基于levy飞行优化BOA-BP网络的电池SOC估计

目前电动汽车动力输出的来源主要是动力电池，其荷电状态（State of Charge,SOC）表示电池的剩余电量情况，精确估算SOC对于电池的使用安全有重要意义。将蝴蝶优化算法（Butterfly Optimization Algorithm,BOA）进行改进并用于优化BP神经网络估算动力电池SOC，解决了普通BP网络估计SOC时遇到的训练时间长、收敛慢、精度较低、易陷入局部最优解的问题；同时提升了全局搜索速度，选取电压和电流为输入变量、SOC为输出变量，根据误差的大小调整神经网络的权值和阈值。仿真结果表明，优化后得到的SOC估计结果误差率控制在1.1%以内，该方法寻优速度快，具有更好的鲁棒性。     

安时积分法和EKF结合的锂电池SOC估计

针对SOC估计方法的算法复杂度和精度之间的矛盾,以及电流累计误差等问题,提出EKF算法和安时积分法适时切换的SOC估计方法。该方法通过分析锂离子电池的一阶戴维南等效模型,使用复合脉冲电池放电试验对模型参数进行辨识,建立基于EFK的SOC估计模型,并设计出算法流程。安时积分法和EFK的SOC估计将根据电池管理系统的不同工况交替进行。验证试验结果表明该方法的SOC估计误差小于1.5%,能够以较少的计算资源达到较高的估计精度,安时积分法产生积累误差在进行EFK估计时得以消除。     

基于动态遗忘因子最小二乘与EKF的电池SOC估计

电池荷电状态SOC（State Of Charge）作为电池管理系统中尤为重要的一部分,其准确估计成为锂离子电池研究的重点。为了提高动态工况下的SOC估计精度,对锂离子电池等效模型进行分析,基于AIC（赤池信息）准则确定二阶RC电路为等效电路模型,使用递推最小二乘算法对模型参数进行在线辨识,为提高辨识精度,提出了改进带动态遗忘因子递推最小二乘算法,对算法加入遗忘因子,通过电压结果误差实时动态调整算法遗忘因子取值。将递推最小二乘算法和含动态遗忘因子最小二乘算法分别与扩展卡尔曼滤波（EKF）算法进行SOC联合估计,并对比其预测效果,结果表明含有动态遗忘因子最小二乘与EKF联合估计模型具有更高的精度和鲁棒性。     

基于参数在线辨识和SVD-UKF的锂电池SOC联合估计

锂电池的荷电状态(SOC)是电池管理系统的核心参数,准确的SOC估计对电动汽车的安全运行至关重要。针对因电池模型参数固定导致锂电池SOC估计精度不高和误差协方差非正定导致传统无迹卡尔曼滤波算法估计SOC失败的问题,提出基于参数在线辨识和SVD-UKF的锂电池SOC联合估计算法。该算法使用变遗忘因子递推最小二乘法实现电池模型参数的在线辨识,通过基于奇异值分解的无迹卡尔曼滤波算法(SVD-UKF)实现电池SOC的估计。在联邦城市运行工况下对联合估计算法进行验证,实验结果表明,联合估计算法可将SOC估计误差控制在1.53%以内,能够有效提高SOC估计的准确性和稳定性。     

基于CMAC神经网络的电池荷电状态估计

现有电池荷电状态(SOC)估计方法所需训练和学习时间较长,很难满足动力电池的实时性要求。为解决该问题,利用小脑模型关节控制器(CMAC)神经网络对电池SOC进行评估,CMAC神经网络具有学习算法简单和逼近任意非线性函数的能力。对镍氢电池的模拟测试结果表明,与反向传播神经网络相比,CMAC神经网络的学习和收敛速度较快,能实时估计出电池SOC,并使估计误差在可接受范围内。     

车用锂离子电池SOC估算算法的研究

针对纯电动汽车的锂离子电池容量损失而导致估算电池电荷状态(SOC)精度降低的问题,本文分析了影响电池容量损失的因素,提出容量修正算法。通过改进电池模型,把电池容量作为状态变量,将电池容量修正算法运用于Kalman滤波算法估计SOC,解决了锂离子电池容量损耗使得误差累积的问题。实验证明,本文提出的基于容量修正的Kalman最优滤波算法提高了SOC估算的精度,并且对初始误差有很强的修正作用,可以保证纯电动汽车锂离子电池的稳定工作。     

一种估算锂电池SOC的新型方法

SOC（荷电状态）的预测和估算是锂电池管理系统中的一个重要部分。根据GAAA算法充分利用了遗传算法和蚁群算法各自的优势,提出一种GAAA算法优化BP神经网络的SOC估算方法。使用MATLAB进行编程,将锂电池的实时工作电流、电压、温度、健康度、安时积分值作为输入,实现对SOC的估算。实验结果表明,该算法在估算精确度和运算速度上都优于传统的BP神经网络和基于遗传算法的BP神经网络。     

基于改进RBF算法的蓄电池荷电状态估计研究

针对径向基神经网络在SOC预测过程中随机产生基函数中心和宽度的不稳定性导致预测精度不佳的问题，提出一种改进RBF的蓄电池SOC估计方法，以麻雀搜索算法优化RBF网络参数以提高网络预测精度。在DST工况仿真验证SSA参数优化的有效性，在US06和FUDS工况下，分别利用改进径向基神经网络、RBF、极限学习机与BP神经网络对SOC进行预测。对比分析结果表明，SSA-RBF在SOC估计精度方面表现更优，将估计误差降低到2%以内，能够完成高精度的SOC估计，具有一定的理论研究意义与应用价值。     

