共查询到20条相似文献,搜索用时 78 毫秒
1.
2.
电池的荷电状态(SOC)是电池管理系统(BMS)的重要指标,然而锂离子电池是一个具有复杂性噪声特点的非线性动态系统,精准估计SOC十分困难。针对无迹卡尔曼滤波(UKF)估计SOC时受模型精度和系统噪声预定变量影响较大问题,基于改进的PNGV模型提出一种两次非线性变换预测系统闭环端电压方法,采用动态函数提高卡尔曼增益,从而提高SOC估计精度和效果。通过充放电混合动力脉冲能力特性(HPPC)和混合放电比实验验证可得该方法具有良好的估计效果,在电压和电流变化剧烈的条件下,平均绝对误差为0.11%,精度相对提高了58%,均方根误差为0.15%,稳定性相对提高了63%。 相似文献
3.
以锂电池的荷电状态估算为目的,对传统锂电池等效电路模型进行改进,提高了模型的准确性,使之能更好地反应锂电池内部状态。以标称容量为2 000 m Ah,额定电压为3.7 V的18650锂电池作为研究对象,采用最小二乘法分别对该锂电池模型进行充放电方向的参数辨识。运用双卡尔曼滤波算法估算锂电池的SOC,并设计了基于安时计量法的相关测试实验。研究结果表明,双卡尔曼滤波算法估算18650锂电池SOC的绝对误差值小于0.019,具有较高的估算精度,在锂电池SOC估算领域内具有很高的实用价值。 相似文献
4.
根据SOC在电池管理系统中的应用需求,针对锂离子电池的模型准确度低、SOC估算精度差的问题,提出了一种ARWLS-AEKF联合算法。该方法以二阶R-C网络模型为基础,通过加权自适应算法引入自适应遗传因子,优化参数辨识精度,并搭建MATLAB仿真平台联合自适应扩展卡尔曼滤波算法(AEKF)算法对SOC进行在线估算。将三种测试工况下的算法仿真结果与电池实验平台所得测量数据进行对比,结果表明:ARWLS-AEKF算法相对于离线EKF算法有更高的准确度与适应性,能适应随机变化的噪声环境。在LA_92、UDDS、HWFET工况下,ARWLS-AEKF算法的误差在2%以内,MAE分别为0.45%、0.74%、0.87%,RMSE值分别为0.54%、0.71%、0.42%。 相似文献
5.
6.
7.
基于深度学习的锂离子电池SOC和SOH联合估算 总被引:2,自引:0,他引:2
锂离子电池常被作为储能元件以实现电能的存储和转化,然而其荷电状态(state of charge,SOC)和健康状态(state of health,SOH)无法被直接测量。为了实现锂离子电池SOC和SOH联合估算,该文分析SOC和SOH之间的关联性,并提出一种基于深度学习的锂离子电池SOC和SOH联合估算方法。该方法能够基于门控循环单元循环神经网络(recurrent neural network with gated recurrent unit,GRU-RNN)和卷积神经网络(convolutional neural network,CNN),利用锂离子电池电压、电流、温度,实现锂离子电池全使用周期内SOC和SOH的同时估算,而且由于将锂离子电池的SOH估算值考虑到SOC估算中,能够消除锂离子电池老化因素对锂离子电池SOC估算造成的负面影响,从而提升SOC估算精度。两个锂离子电池测试数据集上的实验结果表明,提出的估算方法能够在不同温度和不同工况下实现锂离子电池全使用周期SOC和SOH联合估算,且获得较高的精度。 相似文献
8.
10.
11.
12.
针对如何提取容量增量(IC)曲线上更有效的特征参数进行锂电池健康状态(SOH)估计问题,提出了一种基于修正的洛伦兹电压容量(RL-VC)模型。首先使用传统滤波方法对锂电池进行容量增量分析(ICA)。然后使用RL-VC模型进行对比,获得相应的特征参数并计算容量建模误差。在基于自主搭建的试验平台上获得的试验数据与开源数据集NASA中的动态数据集NCM中分别进行试验。VC容量建模的误差分别在0.23%和0.16%以内。RL-VC模型拟合的IC曲线提取的特征参数与锂电池容量高度线性相关,为后续SOH工作奠定了基础。基于RL-VC模型的IC分析方法相较于传统滤波方法,不仅在电池老化方面具有更高的鲁棒性,同时在特征参数提取方面避免了主观性和不确定性。 相似文献
13.
