电池 SOC 的自适应平方根无极卡尔曼滤波估计算法

针对利用平方根无极卡尔曼算法估算电池SOC时,因噪声协方差为常量带来的误差,在平方根无极卡尔曼滤波(SR-UKF)算法的基础,改进了算法,把每次测量的输出值残差的协方差作为噪声的协方差,得到自适应平方根无极卡尔曼滤波算法,使得噪声协方差随时间的更新而更新,解决了噪声协方差为常量带来的误差。实验表明,利用自适应平方根无极卡尔曼滤波算法对在常温下电池放电过程的SOC估计,精确度在总体上得到了提高,在电池工作区间0.2≤YSOC≤0.9内估计误差在1.5%以内。自适应平方根无极卡尔曼滤波算法对电池常温放电过程的SOC估计能满足电动汽车电池SOC估计的实际要求。     

基于改进Sage-Husa的自适应无迹卡尔曼滤波的锂离子电池SOC估计

扩展卡尔曼滤波(EKF)算法估计锂离子动力电池荷电状态(SOC)时,由于系统噪声的不确定,可能导致估计算法不精确,并且算法中的线性化处理受电池模型的影响很大。为了解决上述两个问题,本文采用改进Sage-Husa的自适应无迹卡尔曼滤波法(AUKF)来动态地估计多元复合锂离子电池的SOC。与EKF相比,改进Sage-Husa的自适应卡尔曼滤波法提高了SOC估计的精度,并能够实时修正微小的模型误差带来的SOC估计误差,实时的工况模拟证明了该算法更适用于多元复合锂离子电池的动态SOC估计。     

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H_∞无迹卡尔曼滤波的退役锂离子电池SOC估计

电动汽车的锂离子动力电池退役后,具备在储能系统等场合继续使用的潜力,其SOC(电池荷电状态)的准确估计对于退役电池的梯次利用具有重要意义。针对传统UKF(无迹卡尔曼滤波)算法出现模型参数不确定及采样噪声干扰导致估算精度下降甚至系统发散等问题,提出一种HUKF(H_∞无迹卡尔曼滤波)算法。该算法在UKF基础上,利用H_∞控制理论引入调整因子来修正UKF中计算协方差时遇到的病态矩阵,提高对异常值和非高斯噪声的鲁棒性。实验结果表明,改进算法以较快的收敛速度实现了更精确的SOC估计,且鲁棒性较好,满足了退役电池SOC估计的实际需求。     

基于自适应无迹卡尔曼滤波的动力电池SOC估计

针对传统无迹卡尔曼滤波(unscented Kalman filter,UKF)算法估计电池SOC时,在未知的干扰噪声条件下滤波精度较低和稳定性较差等问题,基于等效的二阶RC电路模型,提出自适应无迹卡尔曼滤波(adaptive unscented Kalman filter,AUKF)算法.在模型参数辨识的基础上,构建...     

基于自适应无迹卡尔曼滤波算法的锂离子动力电池状态估计

应用传统的无迹卡尔曼滤波(unscented Kalman filter,UKF)算法估计电动汽车锂离子动力电池核电状态(state of charge,SOC)时,常会出现由于电池模型参数不准确而造成估计误差增大的问题,该文采用了自适应无迹卡尔曼滤波(adaptive unscented Kalman filter,AUKF)算法解决该问题。AUKF算法是一种循环迭代算法,可以实时估计电池模型中的欧姆内阻,提高电池模型准确性,从而提高电池SOC估计精度。另外,电池的欧姆内阻可以表征电池的健康状态(state of health,SOH),因此还可以根据电池的欧姆内阻估计出电池的SOH。在设定工况下对电池做充放电实验,实验分析表明,与UKF相比,AUKF提高了电池SOC估计的精度,并能准确的估计出电池的欧姆内阻。     

