基于UKF滤波的自主移动机器人锂电池SOC估计

准确估计剩余电量(state of charge,SOC)关系到自主移动机器人(AMR)的生存与安全,是AMR研究中所面临的主要挑战之一.针对广义卡尔曼滤波估计SOC的不足,本文给出基于无色卡尔曼滤波(UKF)估计AMR锂电池SOC的新方法.通过试验对UKF和EKF进行了比较.试验验证了同样条件下,UKF比EKF具有更好的滤波估计精度.     

基于自适应高斯-厄米特滤波的锂电SOC估算研究

对锂电池荷电状态(state of charge,SOC)进行准确地估算十分重要.由于SOC呈非线性特征,并且受多种因素的动态影响,准确估计困难.本文利用高斯-厄米特滤波(Gauss-Hermite filter,GHF)的思想,结合Thevenin等效电路模型,提出一种自适应高斯-厄米特滤波(adaptive Gauss-Hermite filter,AGHF)算法对SOC实时估计更新.利用MATLAB/Simulink建立仿真模型,并与扩展卡尔曼滤波(extended Kalman filter,EKF)算法及传统的高斯-厄米特滤波算法相比较.通过分析对比可以发现该算法的估算精度较高,可以有效地控制滤波发散.     

基于自适应高斯-厄米特滤波的锂电SOC估算研究

对锂电池荷电状态(state of charge,SOC)进行准确地估算十分重要.由于SOC呈非线性特征,并且受多种因素的动态影响,准确估计困难.本文利用高斯-厄米特滤波(Gauss-Hermite filter,GHF)的思想,结合Thevenin等效电路模型,提出一种自适应高斯-厄米特滤波(adaptive Gauss-Hermite filter,AGHF)算法对SOC实时估计更新.利用MATLAB/Simulink建立仿真模型,并与扩展卡尔曼滤波(extended Kalman filter,EKF)算法及传统的高斯-厄米特滤波算法相比较.通过分析对比可以发现该算法的估算精度较高,可以有效地控制滤波发散.     

基于扩展卡尔曼滤波的小型无人机锂电池组SOC估计

在锂电池组提供动力的小型无人机中,对锂电池组进行准确、可靠的荷电状态估计(state of charge,SOC)尤为重要。针对传统SOC估算方法存在计算量大、估计不准确等缺点,通过对锂电池组建立Thevenin模型,提出了一种基于扩展卡尔曼滤波(Estimationkalmanfilter,EKF)算法的小型无人机锂电池组SOC实时估算方法。通过采用串联7节4Ah钴酸锂电池单体的锂电池组进行实验验证。实验表明该方法对小型无人机锂电池SOC估计误差低于4%,在误差允许范围内,基本满足了对小型无人机锂电池组SOC在线估计的需求。     

基于遗传神经网络的电动汽车锂电池SOC预测

针对传统方法在电动汽车锂电池荷电状态（State of Charge,SOC）预测中的局限和不足,提出了一种基于遗传神经网络的电池SOC预测算法.该算法的整体方案首先给出了车载锂电池状态监测系统的软硬件实现,在该系统上以不同的放电倍率对磷酸铁锂电池进行了放电实验,获取了其放电过程中电压、电流和SOC的样本数据,然后利用遗传算法全局寻优能力对神经网络中的连接权值和阈值进行了优化,用实验所得的样本数据训练BP神经网络,根据训练好的神经网络对锂电池SOC进行了预测并将其与真实SOC进行对比,以验证算法的可行性.研究结果表明,该方案可通过电压、电流的实时测量值获知锂电池的剩余电量,具有收敛速度快、预测误差小、适应范围广的特点,有效解决了电动汽车锂电池的SOC预测问题.     