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。 相似文献
14.
针对锂离子电池在变电流放电过程中荷电状态SOC(state of charge)估算精度的问题,提出了一种基于改进扩展卡尔曼滤波EKF(extended Kalman filter)算法的新估算方法。首先,通过放电实验和混合脉冲功率特性HPPC(hybrid pulsepower characteristic)实验,分析计算了等效电路模型参数;然后,利用该方法获得了该模型参数与放电倍率和SOC之间的关系,提出了一种估算SOC时在线修正开路电压和欧姆内阻的新原理和方法;最后,通过变电流放电的SOC估算结果,验证了该改进算法的可行性与有效性,从而解决了锂离子电池在复杂工况下估算精度不足的问题。 相似文献
15.
基于简化滞回OCV模型的锂电池SOC自适应估计策略 总被引:1,自引:0,他引:1
受锂电池滞回效应的影响,开路电压与荷电状态之间的关系复杂,给电池建模以及荷电状态的精确估计带来较大困难。以锰酸锂电池单体为研究对象,在通过实验对滞回特性分析的基础上,提出简化的滞回开路电压模型,该模型根据滞回主环路中开路电压差之间的荷电状态积累量大小来构建滞回因子,修正开路电压与荷电状态之间的关系,以提升电池等效电路模型的精度;其次,针对测量噪声异常扰动、模型发生变化及荷电状态初值存在偏差的情况,利用分阶段变换测量协方差及构建自适应因子方法对无迹卡尔曼滤波算法改进,以平衡荷电状态的估计精度和收敛速度。实验结果表明,简化滞回开路电压模型能较为地准确描述锂电池动静态特性,所提自适应无迹卡尔曼滤波算法估计荷电状态的性能有较大提升。 相似文献
16.
17.
基于迭代扩展卡尔曼滤波算法的电池SOC估算 总被引:1,自引:0,他引:1
采用卡尔曼滤波算法估算动力电池的荷电状态(SOC),其估算精度与SOC初值无关,但与动力电池的等效模型有关。为进一步提高SOC估算精度,充分考虑温度对电池模型参数的影响,改进电池的二阶RC等效电路模型,建立电池的非线性状态空间模型;为保证SOC估算结果的收敛性,将迭代滤波理论引入到扩展卡尔曼滤波(EKF)算法中;采用Levenberg—Marquardt(LM)方法优化迭代过程,并将其应用于动力电池SOC的估计。实验结果表明,与EKF和迭代EKF(IEKF)算法相比,采用改进的电池等效模型和优化算法,具有较好的收敛性,且提高了估算SOC的精度。 相似文献
18.
为了实现对蓄电池的准确在线估算,研究了利用蓄电池电动势、内阻与荷电状态(state of charge,SOC)之间的关系,设计了基于模糊C-均值聚类的模糊控制器。该控制器将模糊C-均值聚类方法与模糊控制系统有机结合,能有效地进行数据划分和构建模糊控制规则。实验表明,该方法将SOC预估误差控制在3%之内,很好地反映了铅酸蓄电池的能量状态。与现有的模糊预测控制器相比,准确度更高,具有一定的实用性。 相似文献
19.
充电截止电压是大多数电动汽车用户充电都会经历的电压点。针对传统安时积分法忽略初始容量误差和电池老化等一系列待优化的问题,提出了双层集成极限学习机(extreme learning machine, ELM)算法,实现锂离子电池充电截止电压下的荷电状态(state of charge, SOC)和健康状态(state of health, SOH)联合估计。首先,提取易测的电池健康特征(health indicator, HI),采用集成极限学习机映射HI及充电所需时间与SOH之间的关系。其次,用测得的HI估计难以在线测量的充电所需时间,对充电截止电压下安时积分法的SOC进行在线修正。该方法充分考虑了电动汽车用户初始充电状态的不确定性,指导电动汽车用户合理充电。此外,通过选择合适的集成ELM模型集成度,解决了单个ELM模型输出不稳定的问题。最后,选用NASA和CALCE数据集进行实验验证。验证结果表明,锂离子电池充电截止电压下SOC的估计均方根误差均小于1.5%,集成ELM相比于其他常见算法具有较高的训练、测试精度和较短的预测时间。 相似文献