基于自适应卡尔曼滤波的电池荷电状态估算

提出基于自适应卡尔曼滤波(AEKF)的磷酸铁锂锂离子电池荷电状态(SOC)估算方法,以改进型新一代汽车合作计划(PNGV)等效电路模型为基础,提高SOC估算的稳定性和精度。在MVEG-A和FTP75工况下,相比于常规扩展卡尔曼滤波(EKF)算法,AEFK算法可实时估计未知噪声的均值和方差,误差率分别降低4.846%和3.672%,估算精度得到提高。     

基于自适应无迹卡尔曼滤波的锂电池荷电状态估计

锂电池的SOC是新能源汽车电池管理系统的重要参数,对新能源汽车的安全运行起着重要作用.针对因系统噪声特性未知导致传统UKF算法对电池SOC估计精度不高的问题,提出了可以保证系统噪声协方差矩阵非负定性和对称性的改进Sage-Husa自适应滤波算法,并将改进的Sage-Husa自适应滤波算法与UKF结合形成一种新的AUKF...     

基于自适应卡尔曼滤波的磷酸铁锂电池荷电状态估计

磷酸铁锂电池荷电状态（SOC）用于表征电池的剩余电量,是电池管理系统的重要参数。对SOC进行准确估计有助于提高电池利用率,保证电池的使用寿命和安全。但是SOC不能直接从外部测量得到,只能通过各种间接的方法求得,因此寻求准确的电池SOC估计算法非常重要。对磷酸铁锂电池进行建模,使用14组电池充放电数据分段进行参数辨识,得到具有广泛适用性的模型参数。基于此模型,运用自适应扩展卡尔曼滤波算法进行SOC估计,克服了常用扩展卡尔曼滤波会受到噪声影响的弊端,并通过仿真分析证明了算法的优越性。     

基于最大相关熵扩展卡尔曼滤波算法的锂离子电池荷电状态估计

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.     

基于扩展卡尔曼滤波的LiFePO4电池荷电状态估计

为了准确估计电池的荷电状态(state-of-charge),在研究电池电化学阻抗谱模型的基础上得出了适合工程应用的电池简化等效电路模型,通过实验对模型进行了参数估计,并在模型的基础上采用扩展卡尔曼滤波法(EKF)对电池的SOC进行估计并使用Matlab进行了仿真验证,结果证明扩展卡尔曼滤波法能准确地估计电池的SOC。     

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。     

储能电池实时荷电状态联合估计方法

准确估计储能电池的SOC（荷电状态）,对于实现电池的均衡充放电,减少因电池过充过放引起的容量下降具有重要意义。针对储能电池的复杂化学状态和SOC非线性时变特性,提出一种基于VFFRLS（变遗忘因子递归最小二乘）和UKF（无迹卡尔曼滤波）算法的锂离子电池SOC联合估计方法。采用VFFRLS在线辨识电池模型的电阻、电容参数,根据辨识结果,利用UKF算法实时估计电池SOC。实验结果表明,该联合算法具有较高的准确性和稳定性。     

基于无迹卡尔曼滤波的动力电池荷电状态估计

提出一种基于无迹卡尔曼滤波算法的荷电状态估计算法。扩展卡尔曼可以线性化非线性函数实现滤波递推,但对于强非线性系统可能会滤波发散,且复杂的计算难以保证系统的实时性。无迹卡尔曼通过对非线性函数的概率密度进行近似,用一系列确定的样本来逼近状态的后验概率密度。通过FUDS工况实验验证了无迹卡尔曼滤波算法在荷电状态估计的效果,结果表明SOC估计精度在3%以内,满足实验的要求。     

基于MARS的电池荷电状态估计

将多元自适应回归样条估算方法应用于大容量磷酸铁锂电池组的SOC估计,将电压、电流和温度共同作为输入变量。对实验所得数据进行标准化处理,将处理后的数据进行训练,得到SOC估计的精简数学模型,并对模型进行了验证。仿真实验结果表明该方法可以提高SOC估算精度。     

微网系统中储能电池荷电状态估计方法

蓄电池作为储能设备,其荷电状态(SOC)是整个电池储能系统的重要参数。采用戴维南模型构造了电池数学模型,并建立状态空间方程。模型参数的辨识采用恒流间歇放电实验法求得。计算各参数的初值,拟合各参数与SOC之间的函数关系,结合模型的电气特性建立状态空间方程并利用Matlab仿真出电压数据,对仿真、实验电压数据进行对比,按照无约束非线性优化的方法在两者差值最小时在线搜索出最佳的参数估计。所辨识的参数能够很好地模拟电池性能,误差在1%内。采用扩展卡尔曼估算方法来进行SOC估算,通过实验验证了此估算方法具有很高的估算精度,误差在4%以内。     

液态金属电池储能特性建模及荷电状态估计

储能技术对于高效利用可再生能源和发展智能电网方面具有至关重要的意义。液态金属电池是近年来出现的一类廉价、高效的新型储能电池技术。该文针对液态金属电池建立了电池的等效电路模型,准确模拟电池的输出特性,并以模型为基础,应用扩展卡尔曼滤波法精确估计电池的荷电状态。这项工作可以预测不同工况下的电池性能,也可以为液态金属电池可靠、高效的管理设计奠定基础。     

