基于无迹卡尔曼滤波估算电池SOC

为了实现在线估计汽车动力电池的荷电状态（SOC）,提出了结合神经网络的无迹卡尔曼滤波算法。以Thevenin电路为等效电路模型,建立了状态空间表达式,采用最小二乘算法对模型参数进行辨识。在此基础上,利用神经网络算法拟合电池的荷电状态与模型各个参数之间的函数关系,经过多次实验,确定了神经网络算法的收敛曲线,此方法比传统的曲线拟合精度高。介绍了扩展卡尔曼滤波和无迹卡尔曼滤波的原理,并设计了等效电路模型验证实验、电池的SOC测试实验和算法的收敛性实验。实验结果表明,在不同的工况环境下,该方法估计SOC具有可在线估算、估算精度高和环境适应度高等优点,最大误差小于4%。最后验证了结合神经网络的无迹卡尔曼滤波的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确和累计误差的问题。     

等效建模与SR-UKF算法的SOC估算研究

荷电状态(SOC)用于表征动力锂电池剩余电量。选用Thevenin等效模型作为模拟电池工作状态的等效电路模型,结合试验测量相关参数,运用电路以及多种数理知识,对构建的锂电池等效电路模型进行参数辨识,并通过曲线拟合等方法对辨识结果进行优化处理。在脉冲特性能力测试(HPPC)中对模型精度进行验证,模型表征误差稳定在1.1%以内。采用平方根无迹卡尔曼算法用状态变量的误差协方差的平方根代替状态变量的误差协方差,直接将协方差的平方根值进行传递。利用平方根无迹卡尔曼算法对荷电状态进行估计,对比无迹卡尔曼算法与平方根无迹卡尔曼算法的SOC估计效果。在25℃的条件下对三元锂电池进行动态应力测试工况(DST)试验,平方根无迹卡尔曼算法和无迹卡尔曼算法锂电池SOC估计的最大误差分别为0.55%与1.5%。试验结果表明,平方根无迹卡尔曼算法的跟踪效果较优,具有更高的SOC估计精度和稳定性。     

基于改进EKF算法的动力锂电池SOC估算技术研究

荷电状态(SOC)准确估算对于锂电池安全使用至关重要。通过对中航锂电LFP50AH三元锂电池进行混合动力脉冲能力特性(HPPC)试验,根据最小二乘原理在MATLAB对试验数据拟合进行参数辨识,建立二阶等效电路模型。在扩展卡尔曼基础上利用平方根分解状态变量协方差矩阵保证其非负定,形成改进扩展卡尔曼滤波(EKF)算法对锂电池进行SOC估算,防止因为计算机字长有限而引起的滤波发散。模拟北京公交动态测试(BBDST)工况对电池进行测试,以验证算法估算效果。在MATLAB/Simulink建立仿真模型。仿真结果表明,BBDST工况下初始误差为25%时,运行10 s后误差低于10%,80 s最大误差低于2%,平均误差0.45%。基于二阶等效模型运用改进扩展卡尔曼算法的SOC估算能很好地修正初值误差,对动力锂电池SOC估算效果良好,为动力锂电池的可靠使用提供了理论依据。     

基于Simulink的锂电池建模仿真

针对锂离子电池SOC(荷电状态)难以估算的问题,通过对电池建立等效的Thevenin电路模型,对不同时刻的SOC的模型参数进行拟合得到动态的模型参数,在Matlab中借助Simulink建立仿真模型,采用模块化结构,建立基于卡尔曼滤波算法的电池SOC估算系统;利用测得的电池电压电流,仿真系统可直接估算出实时的电池SOC,与实际的电池SOC对比,误差保持在2.5%以内,表明该方法可以有效地估计电池的SOC,对于锂离子电池在实际应用的容量估算有着重要意义。     

基于扩展卡尔曼滤波器的锂电池SOC估算仿真研究

为弥补动力电池组中安时积分法、开路电压法估算锂电池荷电状态(SOC,StateOfCharge)的缺点,在Matlab环境下介绍了一种使用扩展的卡尔曼滤波器估算SOC的仿真方法,并对整个过程的模型建立、电路搭建、参数辨识以及软件使用进行了详细的阐述。通过仿真实验表明其估算误差不超过3%,验证了方法的准确性以及对初值的不敏感性,是一种稳定的、可靠性高的SOC估算方法。     

