基于离散滑模观测器的锂电池荷电状态估计

锂电池的荷电状态(state of charge,SOC)估计是电池管理系统的重要组成部分,针对锂电池非线性的特性,提出了采用离散滑模观测器估计锂电池荷电状态的方法,给出了离散滑模观测器的设计方法及其稳定性证明。基于锂电池的戴维南等效电路模型,给出了该方法的设计过程,在不同的充放电电流倍率和环境温度下,进行了锂电池模型的参数辨识,通过与常用的扩展卡尔曼滤波法相比较,分析了离散滑模观测器对锂电池SOC估计的精度、鲁棒性和算法复杂度等方面的性能。实验结果表明,采用该算法可实现锂电池SOC快速精确地估计,误差可控制在约3%,验证了该方法的可行性。     

基于PSO-ELM的储能锂电池荷电状态估算

对锂离子电池荷电状态(SOC)进行准确估算是保证电池管理系统安全稳定运行的关键。常用的安时积分法存在累积误差,卡尔曼滤波算法需要建立精确的电池模型,神经网络法不依赖具体的锂电池模型,能够反映锂电池的非线性关系,因而受到广泛关注,然而传统神经网络估算SOC训练时间长、精度低。针对以往电池SOC估算精度低等问题,文中提出粒子群(PSO)优化极限学习机(ELM)神经网络的方法。以电池电压、电流和温度作为PSO-ELM模型的输入向量,以SOC作为输出向量。将实验获得的数据导入模型进行训练和测试,采用PSO对ELM随机给定的输入权值和隐含层阈值进行寻优。仿真结果表明,与BP神经网络的预测结果相比,文中估算SOC的方法具有更高的精度。     

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。     

基于等效建模和参数辩识的锂电池荷电状态估算研究

锂电池是近年来大量用于新能源汽车、智能电网等的储能元件,其荷电状态的准确估算是锂电池研究的关键技术之一。通过对锂电池进行脉冲电流实验,建立Thevenin等效电路模型并进行参数辨识。基于所建立的模型运用扩展卡尔曼滤波算法进行荷电状态估算,其结果表明在复杂工况下扩展卡尔曼滤波算法能修正荷电状态初始误差,且估算过程中最大误差低1.5%,全过程平均误差为0.36%,该方法能够准确估算荷电状态。     

磷酸铁锂电池倍率容量特性建模及荷电状态估算

针对磷酸铁锂蓄电池,首先采用解析型动力学电池模型(KBM)对电池的倍率容量特性进行描述,进而推导出双井荷电状态(SOC)的数学表达式;为建立SOC与电池电压的联系,进一步将KBM与电动势模型相结合形成综合模型;最后,基于该综合模型及非线性滤波算法实现SOC估算。实验结果表明,该模型可以体现锂电池的倍率容量特性及可用容量恢复特性,双井SOC估算结果可更全面地体现锂电池的SOC;此外,这种基于非线性滤波的SOC估算策略还具备初始误差自校正能力。     

基于EKF-AH联合算法的锂离子电池荷电状态估算

估算算法先进性与否是影响锂离子电池荷电状态(SOC)估算准确度的重要因素。用扩展卡尔曼滤波(EKF)算法估算锂离子电池SOC时在低容量区和估算后期误差较大,为此将EKF算法和安时积分法(AH)相结合,提出EKF-AH联合算法。选用恒流放电及动态工况对联合算法进行实验验证。结果表明,在两个实验工况下对SOC的估算误差分别小于2%和3%。因此EKF-AH相比于EKF,估算精度提高。     

基于卡尔曼滤波器的蓄电池荷电状态估算

通过蓄电池的端电压、内阻和放电电流等可测量与荷电状态(state of charge,SOC)之间的对应关系,建立端电压-电阻模型并以最小二乘法进行模型系数辨识,运用卡尔曼滤波算法进行蓄电池SOC最优估算。以铅酸蓄电池为对象进行仿真实验,得到的放电折算效率为1.067 8。实验结果表明该方法具有很好的精确度,能用于估算蓄电池的SOC。     

锂离子电池荷电状态估算及剩余寿命预测

锂离子电池具有放电电压高、循环寿命长、安全性能好和无记忆效应等多种优点,在总结锂离子电池预测领域最新研究成果的基础上,对荷电状态估算及剩余寿命预测涉及的技术、算法和模型作了比较研究,尤其是对于锂离子电池荷电状态估算,归纳了电流积分法、开路电压法、模糊逻辑、自回归滑动平均数、电化学阻抗谱、支持向量机和基于扩展卡尔曼滤波的支持向量机等多种方法,并提出了各种方法的优缺点。     

优化电池模型的自适应Sigma卡尔曼荷电状态估算

采用数学模型法对磷酸铁锂电池进行非线性建模,优化了状态模型及观测模型。模型考虑了充放电倍率、温度、老化循环寿命等因素,对电池松弛效应及极化现象影响进行建模补偿,提高了电池建模的准确度,降低了不同条件下因电池模型造成电池荷电状态(SOC)估算的误差影响。在电池模型参数辨识基础上,提出采样自适应Sigma卡尔曼算法构建SOC估算模型,按照非线性模型对状态变量的分布构建Sigma采样序列,采用模型输出残差更新噪声协方差,赋予Sigma采样序列最优估计及噪声的权值,并实现误差量的实时更新,降低计算复杂度。通过持续大电流、间断电流、变电流放电及充电实验条件下的SOC估算对比实验,验证了自适应Sigma卡尔曼算法快速收敛性,数学描述更准确,具备较高的SOC的观测准确度。     

