双卡尔曼滤波算法在锂电池SOC估算中的应用

以在线估计锂离子电池组的荷电状态(SOC)为目的,建立了双卡尔曼滤波(DEKF)算法.以Thevenin电池模型和卡尔曼滤波算法为基础,对电池模型建立了状态空间表达式.分别采用最小二乘法和DEKF算法对该模型参数进行辨识,提高了该模型的精度,使电池模型能够较好地反映电池内部的真实状态.介绍了双卡尔曼滤波算法在线估算荷电状态的原理,并设计了相关的电池测试实验.实验结果表明在不同的工况环境下,该算法在线估计SOC具有较高的精度和对环境的适应度,最大误差小于4.5％.最后,验证了DEKF算法具有较好的收敛性和鲁棒性,可以有效解决初值估算不准和累积误差的问题.     

基于扩展卡尔曼粒子滤波算法的锂电池SOC估计

锂电池荷电状态用来描述电池剩余电量的多少,进而反映电动汽车的续驶里程,是电池管理系统中的核心参数。电池循环次数、瞬间大电流以及温度等因素都会使电池特性发生变化,使用扩展卡尔曼滤波算法对电池荷电状态进行估计,会有较大的误差甚至导致算法不收敛。为了有效地抑制发散以及噪声的影响,基于锂电池混合噪声模型,应用扩展卡尔曼粒子滤波算法对锂电池荷电状态和电流漂移噪声进行同步估计。最后根据充放电试验数据进行仿真分析,结果证明了该算法的优越性。     

电动汽车动力电池SOH估计方法探讨

实时估计电动汽车动力电池健康状态(State of Health,SOH),对于充分保证每个电池组的充/放电性能,延长整个电池组的寿命具有重要意义。作为电池管理系统的重要组成部分,相比于电池荷电状态(State of Charge,SOC)和电池均衡系统的研究,SOH估计方法的研究明显落后。简单介绍了SOH的定义及影响因素,按照离线估计方法和在线估计方法进行分类,探讨了常见的SOH估计方法。最后展望了SOH估计方法的发展趋势,指出基于卡尔曼滤波的在线估计和智能学习神经网络的方法将是未来的主流方法。     

基于扩展卡尔曼滤波算法的燃料电池车用锂离子动力电池荷电状态估计

针对燃料电池汽车用锂离子动力蓄电池建立一个简单物理模型和一个复杂物理模型,它们分别以不同等效电路来描述电池的动态特性,然后将这两个物理模型中各物理量和状态量之间的关系表达成离散化的状态空间方程.在此基础上,利用在燃料电池汽车实车运行过程中测得的包括电流、电压等数据,基于扩展卡尔曼滤波算法对锂离子动力电池的荷电状态进行估计,并对利用两种模型进行估计的结果进行比较分析.分析结果表明,基于电池等效电路模型的卡尔曼滤波电池荷电状态估计算法是有效的,并且电池模型对估计结果的影响较大,利用精确的电池模型容易达到较高的估计精度.     

电动汽车锂离子动力电池健康状态在线诊断方法

随着电动汽车的快速发展,高比能锂离子电池的衰减问题日益受到关注,其健康状态是耐久性管理的核心参数,对延长电池寿命提高系统可靠性至关重要。以三元材料锂离子电池为研究对象,基于正负极的开路电压模型,描述正负极和全电池的匹配关系并在全新电池尺度上重构其开路电压-荷电状态曲线,分析正负极匹配关系在电池经历各种老化模式后的演变特性,从而在全新电池尺度上重构老化电池的开路电压-荷电状态曲线,并据此提出了改进的锂离子电池老化模式无损定量诊断方法,克服了现有方法必须以电池的真实开路电压-荷电状态曲线为诊断依据的局限性,从而更加适用于实车在线应用。采用扩展卡尔曼滤波算法,从电池动态电流工况放电数据中辨识开路电压随放电容量的变化曲线,并使用所提出的老化诊断方法拟合该开路电压曲线,可以定量分析电池遭受的正极材料损失、负极材料损失和可用锂离子损失。在此基础上,提出电池最大可用容量的估计方法和真实开路电压-荷电状态曲线的辨识方法,结果表明,在动态工况下容量估计误差在1%以内,开路电压-荷电状态曲线的方均根误差在6 mV以内。该方法应用于电池组,可以实现电池组内各单体电池的最大可用容量和荷电状态一致性估计。     

基于神经网络模型的动力电池SOC估计研究

针对电动汽车动力电池荷电状态(SOC)的估计问题,对动力电池的荷电状态估计方法进行了研究。对电池荷电状态的影响因素进行了归纳,提出了基于反向传播神经网络(BP神经网络)的动力电池荷电状态估计方法。利用汽车仿真软件ADVISOR对电动汽车行驶典型的汽车测试工况进行了模拟,得到了电动汽车动力电池荷电状态与电池的充放电电流、温度之间的关系。对得到的训练样本数据进行了归一化处理,经过训练,得到基于BP神经网络的动力电池荷电状态估计模型。同样,利用ADVISOR软件得到的测试数据,对得到的神经网络模型进行了测试。研究结果表明,该模型的估计值和输出值之间的误差最大值为4%左右,模型的精度符合动力电池荷电状态估计的使用要求。     

