基于UKF的动力电池SOC估算算法研究

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。     

基于自适应CKF的锂离子电池SOC估算

扩展卡尔曼滤波(EKF)和无迹卡尔曼滤波(UKF)算法估算电池荷电状态(SOC)依赖等效模型参数的准确性,估算精度低。容积卡尔曼滤波(CKF)算法的滤波性能良好。利用自适应CKF(ACKF)算法估算电池SOC,自适应调节过程噪声协方差和量测噪声协方差,提高估算SOC的精度。对锂离子电池建立二阶RC等效电路模型,在不同工况下进行充放电,用卡尔曼滤波算法在线辨识等效模型的参数,ACKF算法实时估算SOC。ACKF算法估算SOC的鲁棒性较强,精度在1.5%以内。     

基于模糊无迹卡尔曼滤波算法的锂电池SOC估计

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。     

基于无迹卡尔曼滤波的锂电池SOC估算方法研究

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。     

动力锂电池SOC估算研究其管理系统设计

在研究现有荷电状态(SOC)估算方法优缺点的基础上,采用了扩展卡尔曼滤波法(EKF)估算动力锂电池SOC。以卡尔曼滤波算法为基础,建立了基于戴维宁电池模型的状态空间表达式。根据估算误差分析及锂电池工作特性,对EKF中的卡尔曼滤波增益进行分类修正。设计了一套以DSP为主控制器的管理系统。仿真和实验表明,在模拟汽车工况条件下,改进EKF大大提高了估算精度,均衡方案可有效补偿电池组间不一致性。     

基于神经网络和MS-AUKF算法的蓄电池荷电状态估计

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。     

基于UKF的在线锂离子电池SOC估算研究

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。     

基于滤波算法的锂电池SOC估算方法对比分析研究

电池荷电状态(State of Charge,SOC)作为电池管理系统中的重要参数之一,为保证电池管理系统的安全可靠和延长电池循环使用寿命,准确估算SOC具有重要意义。通过建立戴维宁(Thevenin)等效电路模型,结合卡尔曼滤波(KF)和扩展卡尔曼滤波(EKF)算法,实现对锂电池SOC估算精度进行对比研究。仿真结果表明,EKF算法仿真估算SOC精度明显高于KF的估算精度,估算精度可达2%。     

基于迭代扩展卡尔曼滤波算法的电池SOC估算

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。     

大容量锂电池在线参数辨识及SOC联合估计

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。     

无迹卡尔曼滤波法估计锂离子电池的SOC

通过电池脉冲放电实验,得到脉冲放电曲线,对曲线回弹段进行二阶指数拟合,结合电压零输入响应,离线辨识锂离子电池二阶RC等效电路模型的参数.为避免非线性函数线性化处理出现的误差,提高算法精度,采用无迹卡尔曼滤波(UKF)估计荷电状态(SOC).与扩展卡尔曼滤波(EKF)和安时积分法估计相比,UKF的估计误差在1％以内,精度...     

基于UKF-AUKF锂电池在线参数辨识和SOC联合估计

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。     

基于扰动观测器的锂电池荷电状态估算方法

基于电池模型的荷电状态(SOC)估算方法,模型参数的误差会直接影响估算结果.根据扰动观测器原理,建立了锂电池电压扰动观测器模型,与扩展卡尔曼滤波(EKF)算法相结合,设计了具有电池电压扰动补偿功能的锂电池SOC估算方法.由电压扰动观测器得到的补偿电压变量,可实时修正数学模型中的电池状态变量偏差对SOC估算的影响.仿真结果表明当电池数学模型存在滞后电压等动态响应误差时,该方法在充放电过程中SOC估算精度要优于常规EKF估算方法.     

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SOC估算系统,实现了机器人应用中的电池参数采集及SOC估算.     

提升低温下电池SOC估算精度的算法

针对低温环境下电池荷电状态(SOC)估算精度不高的问题,提出一种相应的电池SOC估算方法.在充分考虑模型适配与算法融合的前提下,在低温下对锂离子电池进行充放电测试,采用三阶RC等效电路模型进行参数辨识.利用自适应扩展卡尔曼滤波(AEKF)估算模型进行仿真分析,提升SOC估算精度,并与扩展卡尔曼滤波(EKF)算法进行对比...     

基于双卡尔曼滤波的梯次利用电池SOP估算研究

针对梯次电池性能退化导致电池峰值功率(SOP)估算不准确的问题,提出了基于双卡尔曼滤波(Dual EKF)的梯次电池SOP估算方法.首先建立梯次电池的二阶Thevenin等效模型;其次应用双卡尔曼滤波算法,基于该算法估算SOC(荷电状态)、欧姆内阻和实际容量;然后,利用最优估计预测工作电压与内阻,估算梯次电池SOP.通...     

分裂电池模型的在线参数辨识

分裂电池模型(SBM)是一种可消除状态变量间相互干扰的新型模型,但该模型的参数辨识一般采用传统的最小二乘法(RLS),无法实时跟踪模型参数,且RLS会出现数据饱和,导致辨识精度低,影响电池荷电状态(SOC)估算精度。针对这一问题,提出基于分裂电池模型的带遗忘因子的递推最小二乘法在线参数识别方法,该方法能够实现模型参数的在线识别并提高辨识精度,基于辨识的模型参数利用无迹卡尔曼滤波(UKF)算法估算SOC,从而提高电池SOC估算精度。实验结果表明,采用带遗忘因子的递推最小二乘法可提高模型参数的估算精度,并有效改善SOC的估算效果。     

基于改进Thevenin模型锂电池SOC估算方法

针对纯电动汽车锂离子电池荷电状态(SOC)在环境温度和放电电流变化较大的情况下估算精度较低的问题,采用了一种基于改进Thevenin模型的扩展卡尔曼滤波算法(EKF)。根据电池性能模型,把电池容量作为状态变量,把影响SOC估算精度的环境温度和放电电流作为修正量,采用扩展卡尔曼滤波算法提高SOC估算精度。实验结果表明,该方法提高了SOC估算精度,可用于电动汽车电池管理系统。     

基于EKF滤波算法的电动汽车电池SOC精准估算

电动汽车电池荷电状态(SOC)的快速精确估算是电池管理系统的核心技术。针对电动汽车电池的工作特性,在Thevenin电池模型的基础上,利用扩展卡尔曼滤波(EKF)算法,在不同温度、放电倍率及初始误差的情况下实现了对电动汽车电池SOC的精准估算,并与复合电池模型进行了对比仿真实验。实验表明,采用基于Thevenin电池模型的EKF滤波算法可以快速完成电池SOC的精准估算,误差在5%以内。     

基于EKF的无位置传感器永磁同步电动机控制系统

本文研究了基于扩展卡尔曼滤波(Extended Kalman Filter—EKF)的无位置传感器永磁同步电动机控制系统。以永磁同步电动机矢量控制系统为基础,建立了基于EKF的转子位置和转速估算模型。针对"无穷大转动惯量"假设进行了分析,提出了相应修正措施。仿真结果表明该方法是有效的。