基于鲁棒H∞滤波的蓄电池荷电状态估计

针对蓄电池系统的荷电状态(SOC)受蓄电池材料及加工制作、工作温度、充放电大小及频率等因素的影响,是一个典型的非线性时变系统,相应的状态估计模型在测量过程中存在噪声干扰引起模型参数不确定性的特征。以安时法为基础,建立SOC的状态方程并应用鲁棒H∞滤波算法预测SOC估计值。仿真研究表明,提出的鲁棒H∞滤波算法在有色噪声干扰下比卡尔曼滤波(Kalman filter)有更好的估计精度;在白噪声情况下,鲁棒H∞滤波算法可通过调节其参数达到和卡尔曼滤波器相同的估计精度。     

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Vmin-EKF的动力锂电池组SOC估计

动力电池组的荷电状态(SOC)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,建立电池组的Vmin状态空间模型,电池组内单体电池负载电压的最小值Vmin和电池组的SOC分别作为模型的观测变量和状态变量.应用扩展卡尔曼滤波算法,实现对SOC的动态估计.对模拟电动汽车的实际工况进行电池组放电实验,结果表明,该方法能实时准确地估计电池组SOC.     

基于扩展卡尔曼滤波法的矿用可移动救生舱蓄电池荷电状态估计

针对基于安时计量法的矿用可移动救生舱蓄电池荷电状态SOC估计在环境温度或放电电流波动较大的情况下精度较低的问题,提出了一种基于扩展卡尔曼滤波法的矿用可移动救生舱蓄电池SOC估计方法。该方法在安时计量法的基础上,把影响蓄电池SOC估计的环境温度和放电电流因素作为蓄电池系统的噪声,采用扩展卡尔曼滤波法的优化估计递推算法对蓄电池SOC进行实时滤波与估计,从而提高了蓄电池SOC的估计精度。实验结果表明,该方法的蓄电池SOC估计结果与实测值基本一致,可用于矿用可移动救生舱蓄电池管理系统中。     

电动车蓄电池SOC估计的神经网络方法

针对蓄电池荷电状态估计问题,将神经网络方法用于电动车蓄电池荷电状态的估计。依据蓄电池荷电状态与可测量参数之间的非线性关系,建立了基于BP神经网络与RBF神经网络的蓄电池荷电状态预测模型。仿真结果表明,经过训练后的预测模型,可以通过蓄电池的端电压、工作电流以及蓄电池的内阻参数预测蓄电池的实时荷电状态。通过比较,RBF预测模型具有较好的泛化能力且稳定性更强,能够更精确的估计出蓄电池的剩余容量。     

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。     

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。     

自适应卡尔曼对储能锂电池充放电状态的估算

为了提高对工作状态中动力锂电池组的锂电池荷电状态(SOC)估计,精准的电池模型能够有效地估计SOC值,即提出了非线性模型来描述锂电池的外部特性.自适应性卡尔曼滤波算法有效减小了卡尔曼滤波因为电池模型参数不准确而造成的误差.该算法使系统状态初始化,对下一时刻的不确定性的状态和误差协方差矩阵进行时间更新,计算卡尔曼增益并记...     

锂离子电池组SOC估计算法的比较研究

锂离子电池组的荷电状态SOC是描述电池剩余电量的重要参数,常用SOC估算方法有:安时法、开路电压法、神经网络法、卡尔曼滤波法、扩展卡尔曼滤波算法等。本文分析了影响电池荷电状态的SOC的影响因素,对各种SOC估算算法进行了比较研究,并对扩展卡尔曼滤波算法进行了Matlab仿真。仿真结果表明,卡尔曼滤波法对电池荷电状态的估算有较好的修正能力,并且容错能力较强。     

基于无迹卡尔曼滤波单液流锌镍电池SOC估计

针对单液流锌镍电池荷电状态估计(SOC)还未较有为完善的解决方案,提出一种基于无迹卡尔曼滤波(UKF)算法的单液流锌镍电池SOC估计.对单液流锌镍电池工作原理进行介绍,建立单液流锌镍电池二阶等效电路模型,并对电池内部参数进行辨识,通过利用扩展卡尔曼滤波算法(EKF)和无轨迹卡尔曼滤波算法(UKF)分别对单液流锌镍电池的SOC估计,经过仿真分析两种算法的误差,进一步说明无迹卡尔曼滤波算法有较高的精确度,估计误差在2％以内,能够满足单液流锌镍电池荷电状态估计要求.     

