基于改进DEKF锂离子电池容量与SOC协估计

为解决矿井复杂环境下电机车锂离子电池的过充或过放对电池产生不可逆的容量损耗问题,提出一种基于有限差分双扩展卡尔曼滤波(FDDEKF)矿用电机车锂离子电池容量与荷电状态(SOC)协估计框架。针对扩展卡尔曼滤波器(EKF)线性化误差问题,采用有限差分改进DEKF。基于二阶电阻-电容(RC)模型,利用遗忘因子递推最小二乘法(FFRLS)进行模型参数辨识,基于时变的模型参数,利用改进DEKF对容量和SOC在分离时间尺度上实时在线估计。不同工况下实验结果表明,该方法能有效提高电池SOC的估计精度,与恒流工况相比,该方法在动态电机车工况下更适用,SOC估计均方根误差降低了0.65%,SOC估计最大绝对误差降低至0.38%。     

基于UKF-AUKF锂电池在线参数辨识和SOC联合估计

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。     

基于ABC-RFEKF算法的锂电池SOC估计

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。     

基于改进模型的锂离子电池SOC估计

为提升锂离子电池荷电状态(SOC)的估计精度,提出一种易于工程实现的二阶RC滞回等效电路模型.该模型采用差分进化(DE)算法对参数进行优化辨识,在城市道路循环工况(UDDS)、新标欧洲循环测试(NEDC)运行工况条件下对端电压和SOC进行估算.相比于传统二阶RC等效模型,二阶RC滞回等效电路模型估算的端电压误差小于10 mV,SOC误差减小至1％.此改进模型更符合锂离子电池的电化学特征,以此模型进行扩展卡尔曼滤波(EKF)算法的SOC估计具有更高的估计精度,为1％.     

基于高阶非线性模型的铅酸蓄电池SOC估计

铅酸蓄电池在电动汽车和蓄电池储能系统等领域有着广泛的应用,提高铅酸蓄电池荷电状态(SOC)估算的精度具有重要的意义。本文针对目前SOC估算方法中电池等效模型复杂、相关参数难以确定等问题,提出了一种新型高阶非线性拟合开路电压的SOC估计方法,通过拟合恒流充放电工况下的开路电压(OCV)–SOC曲线,建立适用于变电流充放电工况下的铅酸蓄电池模型,并结合扩展卡尔曼滤波算法(EKF)对电池的SOC进行估算。仿真和实验结果表明该方法能够实现铅酸蓄电池的高精度SOC估算。     

基于电池暂态响应分析的锂电池SOC估计

锂离子电池因快速充电和长循环寿命特性,在电动汽车、电网侧储能系统中应用广泛.精准的电池荷电状态(SOC)估计有助于保障系统可靠性,延长电池系统寿命,然而在考虑电池充电和放电以及复杂工况条件造成的电池内部复杂的化学和物理变化的条件下,完成精准电池SOC估计十分困难.通过脉冲激励电池的充放电暂态响应特性分析,辨识等效电路模型参数,建立电池不同工况条件下的动态电池模型,并采用扩展卡尔曼滤波方法对纠正参数辨识和OCV-SOC映射中的误差.以Arbin测试平台估算结果作为对标,验证了所提方法的有效性.     

基于强跟踪DEKF算法的动力电池SOC估计模型

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。     

模块化电池储能系统SOC估算采样优化研究

模块化电池储能系统在大容量领域具有良好的应用前景。但模块化电池储能系统中电池电流本征上包含直流、工频、二倍频和开关频率成分。此处建立了模块化储能系统中的电池工况模型,分析提出了电池管理系统(BMS)的采样频率优化方法。搭建了模块化多电平电池储能系统实验平台,基于安时积分法和扩展卡尔曼滤波算法验证了所提采样频率优化方法。优化的采样频率和采样窗口选择,可在降低BMS硬件和运算处理要求的同时,确保不同荷电状态(SOC)估算方法的精度。     

基于随机森林-H∞算法的锂电池SOC估计

准确估计电池荷电状态(SOC)可以保证锂离子电池的正常工作,为提高锂电池SOC估计精度,以三元锂电池为例,提出了一种基于随机森林(RF)优化的H_∞算法实现的电池SOC估计方法。首先建立锂电池双极化模型,构建观测方程和状态方程,其次利用带遗忘因子的最小二乘法对锂电池模型进行阻容参数辨识,然后在获得精确模型的基础上,对RF模型进行训练,最后利用训练好的RF模型对SOC后验估计进行在线补偿,进而实现提高SOC估计精度。在美国联邦城市运行(FUDS)工况和动态应力测试(DST)工况下,对不精确SOC初值的收敛性、线性度、误差3个维度分析,对比EKF,H_∞和RF-H_∞3种算法,RF-H_∞算法展现出很好的抗干扰性和鲁棒性,且估计精度最高,误差可以控制在0.005以内,相对误差可以控制在3%以内。     