基于粒子滤波算法的动力电池SOC估计

针对电池荷电状态(SOC)容易受到电流、温度、循环寿命等非线性因素的影响,建立基于温度和电流变化的电池容量修正方程。结合安时法和复合电化学原理构建电池状态空间模型。由于粒子滤波算法对非高斯、非线性系统的适应性,因此选用粒子滤波算法来研究电池SOC估计。通过美国FTP-75工况和NEDC工况实验仿真显示,基于粒子滤波算法的电池SOC估计比扩展卡尔曼滤波算法估计精度高、适应性好。     

基于卡尔曼滤波的电动汽车电池SOC估算方法研究

荷电状态SOC(State of Charge)是描述电动汽车动力电池状态的关键参数,对其进行估计,可以防止电池过充过放、有助于充分发挥电池中的能量、延长电池的使用寿命,是实现电池高效管理的关键技术之一。论文用卡尔曼滤波法对其进行估计,克服了安时法确定SOC初值难和存在累计误差的问题,易于工程实现,具有很好的实用价值。     

电流信号采样偏差下动力电池荷电状态估计研究

电动汽车电池管理系统实际运行的过程中,电流信号易受到有色噪声的干扰而产生信号采样偏差,这会造成荷电状态(Stateofcharge,SOC)估计精度的急剧下降。针对该问题,分析电流信号分别在两种不同类型的有色噪声干扰下的SOC估计问题,提出一种三层组合估计结构用于同时实现电流采样信号的校正、电池模型参数的在线更新以及SOC的高精度估计。该组合结构首先基于状态扩维后二阶RC等效电路模型,并利用自适应重组遗传算法(Adaptive recombination genetic algorithm,ARGA)辨识出模型参数,由自适应平方根容积卡尔曼滤波(Adaptive square root cubature Kalman filter,ASRCKF)算法在线校正产生偏差的电流信号;然后基于校正后的电流信号和二阶RC模型,通过偏差补偿遗忘因子递推最小二乘(Bias compensation recursive forgetting-factor least squares,BCFRLS)算法与ASRCKF算法相结合进行协同估计,实现模型参数和SOC值的在线更新。最后在DST工况下进行验证,试...     

电动汽车动力电池SOC估算研究

电动汽车的电池性能直接影响到整车性能,而SOC(state of charge)估算是电池管理系统的重要功能,也是急需解决的技术难点。为了估算锂电池的荷电状态SOC,基于电池外特性的实验数据,建立电池等效电路模型。在MATLAB中搭建电池模型,并研究卡尔曼滤波算法对Ah计量法估算SOC的修正作用。结果表明:所选择的电池复合模型能有效地模拟电池特性,结合开路电压法、Ah计量法和卡尔曼滤波法的SOC估算算法能有效地解决SOC初值估算不准和累计误差的问题。     

基于电热耦合模型和多参数约束的动力电池峰值功率预测

锂离子动力电池的峰值功率（State of power,SOP）直接影响电动汽车的加速爬坡性能以及回馈制动的能量回收能力,然而其不能直接测量,且准确估计十分困难。这源自于电池内部复杂的电化学特性,尤其是电池运行是一个电热特性相互耦合的过程,过高的充放电功率可能引起电池过热,进而导致电池寿命加速衰减甚至引发安全事故,因此,引入电池温度作为峰值功率的重要约束条件之一,综合电池温度、电压、荷电状态（State of charge,SOC）等多参数约束实现峰值功率预测。首先建立电池电热耦合模型,准确描述电池电、热动态特性;进而在多参数约束条件下预测电池峰值功率;最后,改进了电池热模型的参数辨识方法,并在不同温度环境和动态工况下试验验证电池建模和峰值功率预测方法的有效性,试验结果表明该方法可有效预测电池充放电功率,提高电池使用的安全性。     

基于CAN总线的锂离子动力电池组管理系统

本文描述了一种新的动力电池组管理系统,该系统基于CAN总线技术,具有电池组状态监控、均衡充电、电池荷电量评估等功能,可以提高电池组的使用效率及寿命,保证电池组和电动汽车行车的安全.     

