锂离子电池荷电状态估算综述

对目前的锂离子电池荷电状态估算方法进行了总结和分类。估算方法有两大类—直接法和间接法。直接法包括库仑计数法、开路电压法和内阻法。间接法包括基于模型、数据驱动和融合的方法。     

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SO...     

基于LSTM神经网络的锂离子电池荷电状态估算

针对锂离子电池荷电状态(state of charge, SOC)预测问题,采用长短期记忆循环神经网络(long short-term memory, LSTM)搭建电池SOC预测模型。利用直流电子负载对18650锂离子电池进行多工况放电,将电池电压、放电电流作为模型输入。将采集数据分为训练集、验证集和测试集,在训练集上训练模型,在验证集上调节模型超参数,在测试集上测试模型性能。采用带动量的随机梯度下降(stochastic gradient descent, SGD)进行权重更新,并加入Dropout正则化方法。在动态放电情况下,使用所提方法预测电池SOC最大绝对误差为2.0%,平均绝对误差为1.05%,验证了该方法的可行性。测试结果表明,在模型训练过程中加入Dropout正则化方法,可以有效降低网络的过拟合现象,增强模型的泛化能力。     

储能锂离子电池荷电状态估算方法

锂离子电池因其能量密度大、转换效率高以及反应快速等特点,已逐渐在大型储能系统中得到应用。为有效获知锂离子电池的荷电状态(SOC),在传统方法基础上,将开路电压法和安时积分法相结合,研究某单体容量为20 A·h锂电池的充放电特性,提出了一类兼具离线和在线修正能力的高精度SOC估算算法,为储能系统中的电池管理策略提供支持。     

基于综合型卡尔曼滤波的锂离子电池荷电状态估算

针对锂离子电池的荷电状态(SOC)估算问题,给出一种综合型卡尔曼滤波算法。该算法采用递推最小二乘算法(RLS)对锂离子电池模型参数进行实时在线辨识和参数更改;采用综合型卡尔曼滤波器估计电池SOC,即针对模型状态空间方程中的线性部分和非线性部分,分别使用线性卡尔曼滤波器(KF)和平方根高阶容积卡尔曼滤波器(SHCKF)计算。两种卡尔曼滤波器结合的综合型策略能够有效减小计算复杂度。其中,SHCKF结合了五阶球面-径向容积法则和平方根滤波技术,比扩展卡尔曼滤波器(EKF)、无迹卡尔曼滤波器(UKF)和容积卡尔曼滤波器(CKF)等传统非线性滤波器的估计精度更高,数值稳定性更强。实验结果证明了该综合型算法的可行性和有效性。     

基于灰色扩展卡尔曼滤波的锂离子电池荷电状态估算

准确估算电池荷电状态(SOC)是电池管理系统的核心技术之一。为提高扩展卡尔曼滤波(EKF)估算电池SOC精度,将灰色预测模型(GM)和EKF融合,构建灰色扩展卡尔曼滤波(GM-EKF)算法用于电池SOC估算。该算法首先用GM(1,1)替代EKF算法中Jacobian矩阵,对当前时刻电池系统状态预测,即实现系统状态先验估算;再通过观测值对系统状态进行更新和修正,获得后验估算值,实现对电池SOC的估算;最后在自主搭建的电池实验平台上对电池进行模拟工况放电实验。实验结果表明,GM-EKF算法相比EKF算法,估算电池SOC具有更高的精度,估算误差不超过±0.005。研究结果对电池管理系统估算电池SOC具有现实指导意义。     

基于EKF-AH联合算法的锂离子电池荷电状态估算

估算算法先进性与否是影响锂离子电池荷电状态(SOC)估算准确度的重要因素。用扩展卡尔曼滤波(EKF)算法估算锂离子电池SOC时在低容量区和估算后期误差较大,为此将EKF算法和安时积分法(AH)相结合,提出EKF-AH联合算法。选用恒流放电及动态工况对联合算法进行实验验证。结果表明,在两个实验工况下对SOC的估算误差分别小于2%和3%。因此EKF-AH相比于EKF,估算精度提高。     