基于Thevenin模型和UKF的锂电池SOC估算方法研究

为解决在多种工况下锂电池实时估算困难、估算精度不高等问题,以三元锂电池为研究对象,建立Thevenin模型,对电池的工作特性进行表征。综合多种工况对锂电池工作特性进行研究分析,避免了依据电池内部复杂结构建立等效模型的困难。考虑到估算初期荷电状态(SOC)准确性对于后期估算的重要性,首先用开路电压法标定初值,然后运用无迹卡尔曼滤波(UKF)算法进行估算跟踪。UKF算法基于无迹变换,没有忽略高阶项,对于非线性分布具有较高的计算精度。在Matlab/Simulink中搭建仿真模型并结合多种工况数据进行分析。试验结果表明,Thevenin模型能够较好地对锂电池SOC进行估算,收敛速度快、跟踪效果好且能将估算误差控制在0.8%以内,验证了UKF在对锂电池进行SOC估算时具有较高的精度。     

基于充电方式的锂电池SOC 校准和估计方法

荷电状态(SOC)是动力锂电池的重要参数.针对安时法估计锂电池SOC存在累积误差,其他估计算法复杂度较高的问题,提出一种工程实用的SOC估计方法.该方法通过分析电池特性并结合安时法,建立了SOC初始值、总容量和累积误差的校准方法.通过建立终端电压与SOC之间的映射关系,利用恒流、恒压不同充电阶段的电池特性,实现了电池系统在一个放电周期内的SOC高精度估计.实验表明,该方法能够使得SOC的估计误差在5%以内.     

无人机锂电池电路等效和荷电状态智能计算估计

锂电池电池管理的核心是电池荷电状态(SOC)的实时准确估算。为精确实时估算SOC值,以无人机(UAV)锂电池为研究对象,建立戴维南等效电路模型,对电池进行试验测量、研究分析。首先,运用开路电压法标定锂电池的估算初值,在卡尔曼滤波算法的基础上进一步改良优化得到扩展卡尔曼滤波(EKF)算法。然后,将该算法运用到SOC估算中,即可在较短时间内高精度的估算出无人机锂电池的实时SOC值。在MATLAB/Simulink中搭建对应电池模型输入算法进行运行,并对得到的结果与实际数据进行比较、论证。试验表明,基于戴维南模型的EKF算法能很好地对无人机锂电池SOC进行估算,收敛效果好而且估算精度高于98.5%。扩展卡尔曼算法可以很准确地估算出无人机锂电池的实时SOC值。     

基于CARMA模型的动力电池荷电状态估计

为完善电动汽车电池管理系统的主要功能,实现对电池准确建模及荷电状态(state of charge,SOC)的准确估计,文章基于二阶RC等效电路建立了一种受控自回归滑动平均模型(controlled auto-regressive moving average,CARMA),推导得到电池开路电压(open circuit voltage,OCV)的最优估计,并结合分段建立的电池OCVSOC模型实现电池SOC估计,从而实现了电池模型参数在线实时辨识以及SOC实时估计,解决了因初值设定不合理而影响SOC估计准确度的问题。仿真结果表明:在美国联邦城市运行工况下,SOC估计误差的绝对值不超过2.39%,实现了较为准确的SOC估计。     

基于免疫遗传算法的动力电池SOC估计研究

锂离子动力电池SOC（电池荷电状态）难以直接测量且由于高度非线性所导致估计误差较大。为了减少动力电池SOC估计误差,提高估算精度。在分析了锂离子动力电池电压、温度、电流和放电电量对电池SOC影响后,提出一种新颖的免疫遗传算法（Immune Genetic Algorithm,IGA）和BP神经网络相结合的锂离子动力电池SOC值联合估计方法,该方法首次使用在锂离子动力电池SOC值估计中,采用新颖的免疫遗传算法通过对BP神经网络进行参数寻优,优化网络结构模型,增强神经网络自适应学习效率。通过仿真和动力电池实际工况下实验,结果表明使用新颖的联合估计算法提高了网络的运行效率和电池SOC值估计精度,估计均方根误差控制在2%以内,验证了这一联合估计算法的可行性和有效性,解决了动力电池SOC值估计误差较大的问题。     