多拓扑结构锂电池组外短路特性分析及模型评价

新能源汽车的快速发展受到动力电池系统安全的掣肘,锂电池组外部短路故障是导致电池热失控进而引发汽车起火爆炸的主要因素之一,而不同拓扑结构及初始荷电状态(State of charge, SOC)影响锂电池组外部短路特性。搭建锂电池组外部短路故障试验平台,进行多拓扑结构锂电池组在静置工况下的外部短路试验,模拟汽车停置时电池发生外部短路故障过程,揭示不同拓扑结构及不同初始SOC对锂电池组外部短路特性的影响,为锂离子电池单体分选成组、外部短路故障诊断等方面提供数据支撑。此外,锂离子电池外部短路模型重构是进行故障诊断的基础,对不同等效电路模型对锂离子电池外部短路电压预测精度等进行综合评价,为锂离子电池外部短路电特性重构模型选择提供指导。     

锂离子电池功率状态预测方法综述

随着锂离子电池在智能电网、新能源汽车等领域的大规模应用,其充放电能力,即峰值功率的准确预测对于保障系统的安全、可靠运行至关重要。从单体和系统两个层面归纳分析锂离子电池功率状态预测方法的研究进展：针对电池单体预测方法,主要包括测试查表法、黑箱法、等效电路及电化学模型法等,重点阐述多参量约束的等效电路模型法,并进行分类与对比分析;针对电池系统,从电池系统模型及功率状态预测算法两个角度出发,分别讨论了串联型、非串联型电池系统的功率状态预测算法和大数据驱动的智能预测方法,并分析各方法的优缺点及应用领域;结合下一代云计算、大数据、数字孪生等发展趋势,对锂离子电池功率状态预测方法进行展望,为促进电池全生命周期管理技术的研发与应用提供一些思路。     

轻型无人机电池动态冲击性能研究

随着民用无人机在各领域的大量应用,其安全问题引起了广泛关注,现有研究大多是以硬物撞击的形式分析无人机撞击航空器问题,很少关注其机载锂离子电池可能带来的安全隐患。为了更好地分析碰撞过程中轻型无人机电池包的破坏机理,先通过放电容量和倍率性能试验,进行电池寿命及一致性的评估,开展不同冲击能量的电池单体落锤冲击试验,研究冲击能量与单体失效模式的关系,随后通过不同荷电状态电池包的落锤冲击试验,研究其碰撞安全特性。结果表明,试验用单体和电池包均处于许用寿命范围内,且具有较好的一致性;冲击能量大小与单体的破坏模式密切相关,三个区域的冲击能量对应着三种不同的破坏形式,中等冲击能量对电池产生了最严重的破坏;机械冲击致使电池发生内短路,进而诱发热失控是导致电池包严重破坏的主要原因,这些结果为民用无人机整机碰撞问题的研究提供有益的启示。     

基于锂电池等效电路模型的阻抗曲线拟合算法

近些年利用电池阻抗谱(EIS)估算锂电池状态的研究取得了较大进展。本文提出了一种EIS等效电路模型参数提取算法,用于分析提取不同状态下的电池等效电路参数,具有简单、不易发散的优点。首先通过结合模型的物理意义计算获得等效电路模型参数初值,然后利用等效电路与EIS之间的映射关系进行迭代,从而实现了参数的提取。对比理论参考值,提取的关键参数的误差低于4.4%。为了获得锂电池在不同荷电状态下的EIS数据,利用电化学工作站在恒温状态下测量选用的磷酸铁锂电池,利用算法编写的软件实现等效电路参数的提取。通过对比不同荷电状态下的等效模型参数,在一定程度上验证了利用EIS快速估计锂电池状态的可行性。     

锂离子动力电池能量密度特性研究进展

动力电池作为新能源纯电动汽车的动力源,其能量密度与整车的续驶里程及安全性等密切相关,而锂离子电池具有高能量密度和长寿命等特点,是当前新能源汽车动力电池的主流选择。基于锂离子电池发展史和我国第1～48批《免征车辆购置税的新能源汽车车型目录》中2000余款纯电动乘用车的锂离子动力电池能量密度数据,系统研究了锂离子动力电池能量密度演变趋势,回顾了我国锂离子动力电池能量密度的提升历程及其对推动新能源汽车发展起到的良好作用。在此基础上,从电极材料、电池工艺和成组结构等3个方面,剖析了锂离子动力电池能量密度提升技术方案的优势与不足;并从电池能量密度和安全性的关联性出发,总结了高能量密度电池在设计、制造和使用等全生命周期中的安全技术,展望了锂离子动力电池未来的发展趋势,为新能源汽车行业未来的健康发展提供参考。     

基于数据驱动的电池系统泛化SOH估计方法

准确可靠的电池健康状态估计是保证锂离子电池安全运行的关键,同时为失效预警提供参考。提出一种适用于电池单体和电池组的健康状态估计通用方法。首先,提出基于局部充放电数据的电池单体高效健康因子提取方法,保证健康因子和容量的高相关性和实现健康因子的在线可获取性。其次,提出考虑电池组容量衰减和不一致性的特征生成策略,利用主成分分析获取融合特征,利用双时间尺度滤波和电池组等效电路模型拓宽特征提取方法的应用范围。然后,基于高斯过程回归算法框架,考虑健康因子和容量衰减的整体关系和局部变化提出改进的高斯核函数提高估计精度和可靠性。最后,利用多个试验数据集验证算法在不同应用条件下的泛化能力。估计结果表明,对恒流放电工况的电池单体估计误差小于1.28%,在动态变温条件下电池单体估计误差小于1.82%;串联电池组的验证结果表明在各种应用场景下估计误差均小于1.43%。提高了电池系统健康状态估计的精度以及在广泛应用场景下的适应性。     

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.