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。     

基于分数阶理论的车用锂离子电池建模及荷电状态估计

针对电动汽车动力锂离子电池的状态估计问题,提出一种基于分数阶等效电路建模方法,并采用分数阶卡尔曼滤波算法估计电池荷电状态(SOC)。首先建立基于二阶等效电路的分数阶电池模型,采用遗传算法辨识阶数,然后利用分数阶卡尔曼滤波算法估计电池SOC,并与扩展卡尔曼滤波算法进行比较。实验结果表明,在恒流放电下采用分数阶模型,其端电压最大绝对误差为0.014V,SOC最大估计误差不超过2%。本文提出的基于二阶等效电路的分数阶模型及分数阶卡尔曼滤波算法,不仅给出了一种准确、可靠的建模方法,而且为有效提高电池管理系统中SOC估计的准确性提供了途径。     

基于MC9S12与LTC6811的储能电站电池管理系统设计

设计了一种用于储能电站的电池管理系统(BMS)。基于储能电站BMS拓扑结构及锂电池的特性,设计了一种以Freescale单片机和ADI电池管理芯片(MC9S12与LTC6811)为核心的BMS。该BMS可实现对多路电池电压、温度采集及均衡控制;同时,可根据采样数据利用改进型安-时积分法进行电池荷电状态(SOC)计算。根据现场实际数据,将电池电压、温度的采样值与实际值比较,同时对电池均衡效果及SOC进行分析。试验结果证明,设计的BMS具有较高的采样精度和采样速度,均衡控制合理,SOC估算值误差较小,验证了所设计BMS的实用性。     

车用动力锂电池的SOC估计

给出了动力锂电池管理系统的整体结构,并且对主控板和子控板的布局与功能进行了详尽介绍。建立了适合于Kalman滤波估计的锂离子动力电池的状态空间模型,该数学模型关系简单,易于工程实现。在此基础上,对模型进行了线性化处理,采用安时积分法、开路电压法结合扩展卡尔曼滤波(EKF)算法实现了对电池荷电状态(SOC)的准确估算。实验结果表明,EKF算法在估算过程中能保持很好的精度,对初始值的误差有很强的修正作用,在SOC估计中有很强的应用价值。     

面向不同电流工况的锂离子电池改进EECM研究

锂离子电池是新能源汽车动力系统的核心,基于模型的电池管理系统(battery management system,BMS)是保证电池性能充分发挥的关键。然而现有BMS主要采用等效电路模型(equivalent circuit model,ECM),尚未考虑放电倍率对可用容量的影响机制,导致模型在不同放电倍率下以及低荷电状态(state of charge,SOC)区域会存在明显的端电压仿真误差,影响算法精度;尤其是BMS无法准确估计电池放电截止条件,剩余放电电量(remaining discharge capacity,RDC)估计误差大,可能导致电池电压骤降甚至整车抛锚等严重后果。针对以上问题,文中以考虑内部扩散机制的扩展等效电路模型(extended equivalent circuit model,EECM)为基础,对不同倍率的放电电压容量增量(incremental capacity,IC)曲线进行对比分析,利用能斯特方程构造不同放电倍率下的容量-开路电压曲线,提出改进的EECM。所提改进EECM在不同电流倍率和动态工况下的端电压仿真误差均小于传统ECM和EECM,可以提高RDC估计的准确性,有应用于实际BMS的潜力。     

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。     

电池管理系统(BMS)算法研究

介绍了首先区分 BMS 应用场景,然后根据数据中心、储能不同应用场景算法不一样的一种电池管理系统(BMS)算法。该算法在判断电池 SOC 与 SOH 时预先对电池状态进行判断,电池处于浮充、放电、充电还是开路状态下的 SOC 与 SOH 计算方法不一样。这种针对数据中心、储能应用场景特点开发的 BMS,其 SOC 和 SOH 精度大幅度提高。     

风-光储能系统锂离子电池SOC校准优化方法

使用安时积分法估算电池荷电状态(SOC)在工业上已有广泛应用,但对于风光互补发电系统来说,使用开路电压(OCV)校准安时积分法的累积误差不切实际,因为OCV法需要电池静置数小时。针对此问题,提出一种新的校准方法,该方法与OCV法类似,但校准条件只需要电池电流恒定或小范围波动维持4 min,更适用于校准风 光储能系统中使用安时积分法存在的误差累积问题。使用4串6并的软包钴酸锂电池进行试验测试,在3.9、3.6、3.2 V三个不同电压平台中,所提出的策略与实际OCV误差均小于10 mV,换算成SOC均小于1%,证明了本文所提出策略的可行性。