平方根无迹卡尔曼滤波作球面变换的SOC估计

针对现有的电池荷电状态(SOC)估计方法存在计算推导过程复杂以及线性化精度低的缺点,提出了一种新的基于平方根无迹卡尔曼滤波在单位超球体中作球面变换的锂电池SOC估计方法。这种方法无需对非线性模型线性化且与传统的无迹卡尔曼滤波相比,通过球面变换得到的Sigma点也更少,从而降低了计算要求。修正了电池的二阶等效电路模型,然后给出了所提出估计方法的具体步骤。最后,通过实验对估计方法进行了验证,分析了所提出的方法在SOC估计精度和鲁棒性方面的性能。实验表明,所提出的估计方法能顺利地完成电池SOC的精确估计,估计误差最大仅为4.98%,估计精度受参数变化影响小,具有一定的鲁棒性。     

由MIEKPF-EKPF算法协同估计锂离子电池SOC与SOH

针对锂离子电池荷电状态(SOC)和健康状态(SOH)难以直接测量的问题,提出基于多新息的扩展卡尔曼粒子滤波(MIEKPF)与扩展卡尔曼粒子滤波(EKPF)协同估计SOC和SOH。采用EKPF算法在线辨识参数,并估计SOH,将阻容等辨识结果作为输入,弥补估计SOC时应该考虑电池老化影响产生的误差,实现SOH对SOC的修正,提高模型精度。在新欧洲驾驶周期(NEDC)工况下,进行充放电实验,EKPF算法估计SOH的结果符合实际情况。MIEKPF-EKPF算法最终SOC估计的平均误差为0.48%、最大误差为1.97%、均方根误差为0.58%,仿真结果验证了所提方法的可行性和准确性。     

自适应平方根球型卡尔曼滤波下的SOC估计

对电池管理系统而言,锂电池荷电状态(SOC)的估算相当重要.针对此问题,从锂电池的工作特性分析出发,通过实验及仿真验证,选定一阶Thenevin作为钛酸锂电池的等效模型.利用平方根球型无迹卡尔曼滤波方法,引入噪声自适应因子,对锂电池SOC进行准确估算,极好地提高了收敛速度,缩短了估算时间,并且具有良好的精度.该算法的估...     

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。     

基于双无迹变换的锂离子电池SOC估计研究

电池的荷电状态(SOC)是电池管理系统(BMS)的重要指标,然而锂离子电池是一个具有复杂性噪声特点的非线性动态系统,精准估计SOC十分困难。针对无迹卡尔曼滤波(UKF)估计SOC时受模型精度和系统噪声预定变量影响较大问题,基于改进的PNGV模型提出一种两次非线性变换预测系统闭环端电压方法,采用动态函数提高卡尔曼增益,从而提高SOC估计精度和效果。通过充放电混合动力脉冲能力特性(HPPC)和混合放电比实验验证可得该方法具有良好的估计效果,在电压和电流变化剧烈的条件下,平均绝对误差为0.11%,精度相对提高了58%,均方根误差为0.15%,稳定性相对提高了63%。     

基于无损卡尔曼滤波的锂离子电池组SOC估计

锂离子电池组容量和内部参数随温度变化明显,在不同温度下准确估计电池电荷状态(state of charge,SOC)是电动汽车电池管理系统研究的关键技术。基于Thevenin模型,采用无损卡尔曼滤波(unscented Kalman filtering,UKF)实现不同温度和不同放电电流条件下对锂离子电池组SOC的估计。实验研究表明,UKF算法适应不同放电电流下的电池SOC估计。随着温度降低,虽然UKF方法对锂离子电池组SOC估计的收敛速度变慢,但对初始误差有较强的修正作用,且有较高的稳态精度。因此,UKF方法适合不同温度和放电电流下对锂离子电池组SOC的估计。     

基于自适应理论的锂离子电池SOC估计

磷酸铁锂电池作为我国电动汽车用动力电池的主要形式,得到广泛的研究和应用。电池负荷状态(SOC)估计是锂离子电池智能管理系统(BMS)研究的难点和重点;锂离子电池在使用过程中,工况具有很大的不确定性,而SOC用到的电池参数模型和使用工况又有很大的关系,因此本文利用自适应原理,在电池的实际使用过程中,不断的去采集电池状态信息,修正电池模型参数,适应不同的工况,完善SOC估计的功能。本文的设计思路是通过自适应测量,修正开路电压-荷电状态(OCV)曲线、实际电池容量和电池内阻曲线,然后根据修正后的参数结合安时计算方法进行综合估算,以便在电池整个寿命过程中都能判断电池状态和进行负荷状态估计(SOC)。     

