基于3DGRU-EKF的锂电池SOC估算

电池荷电状态（state of charge,SOC）的准确估计近年来成为新能源发展的重中之重,也是电池管理系统（BMS）中最核心的部分。针对改进卡尔曼滤波算法（EKF）与门控循环单元神经网络算法（GRU）的缺陷,提出了一种基于3DGRU-EKF的改进SOC估算算法。首先使用二阶RC电池等效模型,利用复合脉冲功率特性测试（HPPC）进行电池参数辨识;随后对电池模型进行状态空间方程的建立,并利用EKF算法进行更新迭代来估算电池的SOC,可以得到卡尔曼增益与SOC估算误差;最后将2个量结合HPPC工况下的电压与电流作为3DGRU网络的输入,真实的SOC作为输出来训练神经网络。实验结果表明,提出的3DGRUEKF算法估算SOC的均方根误差（RMSE）与平均绝对误差（MAE）均小于0.5%,具有良好的效果。     

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...     

基于UKF的电动汽车锂电池SOC估计方法

准确估计电池的荷电状态(SOC,state of charge)是电动汽车电池管理系统研究的关键技术。基于Thevenin模型建立了状态空间方程组,采用无色卡尔曼滤波(UKF,unscented Kalman filtering)算法实现非线性条件下的SOC准确估计。硬件在环仿真试验表明:UKF估计误差小于5%,且当SOC值低于50%时,其估计结果明显优于扩展卡尔曼滤波(EKF,extended Kalman filtering)方法,有较高的实用价值。     

基于FFRLS和EKF算法的磷酸铁锂电池SOC估算研究

准确估计荷电状态是磷酸铁锂电池安全工作和电动汽车正常使用的基础,以混合的简化电化学模型为基础,使用遗忘因子递推最小二乘法(FFRLS)对模型的参数进行辨识。对安时积分法进行参数修正,降低了充放电倍率,温度等因素的影响,并对扩展卡尔曼滤波(EKF)进行改进,使得观测值的修正能力提高。以参数修正过的按时积分法的方程为状态方程,结合开路电压法,利用改进过的EKF进行SOC的估计。与安时积分法相比,SOC的估算效果提高了不少,使估算偏差保持在3%以内。     

基于改进PNGV建模的锂电池SOC估算研究

锂电池通常以成组的方式使用,以满足大功率范围的需要.因此,需要电池管理系统(BMS)进行实时状态监控和安全控制,以确保使用过程中的安全性、动力性和耐久性.有效的等效建模和精确的荷电状态估计是电池管理系统中的关键技术.为了更好地对电池组的状态进行监控,在对三元动力锂电池进行大量试验研究的基础上,对传统的新一代汽车合作伙伴...     

基于改进Sage-Husa算法的锂电池SOC估算方法研究

针对复杂工况下难以估算锂电池荷电状态(SOC)的问题,提出一种基于协方差匹配技术的改进的Sage-Husa自适应算法。改进的Sage-Husa自适应算法通过在Sage-Husa自适应算法基础上引入判断滤波是否发散的协方差匹配判据,确保滤波发散时更新噪声的统计特性,滤波收敛时无须重复更新噪声,从而提高了算法的鲁棒性和计算效率。实验结果表明,改进的Sage-Husa自适应算法在动态应力测试(DST)工况和北京公交动态应力测试(BBDST)工况下的SOC估算误差均小于2%,收敛时间小于50 s,证明了该算法在复杂工况下具有较高的估算精度和较快的收敛速度。     

基于改进EKF算法的锂电池SOC预估研究

电池荷电状态(SOC)是描述电池性能的重要指标之一。针对磷酸铁锂电池(LiFePQ_4)的特性,选用了能够较真实地反应电池内部状态的PNGV电路模型,提出了改进模型的方法。采用扩展卡尔曼滤波算法(EKF),说明了扩展卡尔曼滤波估算荷电状态的原理并将内阻R_0看作状态变量进行同时预估更新,改进形成新的卡尔曼滤波算法。在仿真时对充电电流加入了噪声模拟实测数据。结果表明,该方法能够适应电池特性的动态变化,保证较高的SOC估算精度,减小误差,提高实用性。     

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,...     

