基于自适应无迹卡尔曼滤波算法的锂离子动力电池状态估计EI北大核心CSCD

应用传统的无迹卡尔曼滤波(unscented Kalman filter,UKF)算法估计电动汽车锂离子动力电池核电状态(state of charge,SOC)时,常会出现由于电池模型参数不准确而造成估计误差增大的问题,该文采用了自适应无迹卡尔曼滤波(adaptive unscented Kalman filter,AUKF)算法解决该问题。AUKF算法是一种循环迭代算法,可以实时估计电池模型中的欧姆内阻,提高电池模型准确性,从而提高电池SOC估计精度。另外,电池的欧姆内阻可以表征电池的健康状态(state of health,SOH),因此还可以根据电池的欧姆内阻估计出电池的SOH。在设定工况下对电池做充放电实验,实验分析表明,与UKF相比,AUKF提高了电池SOC估计的精度,并能准确的估计出电池的欧姆内阻。     

基于自适应无迹卡尔曼滤波算法的锂离子动力电池状态估计

应用传统的无迹卡尔曼滤波(unscented Kalman filter,UKF)算法估计电动汽车锂离子动力电池核电状态(state of charge,SOC)时,常会出现由于电池模型参数不准确而造成估计误差增大的问题,该文采用了自适应无迹卡尔曼滤波(adaptive unscented Kalman filter,AUKF)算法解决该问题。AUKF算法是一种循环迭代算法,可以实时估计电池模型中的欧姆内阻,提高电池模型准确性,从而提高电池SOC估计精度。另外,电池的欧姆内阻可以表征电池的健康状态(state of health,SOH),因此还可以根据电池的欧姆内阻估计出电池的SOH。在设定工况下对电池做充放电实验,实验分析表明,与UKF相比,AUKF提高了电池SOC估计的精度,并能准确的估计出电池的欧姆内阻。     

基于AUKF的锂离子电池健康状态估计

针对锂离子动力电池健康状态(SOH)估计问题,提出一种自适应无迹卡尔曼滤波算法(AUKF),通过协方差自适应匹配方法抑制噪声干扰,实现SOH的准确估计。建立了锂离子动力电池的状态空间模型,采用AUKF实时估计电池内阻,利用电池欧姆内阻和SOH之间的内在关系,进而得到电池的SOH。实验结果表明,利用所提方法估计SOH准确、可靠,为电池管理系统中状态估计提供了一种有效的方法。     

基于欧姆内阻对锂电池健康状态的估算

锂电池的健康状态(SOH)是对电池管理的重要参数之一,它和锂电池的寿命有着直接的关系。为了更精确地估算出锂电池的健康状态(SOH),以锂电池欧姆内阻为研究对象,构建可判断锂电池老化程度的健康因子,基于数据驱动法,选用三次样条插值法为算法,建立健康因子与健康状态(SOH)的关系模型,从而达到以健康因子来估算健康状态(SOH)的目的。实验表明,实测数据和估算数据的估算误差较小,验证了方法的可行性。     

基于无迹卡尔曼滤波的动力电池健康状态估计

准确估计动力电池的荷电状态(SOC)及健康状态(SOH)是电池领域的关键性技术,对正在服役的动力电池进行全面安全精确的管理是保障电动汽车安全高效运行的前提。以二阶RC等效电路模型为基础,运用无迹卡尔曼滤波算法(UKF)对电池SOC和欧姆内阻进行实时估计,再利用电池欧姆内阻与SOH的关系,实现了对SOH的实时估计。与传统的扩展卡尔曼滤波算法相比,无迹卡尔曼滤波算法无需对状态方程进行线性化处理,不存在截断误差,具有更高的估算精度与稳定性。     

基于UKF的18650锂离子电池健康状况估计

根据18650型锂离子单体电池的特性分析,建立了电路等效模型和电化学模型相结合的电池模型,以实时在线辨识锂离子电池欧姆内阻为目标,利用无迹Kalman(UKF)滤波算法,实现了对电池欧姆内阻的在线辨识,开展了锂离子电池健康状况(SOH)估计实验,建立了适用于18650型锂离子电池的SOH估计模型。仿真结果显示,该模型同时考虑电池内阻在不同工况下的变化趋势和充放电电流大小等因素,为实现锂离子电池健康状况精确估计提供了较好的理论基础。     

梯次利用锂电池健康状态预测

从电动汽车中退役的锂电池在功能元件有效的情况下可进行梯次利用,针对退役锂电池处于离线状态且单体电池之间存在性能差异等问题,以锂电池欧姆内阻为研究对象,设计适用于梯次利用锂电池性能测试工况。基于锂电池一阶RC等效电路模型,研究基于增量式自回归模型(IARX)的健康特征数据提取方法,以此构建均值内阻、最小内阻和内阻-荷电状态(SOC)三种健康因子,建立健康寿命模型,提出基于多模型数据融合技术的锂电池健康状态(SOH)预测方法。实验和仿真结果表明:所建健康寿命模型适用于预测同种类退役锂电池SOH,验证了模型的有效性;基于多模型数据融合技术有利于提高锂电池SOH预测精度,验证了此方法的可行性。     

