共查询到20条相似文献,搜索用时 31 毫秒
1.
基于UKF的动力电池SOC估算算法研究 总被引:1,自引:0,他引:1
动力电池荷电状态(SOC)在线估算对于混合电动汽车蓄电池管理系统有着举足轻重的意义。针对动力电池SOC估算算法中应用广泛的扩展卡尔曼滤波法(EKF)在非线性系统应用时存在的精度损失问题,采用无迹卡尔曼滤波法(UKF)以提高估算精度。研究了一种改进的电动势(EMF)电池等效模型,讨论了该模型的参数和空间状态方程,并将UKF应用于该模型估算SOC。由实验分析可知,对比采用开路电压法得出的SOC真实值,UKF结合EMF电池等效模型在估算算法中有较高的精度,其估算误差小于5%,且SOC估计结果明显优于EKF,具有较高的实用价值。 相似文献
2.
3.
针对未知噪声条件下在线估计锂电池荷电状态精度低的问题,提出了将无迹卡尔曼滤波算法与模糊推理相结合的模糊无迹卡尔曼滤波算法。为了验证算法的有效性,首先建立了适应于FUKF估计SOC的二阶电池模型,在此基础上,采用离线的参数辨识方法辨识模型中相应的参数并进行模型精确度验证,其次设计实验对比模糊无迹卡尔曼滤波方法与传统EKF、UKF方法的估算精度,实现FUKF方法精确度验证。实验结果表明在未知噪声条件下估算SOC,FUKF方法误差小于0.5%,EKF、UKF方法误差在0.5%~1%之间波动,FUKF方法较UKF方法具有收敛速度快、估算精度高的优点。 相似文献
4.
锂电池荷电状态(SOC)的准确估算是制约电动汽车发展的关键技术。基于Thevinin模型建立状态空间方程组,将无迹卡尔曼滤波(UKF)应用到锂电池SOC估算中,通过无迹变换(UT)的方式避免对非线性状态方程的线性化,在不增加系统求解复杂度的前提下提高滤波精度,实现非线性条件下锂电池SOC的准确估算。仿真实验结果表明,UKF估算锂电池SOC的整个过程误差控制在1%以内,其精度明显高于拓展卡尔曼滤波(EKF)的4%,实现了锂电池SOC估算精度的提高,更适用于电动汽车锂电池SOC的估算。 相似文献
5.
6.
《中国电机工程学报》2019,(21)
蓄电池的荷电状态(state of charge,SOC)是表征电池当前剩余电量的重要参数。提出一种基于神经网络和主从式自适应无迹卡尔曼滤波(masterslaveadaptiveunscented Kalmanfilter,MS-UKF)算法的SOC估计方法。首先,建立蓄电池的戴维南(Thevenin)二阶模型,针对开路电压与电池SOC之间的非线性关系,采用神经网络模型代替多项式模型,以提高拟合精度。根据实时测量数据,基于最小二乘法在线确定电池模型的参数。针对传统的扩展卡尔曼滤波(extendedKalmanfilter,EKF)和无迹卡尔曼滤波(unscented Kalman filter,UKF)方法存在噪声方差固定,会产生误差造成估计精度不高的问题,采用MS-AUKF算法。该算法的主滤波器用来估计系统状态,辅助滤波器用来估计噪声方差矩阵。算法每次迭代时更新系统模型的噪声方差,克服了传统卡尔曼滤波算法中,噪声方差初值人为设定可能导致滤波发散的缺点。仿真结果表明,相比于EKF、UKF算法,MSAUKF在估计电池SOC时具有更高的精确度和收敛速度。 相似文献
7.
锂离子电池的精确荷电状态(SOC)估算是电池管理系统(BMS)的关键技术之一,它依赖于电池模型的准确性。由此,基于二阶等效电路模型,采用一种带有遗忘因子递推最小二乘(FRLS)的在线参数辨识方法,以及在线辨识用于锂电池SOC估算的无迹卡尔曼滤波算法(UKF)来研究精确的SOC电池管理系统。并通过动态应力测试(DST),验证该模型的准确性,以及验证所研究方法在SOC估算上的准确性和稳定性。实验结果表明,与离线的UKF方法相比,基于UKF的在线SOC估算方法具有较高的精度和稳定性。 相似文献
8.
9.
基于迭代扩展卡尔曼滤波算法的电池SOC估算 总被引:1,自引:0,他引:1
采用卡尔曼滤波算法估算动力电池的荷电状态(SOC),其估算精度与SOC初值无关,但与动力电池的等效模型有关。为进一步提高SOC估算精度,充分考虑温度对电池模型参数的影响,改进电池的二阶RC等效电路模型,建立电池的非线性状态空间模型;为保证SOC估算结果的收敛性,将迭代滤波理论引入到扩展卡尔曼滤波(EKF)算法中;采用Levenberg—Marquardt(LM)方法优化迭代过程,并将其应用于动力电池SOC的估计。实验结果表明,与EKF和迭代EKF(IEKF)算法相比,采用改进的电池等效模型和优化算法,具有较好的收敛性,且提高了估算SOC的精度。 相似文献
10.
为了提高对大容量磷酸铁锂电池的在线联合精度,分别对在线参数辨识、及SOC估计两部分做了研究。对电池建立了二阶RC等效电路模型,求出了状态表达方程式;使用变遗忘因子的递推最小二乘法来进行在线参数辨识。在多脉冲放电实验工况下,离线参数辨识的最大误差为4.86%(0.18V);而采用变遗忘因子递推最小二乘法,在线辨识的最大误差为1.89%(0.07V)。在线参数辨识不仅实现了实时性,也提高了精度。在参数辨识的基础上,分别采用扩展卡尔曼滤波算法(EKF)、无迹卡尔曼滤波算法(UKF)对电池SOC进行联合估计。在多脉冲放电实验工况中,当SOC的初始误差在30%以内时,UKF算法收敛到误差允许范围内的最大时间为400s;EKF算法收敛到误差允许范围内的最大时间为1100s(实验中电池的总运行时间为18000s)。且当SOC初值正确时,UKF的最大误差为3.2%,而EKF的误差约为7.8%。因此,UKF的鲁棒性、精确度明显优于EKF。 相似文献
11.
12.
锂电池荷电状态(SOC)的精确估计是电动汽车安全行驶的保障。为了降低实际复杂工况下电池模型不契合实际电池参数时变特性造成的误差,采用无迹卡尔曼滤波算法(UKF)对电池模型进行在线参数辨识,再联合自适应无迹卡尔曼滤波算法(AUKF)估计锂电池SOC,将时变参数反馈到SOC估计的模型中,提高SOC估计精度和对各工况适应性,UDDS工况下通过与离线扩展卡尔曼滤波算法(EKF)、在线双扩展卡尔曼滤波算法(DEKF)进行比较分析,实验结果验证了UKF-AUKF的精确性和鲁棒性。 相似文献
13.
14.
15.
16.
17.
18.
19.