其参数进行辨识;基于状态匹配结果与所建模型,利用扩展卡尔曼滤波对锂电池SOC进行估计,获得锂电池的剩余放电时间等状态信息.利用锂电池单体放电数据进行实验验证,实验与仿真结果表明:与传统方法相比,所提方法具有较高的稳定性和准确率.     

考虑松弛和滞回的锂离子电池建模及SOC估计

针对锂离子电池在电流状态突然变化时产生的松弛现象和滞回现象,在分析了电池等效电路模型的基础上,引入线性滤波器和滞回模块,建立了电池的自校正模型。通过恒流脉冲实验和动态应力工况测试验证自校正模型在对电池电压特性跟随的可靠性,并在该模型的基础上使用有限差分扩展卡尔曼滤波FDEKF(finite difference extended Kalman filter)算法实现了电池的荷电状态SOC(state of charge)估计。实验分析表明,自校正模型能较好地体现电池的动态特性,并使SOC估计保持很好的精度。     

基于LPV理论锂离子电池SOC估算研究

以磷酸铁锂电池为研究对象,在进行了电池特性实验的基础上确定电池电压特性以及开路电压与SOC关系。以二阶等效电路模型为基础,结合LPV理论及EKF原理,在Simulink中搭建电池仿真模型,实现了电池模型参数与SOC的联合估算,设计实验验证了模型的正确性。并嵌入整车模型模拟运行,电池SOC工作区间符合控制策略,设计的磷酸铁锂电池SOC估算方法可行有效。     

双卡尔曼滤波法估计电动汽车电池健康状态

选用戴维南等效电路模型作为基础电池模型,标定荷电状态(SOC)-开路电压(OCV)曲线,利用指数拟合法拟合等效电路模型中的电阻-电容电路(RC)参数,提出基于安时积分法使用拓展卡尔曼滤波法估计SOC,以及基于容量法使用卡尔曼滤波估计电池健康状态(SOH),建立双卡尔曼滤波SOH估算方法。随机电流激励仿真结果表明:该方法的估计值与真实值变化趋势一致,且估计误差控制在1%以内。SOH估算实验结果表明:在开始阶段,SOH估计值与真实值有一定的偏差,之后变化趋势一致,误差可控制在1%以内。     

提高串联锂电池SOC在线估计快速性的简化二阶模型

锂离子电池最常用的等效电路模型为二阶RC等效电路模型。基于该模型的参数辨识存在所需辨识参数多、运算量大的缺点,同时荷电状态(state of charge, SOC)估计中状态方程存在复杂的指数运算等问题,这些都使得难以对多个串联电池进行SOC的在线估计。因此,提出了一种简化二阶电池模型。该模型忽略电池内部极化反应,只关注其外特性,使得参数辨识个数减少。该简化模型也使得状态空间方程中需要估计的状态变量个数减少,避免了复杂的指数运算,降低了计算复杂度和整体的运算量,有利于多个串联锂电池SOC的实时在线估计。通过对单体锂电池和串联锂电池进行参数辨识和SOC估计测试,验证了所提的简化模型在保证参数辨识及SOC估计精度的同时,大大提升了系统运算速度,进而提高了SOC估计的快速性。     

基于LabVIEW的动力电池SOC实时估算系统研发

在电动汽车能量管理控制策略和电池管理系统研究中,电池荷电状态(State of charge,SOC)的准确估算一直是重点和难点。基于磷酸铁锂动力电池的工作原理和充放电特性试验,利用MATLAB软件拟合获得不同放电电流下的库仑效率和开路电压与SOC的关系。并采用虚拟仪器LabVIEW与相关硬件,实时采集动力电池相关数据,将SOC估算的安时法与开路电压法相结合,实现了对动力电池SOC的实时估算与高精度显示,提高了电池SOC研发系统的实用性与准确性。