锂离子电池荷电状态估算及剩余寿命预测

锂离子电池具有放电电压高、循环寿命长、安全性能好和无记忆效应等多种优点,在总结锂离子电池预测领域最新研究成果的基础上,对荷电状态估算及剩余寿命预测涉及的技术、算法和模型作了比较研究,尤其是对于锂离子电池荷电状态估算,归纳了电流积分法、开路电压法、模糊逻辑、自回归滑动平均数、电化学阻抗谱、支持向量机和基于扩展卡尔曼滤波的支持向量机等多种方法,并提出了各种方法的优缺点。     

基于电化学模型的锂离子电池荷电状态估计方法综述

荷电状态(SOC)的准确估计是电池管理系统的重要功能之一.当前,基于模型的方法是实现锂离子电池SOC估计最常用的解决方案.相比于等效电路模型(ECM),由于电化学模型(EM)能够实现耦合电化学机理的SOC估计,逐渐成为下一代高级电池管理系统的研究重点.然而,现有基于模型的锂离子电池SOC估计方法的研究大多集中在ECM上...     

基于自适应卡尔曼滤波的电池荷电状态估算

提出基于自适应卡尔曼滤波(AEKF)的磷酸铁锂锂离子电池荷电状态(SOC)估算方法,以改进型新一代汽车合作计划(PNGV)等效电路模型为基础,提高SOC估算的稳定性和精度。在MVEG-A和FTP75工况下,相比于常规扩展卡尔曼滤波(EKF)算法,AEFK算法可实时估计未知噪声的均值和方差,误差率分别降低4.846%和3.672%,估算精度得到提高。     

考虑环境温度影响的锂离子电池改进双极化模型及其荷电状态估算

建立准确合理的锂离子电池数学模型,精确估算锂离子电池(LIB)终端电压及荷电状态(SOC)对于开发高效实用的电池管理系统十分重要.首先,该文建立一种改进的环境温度依赖的锂离子电池双极化(DP)模型.然后,基于锂离子电池的动态实验数据,利用遗忘因子最小二乘法(FFLS)对该锂离子电池模型关键参数进行辨识,并将其拟合为环境...     

基于SRCKF的电动汽车锂离子电池荷电状态估计

精确的电池荷电状态(state of charge,SOC)估计对提高新能源汽车电池管理系统的性能、电池使用安全性以及整车能量管理策略的准确性具有至关重要的作用.综合考虑电池模型精度和复杂度,建立了锂离子电池二阶RC等效电路模型,运用自适应遗忘因子递推最小二乘法(adaptive forgetting factor-recursive least square,AFF-RLS)在线辨识模型参数.在此基础上,采用平方根容积卡尔曼滤波(square root cubature Kalman filter,SRCKF)估算电池SOC,使用动态应力测试工况(dynamic stress test,DST)对模型参数和SOC进行验证.研究结果表明,与无迹卡尔曼滤波(unscented Kalman filter,UKF)估算相比,SRCKF估算误差小、鲁棒性好.     

基于KF-SRUKF算法的锂离子电池荷电状态估计

荷电状态(SOC)估计对于锂离子电池的可靠安全使用至关重要。在SOC估计中,平方根无迹卡尔曼滤波器(SRUKF)适用于非线性方程变量的有效估计,对线性状态方程并不适用。针对这一问题,本文提出将线性卡尔曼滤波器(KF)与平方根无迹卡尔曼滤波器(SRUKF)组成的KF-SRUKF算法应用于电池SOC估计的方法。本文首先建立了基于二阶RC等效电路模型,采用双环递推最小二乘法(BLRLS)进行模型参数辨识,然后根据所提算法进行SOC估计。通过电池测量设备和专用软件组建的电池测试平台进行了算法验证,结果表明,所提改进算法在提高SOC估计精度的同时也有效地减小了计算量。     

基于PSO-LSSVM的锂离子电池荷电状态预测方法

锂离子电池荷电状态(State of Charge,SOC)直接影响着锂离子电池使用性能和效率。为了实现准确的SOC在线预测,提出一种粒子群优化最小二乘支持向量机软测量方法。该方法使用最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)建立非线性系统模型,以锂离子电池工作电压、电流为输入量,电池SOC为输出量。建立软测量模型时,LSSVM正则化参数λ和径向基核宽度μ直接影响着模型的准确度,采用粒子群算法(Particle Swarm Optimization,PSO)对这两个关键参数进行优化。用型号为BTS6050C4的NBT电池测试系统进行样本数据采集,通过MATLAB仿真软件进行模型训练并校正。实验和仿真结果表明采用PSO-LSSVM优化算法精确度高、易实现,且在正常和过充工作环境下均可有效预测锂离子电池SOC。     