一种简化的锂离子电池SOC估计方法

为了克服安时积分法和开路电压法估计电池SOC的缺点,使用扩展卡尔曼滤波法将安时积分法与开路电压法结合起来。使用Thevenin等效电路电池模型作为扩展卡尔曼滤波法的模型基础,提出简化扩展卡尔曼滤波器过程噪声协方差和测量噪声协方差的方法,使电池SOC估计误差接近开路电压法的水平。最后,通过DST实验验证提出的电池SOC估计方法。     

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％.     

基于多随机模型的老化锂离子电池SOC估计

老化现象显著影响锂离子电池荷电状态(SOC)的估计精度,提出一种对电池老化具有鲁棒性的SOC估计方法.离线辨识电池的参考模型,在参考模型的基础上生成多个随机模型,利用模型的输出预测电池电压的响应.根据随机模型与实测电压的匹配程度,对各随机模型赋予权重;将每个随机模型的SOC估计值带权累加,得到待估计的SOC.提出的方法...     

基于EKF的锂电池SOC估算与试验研究

锂离子电池以其无泄漏、无污染、无噪声等优点,近年来广泛应用于工业及生活领域。目前常用的基于扩展卡尔曼滤波(EKF)的锂电池SOC(荷电状态)估计方法由于建模不准确而导致估计结果误差较大,严重影响到电池管理系统的性能及整机系统的控制。针对该问题,采用精度较高的Randles模型,并在拟合电池的OCV(开路电压)-SOC曲线时通过引入自然指数函数并增加多项式阶数等方法提高拟合精度。使用EKF对锂电池SOC进行估计,与理论结果相比模型改进后估计误差的标准差比改进前下降了64.43%。试验结果表明通过改进电池模型大大提高了基于EKF方法的锂电池SOC估计精度,对于提高电池管理系统以及整机系统性能具有重要意义。     

基于混合AUKF和HIFF的锂离子电池SOC估计

提出基于模型的自适应无迹卡尔曼滤波(AUKF)和H无穷滤波(HIFF)的联合算法.选取Thevenin模型,针对有色噪声条件下的输入数据,改进常用的带遗忘因子的递推最小二乘(RLS)法,提出偏差补偿型递推最小二乘(BCRLS)法,来抑制数据的有色噪声.设计的AUKF/HIFF混合算法具有较好的精度和更强的鲁棒性,可实现...     

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。     

基于改进PNGV模型的动力锂电池SOC精确估计

作为动力锂电池的核心参数,锂电池的荷电状态(SOC)的精度估算决定了储能系统控制的精度和管理的可靠性,目前业内对于SOC估计算法的研究不够深入,导致精度低,计算量大,并且依赖于初始值精度,工程应用难度大,以至于动力锂电池管理系统的精确控制和管理难以实现。对电池等效电路PNGV模型进行改进,提高了模型精度,并结合拓展卡尔曼滤波算法(EKF)实现了高精度的SOC估计,通过电池实测和仿真验证,该算法提高了SOC估算精度,解决了SOC估计依赖初值精度问题,具有较高的工程应用价值。     

基于GA-F-RBF神经网络的磷酸铁锂电池SOC预测研究

针对动力电池荷电状态的预测精度问题,提出基于遗传算法的弹性径向基函数神经网络动力电池荷电状态预测方法。该预测方法基于神经元的活跃度与神经元间的信息交互强度在线调整神经网络结构的大小,解决了径向基函数神经网络的结构调整影响荷电状态的预测精度问题。仿真结果证明,该方法比基于遗传算法的径向基函数神经网络的荷电状态预测结果精度更高,预测更加准确,能满足蓄电池管理系统对磷酸铁锂动力电池荷电状态预测的精度和实际使用的要求。     

基于GA和PSO的电动客车锂离子电池SOC估计

以广州某巴士企业电动公交在实际运行和停车充电状态下的电压、电流和荷电状态(SOC)的数据,分别建立基于支持向量回归机(SVR)的锂离子电池放电和充电的SOC估计模型,并利用网格搜索法(GS)、遗传算法(GA)和粒子群算法(PSO)进行参数优化,对比估计精度和拟合优度.处理放电阶段数据时,基于PSO优化后的SOC估计模型...     

无迹卡尔曼滤波法估计锂离子电池的SOC

通过电池脉冲放电实验,得到脉冲放电曲线,对曲线回弹段进行二阶指数拟合,结合电压零输入响应,离线辨识锂离子电池二阶RC等效电路模型的参数.为避免非线性函数线性化处理出现的误差,提高算法精度,采用无迹卡尔曼滤波(UKF)估计荷电状态(SOC).与扩展卡尔曼滤波(EKF)和安时积分法估计相比,UKF的估计误差在1％以内,精度...