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。     

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.     

基于改进EKF算法的动力锂电池SOC估算技术研究

荷电状态(SOC)准确估算对于锂电池安全使用至关重要。通过对中航锂电LFP50AH三元锂电池进行混合动力脉冲能力特性(HPPC)试验,根据最小二乘原理在MATLAB对试验数据拟合进行参数辨识,建立二阶等效电路模型。在扩展卡尔曼基础上利用平方根分解状态变量协方差矩阵保证其非负定,形成改进扩展卡尔曼滤波(EKF)算法对锂电池进行SOC估算,防止因为计算机字长有限而引起的滤波发散。模拟北京公交动态测试(BBDST)工况对电池进行测试,以验证算法估算效果。在MATLAB/Simulink建立仿真模型。仿真结果表明,BBDST工况下初始误差为25%时,运行10 s后误差低于10%,80 s最大误差低于2%,平均误差0.45%。基于二阶等效模型运用改进扩展卡尔曼算法的SOC估算能很好地修正初值误差,对动力锂电池SOC估算效果良好,为动力锂电池的可靠使用提供了理论依据。     

不同温度下基于FFRLS-AEKF的锂电池SOC估计

荷电状态(SOC)是电池管理系统的重要指标。针对不同环境温度对于SOC估计的影响,分别建立基于温度影响的二阶RC等效电路模型与电池可用容量模型。在此基础上,采用带有遗忘因子的递归最小二乘法(FFRLS)对模型参数进行在线识别,同时结合改进的自适应扩展卡尔曼滤波算法(AEKF)实现SOC在线联合估计,以其闭环反馈系统通过迭代来保障估计的准确性。实验结果表明,该方法在不同的环境温度下都具有较高的精度,且最大误差小于1.2%,平均绝对误差小于0.6%,均方根误差小于0.5%。     

基于AKF和RLS的车辆簧载质量辨识研究

实际应用中,车辆负载会随着乘客和货物的变化而发生显著改变.提出结合自适应卡尔曼滤波器(AKF)与递推最小二乘算法(RLS)进行车辆簧载质量的在线辨识.首先,采集四分之一车辆悬架的簧载振动加速度、动行程及车轮垂向加速度信号,对车辆悬架系统中的簧载质量和车轮的绝对速度进行估计,进而由遗忘因子递推最小二乘算法辨识车辆簧载质量.分析了在不同路面等级下,卡尔曼滤波器的过程噪声协方差和测量噪声协方差对悬架状态估计精度的影响.仿真结果显示,在选取与车辆行驶路面等级匹配的过程噪声协方差和测量噪声协方差时,车辆悬架状态参数的估计精度较高,并能够在线准确地辨识得到车辆的簧载质量值.     

不同时间尺度下锂电池SoC估算研究

针对当前电池荷电状态(SoC)估算算法在处理器运算过程中计算量大,耗费处理器资源多的问题,提出在SoC估算中同时增大辨识时间尺度和估算时间尺度;采用带遗忘因子递推最小二乘算法辨识电池模型参数,并探究不同大小的时间尺度对SoC估算精度的影响;仿真结果表明,随着辨识时间尺度和估算时间尺度增大,SoC估算精度下降且计算量快速下降,计算消耗时间呈指数减少;当时间尺度过大时,SoC估算精度难以保证,计算消耗时间减少不明显,收敛时间长;在综合考虑估算精度和计算耗费时间情况下,可以找到一个最优的时间尺度用于保证SoC估算精度同时大大降低计算量;该方法为后续实现电动汽车SoC在线估算提供理论依据。     

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。     

基于电路等效和UKF-EKF的锂电池SOC估算方法研究

锂电池以成组形式被广泛使用,但在生产与使用中单体不一致现象会严重影响电池的使用效率、寿命以及安全性。因此,对动力锂电池荷电状态(SOC)进行实时准确估算,保证电池的及时均衡尤为重要。针对动力电池估算所存在的等效模型模拟电池充放电过程中的真实性低、常用算法精度损失等问题,采用二阶Thevenin等效电路模型,通过递推最小二乘法进行电池模型的参数辨识。对比扩展卡尔曼滤波(EKF)算法与无迹卡尔曼滤波(UKF)算法的优、缺点,提出了一种结合EKF和UKF两种算法优势的联合在线SOC估计策略。将估计的SOC结果和试验测量结果进行比较,并通过试验与仿真验证该方法的精度。试验结果表明,该方法能够有效实现SOC的在线估算,其估计精度在5%内,为电池管理系统的搭建与锂电池组的均衡提供了判断依据。     

基于MSUKF的锂离子电池SOC估算研究

快速、准确地估算锂离子电池的荷电状态(SOC)是电池管理系统的关键技术之一，有利于延长电池使用寿命并提高使用的安全性。以三元锂电池为研究对象，采用二阶阻容(RC)等效电路模型构建锂离子电池模型，通过递推最小二乘法(RLS)对等效模型参数进行在线辨识，并结合多新息无迹卡尔曼滤波(MSUKF),形成RLS-MSUKF算法，以实现锂离子电池SOC估算。采用多时刻的新息信息对估算值进行校正，以减少误差积累、增强算法的收敛性及提高锂离子电池SOC估算的精度，并在混合脉冲功率特性(HPPC)测试工况下对锂离子电池进行SOC估算。试验结果表明，HPPC工况下的SOC误差稳定控制在0.78%以内，验证了改进算法的良好性能。该算法为优化锂离子电池SOC估算提供了依据，对锂离子电池SOC估算研究具有启发意义。     

