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。     

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。     

基于自适应卡尔曼滤波的矿用救生舱动力电池SOC估计

磷酸铁锂动力电池是矿用救生舱的重要组成部分,其电荷状态(SOC)估计的准确性直接影响避难人员的安危。针对电池SOC常用估算方法的不足,提出一种基于自适应卡尔曼滤波的矿用救生舱动力电池SOC估算方法。在电池特性分析的基础上,建立了更符合实际的改进二阶RC等效电池模型和电池的状态空间模型。通过脉冲放电实验和改进的带遗忘因子递推最小二乘算法,对模型参数进行在线辨识,并将自适应卡尔曼滤波算法(AKF)用于此模型,在线估计电池的SOC。实验结果表明:AKF可以实时修正模型误差,实时估计SOC的动态变化,估算精度高,能够满足矿用救生舱电池管理系统的要求。     

电动汽车动力电池荷电状态估计方法探讨

准确估计电池荷电状态(SOC)是电动汽车电池管理的重要内容,SOC的准确评估对延长电池寿命和提高电动汽车整车性能具有重要意义。各国研究人员对电池SOC估计方法进行大量研究,先后提出了多种估计方法。文中介绍了电池SOC的定义及其主要影响因素,根据电池SOC估计方法的特点,按离线和在线方法对SOC估计方法进行总结和介绍,并比较了各方法的特点及实用效果。最后展望了电池SOC估计方法的两个潜在发展方向,即基于电池模型的非线性滤波方法和具有自学习能力的智能方法,为今后深入研究动力电池SOC估计方法提供借鉴。     

机场摆渡车动力电池荷电状态估算算法研究

车载动力电池的荷电状态(state of charge,SOC)不仅影响电池的循环寿命,而且影响整车的安全性。快速而准确的荷电状态估算是电源管理系统的重要组成部分。通过对实验数据进行曲线拟合,分析了荷电状态的影响因素。将扩展卡尔曼滤波算法(extended kalman filter,EKF)和无迹卡尔曼滤波算法((unscented kalman filter,UKF)应用到动力电池SOC估算中,针对机场电动摆渡车特殊的运行特点,设计合理的SOC估算算法,用MATLAB进行仿真并分析算法的快速性和准确性。     

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。     

基于采样点卡尔曼滤波的动力电池SOC估计

动力电池荷电状态(SOC)的快速精确估计是电池能量管理系统的核心技术。针对动力电池这一动态非线性系统,提出了电池过程模型的具体改进方法,以使其可以适应不同放电速率和不同温度条件对动力电池SOC的影响;给出了利用采样点卡尔曼滤波进行电池SOC估计的具体步骤;最后,分析了采样点卡尔曼滤波在SOC估计精度、收敛速度、算法复杂度及鲁棒性等方面的性能。实验表明,采用采样点卡尔曼滤波算法可以快速地完成动力电池SOC的精确估计,误差在5%左右;模型参数的合理微调几乎不影响算法的准确性,表明了算法具有一定的鲁棒性。     

不同温度的双卡尔曼滤波算法电池组SOC估计

动力锂电池组的荷电状态SOC(state of charge)是整个电池管理系统的重要参数,能直接反映电动汽车剩余可行驶里程,因此如何精确地估计电池组的SOC值是至关重要的。由于电池组各单体电池的不一致性,以及电动汽车在行驶过程中的复杂环境,所以在电池组内单体电池负载电压的最小值Vmin模型的基础上运用统计学的方法,对模型中的各参数进行有关温度因素的拟合,并通过模拟汽车的实际行驶环境,在不同温度下进行实验,从而得到改进的Vmin模型;结合双卡尔曼滤波算法,实现对整个电池组的SOC估计。仿真和实验结果表明该方法对电池组SOC的估计精度有优越性。     

基于SOC-OCV曲线的卡尔曼滤波法SOC估计

由于开路电压(OCV)与电池荷电状态(SOC)存在一一对应的关系,OCV在电池SOC估计中被广泛运用。提出了如何通过卡尔曼滤波法(KMF)得到各种工作状态下PNGV电池模型中各状态量的值,从而得到PNGV电池模型的实时OCV,进而通过已经获得的SOC-OCV曲线得到电池SOC的预测值方法。给出了铅碳电池建模及参数辩识的方法及步骤,建立了参数随SOC可变的铅碳电池PNGV模型,并通过模型提出了用于OCV计算的KMF,该算法能快速并准确的收敛到真实的OCV,从而实时指示SOC,仿真和实验结果显示该方法具有较好的SOC估算效果及快速的动态响应。     

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。     

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。     

MAEKF算法在锂离子电池SOC估算中的应用

以往的荷电状态(SOC)估算通常不考虑电池的极化作用,这在一定程度上影响了估算的精度。对此提出了一种基于电学模型的自适应扩展卡尔曼滤波(MAEKF)算法估算锂离子电池的SOC。通过工况实验和仿真研究,验证了在极化作用的影响下,该算法具有较好的稳定性和鲁棒性。     

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。     

SOC Estimation of HEV/EV Battery Using Series Kalman Filter

This paper proposes a method of accurately estimating the state of charge (SOC) of rechargeable batteries in high fuel efficiency vehicles, such as hybrid electric vehicles (HEVs) and electric vehicles (EVs). Despite the importance of accurately estimating the SOC of batteries to achieve maximum efficiency and safety, no method thus far has been able to do so. This paper focuses on the simplification of a battery model, estimation of time‐varying battery parameters, and estimation of SOC in the presence of measurement noise. To address these three issues, a model‐based approach that uses a cascaded combination of two Kalman filters, “series Kalman filters,” is proposed and implemented. This approach is verified by performing a series of simulations in an HEV operating environment. The ultimate goal is to design a state estimator capable of accurately estimating the state of any kind of batteries under every possible user condition. © 2014 Wiley Periodicals, Inc. Electr Eng Jpn, 187(2): 53–62, 2014; Published online in Wiley Online Library ( wileyonlinelibrary.com ). DOI 10.1002/eej.22511     

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.