基于温度补偿的动力锂电池SOC估算方法

动力电池的荷电状态(State of Charge,SOC)是电动汽车的重要参数之一,直接影响电动汽车的安全控制与可续行里程的评估.电池总容量作为估算电池SOC的重要变量之一,其与使用环境温度密切相关,而在SOC估计算法中常被认为是恒定值,从而影响不同环境温度下锂电池SOC估计精度.为实现对锂电池SOC的准确估计,考虑温度对锂电池容量等特性参数的影响,通过引入温度补偿模型,并结合扩展卡尔曼滤波(Extended Kalman Filter,EKF)算法实现对锂电池SOC的动态估计.在不同环境温度下模拟电动汽车实际工况对锂电池进行放电试验,并比较未经温度补偿的SOC算法与补偿后的SOC算法精度.研究结果表明,所提出的方法适用于不同温度的锂电池,能实现较为精确的估计.     

基于参数在线辨识和SVD-UKF的锂电池SOC联合估计

锂电池的荷电状态(SOC)是电池管理系统的核心参数,准确的SOC估计对电动汽车的安全运行至关重要。针对因电池模型参数固定导致锂电池SOC估计精度不高和误差协方差非正定导致传统无迹卡尔曼滤波算法估计SOC失败的问题,提出基于参数在线辨识和SVD-UKF的锂电池SOC联合估计算法。该算法使用变遗忘因子递推最小二乘法实现电池模型参数的在线辨识,通过基于奇异值分解的无迹卡尔曼滤波算法(SVD-UKF)实现电池SOC的估计。在联邦城市运行工况下对联合估计算法进行验证,实验结果表明,联合估计算法可将SOC估计误差控制在1.53%以内,能够有效提高SOC估计的准确性和稳定性。     

自适应卡尔曼对储能锂电池充放电状态的估算

为了提高对工作状态中动力锂电池组的锂电池荷电状态(SOC)估计,精准的电池模型能够有效地估计SOC值,即提出了非线性模型来描述锂电池的外部特性.自适应性卡尔曼滤波算法有效减小了卡尔曼滤波因为电池模型参数不准确而造成的误差.该算法使系统状态初始化,对下一时刻的不确定性的状态和误差协方差矩阵进行时间更新,计算卡尔曼增益并记...     

基于充电方式的锂电池SOC 校准和估计方法

荷电状态(SOC)是动力锂电池的重要参数.针对安时法估计锂电池SOC存在累积误差,其他估计算法复杂度较高的问题,提出一种工程实用的SOC估计方法.该方法通过分析电池特性并结合安时法,建立了SOC初始值、总容量和累积误差的校准方法.通过建立终端电压与SOC之间的映射关系,利用恒流、恒压不同充电阶段的电池特性,实现了电池系统在一个放电周期内的SOC高精度估计.实验表明,该方法能够使得SOC的估计误差在5%以内.     

基于OCV分段拟合的电池SOC估计方法研究

电池OCV是影响观测矩阵协方差的关键,因此对锂电池SOC精确估计具有较大影响.根据锂电池SOC-OCV曲线的变化和观测噪声的时变特性,提出了基于OCV分段拟合的锂电池模糊自适应扩展卡尔曼滤波SOC估计方法.建立了锂电池二阶RC模型,通过实验辨识获得电池模型参数.采用分段拟合的方法获得电池精确SOC-OCV曲线,在降低拟合阶数、减少运算量的同时保证了拟合精度.基于模糊控制理论建立了观测噪声协方差模糊调节器,对观测噪声协方差矩阵进行实时调整从而提高算法的自适应能力.在UDDS工况下对算法进行了仿真分析,结果表明,上述算法可以有效提高SOC的估计精度,鲁棒性较好.研究结果为锂电池SOC动态、自适应、高鲁棒性估计方法提供理论依据.     

动力锂电池SOC估计仿真研究

针对传统的无迹卡尔曼滤波算法(UKF)估计动力锂电池荷电状态(SOC)时,由于滤波迭代过程中系统噪声不确定,可能导致估计结果精度欠佳的问题,提出一种改进的自适应无迹卡尔曼滤波算法(AUKF)动态地估计锂离子电池的SOC.算法以UKF算法为基础,引入改进的Sage-Husa自适应滤波算法,利用观测数据进行滤波递推的同时,实时更新系统噪声的统计特性.以等效电路模型为基础,采用递推最小二乘法辨识模型参数,应用AUKF算法对电池SOC进行估算,并从实际工况进行仿真验证分析.仿真结果表明,上述算法有效的提高了估计精度,误差稳定性较高.     

基于扩展卡尔曼滤波算法的锂电池剩余电量估计方法研究

针对非线性系统锂电池剩余电量(State of Charge,SOC)估计常用算法——安时积分法初值精度要求高、累计误差大的问题,提出了基于扩展卡尔曼滤波(Extended Kalman Filter,EKF)算法的SOC估计方法.通过建立合理的电池模型,利用MATLAB仿真在恒流工况下证明:安时积分法的平均误差为2....     