融合GM(1,1)先验估计的扩展卡尔曼SOC估算

锂电池荷电状态(State of Charge,SOC)估算是电池管理系统(Battery Management System,BMS)的关键,准确估算SOC对合理使用动力电池、推动电动汽车的发展有重要意义。为避免安时积分法对SOC估算造成随时间累积的误差,以及在驱动参数设置不科学的情况下,扩展卡尔曼启动阶段性能差等问题,提出融合GM(1,1)先验估计的扩展卡尔曼SOC估算策略。在初始阶段使用安时积分来估算SOC值作为GM(1,1)模型的原始数据序列,以GM(1,1)模型替代EKF算法中的先验估算,保证状态估算的优良启动性能以及加快收敛速度,结合实时观测值对先验状态进行修正,随着迭代次数增加,后验估算值逐步淘汰GM(1,1)模型原始数据序列中的值,使得估算值主要依赖于实施监测实时检测的修正。实验结果表明,该方法有效提高了SOC估算精度,其估计精度在2%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。     

锂离子电池开路电压快速估计研究

提出了一种离线式锂离子电池开路电压快速估计方法,在短时间内完成对需要经过长时间搁置才能稳定的开路电压的预估。建立了一个带有权重的电压弛豫模型并利用短时间内搁置电压数据和模型预估值构造损失函数,通过优化算法对损失函数中的参数进行寻优。电池开路电压预估流程包括对电池进行放电,搁置和开路电压预估,整个过程所需时间为30～40 min,即通过30～40 min就可以完成对需要进行数小时静置后才能稳定的开路电压的预估。为了检验此模型的适用性,设计了三元锂电池在不同电池荷电状态(State of charge,SOC)下、不同温度下和以不同的放电倍率放电下开路电压预估的试验,以及设计了电池容量循环衰减试验,并在电池容量衰减后继续对电池开路电压进行预估。试验结果表明,此模型可以通过短时间搁置便能精确地预测电池在不同SOC和不同温度下以及电池容量衰减后的开路电压。提出的离线式锂离子电池开路电压快速估计方法能够快速、准确地预估电池稳定开路电压,在电池SOC以及电池健康状态(State of health,SOH)等状态估计及电池容量估计方面有重要作用,能够大大缩短预估时间。     

基于UKF算法的汽车状态估计

准确实时获取行驶过程中的状态信息是汽车动态控制系统研究的关键问题。将unscented卡尔曼滤波(UKF)算法应用到汽车的状态估计之中,建立了包含时不变统计特性噪声和非线性轮胎的汽车动力学模型,采用具有对称采样策略和比例修正的UKF算法对汽车估计了多个关键状态量。将UKF估计器与常见的EKF估计器进行了比较分析,基于ADAMS/Car的虚拟试验和实车试验验证了UKF在汽车状态估计中的可行性。     

基于云端计算的SOC估计策略

荷电状态(SOC)是锂电池的重要参数。现有的SOC估计方法并不能很好地反映锂电池健康状态随着时间变化而变化的特征。结合云计算技术和无线通信技术,针对车载SOC估计中计算量和存储量不足的问题,提出了一种基于云端计算的SOC估计架构,并通过仿真试验验证了这一方法的有效性。     

电池SOC估算中安时积分法以及开路电压法的改进

荷电状态（SOC）是影响电动汽车性能、安全以及用户体验的重要参数。首先对SOC定义进行明确，提出国标电芯测试中的问题，以及改进方法。之后为准确表述动力锂电池SOC与温度的关系，从而准确估算SOC。提出底端容量的概念，并认为低温下电池容量减小是由于底端容量增大造成的。这一概念的引入可以很好地表述锂电池在低温情况放电至馈电后回到室温又可以进一步放电，以及电池在室温情况达到较低SOC后温度降低无法再放电的特性，同时提出改进的安时积分公式。最后，针对当前电池使用开路电压法（OCV）修正SOC，判断条件为单一的静置1 h以上则认为电池静置，并用OCV-SOC关系查表获得准确的SOC。提出使用静置时间与静置回弹电压共同判断电池是否静置，可以更合理有效地判断电池是否静置。进而为整车实际使用过程中提供更多的合理的SOC校正机会，提高用户使用过程中的SOC精度。