基于DP模型的锂离子电池能量状态估算

估算能量状态是电池管理系统的主要功能之一,因为对于电动汽车而言能量状态是预测续航里程、能量管理分配和优化以及实现电池组均衡的的重要参数。传统的功率积分方法,其准确性依赖于较高精度的电压、电流传感器,因而成本高。因此,基于改进的戴维南电路模型,将扩展卡尔曼滤波法(EKF)用来估算电池的剩余能量状态和荷电状态,且使用遗忘递推最小二乘法在线实时辨识模型参数。结果表明,此方法具有较好的估算精度,在复杂动态电流测试工况估算误差可以保持在2%以内,而且能量状态(SOE)比荷电状态(SOC)更适合反映能量的变化。     

深海环境锂离子电池荷电状态分析

针对应用于某4 500 m深度等级载人潜水器的充油锂离子电池,对于其深海环境下的典型工况,即下潜、作业和上浮过程,在不同深度下分析了110 V主电池的荷电状态(SOC)与工作电流的关系,同时分析了SOC与工作环境、温度的关系,在陆上分别模拟了常温常压充放电循环试验、低温容量测试和常温高压强放电循环试验,还比较了实际下潜时并联电池模块之间SOC的变化特点,发现深海低温环境和不同的工作电流对锂离子电池的SOC有较明显作用,在此可以对锂离子电池在深海环境的使用提供相关技术参考。     

锂离子电池荷电状态估计方法综述

对常用锂离子电池荷电状态(SOC)估计方法分类,指出基于电池模型的闭环估计法是研究的热点。着重对比安时积分法、电压法、卡尔曼滤波法、状态观测器法和智能算法,其中卡尔曼滤波法和状态观测器法使用较多,分别从估计精度和算法设计复杂度两方面分析了这些算法的优缺点。给出SOC在线估计的要求:根据应用场合选择适合的电池模型和估计算法,通常要求估计算法具有一定通用性和较好鲁棒性,SOC估计误差小于5%。     

动力锂离子电池荷电状态估计综述

电池荷电状态(SOC)是电池管理系统的重要参数,然而SOC无法直接测量,且受应用环境、老化程度、自放电、电流倍率等因素影响,因此SOC估计尤其是在线估计是锂电池研究的一个热点和难点问题。通过对现有各种SOC估计算法进行综述,分析了各种方法的原理和优缺点,总结了各种参考SOC的获取方法和应用场合,并且针对在线SOC估计方法给出了未来的发展趋势。     

优化电池模型的自适应Sigma卡尔曼荷电状态估算

采用数学模型法对磷酸铁锂电池进行非线性建模,优化了状态模型及观测模型。模型考虑了充放电倍率、温度、老化循环寿命等因素,对电池松弛效应及极化现象影响进行建模补偿,提高了电池建模的准确度,降低了不同条件下因电池模型造成电池荷电状态(SOC)估算的误差影响。在电池模型参数辨识基础上,提出采样自适应Sigma卡尔曼算法构建SOC估算模型,按照非线性模型对状态变量的分布构建Sigma采样序列,采用模型输出残差更新噪声协方差,赋予Sigma采样序列最优估计及噪声的权值,并实现误差量的实时更新,降低计算复杂度。通过持续大电流、间断电流、变电流放电及充电实验条件下的SOC估算对比实验,验证了自适应Sigma卡尔曼算法快速收敛性,数学描述更准确,具备较高的SOC的观测准确度。     

基于降阶电化学模型估算锂离子电池状态

提出一种锂离子电池降阶电化学模型,基于单粒子电池模型,通过拉普拉斯变换、帕德近似和离散化等处理,提高模型解算速度.该模型使用扩展卡尔曼滤波(EKF)算法设计电池状态估计器,具有较高的估计精度,除电压以外的状态量估计误差均低于1％,电压估计误差控制在约2％.在电池状态初始估计值有较大误差的情况下,可实现快速收敛.