基于RLS和EKF算法的全钒液流电池SOC估计

针对全钒液流电池的荷电状态(SOC)估计精度低、估计成本较高等问题,提出一种基于递推最小二乘算法(RLS)与扩展卡尔曼滤波算法(EKF)相结合的估计方法.该方法通过RLS算法辨识所建立的钒电池数学模型参数,通过EKF算法估计钒电池的SOC,将二者结合实现电池参数发生变化时准确估计钒电池的SOC.以5kW/ 30kWh的钒电池为对象,应用所提出的算法实现钒电池的SOC估计.结果表明,该算法可以准确估计钒电池的SOC,且可节省额外增加单片检测电池测量SOC的费用.     

基于全新等效电路模型的电池关键状态在线联合估计器

针对电池三大关键状态(State of Charge–SOC、State of Health-SOH、State of Power-SOP)之间相互耦合的关系,同时考虑到其估计精度受到电池时变的内部参数等因素影响的问题,提出一种基于自回归等效电路模型(autoregression equivalent circuit model, AR-ECM)的电池关键状态在线联合估计算法.该方法提出基于AR模型的全新电池ECM,给出同时表征SOC、SOH和电池内部压降的状态空间方程以及区别化参数更新策略.在此基础上,考虑状态方程容易发生不正定的问题,提出采用平方根无迹卡尔曼滤波(square root unscent kalman filter, SR-UKF)算法实现电池状态的联合估计.该算法的优势在于真正实现了电池关键状态以及ECM参数的联合估计,更符合实际工程应用需求.仿真验证表明,在噪声干扰环境下,该联合估计器能够得到较高的精确度和稳定性.     

在线参数辨识和扩展卡尔曼算法的锂离子电池SOC估算研究

荷电状态(SOC)的准确估计对锂离子电池的在线实时监测和安全控制具有重要意义。以中航锂电池为研究对象,选择二阶阻容(RC)模型对电池工作特性进行表征,并结合多种工况情形对锂离子电池进行研究分析。考虑到参数辨识的初值对在线辨识修正效果的影响,搭建仿真模型与电池脉冲工况特性比较验证,仿真误差在0.05 V以内。在此基础上,构建含有遗忘因子的递推最小二乘法(FFRLS)的在线参数辨识系统,对电池动态应力测试工况(DST)进行仿真预测,相对误差在1.50%以内。针对离线参数辨识的不足,采用在线参数辨识结合扩展卡尔曼(EKF)算法对工况下电池SOC进行估计。试验结果表明,在线参数辨识下,EKF算法能够有效表征系统SOC估算,相对误差精度在0.3%以内。     

基于Thevenin模型和自适应卡尔曼的SOC估算研究

精确的荷电状态(SOC)值在电池的应用开发中具有重要的意义.选择合适的滤波算法是精确估算的前提.由于扩展卡尔曼滤波(EKF)中噪声的给定值与实际工况下噪声的统计特性不符,导致估算精度低.为提高SOC估算精度,构建能准确反映锂电池工作特性的Thevenin电路模型.在此基础上,构建状态方程和观测方程,提出自适应卡尔曼滤波...     

基于UKF的电动汽车锂电池SOC估计方法

准确估计电池的荷电状态(SOC,state of charge)是电动汽车电池管理系统研究的关键技术。基于Thevenin模型建立了状态空间方程组,采用无色卡尔曼滤波(UKF,unscented Kalman filtering)算法实现非线性条件下的SOC准确估计。硬件在环仿真试验表明:UKF估计误差小于5%,且当SOC值低于50%时,其估计结果明显优于扩展卡尔曼滤波(EKF,extended Kalman filtering)方法,有较高的实用价值。