脉冲大倍率放电条件下磷酸铁锂电池荷电状态估计

以磷酸铁锂电池为研究对象,针对电池在脉冲大倍率放电条件下,模型参数变化较大、荷电状态(SOC)难以准确估计的问题,以电池的二阶RC等效电路模型为基础,通过递推最小二乘算法动态辨识模型的参数,建立电池的时变参数模型。再通过时变参数模型建立电池的状态方程和观测方程,并应用二次方根容积卡尔曼算法实现电池的SOC估计。这种SOC估算方式能够适应模型的参数改变,且具有对初值误差的修正能力。经实验验证,在脉冲大倍率放电工况下,所建的时变参数模型可以准确模拟电池端电压的变化,所采用的SOC估算策略,在初值存在较大误差的条件下,依然能够准确估算出电池的SOC。     

基于ICDKF的锂电池SOC在线估计

动态的实时估计锂离子电池荷电状态(state of charge,SOC)是锂离子电池管理系统研究的关键技术。针对扩展卡尔曼滤波(EKF)估计SOC误差大的不足,基于二阶RC等效电路模型,提出了一种基于迭代中心差分卡尔曼滤波(ICDKF)算法的磷酸铁锂电池SOC估计方法。利用Matlab进行了仿真,并与扩展卡尔曼滤波和中心差分卡尔曼滤波(CDKF)算法进行了效果对比,从仿真结果可以看出,该SOC算法有效地降低了估计误差,与EKF相比,具有更好的滤波估计精度。     

基于改进GRU模型算法的锂电池SOC估计

锂电池荷电状态(SOC)的准确估计对提高电池的动态性能和能量利用率至关重要。针对现有神经网络SOC估计方法在复杂工况下存在精度低，稳定性差等问题，本文提出一种改进GRU模型算法对SOC进行估计。首先将1DCNN和Bi-GRU相结合并添加注意力机制，构建1DCNN-Bi-GRU-ATT模型。其次，为解决ReLU激活函数易出现死神经元现象，将其改进为PReLU激活函数。同时，为解决MSE-Loss易受复杂工况中电池异常数据影响和MAE-Loss收敛速度较慢等问题，改用Huber-Loss作为网络损失函数。最后，将Adam算法使用Nesterov加速梯度改进为Nadam算法。锂电池SOC估计实验结果表明，在12种复杂工况下该模型算法的均方根误差和平均绝对误差的平均值分别为1.181 7%和0.924 1%，与改进前及其他模型相比，本文模型在12种情况中综合表现更为稳定和准确，有更高的泛化性。     

基于多新息CDKF算法的锂电池SOC估计

锂电池荷电状态(SOC)作为电池管理系统的核心指标之一,对电池管理系统运行起到至关重要的作用,其估计性能和鲁棒性是研究的重点.为提升SOC估计性能,建立二阶RC等效电路模型,将多新息理论(MI)与中心差分卡尔曼滤波算法(CDKF)结合,提出一种基于多新息的中心差分卡尔曼滤波算法(MI-CDKF),充分考虑当前时刻新息与...     

基于NARXNN变工况下锂离子电池SOC间接估计

探讨了基于外部输入循环神经网络(NARX)在变工况下间接估计锂离子电池荷电状态的方法。先搭建电池等效电路模型,设计NARX神经网络随电池状态切换准确预测极化电压响应的训练工况,然后设计两种不同输入类型NARX神经网络,在DST和UN/ECE (Elementary Urban Cycle)两种测试工况下,进行了极化电压和SOC估计,并将估计数据与前馈神经网络直接估计数据进行比较。数据表明NARX神经网络在变工况下间接估计电池SOC有较高精度。     

基于神经网络的磷酸铁锂电池SOC预测研究

利用神经网络进行了电动汽车用的磷酸铁锂（LiFePO4）电池荷电状态（state of charge,SOC）预测研究。在分析磷酸铁锂电池充放电机理的基础上,采用levenberg-marquardt（LM）算法建立了磷酸铁锂电池的BP（back propagation）神经网络模型,并进行了电池SOC值的预测。结果表明,基于神经网络的电池SOC预测方法具有较高的精度,可用来预测磷酸铁锂电池的SOC值。     

