基于FF-MILS和UKF算法的锂电池SOC估算

为了建立精确的锂离子电池模型,在线监测电池的荷电状态(SOC),采用二阶等效电路模型,通过实验数据拟合开路电压(OCV)与荷电状态的对应关系.选用遗忘因子多新息递推最小二乘法(FF-MILS)为在线辨识算法完成对锂离子电池在线模型参数估测,同时将所得模型参数传入卡尔曼滤波器,完成对动力电池荷电状态的估算.在MATLAB...     

基于双无迹变换的锂离子电池SOC估计研究

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%。     

基于双卡尔曼滤波的锂电池SOC估算

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。     

基于ARWLS-AEKF的锂电池SOC估计

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%。     

基于EKF的动力锂电池SOC状态预测

在研究与分析影响SOC值的因素及传统SOC估算方法优缺点的基础上,提出一种基于扩展Kalman滤波(EKF)的算法对SOC进行估算,依据Thevenin模型建立了电池的非线性状态空间方程,通过引入库仑效率因子计算出电量的动态变化量,并利用此变化量对状态方程进行扩展,使得极化效应的影响大大减弱。实验表明,此方法提高了电池SOC计算的精度,达到了动力汽车的应用要求。     

基于双无迹卡尔曼滤波的锂电池SOC估算

锂电池荷电状态(SOC)估算是电池管理系统的重要内容之一.为了提高SOC估算精度,以二阶RC等效电路为模型,采用双无迹卡尔曼滤波(DUKF)算法对电池模型参数和SOC进行在线联合估算.通过恒流放电测试、动态应力测试(DST)和不同初始SOC值的鲁棒性测试,验证了所提方法的准确性和稳定性.     

基于深度学习的锂离子电池SOC和SOH联合估算

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。     

基于ASRUKF的锂离子电池SOC估算

电池荷电状态(SOC)估计对电池管理系统进行实时监控、策略控制和保障行车安全具有重要意义.为了能够提高模型辨识精度和SOC估算结果,在一阶RC电路模型的基础上,采用限定记忆递推最小二乘法(LMRLS)辨识模型参数,通过自适应平方根无迹卡尔曼滤波(ASRUKF)算法进行SOC估计,将结果与UKF算法的估算结果进行比较,结果表明ASRUKF算法具有更高的精度.     

基于神经网络的老化锂电池SOC估算方法的研究

针对锂离子电池循环次数的增加出现的老化现象以及锂离子电池性能的下降的问题,本文分析了锂离子电池老化相关参数的变化情况,建立了对应的锂离子电池等效模型并根据实际的电池数据拟合了参数的衰减曲线。同时,基于神经网络自学习的方法设计了针对老化后锂离子电池SOC估算方法。最后,通过数据证明了所提方法能够实现对老化锂离子电池的较为准确的预测。     

车用动力锂电池的SOC估计

给出了动力锂电池管理系统的整体结构,并且对主控板和子控板的布局与功能进行了详尽介绍。建立了适合于Kalman滤波估计的锂离子动力电池的状态空间模型,该数学模型关系简单,易于工程实现。在此基础上,对模型进行了线性化处理,采用安时积分法、开路电压法结合扩展卡尔曼滤波(EKF)算法实现了对电池荷电状态(SOC)的准确估算。实验结果表明,EKF算法在估算过程中能保持很好的精度,对初始值的误差有很强的修正作用,在SOC估计中有很强的应用价值。     

基于ICA的锂电池SOH估计曲线确定方法研究

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。     

基于FFRLS-AEKF的动力锂电池SOC在线估计

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。     

基于改进EKF算法的锂离子电池SOC估算方法

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。     

基于简化滞回OCV模型的锂电池SOC自适应估计策略

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。     

自带恢复效应的锂电池在途SOC估计方法

针对复杂工况时纯电动汽车磷酸铁锂(LiFeP04)电池内部化学反应复杂、纯电路机理模型难以准确地进行荷电状态(SOC)估计的问题,使用动力学电池模型(KiBaM)和二阶RC等效电路模型相结合的混合模型,充分考虑到电池放电过程中存在恢复效应和电流倍率效应,最终使一个模型能同时捕捉到动态的非线性容量效应和电路参数特征,从而获得更加准确的SOC估计和电池运行时间预测,并通过试验进一步证明了其准确性较高。     

基于迭代扩展卡尔曼滤波算法的电池SOC估算

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。     

基于聚类算法的蓄电池SOC模糊预测

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。     

基于集成ELM的锂离子电池充电截止电压下的SOC和SOH联合估计

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。     

新型电动汽车动力电池SOC估计方法研究

利用支持向量回归算法(ε-SVR)非线性逼近能力强、收敛速度快、具有全局最优解的特性,对电动汽车动力电池的荷电状态(State of Charge,简称SOC)估计方法进行了研究,确立了动力电池的电压、电流、输入输出功率与SOC之间的非线性关系.通过对比BP神经网络算法进行了仿真实验.结果表明,利用ε-SVR算法能更准确地逼近实际SOC值,获得更好的估计效果.