共查询到20条相似文献,搜索用时 203 毫秒
1.
针对储能磷酸铁锂电池并根据磷酸铁锂电池电化学阻抗谱研究,提出一种双RC并联环节的改进PNGV模型,在HPPC实验下辨识模型参数。针对扩展卡尔曼滤波(EKF)算法在估计电池荷电状态(SOC)时不能实时估测噪声的缺点,将Sage-Husa自适应算法引入EKF算法得到自适应扩展卡尔曼滤波算法,并通过对噪声实时预测和修正来提高电池SOC估计精度。在Matlab/Simulink中搭建电池及SOC估计仿真模型并在模拟动态工况下进行仿真。仿真结果表明改进PNGV模型精度优于PNGV模型;自适应扩展卡尔曼滤波算法估计电池SOC时较EKF算法收敛速度更快,估计精度更高。模型及算法的改进取得较好的效果。 相似文献
2.
基于离散滑模观测器的锂电池荷电状态估计 总被引:2,自引:0,他引:2
锂电池的荷电状态(state of charge,SOC)估计是电池管理系统的重要组成部分,针对锂电池非线性的特性,提出了采用离散滑模观测器估计锂电池荷电状态的方法,给出了离散滑模观测器的设计方法及其稳定性证明。基于锂电池的戴维南等效电路模型,给出了该方法的设计过程,在不同的充放电电流倍率和环境温度下,进行了锂电池模型的参数辨识,通过与常用的扩展卡尔曼滤波法相比较,分析了离散滑模观测器对锂电池SOC估计的精度、鲁棒性和算法复杂度等方面的性能。实验结果表明,采用该算法可实现锂电池SOC快速精确地估计,误差可控制在约3%,验证了该方法的可行性。 相似文献
3.
锂电池荷电状态(SOC)的精确估计是电动汽车安全行驶的保障。为了降低实际复杂工况下电池模型不契合实际电池参数时变特性造成的误差,采用无迹卡尔曼滤波算法(UKF)对电池模型进行在线参数辨识,再联合自适应无迹卡尔曼滤波算法(AUKF)估计锂电池SOC,将时变参数反馈到SOC估计的模型中,提高SOC估计精度和对各工况适应性,UDDS工况下通过与离线扩展卡尔曼滤波算法(EKF)、在线双扩展卡尔曼滤波算法(DEKF)进行比较分析,实验结果验证了UKF-AUKF的精确性和鲁棒性。 相似文献
4.
应用扩展卡尔曼滤波(EKF)算法估计动力电池荷电状态(SOC)时,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。这里提出一种基于强跟踪原理的双卡尔曼滤波(ST-DEKF)算法解决该问题。以电池复合等效模型为研究基础,利用双卡尔曼滤波(DEKF)算法并行实时联合估计电池SOC和电池模型中的欧姆内阻参数,相互反馈,以提高电池模型的准确性,能够有效改善电池SOC估计精度。但在电池SOC初值设定存在偏差情况下,观测噪声方差不易确定,估计过程收敛速度慢,甚至会引起发散,因此,在算法初始阶段又引入了基于强跟踪原理的次优渐消因子对目标进行快速跟踪,弥补DEKF算法的不足。实验结果表明,基于ST-DEKF算法建立的电池SOC估计模型,具有很好的鲁棒性、跟踪速度和精度。 相似文献
5.
为了更好地优化电池的能量管理,提高电池的利用效率,加强电池的安全性能,有必要对锂离子电池的荷电状态(SOC)和健康状态(SOH)进行精确估计。为解决噪声协方差取值和粒子采样分布问题,该文首先提出自适应扩展粒子滤波(AEPF)算法,根据状态向量预测的准确度自适应调整噪声协方差,并利用扩展卡尔曼滤波实现粒子分布函数的局部线性化。随后利用双自适应扩展粒子滤波(DAEPF)算法进一步实现电池SOC和SOH的联合估计,避免电池使用过程中模型参数变化对SOC估计的影响,并结合多时间尺度的方法节约所需的计算资源。最后在动态工况条件下对不同电池模型与算法进行对照实验,结果表明,改进后的算法收敛速度明显提升,且能够显著地提高电池的SOC与SOH的估计精度。 相似文献
6.