等效建模与SR-UKF算法的SOC估算研究

荷电状态(SOC)用于表征动力锂电池剩余电量。选用Thevenin等效模型作为模拟电池工作状态的等效电路模型,结合试验测量相关参数,运用电路以及多种数理知识,对构建的锂电池等效电路模型进行参数辨识,并通过曲线拟合等方法对辨识结果进行优化处理。在脉冲特性能力测试(HPPC)中对模型精度进行验证,模型表征误差稳定在1.1%以内。采用平方根无迹卡尔曼算法用状态变量的误差协方差的平方根代替状态变量的误差协方差,直接将协方差的平方根值进行传递。利用平方根无迹卡尔曼算法对荷电状态进行估计,对比无迹卡尔曼算法与平方根无迹卡尔曼算法的SOC估计效果。在25℃的条件下对三元锂电池进行动态应力测试工况(DST)试验,平方根无迹卡尔曼算法和无迹卡尔曼算法锂电池SOC估计的最大误差分别为0.55%与1.5%。试验结果表明,平方根无迹卡尔曼算法的跟踪效果较优,具有更高的SOC估计精度和稳定性。     

基于Vmin-EKF的动力锂电池组SOC估计

动力电池组的荷电状态(SOC)是电动汽车能量控制的重要参数.针对串联锂电池组的SOC估计问题,建立电池组的Vmin状态空间模型,电池组内单体电池负载电压的最小值Vmin和电池组的SOC分别作为模型的观测变量和状态变量.应用扩展卡尔曼滤波算法,实现对SOC的动态估计.对模拟电动汽车的实际工况进行电池组放电实验,结果表明,该方法能实时准确地估计电池组SOC.     

锂电池SOC与SOP的联合估计

锂离子电池精确的荷电状态(SOC)和功率状态(SOP)对于电动汽车的稳定运行尤为重要,对此提出了一种锂电池SOC与多约束条件下SOP的联合估计方法。首先,建立了二阶RC等效电路模型,并运用迭代无迹卡尔曼滤波算法来估计荷电状态;然后,结合荷电状态的估计结果,在多约束条件下对SOP进行联合估计;最后,在动态应力工况和快速脉冲工况下对联合估计算法进行了MATLAB仿真测试验证。结果验证了所提联合估计算法对于SOC和SOP联合估计的有效性,并且具有较高的估计精度和较好的鲁棒性。     

基于扩展卡尔曼滤波法的矿用可移动救生舱蓄电池荷电状态估计

针对基于安时计量法的矿用可移动救生舱蓄电池荷电状态SOC估计在环境温度或放电电流波动较大的情况下精度较低的问题,提出了一种基于扩展卡尔曼滤波法的矿用可移动救生舱蓄电池SOC估计方法。该方法在安时计量法的基础上,把影响蓄电池SOC估计的环境温度和放电电流因素作为蓄电池系统的噪声,采用扩展卡尔曼滤波法的优化估计递推算法对蓄电池SOC进行实时滤波与估计,从而提高了蓄电池SOC的估计精度。实验结果表明,该方法的蓄电池SOC估计结果与实测值基本一致,可用于矿用可移动救生舱蓄电池管理系统中。     

基于免疫遗传算法的动力电池SOC估计研究

锂离子动力电池SOC（电池荷电状态）难以直接测量且由于高度非线性所导致估计误差较大。为了减少动力电池SOC估计误差,提高估算精度。在分析了锂离子动力电池电压、温度、电流和放电电量对电池SOC影响后,提出一种新颖的免疫遗传算法（Immune Genetic Algorithm,IGA）和BP神经网络相结合的锂离子动力电池SOC值联合估计方法,该方法首次使用在锂离子动力电池SOC值估计中,采用新颖的免疫遗传算法通过对BP神经网络进行参数寻优,优化网络结构模型,增强神经网络自适应学习效率。通过仿真和动力电池实际工况下实验,结果表明使用新颖的联合估计算法提高了网络的运行效率和电池SOC值估计精度,估计均方根误差控制在2%以内,验证了这一联合估计算法的可行性和有效性,解决了动力电池SOC值估计误差较大的问题。     

基于内阻法修正的蓄电池卡尔曼滤波SOC估算

针对蓄电池卡尔曼滤波算法荷电状态SOC（State of Charge）初始值的估计误差较大可能导致前期收敛性较差的问题,通过分析蓄电池放电实验数据,运用灰色关联模型计算电池内阻、电压和电流参数关于SOC的关联度值,将关联度最高的内阻参数作为初始SOC估计值的自变量。然后将初始SOC估计值代入由二阶等效电路模型构建的扩展卡尔曼滤波算法中,进行SOC估计。最后利用电测试平台验证SOC估计准确性,并与电压参数作为初始SOC估计值自变量的方法进行对比。实验结果表明,相对于电压法的初始估计值,内阻法的初始估计值更接近真实值,将其作为卡尔曼滤波算法的起始值,更能提高初期荷电状态估算精度。     