改进无迹粒子滤波的电动汽车锂电池SOC估算

针对粒子滤波对电动汽车锂电池荷电状态(SOC)估算误差大的问题,在建立二阶RC等效电路模型并利用脉冲放电实现电池参数辨识的基础上,采用了改进的无迹粒子滤波(IUPF)算法.该算法利用无迹卡尔曼在粒子滤波中生成重要的概率密度函数,然后在重采样阶段通过设置粒子阈值选择最优粒子,并用正则化粒子滤波改善了粒子退化问题.分别在恒...     

基于容积卡尔曼滤波算法估计动力锂电池荷电状态

动力锂电池荷电状态的准确估计是电池管理系统的关键功能之一。该文结合二阶电阻-电容等效电路模型,通过建立状态空间表达式,利用最小二乘法对等效电路模型各参数进行辨识,并通过多项式拟合方法获得了开路电压与剩余电荷的关系曲线,进而基于容积卡尔曼滤波方法对锂电池荷电状态进行建模,建立了基于数字信号处理器的充放电实验平台,实现了锂电池放电时荷电状态的实时估算。实验结果表明,该方法能够实现实时在线估算,且最大误差小于 2%,具有良好的估算精度。     

基于极大后验估计的自适应容积卡尔曼滤波器

针对标准的容积卡尔曼滤波器(CKF) 设计需要精确已知噪声先验统计知识的问题, 提出一种自适应CKF 算法. 该算法在滤波过程中, 利用Sage-Husa 极大后验估值器对噪声的统计特性进行在线估计和修正, 有效地提高了CKF 的估计精度和数值稳定性. 在某些情况下, 噪声协方差估计会出现异常现象使得滤波发散, 进而提出了相应的改进方法. 仿真结果表明了自适应CKF 算法的可行性和有效性, 且明显改善了标准CKF 算法的滤波效果.     

基于不确定模型误差系统的变分贝叶斯STCKF

强跟踪容积卡尔曼滤波器在对含有模型误差和时变噪声的非线性系统进行滤波时, 容易出现性能降低甚至发散. 鉴于此, 提出一种基于变分贝叶斯的强跟踪容积卡尔曼滤波算法. 该算法运用虚拟噪声法补偿模型误差, 假设虚拟噪声均值非零, 且满足高斯分布, 虚拟噪声方差服从逆gamma分布, 在强跟踪容积卡尔曼滤波器估计状态的同时, 采用变分贝叶斯推理估计虚拟噪声参数. 仿真结果表明, 所提出算法对含模型误差与时变噪声的非线性系统具有较好的估计精度, 相比于自适应算法具有更强的鲁棒性.     

平方根体积积分卡尔曼滤波

体积积分是一种新的具有较高代数精度的积分方法。为了提高非线性滤波算法的精度和数值稳定性,将体积积分规则和平方根分解引入卡尔曼滤波框架中,提出了平方根体积积分卡尔曼滤波算法（SRCQKF）。新算法采用球半径体积规则和高斯-拉盖尔积分规则计算积分点,利用矩阵的QR分解得到协方差矩阵的平方根并传播平方根。两个典型的非线性系统的实验结果表明,与体积卡尔曼滤波相比,新算法提高了非线性状态的估计精度,具有较高的数值稳定性。     

基于双扩展卡尔曼滤波的电池荷电状态估计

以磷酸铁锂动力电池为研究对象,以精确估算电动汽车动力锂电池组在实际运行工况中的SOC为目的,基于Thevenin等效电路模型和扩展卡尔曼滤波算法,结合脉冲功率特性实验（HPPC Test）对模型参数进行辨识,采用双扩展卡尔曼滤波对SOC和模型参数进行在线估算,并分析算法在不同温度下的适应性和不同SOC初始值条件下的收敛特性。仿真结果表明,在不同的工况下,相比于单扩展卡尔曼滤波该算法具有更高的精度、更好的环境适应度和对初始误差的收敛性。     