混合动力汽车Ni—MH电池SOC估算算法的研究

电池的荷电状态SOC（state—of—charge）,对于混合动力汽车的电池管理系统来说是一个非常重要的参数。文章介绍了当前常用的一些SOC的估算方法,并分析了这些方法存在的一些局限性。着重研究了基于卡尔曼滤波器估算SOC的算法,并在MATLAB下进行了仿真。     

基于温度补偿的动力锂电池SOC估算方法

动力电池的荷电状态(State of Charge,SOC)是电动汽车的重要参数之一,直接影响电动汽车的安全控制与可续行里程的评估.电池总容量作为估算电池SOC的重要变量之一,其与使用环境温度密切相关,而在SOC估计算法中常被认为是恒定值,从而影响不同环境温度下锂电池SOC估计精度.为实现对锂电池SOC的准确估计,考虑温度对锂电池容量等特性参数的影响,通过引入温度补偿模型,并结合扩展卡尔曼滤波(Extended Kalman Filter,EKF)算法实现对锂电池SOC的动态估计.在不同环境温度下模拟电动汽车实际工况对锂电池进行放电试验,并比较未经温度补偿的SOC算法与补偿后的SOC算法精度.研究结果表明,所提出的方法适用于不同温度的锂电池,能实现较为精确的估计.     

基于扩展卡尔曼神经网络算法估计电池SOC

针对汽车锂电池的荷电状态(SOC)的问题,基于Thevenin电路为等效电路并且应用扩展卡尔曼算法(EKF)结合神经网络算法进行估计。在进行卡尔曼滤波算法估算过程中,需要用到实时的估算模型参数值(最新值),即在不同的SOC下模型的参数不同。传统做法是把SOC与各个参数的关系进行普通的拟合,这种方法在拟合过程中存在较大误差。为了解决这个问题,利用神经网络拟合各个电路模型参数与SOC关系曲线。试验结果表明,与单纯的扩展卡尔曼算法相比,该方法能够准确估计电池剩余电量,误差小于3%。     

基于AEKF的锂离子电池SOC估算

针对拓展卡尔曼滤波（Extended Kalman Filter, EKF）算法进行锂离子电池荷电状态（State of Charge, SOC）估算时噪声信息固定从而导致估算精度低的问题,提出噪声信息协方差能够自动匹配的自适应拓展卡尔曼滤波（Adaptive Extended Kalman Filter, AEKF）算法。首先基于电池的双极化（Dual Polarization, DP）等效电路模型进行参数辨识,建立精确的等效模型;然后在动态应力测试（Dynamic Stress Test, DST）工况下对比了EKF滤波算法与AEKF滤波算法噪声协方差矩阵变化情况以及对电池SOC的估算效果,结果表明AEKF滤波算法具有更高的估算精度;最后设置了几组不同的SOC初始偏差,验证了AEKF滤波算法在估算电池SOC时具有鲁棒性强的优点。     

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。     

动力锂电池SOC估计仿真研究

针对传统的无迹卡尔曼滤波算法(UKF)估计动力锂电池荷电状态(SOC)时,由于滤波迭代过程中系统噪声不确定,可能导致估计结果精度欠佳的问题,提出一种改进的自适应无迹卡尔曼滤波算法(AUKF)动态地估计锂离子电池的SOC.算法以UKF算法为基础,引入改进的Sage-Husa自适应滤波算法,利用观测数据进行滤波递推的同时,实时更新系统噪声的统计特性.以等效电路模型为基础,采用递推最小二乘法辨识模型参数,应用AUKF算法对电池SOC进行估算,并从实际工况进行仿真验证分析.仿真结果表明,上述算法有效的提高了估计精度,误差稳定性较高.     

基于HI-DD-AdaBoost.RT的锂离子动力电池SOH预测

锂离子电池是一个复杂的电化学动态系统,实时准确的健康状态(SOH)估计对电动汽车动力锂电池的维护至关重要,传统建模方法难以实现SOH的在线估算.基于此,从实时评估电池的SOH出发,在增量学习的基础上,选取与电池健康状态相关的指标建立SOH预测模型.考虑到增量学习中的耗时性问题,提出融合滑动窗口技术的HI-DD算法,该算法可以检测概念漂移是否发生,从而指导和确定模型更新位置;设计出HI-DD与AdaBoost.RT结合的模型更新策略,进而提高模型的在线学习性能和预测精度,最后使用CALCE提供的电池老化实验数据对所提出的方法进行验证.结果表明,基于增量学习的HI-DD-AdaBoost.RT预测算法具有较强的在线更新能力和较高的预测精度,能够满足SOH在线预测的实际需求.     

车用锂离子电池SOC估算研究

电池荷电状态(SOC)作为电池管理系统(BMS)后续控制、管理、诊断中的基本参数之一,其实时精确的估算对于BMS的可靠性与准确性有着重要的影响。在SOC估算算法中,卡尔曼滤波算法凭借着估算精度高、实用性好等优点被广泛应用。卡尔曼滤波算法估算SOC主要包括3个步骤。首先介绍了电池模型,对于常用的电等效电路模型进行了详细的分析,包括Rint模型、Randles模型、nRC模型。接着,讲解了电池模型与卡尔曼滤波算法结合的2个步骤,即状态空间方程的离散化及参数辨识。然后,重点探讨和比较了几种卡尔曼算法的基本原理以及应用的不同,主要包括扩展卡尔曼滤波算法、无迹卡尔曼滤波算法和立方卡尔曼滤波算法。最后,通过对卡尔曼滤波算法在车用锂离子电池SOC估算中应用的分析,总结出了可以进一步提高SOC估算精度以及实用性的建议。