锂离子电池自适应参数辨识与SoC估算研究

传统的锂离子电池SoC估算以固定参数的电池模型为基础,不能反映电池内部的真实状态,进而影响了估算精度。为此,提出一种模型参数自适应辨识与SoC估算相结合的协同估算方法。首先建立电池二阶RC等效电路模型,通过脉冲充放电实验获取开路电压与SoC关系并进行分段线性化,得到模型状态空间表达式。然后采用限定记忆递推最小二乘法进行模型参数自适应辨识与逐步更新,并设计PI观测器以实现SoC估算,两者协同从而提高估算精度。理论分析证明了PI观测器的鲁棒性。实验和仿真结果表明,该算法具有很高的SoC估算精度,估计误差范围在1.5%以内,平均估算误差只有1.28%。     

基于RLS法的锂离子电池离线参数辨识

提出一种基于递推型最小二乘法(RLS)算法改进的离线参数识别方法,采用RLS法作为离线参数辨识的初值,以解决离线辨识初值选择的限制,并能保证辨识结果的精度。采用RLS算法辨识参数,获取模型参数,仿真电压和实验电压最大误差达100 m V,但耗时仅120 s。采用Simscape模型的离线参数辨识方法,最大误差58 m V,耗时1. 8 h;利用RLS算法获取初值,用离线参数辨识方法,最大误差为31 m V,平均误差15 m V,耗时0. 5 h。辨识精度与辨识速度都有明显的提升。     

最小二乘算法优化及其在锂离子电池参数辨识中的应用

传统最小二乘法（LS）用于锂离子电池模型在线参数辨识精度低,通过带遗忘因子递推最小二乘算法能够有效地提高辨识精度,但固定的遗忘因子影响模型动态特性。遗忘因子的自适应处理能提高算法对动态系统的参数辨识能力,而目前的自适应方法容易忽略模型参数的稳定性,同时方法待定系数范围较大且难以确认。为了得到高精度且稳定性良好的模型参数,该文设计了一种精度和稳定性兼优且更简单的自适应遗忘因子递推最小二乘（AFFRLS）改进方法,并与其他AFFRLS、可变遗忘因子递推最小二乘（VFFRLS）进行仿真对比分析。结果表明,改进的AFFRLS能够在模型精度和参数稳定性取得更好的平衡,且对不同的在线工况具有良好的适用性。     

HEV用锂离子电池动态模型参数辨识方法研究

提出一种适用于动力电池等效电路模型的参数辨识算法.基于恒电流充放电试验和复合脉冲功率特性测试工况分别获取平衡电势和欧姆内阻与荷电状态的函数关系,利用动力电池初始状态启动递推最小二乘法辨识电池模型参数建立电池仿真模型,结果表明提出的4步骤RIS算法能很快辨识动力电池关键参数,且误差在2%以内,同时在线辨识功能可实时优化混...     

基于Simulink的锂离子电池建模与仿真研究

锂离子电池因为其高比能、高输出功率、长循环寿命等优点而被广泛应用于电动汽车及储能领域,对锂离子电池进行建模有助于了解不同工况下电池的响应行为,也为后续的电池荷电状态估计、电池均衡控制等研究奠定基础。在分析常规电池模型基础上,利用Matlab/Simulink仿真软件构建了钴酸锂电池二阶Thevenin仿真模型,提出了一种电池测试工步及参数辨识方法,对不同工况进行了仿真验证与分析。分析与验证结果表明:钴酸锂电池二阶Thevenin仿真模型精确度高,能够准确模拟不同工况下电池输出特性。     

基于SR-HPPC和EKF的强适应性电池参数辨识

准确的建模与荷电状态(SOC)估计能确保电池管理系统安全启动及稳定运转.以三元正极材料锂离子电池为研究对象,建立离散模型.在传统参数拟合的基础上,结合模型在阶跃响应下的性质,提出一种辨识方法.该方法结合不同工况实验,对电池工作特性进行分析.将参数辨识方法阶跃响应(SR)-混合功率脉冲特性(HPPC)构建的模型与扩展卡尔...     

基于FF-MILS的锂离子电池模型参数辨识

以三元正极材料锂离子电池为研究对象,选用二阶RC电池模型,采用遗忘因子多新息最小二乘算法(FF-MILS)进行在线参数辨识.比较带有遗忘因子最小二乘算法(FFRLS)与遗忘因子多新息最小二乘算法辨识结果估计的端电压与实测端电压的绝对误差,以验证参数辨识效果.实验结果表明,在城市道路循环工况(UDDS)下,遗忘因子多新息...     

锂离子电池模型参数辨识与荷电状态估算

锂离子动力电池是巡检机器人常用动力源,机器人控制系统需根据电池的荷电状态(SOC)决策工作状态.建立了锂离子电池的二阶Thevenin等效电路模型,用遗忘因子递推最小二乘算法(FFRLS)完成模型在线参数辨识,并用扩展卡尔曼滤波算法(EKF)实现SOC值的估算仿真.在此基础上,设计开发了一套基于STM32微控制器的SO...     