针对在非高斯噪声干扰下,传统扩展卡尔曼滤波(EKF)算法估计锂离子电池荷电状态(SOC)时精度低的问题,该文提出一种基于最大相关熵的扩展卡尔曼滤波新算法(MCC-EKF),用于估计锂离子电池的荷电状态.首先对锂离子电池进行Thevenin等效电路建模,并对该模型中的参数进行辨识;然后在不同噪声类型干扰下,分别运用所提出新算法MCC-EKF和EKF算法对电池进行SOC估计.实验结果表明,与EKF算法相比,新算法在高斯噪声干扰下,运行时间增加0.282s,估计精度提高19%;在非高斯噪声干扰下,运行时间增加0.418s,估计精度提高51%;可见新算法的估计精度高于EKF算法,尤其是在非高斯噪声干扰下,新算法的估计精度有显著性提高.另外,新算法在给定错误初始SOC值的情况下,在电池开始工作后10s内就能够收敛到真实值,说明新算法具有较好的鲁棒性.故新算法在运行时间增加很小的情况下,估计精度高且鲁棒性好,是一种非常有效的SOC估计方法. 相似文献
7.
《浙江电力》2021,(1)
锂电池的SOC(荷电状态)准确估计是电池管理系统及其控制的基础。现有扩展卡尔曼滤波、无迹卡尔曼滤波等方法需计算高维雅克比矩阵或协方差矩阵,对计算能力要求较高。结合数据同化和集合预报的思想,提出基于联合EnKF(集合卡尔曼滤波)的锂电池SOC估计方法。该方法利用集合的统计特征来表征状态变量,避免了高维矩阵的运算,对SOC和模型参数进行联合估计,可提高算法速度和精度。建立了锂电池等效电路模型并辨识了模型初始参数,得到了开路电压曲线。在EnKF的基础上,针对充放电过程中模型参数的变化,提出了基于联合EnKF的SOC估计方法,可在计算过程中联合估计SOC和模型参数。实验结果表明,所提方法可准确高效地估计锂电池的SOC。 相似文献
8.
锂离子电池模型参数随温度和荷电状态(SOC)的变化而变化,特别是低温时模型参数变化较大,单值模型不准确。为了解决温度变化对SOC估计的影响,提高模型的准确度,引入温度修正因子,建立了变温度二阶RC等效电路模型。在模型参数辨识过程中,提出了最大似然函数法(MLE)获取模型参数。MLE算法简单,可以解决最小二乘算法因数据增多出现的数据饱和问题,收敛性质随着样本数目增加变好。通过混合动力汽车Loadcycle工况实验验证了提出的参数辨识方法的正确性和准确性。在温度变化下的条件下,基于变温度等效模型,采用自适应扩展卡尔曼滤波(AEKF)算法估计电池的SOC,并与单值模型下采用AEKF算法和无迹卡尔曼滤波(UKF)算法得到的SOC估计值进行对比。通过对比可以看出变温度模型下的AEKF算法得到的SOC估计精度较高,误差在2.2%以内。 相似文献
9.
10.
为了减小模型参数发生变化带来的影响,提高锂电池荷电状态(SOC)的估计精度,提出了一种改进的扩展卡尔曼滤波算法(I-EKF)。建立Thevenin等效电路模型,采用遗忘因子最小二乘法进行参数辨识,将辨识的参数用局部加权回归(Lowess)算法与电池电压、电流进行拟合,利用拟合函数求出每一时刻对应的模型参数,再采用I-EKF算法进行SOC估计。实验分析表明,与传统的扩展卡尔曼滤波算法(EKF)相比,当模型参数发生变化时,I-EKF算法的估计精度更高,收敛后的估计误差基本在0.5%以内。 相似文献
11.
12.
针对永磁同步电机(PMSM)无传感器控制系统中存在滑模高频抖动,转子位置估算误差较大等问题,在传统滑模观测器(SMO)的基础上,提出了一种改进自适应滑模观测器(ASMO),并使用Lyapunov定理证明了该观测器的稳定性。通过采用分段指数函数代替传统开关函数,结合锁相环(PLL)技术从反电动势中提取转子位置和转速信号,可以有效抑制抖振,减小观测误差。MATLAB仿真结果表明:与传统SMO相比,改进后的ASMO受转速变化影响较小,具有更高的精度和良好的动态性能。 相似文献
13.
本文设计了一种基于旋转坐标系自适应滑模观测器并考虑死区补偿的转速和转子位置估算方法。为了解决传统估算方法导致的抖振问题,引进了近似滑模Sigmoid函数,提高了系统的可靠性。采用Lyapunov函数对角速度进行辨识,保证了系统稳定,取消了数字锁相环,使得算法变得更加简单。针对逆变器死区对估计模型的影响,引入了一种坐标变换补偿法的死区补偿算法到自适应滑模观测器控制中,消除了实际电机和模型电机之间的相位误差。仿真和实验结果表明,所提出的算法具有较强的鲁棒性,加快了系统的响应速度。 相似文献
14.