基于分数阶模型的锂离子电池SOC与SOH协同估计

锂离子电池荷电状态(SOC)和健康状态(SOH)的精确估计对电动汽车稳定运行十分重要.以精确估计电池SOC和SOH为目标,提出了一种基于分数阶模型的协同估计算法.建立基于二阶RC电路模型的分数阶电池模型,采用自适应遗传算法(AGA)辨识模型参数,利用分数阶扩展卡尔曼滤波(FOEKF)算法估计SOC,并结合自适应无迹卡尔曼滤波(AUKF)算法估计SOH,迭代更新内阻与SOC进而实现SOC与SOH精确的协同估计.在城市道路循环工况(UDDS)下使用Matlab工具验证和对比了算法精度,平均误差均控制在2％以内.结果表明,该协同估计算法能够精确估计电池SOC和SOH,为电池状态估计提供了一种方法.     

电力系统备用电池健康状态估计

电力系统备用电池的健康状态(SOH)与其所处两种工况密切相关。循环工况对电池组单体最大压差有影响,浮充工况对电池组单体平均内阻和电池组质量有影响,分别研究这两种状态下不同参数与电池组SOH的关系,建立电池健康状态-最大压差和健康状态-内阻均值和质量两个电池模型,再将二者用不同权值融合起来,得到最终的SOH估计结果。经过实验验证,应用该模型和算法,可以对SOH取得良好的估计效果。     

基于自适应平方根无迹卡尔曼滤波算法的锂离子电池SOC和SOH估计

为提高锂离子电池荷电状态(state of charge,SOC)的估计精度并准确估计健康状态(state of health,SOH),以二阶RC等效电路模型为研究对象,基于Sage-Husa自适应滤波的思想,对传统的平方根无迹卡尔曼滤波(square-root unscented Kalman filter,SRUKF)进行改进,提出一种自适应SRUKF(adaptive square-root unscented Kalman filter,ASRUKF)算法,该算法通过对状态方差阵和噪声方差阵平方根的递推估算,确保了状态和噪声方差阵的对称性和非负定性。验证结果显示,相比于SRUKF算法,ASRUKF算法能够得到精度更高的SOC估计值,并在FUDS工况下将最大SOC估计误差降低4%。针对电池欧姆内阻和容量参数随着电池的老化而变化的现象,对内阻和容量进行实时在线估计,在此基础上完成对SOH参数的预测。验证结果表明,联合估计算法对电池的欧姆电阻和容量有一个较好的估计,进一步提升了电池状态的估计精度。     

变电站用铅酸电池SOH估计

变电站用铅酸蓄电池组在核容时的单体电压下降率与浮充时的内阻均值与铅酸电池组的健康状态(SOH)有明显关系。通过分析核容和浮充状态对SOH的影响权重大小,分别建立了浮充时内阻均值及核容时单体电压下降率与SOH的关系模型,从而提出了一种基于融合模型的变电站用铅酸电池SOH估计算法。该算法针对变电站用铅酸电池组实际工况设计,针对性强,并采用电池电压下降率表征核容过程对SOH的影响,采用内阻变化表征浮充过程对SOH的影响,适用于变电站用铅酸电池的全生命周期。最后通过加速寿命实验验证所提出的算法,实验结果表明,该算法能够很好地表征变电站用铅酸电池的衰减状态,估计精度高。     

基于无迹卡尔曼滤波的全钒液流电池状态估计

利用传统的安时积分法估计全钒液流电池(vanadium redox flow battery,VRB)的荷电状态(state of charge,SOC),常常会因为累积误差造成估计误差增大的问题。该文针对这一问题,以一阶RC等效电路模型为基础,采用无迹卡尔曼滤波(unscented Kalman filter,UKF)算法对安时积分法估计结果进行修正,提高SOC估计精度。此外,UKF算法同时可以在收敛后准确地实时估计电池模型中的内阻,而电池的内阻可以表征其健康状态(state of health,SOH),因此UKF算法可根据内阻的估计结果评价电池的SOH。在工况下对电池进行测试性充放电实验,实验结果表明,UKF算法可以快速完成电池SOC的精确估计,绝对误差小于2%,并能准确地估计出电池的内阻,为电池SOH的确定提供参考依据。     

基于双非线性预测滤波法的锂离子电池SOH估计

动力电池的健康状态(SOH)估计是电动汽车电池管理系统的关键技术之一。提出了一种基于双非线性预测滤波法的锂离子电池SOH估计方法。基于Thevenin等效电路模型来表达电池的性能,基于双非线性预测滤波法对电池的容量和内阻进行估计从而实现SOH的在线估计,基于磷酸铁锂电池的循环寿命测试对提出的方法进行验证,结果表明,基于双非线性预测滤波法的SOH估计方法能够在电池的整个生命周期内实现SOH的精确预测。     

锂离子电池内阻辨识及其在寿命估计中的应用

根据锂离子动力电池的特性分析,以实时辨识锂离子电池欧姆内阻为目标,建立了电池内阻简化模型.在该模型的基础上,利用实验采集的数据和递推最小二乘算法,实现了对电池欧姆内阻的在线实时辨识.通过该内阻辨识算法,开展了电池寿命估计实验.获得了电池内阻在不同工况下的变化趋势等相关结论,为实现寿命状态估计提供了有益的参考.     