基于RLS和EKF算法的全钒液流电池SOC估计

针对全钒液流电池的荷电状态(SOC)估计精度低、估计成本较高等问题,提出一种基于递推最小二乘算法(RLS)与扩展卡尔曼滤波算法(EKF)相结合的估计方法.该方法通过RLS算法辨识所建立的钒电池数学模型参数,通过EKF算法估计钒电池的SOC,将二者结合实现电池参数发生变化时准确估计钒电池的SOC.以5kW/ 30kWh的钒电池为对象,应用所提出的算法实现钒电池的SOC估计.结果表明,该算法可以准确估计钒电池的SOC,且可节省额外增加单片检测电池测量SOC的费用.     

自动引导车电池SOC估算方法研究

自动引导车(AGV车)工况特殊,电流积分法估算电池剩余容量(SOC)误差较大,而且存在累积误差;为了提高AGV车电池剩余容量估算的准确度,对扩展卡尔曼滤波法估算AGV车电池剩余容量进行了研究,分析了AGV车特殊工况,提出将扩展卡尔曼滤波法的滤波增益改进为动态调整滤波增益,有效提高扩展卡尔曼滤波法的跟踪效果;实验表明使用扩展卡尔曼滤波法估算AGV车电池剩余容量精度较高,采用动态校正的滤波增益提高了估算过程的跟踪效果,解决了AGV车电池剩余容量估算不准确的问题。     

A Nonlinear Observer Approach of SOC Estimation Based on Hysteresis Model for Lithium-ion Battery

In this paper, a state of charge (SOC) estimation approach for lithium-ion battery based on equivalent circuit model and the input-to-state stability (ISS) theory has been proposed. According to the electrochemical performance of lithiumion battery, the equivalent circuit model with two RC networks is established, which includes hysteresis characteristic in inner electrochemical response process.The nonlinear relation between open circuit voltage (OCV) and SOC is obtained from a rapid test.Exponential fitting method is used to identify the parameters of the model.A novel state observer based on ISS theory is designed for lithium-ion battery SOC estimation.The designed observer is tested on AMESim and Simulink co-simulation.The simulation results show that the proposed method has a high SOC estimation accuracy with an error of about 2 percent.      

FPGA implementation of extended Kalman filter for SOC estimation of lithium‐ion battery in electric vehicle

A FPGA implementation for a model‐based state of charge (SOC) estimation is described in this paper. A Thevenin equivalent circuit model is designed for SOC estimation. The extended Kalman filter (EKF) is designed to complete the SOC estimation, and the error is within 1 % . The FPGA is chosen to achieve realtime SOC estimation. A fast matrix method is proposed to improve the calculation speed of the EKF in FPGA because the EKF algorithm requires many matrix operations. In addition, the embedded system based on the FPGA with a system on a programmable chip (SOPC) technique is built using the Qsys platform in Quartus II. Based on the embedded system, an online testing platform is established to monitor the terminal voltage and load current of the experimental battery in real time; experimental results show that the online SOC estimation is successful. The measurement results show that the FPGA embedded scheme of the EKF allows for successful implementation of the SOC estimation with accuracy and speed. The fast matrix method requires 0.00007 s to implement the SOC estimation and is four times faster than the conventional matrix method.     

基于DSP的电动汽车锂电池荷电状态估算的研究与实现

锂电池荷电状态(SOC)的准确估算是电动汽车能源管理的关键技术。为了提高锂电池SOC的估算精度,将无迹卡尔曼滤波(UKF)应用于锂电池SOC估算,以减小拓展卡尔曼滤波(EKF)简单线性化带来的误差。搭建电池检测系统的硬件平台,以TMS320F28335型数字信号处理器(DSP)为主控芯片(MCU),实现电压、电流、温度的检测及UKF算法,并设计了相关的电池测试实验。实验结果表明,UKF可以实时估算锂电池SOC,估算误差在4%以内,高于传统的拓展卡尔曼滤波(EKF)。     

基于CARMA模型的动力电池荷电状态估计

为完善电动汽车电池管理系统的主要功能,实现对电池准确建模及荷电状态(state of charge,SOC)的准确估计,文章基于二阶RC等效电路建立了一种受控自回归滑动平均模型(controlled auto-regressive moving average,CARMA),推导得到电池开路电压(open circuit voltage,OCV)的最优估计,并结合分段建立的电池OCVSOC模型实现电池SOC估计,从而实现了电池模型参数在线实时辨识以及SOC实时估计,解决了因初值设定不合理而影响SOC估计准确度的问题。仿真结果表明:在美国联邦城市运行工况下,SOC估计误差的绝对值不超过2.39%,实现了较为准确的SOC估计。