遗忘因子递推最小二乘法辨识锂离子电池参数

递推最小二乘法是辨识锂离子电池等效电路模型参数常见的方法,然而随着递推过程中数据的增加,新数据的生成会受到旧数据的影响,导致误差较大。为此,对锂离子电池的二阶RC等效电路模型进行建模和分析,提出一种用于等效电路模型参数在线辨识的遗忘因子递推最小二乘(FFRLS)法。在动力应力测试实验的基础上,在线辨识等效电路模型参数,利用识别的电路参数对电池电压进行在线预测。通过对比不同遗忘因子(λ)下的端电压均方根误差,发现λ=0.86～0.94为最佳范围。所提算法的精度优于递推最小二乘(RLS)法,验证了算法的可行性和有效性。     

电动车锂离子电池参数测定及水冷仿真

对18650型锂电子电池的比热容和在0.5 C放电下的发热功率进行测定,测得电池的比热容为995 J/kg·℃,电池发热功率随着荷电状态(SOC)的变化而变化。通过实验和仿真的数据对比,验证参数测定方法的可靠性和实用性。对0.5~2.0 C放电下电池的发热功率进行测定。对电池组进行热管理,采取沿着电池轴向铺设水冷管的方法进行散热,通过ANSYS仿真平台发现:在极端条件下水冷的最佳参数为水温25℃,流速10 cm/s。     

基于多新息最小二乘算法的锂电池参数辨识

为了保证电池管理系统的安全可靠运行，需要准确地辨识锂离子电池模型参数。以磷酸铁锂为研究对象，建立其RC等效电路模型，并基于该模型辨识锂离子电池模型参数。锂离子电池模型参数受外部因素影响较大并且参数辨识结果受在线信息采集的限制，采用多新息最小二乘辨识算法进行锂离子电池模型参数在线辨识。通过3种不同的充放电实验采集数据，并根据实验数据在不同初值下进行参数辨识，通过比较由辨识结果估计出的端口电压值与实际值的误差来描述辨识结果的准确度。实验结果表明，多新息最小二乘辨识算法具有快速收敛性与高精确性。     

基于最优权阈值ELM算法的锂离子电池RUL预测

针对锂离子电池剩余使用寿命RUL(remaining useful life)预测结果不准确及极限学习机ELM(extreme learning machine)权阈值随机选取等问题,提出利用ELM模型间接预测锂离子电池RUL的方法 ,并利用遗传蚂蚁算法GAAA(genetic algorithm ant algorithm)选取ELM的最优权值与阈值,建立基于等压降放电时间间接寿命特征参数的最优GAAA-ELM锂离子电池RUL预测模型。基于NASA锂离子电池数据集预测和评估锂离子电池的RUL,并与BP模型预测方法、ELM模型预测方法和GA-ELM模型预测方法相比较,结果表明该方法能够更准确有效地实现锂离子电池RUL预测。     

基于FFRLS-UKF的锂离子电池内核温度估计方法

基于锂离子电池的集总参数模型,建立产热内阻随温度、SOC和循环次数变化的数学模型,并提出了一种基于带遗忘因子的递推最小二乘法(recursive least square with forgetting factor,FFRLS)-无迹卡尔曼滤波算法(unscented Kalman filter,UKF)的锂离子电池内核温度估计方法.在单周期的FUDS工况下进行实验验证,根据采集的电池表面温度值、环境温度和电流值在线辨识热阻容参数和内阻,并验证所辨识参数的准确性;用FFRLS-UKF算法估计内核温度的变化,实验结果表明,该方法可以很快消除未知初始值的误差,并跟随到真值附近,最大误差在1℃以内.在此基础上设计了150次FUDS循环充放电的仿真实验,仿真结果表明,在循环工况下,该方法能够较好地追踪内核温度和内阻平均值变化情况,显示了较好的稳定性和鲁棒性.     

锂离子电池组容量差异辨识方法研究

电池组中普遍存在的不一致性问题,是制约电池组可用容量的重要因素之一.电池组内电池单体参数的差异性是描述电池组性能的重要指标,其中容量差异直接与电池组可用容量和优化控制等息息相关.文中对充电电流变化时电压曲线可进行简单缩放进行合理假设.基于该假设,建立一种快速容量差异辨识的方法,并从多种角度分析验证该方法的合理性和适应性...     

基于天牛须搜索算法的电池模型参数辨识

为实现高精度的动力电池SOC估计,需要建立准确的电池模型.针对磷酸铁锂电池平台特性,采用二阶RC等效电路建立电池的等效电路模型;用双指数函数拟合OCV与SOC的函数关系;采用双线性变换法将电池的数学模型离散化,得到可辨识的电池数学模型.为保证电池模型的精度,要对电池模型的参数进行辨识.首次提出一种基于天牛须搜索算法的电...     

动力用锂离子电池热仿真分析

应用CFD-ACE 软件,通过建立模型求解的仿真手段,对15Ah动力用锂离子电池在0.5C充放电条件下进行热仿真分析,结果表明,电极和电解液固然是决定电池热效应的根本要素,但引流极耳、极柱和壳体的优化设计将显著改善电池的热分布,并可以使最高温度不发生在电极部分,这在动力电池高功率输出的情况下尤为重要。