基于综合型卡尔曼滤波的锂离子电池荷电状态估算

针对锂离子电池的荷电状态(SOC)估算问题,给出一种综合型卡尔曼滤波算法。该算法采用递推最小二乘算法(RLS)对锂离子电池模型参数进行实时在线辨识和参数更改;采用综合型卡尔曼滤波器估计电池SOC,即针对模型状态空间方程中的线性部分和非线性部分,分别使用线性卡尔曼滤波器(KF)和平方根高阶容积卡尔曼滤波器(SHCKF)计算。两种卡尔曼滤波器结合的综合型策略能够有效减小计算复杂度。其中,SHCKF结合了五阶球面-径向容积法则和平方根滤波技术,比扩展卡尔曼滤波器(EKF)、无迹卡尔曼滤波器(UKF)和容积卡尔曼滤波器(CKF)等传统非线性滤波器的估计精度更高,数值稳定性更强。实验结果证明了该综合型算法的可行性和有效性。     

电动汽车电池荷电状态估计研究综述

电池荷电状态估计是近年来电动汽车电池管理系统的研究热点,分为电池模型和估计方法两个部分。针对种类繁多、功能各异的电池模型和估计方法,从原理、特点和适用范围3个方面作出分类和讨论。综合当前电池荷电状态估计有待解决的问题,对其发展趋势进行了展望。     

基于多模型自适应卡尔曼滤波器的电动汽车电池荷电状态估计

基于电池的戴维宁(Thevenin)模型,设计了多模型自适应卡尔曼滤波器,并将多模型自适应卡尔曼滤波器应用于电动汽车电池荷电状态(state-of-charge,SOC)估计。由于老化电池是未知系统,利用传统的单一模型卡尔曼滤波器估计老化电池SOC时,因模型不准确而使估计误差增大。与单一模型滤波估计相比,多模型滤波估计融合了电池的各种老化信息,适合于未知系统的状态估计,从而提高了SOC的估计精度,并通过实验证明了上述结论的正确性。利用多模型自适应卡尔曼滤波器估计电池SOC,老化电池的模型与权值最大的单一模型较接近,根据单一模型权值可以近似估计出老化电池的健康状态(state of health,SOH),并通过电池容量测量,证明了SOH估计的正确性。     

储能锂离子电池荷电状态估算方法

锂离子电池因其能量密度大、转换效率高以及反应快速等特点,已逐渐在大型储能系统中得到应用。为有效获知锂离子电池的荷电状态(SOC),在传统方法基础上,将开路电压法和安时积分法相结合,研究某单体容量为20 A·h锂电池的充放电特性,提出了一类兼具离线和在线修正能力的高精度SOC估算算法,为储能系统中的电池管理策略提供支持。     

基于KF-SRUKF算法的锂离子电池荷电状态估计

荷电状态(SOC)估计对于锂离子电池的可靠安全使用至关重要。在SOC估计中,平方根无迹卡尔曼滤波器(SRUKF)适用于非线性方程变量的有效估计,对线性状态方程并不适用。针对这一问题,本文提出将线性卡尔曼滤波器(KF)与平方根无迹卡尔曼滤波器(SRUKF)组成的KF-SRUKF算法应用于电池SOC估计的方法。本文首先建立了基于二阶RC等效电路模型,采用双环递推最小二乘法(BLRLS)进行模型参数辨识,然后根据所提算法进行SOC估计。通过电池测量设备和专用软件组建的电池测试平台进行了算法验证,结果表明,所提改进算法在提高SOC估计精度的同时也有效地减小了计算量。     

基于SRCKF的电动汽车锂离子电池荷电状态估计

精确的电池荷电状态(state of charge,SOC)估计对提高新能源汽车电池管理系统的性能、电池使用安全性以及整车能量管理策略的准确性具有至关重要的作用.综合考虑电池模型精度和复杂度,建立了锂离子电池二阶RC等效电路模型,运用自适应遗忘因子递推最小二乘法(adaptive forgetting factor-recursive least square,AFF-RLS)在线辨识模型参数.在此基础上,采用平方根容积卡尔曼滤波(square root cubature Kalman filter,SRCKF)估算电池SOC,使用动态应力测试工况(dynamic stress test,DST)对模型参数和SOC进行验证.研究结果表明,与无迹卡尔曼滤波(unscented Kalman filter,UKF)估算相比,SRCKF估算误差小、鲁棒性好.     

基于广义系统观测器的电池荷电状态估计

提出了一种新的电池荷电状态(SOC)的估计方法。电池的开路电压(OCV)与SOC之间是一种分段线性的关系,为了避开这类非线性问题,观测器设计时的通行做法是将输出电压的方程式对时间进行求导。文中分析表明这种对电压方程求导的做法是不正确的。指出可以将分段线性关系看做是广义系统中的一种线性约束,从而提出用广义系统观点来处理电池的这个分段线性约束,并且设计了广义系统观测器。仿真结果表明所提出的观测器的有效性。     

基于PSO-CNN的储能锂离子电池组荷电状态评估

将卷积神经网络(convolutional neural network,CNN)的权值和阈值作为粒子群算法(particle swarm optimization,PSO)的粒子,将CNN的损失函数作为PSO的适应度函数,从而构建PSO-CNN算法对储能锂离子电池组的荷电状态(state of charge,SOC)进行预测。以储能系统现场采集的充放电数据为样本,分别采用本文算法、基于PSO优化的支持向量机(support vector machine,SVM)、CNN进行训练,并在完整充放电数据集上对比3种算法的预测效果。结果表明本文算法收敛性好、预测精度高。最后采用另一储能现场的数据验证本文算法具有良好的鲁棒性,可以广泛适用于储能系统锂离子电池组SOC的在线预测。