基于改进高斯混合模型的机器人运动状态估计

针对复杂环境下机器人运动状态估计的精度改善问题, 提出一种面向非线性非高斯系统的改进高斯和容积卡尔曼滤波估计方法. 首先, 引入加权信息量概念来改进期望最大化算法目标函数惩罚项, 使得在优化过程中能考虑更全面的参数信息, 以达到减少期望最大化算法的迭代次数和提高收敛速度的目的. 此外, 以基于马氏距离和Kullback-Leibler (KL)距离的高斯项合并方法为基础, 提出一种能有效联合两类高斯项合并方式的融合模式. 先单独使用马氏距离和KL距离进行高斯混合项合并, 再对获得的高斯混合项进行加权融合处理, 以改善高斯和滤波中多高斯项的合并性能和保真度. 最后, 应用非线性非高斯系统的高斯和容积卡尔曼滤波框架实现对复杂环境下机器人的运动状态估计. 理论分析与仿真结果表明, 该方法能实现对机器人运动更好的状态估计精度, 并具有更强的鲁棒性能.     

基于电动汽车磷酸铁锂动力电池荷电状态估计方法研究

近几年,磷酸铁锂动力电池逐渐成为电动汽车动力电池首选.但是由于材料本身特性,使得磷酸铁锂电池的荷电状态难以精确估算.当电动汽车处于复杂工作环境时,荷电状态估计在保证电动汽车电池操作中的安全性和可靠性方面起到了至关重要的作用.文章采用戴维宁等效电路模型,验证无迹卡尔曼滤波和粒子滤波两种方法的估算效果,并分别与扩展卡尔曼滤波方法作对比,结果证明无迹卡尔曼滤波和粒子滤波都具有更好的估算精度.     

A New Derivation of the Cubature Kalman Filters

This paper investigates the cubature Kalman filtering (CKF) for nonlinear dynamic systems. This third‐degree rule based filter employs a spherical‐radial cubature rule to numerically compute the integrals encountered in nonlinear filtering problems, thereby removing the requirements of explicitly computing the Jacobians. The cubature rule, however, requires computing the intractable integrals over a high‐dimensional spherical region for multidimensional applications. Moreover, the cubature formula that has been used to construct the spherical cubature formula has some demerits, most notably its inconvenient properties in computation and low estimation accuracy. Aimed at these issues, a general class of CKFs that uses only cubature rules is derived in this paper. It can be shown that the conventional CKF is a special case of the proposed algorithm. The paper also includes higher‐degree CKFs, especially two representative types of the fifth‐degree CKFs. Performance of the proposed algorithms is demonstrated via two target tracking problems. The experimental results, presented herein, illustrate the superior performance of higher‐degree CKFs to conventional nonlinear filters.     

基于期望最大化与容积卡尔曼平滑器的机载多平台多传感器系统误差配准算法

针对机载多平台多传感器系统误差配准过程中出现的系统误差参数未知问题,本文提出了一种基于期望最大化(EM)与容积卡尔曼平滑器(CKS)的机载多平台多传感器系统误差配准算法.该算法将传感器的量测系统误差视为系统待估计的未知参数,构建了新的传感器量测方程.引入EM算法框架,在期望步(E–step)利用容积卡尔曼滤波器(CKF)和CKS近似计算对数似然函数的数学期望,在最大化步(M–step)对该数学期望进行最大化处理,最后通过解析更新反复迭代的方式获得各传感器系统误差的参数估计.数值仿真验证了本文提出算法的有效性.     

基于Huber的鲁棒广义高阶容积卡尔曼滤波算法

为提高随机变量非高斯分布时广义高阶容积卡尔曼滤波(GHCKF)的鲁棒性,提出一种基于Huber的鲁棒GHCKF算法.从近似贝叶斯估计角度,解释Huber方法作用于卡尔曼滤波的本质是对新息进行截断平均.采用Huber方法处理观测量,进行标准的GHCKF量测更新,从而实现算法的鲁棒化.所提出算法充分利用容积变换的优势,无需通过统计线性回归模型对系统的非线性量测模型进行近似.仿真结果表明,所提出算法具有鲁棒性强和估计精度高的特点.