基于平方根无迹卡尔曼滤波的锂电池状态估计

在充电式混合动力电动汽车(plug-in hybrid electric vehicle,PHEV)和电动汽车(electric vehicle,EV)中,对电池进行精确、可靠的荷电状态估计(state of charge,SOC)非常重要。传统估计方法存在计算量大、估计不精确等缺点,提出一种平方根无迹卡尔曼滤波(square root unscented Kalman filter,SRUKF)算法对SOC进行实时估计及更新。利用无迹变换(unscented transformation,UT)精确估计系统方程的均值和协方差,使估算值达到二阶精度。利用平方根算法保证状态协方差的半正定性,提高数字计算的稳定性。通过实验对比,验证了该算法的有效性。结果表明,该方法可使状态估计值具有较小的误差和快速跟随性,满足了SOC估计的实际需求。     

基于有限差分扩展卡尔曼滤波的锂离子电池SOC估计

锂离子电池荷电状态的快速准确估计是电池管理系统的关键技术。针对锂离子电池这一动态非线性系统,以二阶RC等效电路模型为基础,采用递推最小二乘法估算模型参数,运用有限差分扩展卡尔曼滤波算法对电池荷电状态进行估算。仿真结果表明,该模型能较好地体现电池的动态特性,有限差分扩展卡尔曼滤波算法在估算过程中能保持很好的精度,并可以有效地减小由模型误差引入的荷电状态估计误差。     

基于无迹卡尔曼滤波的超级电容SOC估计

超级电容是电动车辆常用车载电源之一,其荷电状态(state of charge,SOC)估计是车载电源领域的研究重点.以超级电容为研究对象,首先,完成超级电容混合动力脉冲测试,基于遗传算法进行Thevenin等效电路模型参数辨识;其次,依托无迹卡尔曼滤波(unscented Kalman filter,UKF)实现超级电容SOC估算;最后,基于城市道路循环工况下验证UKF算法的效果和准确性.结果表明,基于UKF算法的超级电容单体SOC估计误差仅为0.71％,超级电容组的误差为1.5％.     

基于分数阶模型的锂离子电池SOC与SOH协同估计

锂离子电池荷电状态(SOC)和健康状态(SOH)的精确估计对电动汽车稳定运行十分重要.以精确估计电池SOC和SOH为目标,提出了一种基于分数阶模型的协同估计算法.建立基于二阶RC电路模型的分数阶电池模型,采用自适应遗传算法(AGA)辨识模型参数,利用分数阶扩展卡尔曼滤波(FOEKF)算法估计SOC,并结合自适应无迹卡尔...     

基于改进无迹卡尔曼滤波锂电池SOC估计*

锂电池的荷电状态(SOC)估计一直是电动汽车技术的重要研究方向。在实际应用中,准确估计电池SOC不仅可延长电池寿命,提高能源利用效率,还可避免过充和过放等安全问题。基于二阶RC等效电路模型,通过遗忘因子递推最小二乘法(FFRLS)对模型进行参数辨识,在UDDS工况下阐述了四种卡尔曼滤波衍生算法,经过实验对比得到最优SOC估计算法。实验结果表明,多新息无迹卡尔曼滤波算法将系统状态单新息转换为历史状态估计矩阵,SOC估计过程中平均误差控制在073%左右,在复杂系统工况下具有较高的估计精度和鲁棒性能。     

基于扩展卡尔曼滤波算法的锂离子电池的SOC估算

为了精确估算锂离子动力电池的电池荷电状态(State Of Charge,SOC),在分析影响SOC估算精度的主要因素以及传统SOC估算方法的优缺点的基础上,提出一种改进的安时积分法,对影响SOC估算的主要因素进行参数修正.该算法采用基于简单电化学模型的组合电池模型,结合扩展的卡尔曼滤波(Extended Karlman Filter,EKF)算法对SOC进行估算.对比结果表明,在SOC的估算过程中能够保持很好的精度.