基于PNGV模型储能锂电池参数辨识及SOC估算研究

锂电池因具有比能量高、循环寿命长、对环境无污染等优点,在储能系统中已逐渐得到应用.准确估算锂电池的荷电状态(SOC)可防止电池过充、过放,保障电池安全、充分地使用.为了精确估算储能锂电池SOC,基于PNGV(partnership for a new generation of vehicles)电池等效模型,利用递推最小二乘法(RLS)对模型参数进行在线辨识和实时修正,增强了系统的适应性.结合安时法、开路电压法和PNGV模型,提出了一种实时在线修正SOC算法.根据实验数据,建立了仿真模型,以验算模型和SOC估算算法的精度.仿真结果表明,PNGV模型能真实地模拟电池特性,且能有效地提高SOC估算精度,适合长时间在线估算储能锂电池的SOC.     

基于IACO-PF的锂电池SOC估算

本工作提出一种改进蚁群算法(IACO)优化粒子滤波(PF)来进行电池荷电状态(SOC)的估计,用来解决传统粒子滤波算法SOC估算时产生的粒子贫化问题.蚂蚁将替代粒子,在更新步骤前重新定位,通过提高粒子的多样性来解决粒子贫化问题;结合二阶Thevenin电池等效模型,得到算法所需的状态和观测方程,再根据脉冲放电试验进行参数辨识;采用IACO-PF算法和PF算法分别在脉冲放电和DST工况试验下进行SOC估算.试验结果表明,基于IACO-PF算法的锂电池SOC估算结果相比于传统PF算法更具有效性和准确性.     

基于RLS-DLUKF算法的锂电池SOC预测方法研究

本工作以钴酸电池为研究对象,针对锂电池在复杂工况下电流的剧烈变化导致荷电状态(SOC)无法有效预测的问题,建立了以精确参数为基础的双层无迹卡尔曼滤波算法(DLUKF)架构来更精准的估算SOC.首先,以脉冲功率特性实验数据获取二阶电路模型中电池开路电压与荷电状态的函数关系及特性曲线;其次,为增强模型辨识过程中的自适应学习能力并解决模型参数估计不准确的问题,应用递推最小二乘(RLS)算法在线准确地识别出模型中的未知变量;最后根据输入的变量信息,利用UKF算法相互嵌套形成的DLUKF算法实现对SOC的快速预测来解决单一的UKF算法在高阶非线性系统里估算不准确、精度低的问题.在UDDS工况和FUDS工况下对DLUKF算法和单一的UKF算法进行比较,通过对比分析两种算法估计出的SOC曲线、SOC误差曲线、端电压曲线及端电压误差曲线,表明DLUKF算法预测SOC的平均误差比UKF的低且预测精度更高.     

锂离子电池参数辨识及荷电状态的估算北大核心CSCD

实现对锂电池的荷电状态(state ofcharge,SOC)的准确估算对电动汽车电池管理系统具有重要意义。采用了二阶RC等效电路模型对电池进行精确建模,并分别利用离线参数辨识和带遗忘因子的递推最小二乘法的在线参数辨识方法对等效电路中的参数进行辨识,在确保模型精度满足要求后,利用扩展卡尔曼滤波(extended Kalman filter,EKF)算法来实现对电池SOC的准确估算。以美国联邦城市运行工况(federal urbandriving schedule,FUDS)和城市道路循环工况(urban dynamometerdrivingschedule,UDDS)进行仿真实验,并将实验中标准SOC值与离线辨识和在线辨识的SOC估计值进行对比分析。实验结果表明,在FUDS工况和UDDS工况下利用EKF算法估算SOC的平均误差都在2.5%以下,且在线参数辨识模型比离线参数辨识模型的平均误差分别降低了0.7%和0.9%。证明了EKF算法能实现对电池SOC的准确估算,且在线参数辨识方法下的电池模型具有更高的估算精度。     