粒子群优化神经网络在SOC估算中的应用

针对电传动车辆用动力电池组荷电状态(SOC)非线性强、普通神经网络模型预测精度低的问题,提出利用粒子群优化神经网络权值和阈值的预测方法,建立基于该方法的BP神经网络电池SOC训练模型。为克服粒子群算法容易陷入局部最优的缺点,用混沌变量初始化粒子位置,采用可避免粒子高度聚集的算法,提高模型的预测精度。仿真结果表明,使用该方法估算电池的SOC更具快速性、准确性和稳定性。     

基于神经网络的电动汽车电池SOC估算研究

论文首先分析了当前电动汽车电池管理系统中存在的问题,特别是电池电压的精确测量和剩余电量的准确预测问题一直亟待突破,因此,论文在分析电池荷电状态(SOC)影响因素的基础上,进行了动力电池的充放电实验,建立了BP网络电池模型,通过对网络进行训练,应用神经网络模型进行SOC估算,实验表明:建立的BP网络具有较好的适应性,能有效预测锂离子动力电池电压、电流和放电容量间的映射关系。可以准确地对电动汽车电池进行SOC估算。     

基于布谷鸟搜索优化神经网络的锂电池荷电状态预测

锂电池荷电状态(SOC)的预测是电动汽车锂电池管理系统中最为关键的技术之一;为实现对SOC的高精度的预测,提岀了一种基于布谷鸟搜索算法(CS)优化的误差反向传播(BP)神经网络的锂电池SOC预测方法,该方法的核心难点之一,在于优化BP神经网络的初始权值和阈值,从而可以改善易陷入局部最优的情况,减小算法对初始值的依赖;Matlab仿真结果表明,CS—BP神经网络算法的均方根误差值比BP算法的均方根误差值平均降低了0.010 6,CS—BP算法具有更高的预测精度和极强的泛化性能.     

基于无迹卡尔曼滤波估算电池SOC

为了实现在线估计汽车动力电池的荷电状态（SOC）,提出了结合神经网络的无迹卡尔曼滤波算法。以Thevenin电路为等效电路模型,建立了状态空间表达式,采用最小二乘算法对模型参数进行辨识。在此基础上,利用神经网络算法拟合电池的荷电状态与模型各个参数之间的函数关系,经过多次实验,确定了神经网络算法的收敛曲线,此方法比传统的曲线拟合精度高。介绍了扩展卡尔曼滤波和无迹卡尔曼滤波的原理,并设计了等效电路模型验证实验、电池的SOC测试实验和算法的收敛性实验。实验结果表明,在不同的工况环境下,该方法估计SOC具有可在线估算、估算精度高和环境适应度高等优点,最大误差小于4%。最后验证了结合神经网络的无迹卡尔曼滤波的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确和累计误差的问题。     

PSO优化的BiLSTM-Attention网络的锂电池健康状态评估

锂离子电池作为一种高效的储能元件,被广泛应用到生产生活的各个领域,其健康状态事关系统的安全性,受到越来越多的重视。基于粒子群优化算法,优化了具有注意力机制的双向长短期记忆网络,实现了锂离子电池的健康评估。首先,考虑到锂电池数据的时序特征,采取了一种双向长短期记忆网络提高预测效果,并且引入注意力机制解决信息过载问题,提高任务处理的效率和准确性。接着,利用粒子群优化算法优化网络模型结构的参数,获得高效的锂电池健康状态估计。最后,引入NASA锂离子电池数据集。实验结果验证了所提方法的有效性。     

基于等效模型和多时间尺度扩展卡尔曼滤波的锂离子电池SOC预测

荷电状态(SOC)和最大可用电量估计是锂离子电池寿命预测中的两个最重要部分;然而与快速时变的SOC比较,最大可用电量的参数变化缓慢;文章提出了一个基于等效模型和多时间尺度的扩展卡尔曼滤波(EKF)预测算法对SOC和最大可用容量分别在不同时间尺度上进行估计,在宏观尺度上利用了SOC估计值作为观测量,更新最大可用电量;针对NCA/C卫星锂离子电池实验数据的仿真结果表明,提出的多时间尺度EKF预测算法与EKF联合估计算法相比,SOC和最大可用电量估计准确度更高,同时提高了计算效率。     

A Nonlinear Observer Approach of SOC Estimation Based on Hysteresis Model for Lithium-ion Battery

In this paper, a state of charge (SOC) estimation approach for lithium-ion battery based on equivalent circuit model and the input-to-state stability (ISS) theory has been proposed. According to the electrochemical performance of lithiumion battery, the equivalent circuit model with two RC networks is established, which includes hysteresis characteristic in inner electrochemical response process.The nonlinear relation between open circuit voltage (OCV) and SOC is obtained from a rapid test.Exponential fitting method is used to identify the parameters of the model.A novel state observer based on ISS theory is designed for lithium-ion battery SOC estimation.The designed observer is tested on AMESim and Simulink co-simulation.The simulation results show that the proposed method has a high SOC estimation accuracy with an error of about 2 percent.      

Fractional Modeling and SOC Estimation of Lithium-ion Battery

This paper proposes a state of charge (SOC) estimator of Lithium-ion battery based on a fractional order impedance spectra model. Firstly, a battery fractional order impedance model is derived on the grounds of the characteristics of Warburg element and constant phase element (CPE) over a wide range of frequency domain. Secondly, a frequency fitting method and parameter identification algorithm based on output error are presented to identify parameters of the fractional order model of Lithium-ion battery. Finally, the fractional order Kalman filter approach is introduced to estimate the SOC of the lithium-ion battery based on the fractional order model. The simulation results show that the fractional-order model can ensure an acceptable accuracy of the SOC estimation, and the error of estimation reaches maximally up to 0.5% SOC.