在线参数辨识和扩展卡尔曼算法的锂离子电池SOC估算研究

荷电状态(SOC)的准确估计对锂离子电池的在线实时监测和安全控制具有重要意义。以中航锂电池为研究对象,选择二阶阻容(RC)模型对电池工作特性进行表征,并结合多种工况情形对锂离子电池进行研究分析。考虑到参数辨识的初值对在线辨识修正效果的影响,搭建仿真模型与电池脉冲工况特性比较验证,仿真误差在0.05 V以内。在此基础上,构建含有遗忘因子的递推最小二乘法(FFRLS)的在线参数辨识系统,对电池动态应力测试工况(DST)进行仿真预测,相对误差在1.50%以内。针对离线参数辨识的不足,采用在线参数辨识结合扩展卡尔曼(EKF)算法对工况下电池SOC进行估计。试验结果表明,在线参数辨识下,EKF算法能够有效表征系统SOC估算,相对误差精度在0.3%以内。     

无人机锂电池电路等效和荷电状态智能计算估计

锂电池电池管理的核心是电池荷电状态(SOC)的实时准确估算。为精确实时估算SOC值,以无人机(UAV)锂电池为研究对象,建立戴维南等效电路模型,对电池进行试验测量、研究分析。首先,运用开路电压法标定锂电池的估算初值,在卡尔曼滤波算法的基础上进一步改良优化得到扩展卡尔曼滤波(EKF)算法。然后,将该算法运用到SOC估算中,即可在较短时间内高精度的估算出无人机锂电池的实时SOC值。在MATLAB/Simulink中搭建对应电池模型输入算法进行运行,并对得到的结果与实际数据进行比较、论证。试验表明,基于戴维南模型的EKF算法能很好地对无人机锂电池SOC进行估算,收敛效果好而且估算精度高于98.5%。扩展卡尔曼算法可以很准确地估算出无人机锂电池的实时SOC值。     

车用锂离子电池SOC估算研究

电池荷电状态(SOC)作为电池管理系统(BMS)后续控制、管理、诊断中的基本参数之一,其实时精确的估算对于BMS的可靠性与准确性有着重要的影响。在SOC估算算法中,卡尔曼滤波算法凭借着估算精度高、实用性好等优点被广泛应用。卡尔曼滤波算法估算SOC主要包括3个步骤。首先介绍了电池模型,对于常用的电等效电路模型进行了详细的分析,包括Rint模型、Randles模型、nRC模型。接着,讲解了电池模型与卡尔曼滤波算法结合的2个步骤,即状态空间方程的离散化及参数辨识。然后,重点探讨和比较了几种卡尔曼算法的基本原理以及应用的不同,主要包括扩展卡尔曼滤波算法、无迹卡尔曼滤波算法和立方卡尔曼滤波算法。最后,通过对卡尔曼滤波算法在车用锂离子电池SOC估算中应用的分析,总结出了可以进一步提高SOC估算精度以及实用性的建议。     

基于温度补偿的动力锂电池SOC估算方法

动力电池的荷电状态(State of Charge,SOC)是电动汽车的重要参数之一,直接影响电动汽车的安全控制与可续行里程的评估.电池总容量作为估算电池SOC的重要变量之一,其与使用环境温度密切相关,而在SOC估计算法中常被认为是恒定值,从而影响不同环境温度下锂电池SOC估计精度.为实现对锂电池SOC的准确估计,考虑温度对锂电池容量等特性参数的影响,通过引入温度补偿模型,并结合扩展卡尔曼滤波(Extended Kalman Filter,EKF)算法实现对锂电池SOC的动态估计.在不同环境温度下模拟电动汽车实际工况对锂电池进行放电试验,并比较未经温度补偿的SOC算法与补偿后的SOC算法精度.研究结果表明,所提出的方法适用于不同温度的锂电池,能实现较为精确的估计.     

锂电池SOC和SOH的自适应联合在线估算方法

为了准确和快速地估算电动汽车运行过程中汽车电池的荷电状态(State of Charge, SOC)和健康状态(State of Health, SOH),提出一种基于遗忘因子最小二乘和可变时间尺度扩展卡尔曼滤波器的自适应联合估算算法。为了提高算法的效率和准确度，引入自适应遗忘因子递归最小二乘(Adaptive Forgetting Factor Recursive Least Square, AFFRLS)方法来识别电池模型中的参数，并采用可变时间尺度扩展卡尔曼滤波器(Variable Time Scale Extended Kalman Filter, VEKF)来指示SOC和SOH,以满足对电池动态状况进行在线快速估算的需求。应用动态应力测试(Dynamic Stress Test, DST)数据库验证了该方法的有效性，实验结果表明，该联合估算方法可以获取准确的电池模型，并实现在线状态估算。