基于LSTM的储能蓄电池SOC与SOH联合在线估计

蓄电池组是微电网储能系统重要的组成部分之一,对储能系统的整体技术及经济性能具有重要影响。针对蓄电池荷电状态(SOC)与健康状态(SOH)在线准确测量的难题,提出基于长短期记忆(LSTM)神经网络的蓄电池SOC与SOH联合在线估算方法。该方法利用LSTM的动态逼近与长时间记忆能力,以电池端电压、电流及温度的时间序列数据,将阶段SOH均值引入SOC的估算中实现联合估算。采用NASA开放实验数据测试,基于LSTM网络的联合模型相比于单独模型及Bp传统网络具有更高的精确度和更稳定的估算效果。     

基于FFRLS-AEKF的动力锂电池SOC在线估计

针对锂电池等效电路模型参数不准确以及复杂工况噪声不确定导致荷电状态（SOC）估计精确度较低的问题,提出一种自适应扩展卡尔曼滤波（AEKF）融合带遗忘因子最小二乘法（FFRLS）的算法来解决此问题。在每一步SOC估计过程中,首先使用FFRLS算法跟随试验工况环境变化,实时辨识出一阶RC等效电路模型参数,增加模型精确度,准确描述锂电池工作时的动态特性;再使用AEKF算法实时更新与修正系统噪声并在线估计SOC。设计搭建动力锂电池试验平台,在动力动态测试（DST）和北京公交动力动态测试（BBDST）工况下,该方法估计值最大绝对误差均低于0.15%,平均绝对误差在0.077以下,均方根误差在0.007以下,相较于扩展卡尔曼滤波(EKF)算法,所提算法的估计效果有较大提升。     

基于双卡尔曼滤波的锂电池SOC估算

以锂电池的荷电状态估算为目的,对传统锂电池等效电路模型进行改进,提高了模型的准确性,使之能更好地反应锂电池内部状态。以标称容量为2 000 m Ah,额定电压为3.7 V的18650锂电池作为研究对象,采用最小二乘法分别对该锂电池模型进行充放电方向的参数辨识。运用双卡尔曼滤波算法估算锂电池的SOC,并设计了基于安时计量法的相关测试实验。研究结果表明,双卡尔曼滤波算法估算18650锂电池SOC的绝对误差值小于0.019,具有较高的估算精度,在锂电池SOC估算领域内具有很高的实用价值。     

自带恢复效应的锂电池在途SOC估计方法

针对复杂工况时纯电动汽车磷酸铁锂(LiFeP04)电池内部化学反应复杂、纯电路机理模型难以准确地进行荷电状态(SOC)估计的问题,使用动力学电池模型(KiBaM)和二阶RC等效电路模型相结合的混合模型,充分考虑到电池放电过程中存在恢复效应和电流倍率效应,最终使一个模型能同时捕捉到动态的非线性容量效应和电路参数特征,从而获得更加准确的SOC估计和电池运行时间预测,并通过试验进一步证明了其准确性较高。     

基于神经网络的动力电池SOC研究

利用神经网络进行了动力电池荷电状态(SOC)预测研究。在分析磷酸铁锂电池充放电机理的基础上,采用levenberg-marquardt(LM)算法建立了动力电池的BP(back propagation)神经网络模型,并进行了电池SOC值的预测。结果表明,基于神经网络的电池SOC预测方法具有较高的精度,可用来预测磷酸铁锂电池的SOC值。     

基于BP神经网络的动力电池SOC估算

电池荷电状态(SOC)的预测是影响电动汽车发展的关键技术之一,采用经典BP神经网络控制算法完成了动力电池的SOC估算研究。通过设计工况实验,在Matlab中对该算法进行了仿真验证,结果表明该算法能够很好地拟合动力电池充放电特性,误差可以减小到5%以内。     