针对传统滑模观测器的抖振现象严重、估计精度低等问题,提出了一种带有二阶滑模观测器的内嵌式永磁同步电机改进型PID控制方案。根据Super twisting algorithm设计了二阶滑模观测器,取消了传统滑模观测器方案中的低通滤波器与位置补偿环节,有效抑制了滑模抖振,提高了估计精度。为了进一步改善系统的动态性能,基于牛顿插值法构造了一种具有滤波功能的离散微分器并利用三点离散微分器代替传统微分设计了转速环改进型PID控制器。仿真验证了该方案能够有效抑制抖振现象,估计精度高,稳态性能与动态性能较好。 相似文献
15.
针对传统的滑模观测器在估计永磁同步电机转子位置和转速时存在的抖振问题,提出了一种基于滑模观测器的永磁同步电机矢量控制改进方法。基于传统滑模观测器的PMSM无传感器控制系统,其针对抖振问题,在传统SMO基础上进行了改进,提出了一种基于滑模新型趋近律和改进新型饱和函数结合的抖振抑制方法,使滑模控制具有更好的收敛速度和控制性能,有效的削弱了滑模抖振这一现象;开关增益改进为与给定转速成正比的变量,有效的改善了不同转速切换下抖振加剧的现象。仿真结果表明了新型滑模观测器的有效性,转子位置、转速的抖振得到显著抑制,测量精度得到显著提高。 相似文献
16.
基于灰色扩展卡尔曼滤波的锂离子电池荷电状态估算 总被引:1,自引:0,他引:1
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。 相似文献
17.
蓄电池荷电状态(state of charge,SOC)是电池管理系统最为重要的参数之一,由于飞机蓄电池工作环境恶劣复杂,具有较强的非线性,给蓄电池的在线 SOC估计带来较大的困难。以提高复杂应力条件下飞机蓄电池在线 SOC估计精度为目的,采用性能测试实验对蓄电池性能参数的温度、放电率特性进行研究,并提出递推最小二乘法与扩展卡尔曼滤波算法结合的改进 EKF方法,实现蓄电池等效电路模型参数的在线辨识以及蓄电池在线 SOC 的估计。上述方法通过物理实验进行了验证,实验结果表明,改进后 EKF方法的 SOC 估计误差小于0.5%,估计精度获得明显提高。 相似文献
18.
在基于滑模观测器(SMO)的永磁同步电机无位置传感器控制中,位置和转速观测误差较大且抖振较强。为了解决这个问题,在分析传统SMO的基础上,研究一种非奇异快速终端滑模面,并探讨了一种带有积分的滑模控制律,有效地提高了观测精度,且降低了抖振,省去了低通滤波器和转子位置的补偿环节。通过李雅普诺夫函数证明了该观测器的稳定性。最后利用MATLAB/Simulink软件进行仿真。结果表明:所研究的观测器相比传统SMO拥有更好的控制性能。 相似文献
19.
准确、可靠的荷电状态(SOC)估计可以为电池管理系统的安全高效使用提供保障。针对锂电池SOC估计精度不足的问题,提出人工蜂群算法(ABC)和随机森林优化EKF算法(RFEKF)分别实现电池模型的参数辨识和SOC估计。在建立双极化模型的基础上,为解决在线辨识初始误差累积的问题,采用ABC算法搜索最小模型电压误差下的全局最优阻抗参数值,实现模型参数的精确辨识。在获得精确的模型参数基础上,使用随机森林(RF)对SOC后验估计误差进行在线补偿,达到弥补传统EKF算法高阶项误差的目的,进而实现SOC高精度估计。联合半实物仿真系统和电池测试平台,在EPA城市动力工况下对SOC估计算法实现快速控制原型验证。结果表明:基于ABC-RFEKF的锂电池SOC估计算法各项误差指标均低于传统SOC估计算法,平均误差在1%左右,满足实际工程需求。 相似文献
20.
在永磁同步电机传统滑模观测器(SMO)无位置传感器控制方案中,针对其因符号函数带来的抖振现象以及因一阶低通滤波器带来的相位滞后问题。根据Super-twisting算法设计了二阶滑模观测器(STASMO)无位置传感器控制方案,该方案不仅有效地抑制了抖振现象,而且取消了一阶低通滤波器的使用。当电机运行时,定子电阻会随着电机内部温度的升高而改变,故设计了合理的定子电阻观测器来实时观测定子电阻,从而避免了定子电阻对无位置传感器控制方案估计精度的影响。最后通过对所提方案进行系统模型搭建与仿真分析,从而证明了所提方案对电机位置和转速具有较高的估计精度。 相似文献