基于蚁群神经网络算法的电池健康状态估计

电池健康状态(SOH)是进行电池健康监管和维护的重要依据。以某种车用磷酸铁锂单体电池为实验对象,提出了一种蚁群算法优化后的神经网络算法,以电池直流内阻定义SOH,并将该算法应用到电池健康状态估计模型。结果表明所提出的模型和方法预测电池最大直流内阻误差为0.1 mΩ,平均误差为0.049 mΩ,表明该方法能较为准确地预测电池直流内阻,实时反映电池的健康状态。     

基于实时车况的电动汽车电池工作状态检测方法

随着电动汽车的普及,对动力电池的维护问题逐渐成为电动汽车养护的一大研究课题。提出了一种基于电动汽车实时车况电池老化情况的检测方法,通过对电流变化情况的监测,观察动力电池欧姆内阻的变化,并且通过电动汽车行驶时电池荷电状态(state of charge,SOC)的变化趋势,估计电池健康状态,从而有效地为用户的电动汽车保养提供参考。根据对动力电池SOC、健康状态(state of health,SOH)以及欧姆内阻的变化,来判断是否需要对动力电池进行更换。     

不同放电倍率下的锂电池欧姆内阻测试分析

以常用磷酸铁锂电池为研究对象,分析了电池欧姆内阻特性在不同放电倍率下的变化关系。通过混合脉冲功率特性(Hybrid Pulse Power Characteristic,HPPC)实验法,分析获得了电池欧姆内阻与放电倍率和荷电状态(State of Charge,SOC)之间的关系。研究结果表明,相同放电倍率下,电池欧姆内阻随着电池SOC的减小而增大;相同电池SOC状态下,电池欧姆内阻随着放电电流的增大而增大,从而明确了电池欧姆内阻受放电倍率和SOC共同影响。     

基于改进GWO-SVR的锂电池SOH估计

为了提高锂电池健康状态的估计精度，提出了一种基于IGWO-SVR的锂电池SOH估计方法。针对支持向量回归(SVR)内核参数选择的问题，采用改进灰狼(IGWO)算法优化支持向量回归的内核参数；选取合适的健康特征作为输入，电池SOH作为输出，建立IGWO-SVR估计模型，实现锂电池SOH的估计。基于NASA电池数据集，对该模型进行训练及验证，并与SVR和GWO-SVR方法相比。结果表明，IGWO-SVR方法能有效提高SOH估计的精度和稳定性，最大估计误差不超过2%。     

基于锂电池模型和分数阶理论的SOC-SOH联合估计

基于锂电池荷电状态（SOC）和健康状态（SOH）的耦合关系，设计了SOC-SOH联合估计系统。首先，构建锂电池等效电路模型和自适应扩展卡尔曼滤波（AEKF）算法，进行锂电池SOC估计；其次，建立锂电池分数阶模型，设计模糊控制器辨识分数阶模型参数，基于分数阶模型参数和电池充电工况确立健康因子，引入麻雀搜索算法（SSA）改进反向传播神经网络（BPNN），进行锂电池SOH估计；然后，集成SOC与SOH估计方法，设计联合估计系统；最后，设计锂电池老化实验、动态应力测试（DST）和US06动态实验方案，对比分析不同工况下不同算法的SOC-SOH联合估计效果。结果表明，基于提出的SOC-SOH联合估计方法，估计误差小于1%，具有良好的估计特性。     

基于滑动窗自适应滤波的锂电池SOC/SOH联合估计

以锂电池电化学-电路等效组合模型为基础,研究电池荷电状态(SOC)和健康状况(SOH)联合估计算法。电池组合模型包含电化学等效模型和电路等效模型两部分,两个RC并联电路分别表示电池工作过程中的瞬态响应和稳态响应。针对电池模型参数和性能参数的非线性特征,提出基于滑动窗滤波模型的非线性参数估计方法,该方法适用于锂电池的管理系统。同时,在模型参数和性能参数估计值的基础上,提出基于Kalman算法的电池SOC/SOH自适应在线联合估计方法。实验结果显示,新算法较好地解决了锂电池非线性模型引起的计算误差,保证电池SOC/SOH估计结果的实时性和有效性。