基于 GRU-UKF 的锂离子电池 SOC 估计方法研究

精确估计锂离子电池荷电状态(SOC)是电池管理系统的关键技术之一,直接影响着动力锂电池组的使用效率和安全 性。 锂离子电池特性复杂,其 SOC 无法直接测量,且受电流、温度等因素的影响较大。 为此,提出了一种基于门控循环单元 (GRU)神经网络与无迹卡尔曼滤波(UKF)相结合的组合算法。 该方法利用 GRU 网络获得可测量的电流、电压、温度与锂电池 SOC 之间的非线性关系,并以此作为 UKF 的观测方程。 然后,通过 UKF 估计 SOC 值以提高算法的估计精度。 实验结果表明, 在不同温度以及不同的工况下,本文所提方法的均方根误差(RMSE)和平均绝对误差(MAE)分别小于 0. 51%和 0. 46%,均能提 高 SOC 的估计精度。     

磷酸铁锂锂离子电池SOC的电流脉冲探测

在不同荷电状态(SOC)下,研究磷酸铁锂(LiFePO4)锂离子电池对充放电电流的响应程度,确定几组响应最强烈的电流.将电池组在实际装车运行中该电流下的脉冲数据与电池管理系统中的数据对照,作为辅助方法对当前计算的SOC进行校正,然后采取合适的策略对电池组均衡.试验证明,电池组的容量提高了10％以上.     

动力磷酸铁锂电池性能分析及SOC估算研究

在介绍磷酸铁锂电池基本性能的基础上,对几种常用的SOC估算方法进行了对比分析,最终选择了采用BP-神经网络的方法对电池的SOC进行估算。同时,为了提高估算的精确性,对训练样本进行了优化处理。仿真实验证明,改进后的SOC算法具有估算准确率高,实时性好的优点。     

基于SVM的锂电池SOC估算

以锂电池SOC作为研究对象,将基于VC维和结构最小化理论为基础的支持向量机(SVM)的方法引入到锂电池SOC的估算中。充分利用支持向量机的对锂电池非线性独特的功能,综合考虑锂电池的电压、温度及电流等因素对SOC的影响,提出了支持向量机估算电池SOC的算法,并将其在锂电池充放电实验中验证。结果表明,支持向量机在估算锂电池SOC时,可以获得更高的估算精度,为电池管理系统提供一种实用的SOC估算方案。     

带有色观测噪声AUKF的锂离子电池SOC估计

在实际工况中,电池测量参数易受相关性较强的有色噪声干扰。仅考虑有色观测噪声满足一阶自回归模型,提出一种带有色观测噪声的自适应无迹卡尔曼滤波算法(CM-AUKF)。算法对荷电状态(SOC)估计的平均绝对误差为0.000 4,均方根误差为0.000 3,估计精度和稳定性较高,可克服对系统噪声方差初值敏感的问题,提高SOC估计的自适应能力。     

基于回跳电压的锰酸锂电池组SOC估算研究

分析了电池荷电状态SOC的定义,通过电池的Thevenin模型推导出电池离线瞬间产生的回跳电压与电池荷电状态SOC具有一定的正比关系。在考虑了锰酸锂电池组的放电率、放电深度等因素的情况下,对电池离线瞬间产生的回跳电压与电池荷电状态SOC的关系进行实验研究,建立回跳电压和电池荷电状态SOC的函数关系。误差分析结果表明,相对误差最大不超过5%。该方法具有实时测量、误差小和计算量小等特点。     

存储条件对磷酸铁锂锂离子电池性能的影响

从温度和荷电状态因素出发,研究了磷酸铁锂(LiFePO_4)正极锂离子电池存储后内阻、开路电压和容量的变化。高温45℃和满电态存储都会加速电池内阻的增大,但高温45℃的影响更大;电池在进行满电态或空电态存储时,开路电压变化受温度、存储时间和内阻等因素的影响较大;高温45℃会加速满电态电池在存储初期的不可逆容量损失。电池存储时,应避免高温和满电态两种条件的同时存在。