基于在线参数辨识和改进2RC-PNGV模型的锂离子电池建模与SOC估算研究

锂电池荷电状态(state of charge,SOC)的准确估计对电池安全监测与能量的高效利用具有重要意义.提出一种新的验证模型,首先对电池新一代汽车合作伙伴(PNGV)模型进行改进,考虑电池充放电的差异,加入了二极管电阻的并联网络来代替传统PNGV模型的内阻,在此基础上,增加了一个RC的并联网络来表征电池的动静态特性.以三元锂电池为研究对象,通过遗忘因子最小二乘法(forgetting factor recursive least square,FFRLS)对改进模型进行在线参数辨识,并提出了主充电、放电实验对锂电池工作特性进行仿真分析,通过FFRLS-EKF算法在DST工况下对SOC进行估算.实验结果表明,改进的2RC-PNGV模型能够较好地反映锂电池工作特性,HPPC实验的平均电压误差为0.17％,模型具有较高的精度.主充电过程SOC平均估算误差为0.957％,最大估算误差为5.03％;主放电过程SOC平均估算误差为0.807％,最大估算误差为3.38％,表明改进的2RC-PNGV模型与联合估计算法均可用于SOC实际估算.     

基于改进的CDKF锂电池SOC估计方法

准确估算荷电状态(SOC)可以为电池之间的均衡管理提供依据,延长锂电池组整体的使用寿命.针对中心差分卡尔曼滤波算法(CDKF)存在较大线性误差的问题,提出一种改进的CDKF算法.在原算法中引入迭代滤波思想,多次利用测量信息更新状态量估算值,使得观测信息不断迭代更新,基于LM优化方法不断修正协方差矩阵,有效减小了线性误差.首先基于二阶阻容(RC)电路单元模型,选择最小二乘参数辨识方法,辨识出模型阻容参数;然后进行HPPC实验,验证电池等效模型的准确性;最后分别在恒流放电和动态工况下应用改进后的CDKF算法对电池SOC和电压进行估计,并将估计结果与CDKF算法进行比较.两种工况下验证结果表明改进后的CDKF算法精度更高,SOC估计精度可提升1.16％,最大估计误差小于1.7％,算法收敛时间也比原算法短,改进后的CDKF算法在估计精度和鲁棒性方面均有所提升,更具有应用优势.     

Estimation of power battery SOC based on firefly BP neural network

针对BP神经网络算法对电动汽车电池荷电状态（state of charge,SOC）估算的缺陷,提出一种基于萤火虫（firefly algorithm,FA）神经网络的SOC估算方法。以磷酸铁锂电池为测试对象,在ARBIN公司生产的EVTS电动车动力电池测试系统装置上进行测试,收集锂电池的各项性能参数。采用端电压和放电电流作为输入参数,SOC作为输出参数,建立FA-BP神经网络模型,用于估算锂离子电池充放电过程中的任一状态下的SOC。仿真实验结果表明,与现有的BP神经网络估算方法相比,基于FA-BP神经网络的锂电池SOC估算方法准确度高,具备很好的实用性。     

基于磷酸铁锂电池变电站直流系统BMS的研究与应用

磷酸铁锂电池管理单元（BMS）是文中研究的重点,如何把握电池内部状态的变化规律以及外部因素对电池容量的影响、建立合理有效的电池模型和SOC算法、实现SOC在线估计并减少估算误差,是电池安全管理最基本、最重要的方面。电池管理单元（BMS）与变电站直流系统监控器通过CAN通信,能有效的保证磷酸铁锂电池组及整个直流系统安全可靠的工作。     

基于简单循环单元的储能锂离子电池SOC和SOH联合估计方法

锂离子电池的荷电状态(State of charge,SOC)和健康状态(State of health,SOH)是电池储能系统在运维过程中所需要估算的重要参数。为了能够对电池状态进行可靠估计,采用深度学习方法中的简单循环单元(Simple recurrent unit,SRU)来实现对电池SOC和SOH的联合估计。首先,通过利用SRU在处理时序问题上的优势,建立了基于SRU的电池SOC估计模型;接着,给模型引入了数据单元的输入形式,并使用含有电池老化信息的样本数据来对模型进行训练,使得训练好的模型能够实现任意电池老化程度下的SOC估计;最后,通过对该模型输出的SOC估计值中所隐含的老化信息进行挖掘,实现对电池SOH的估计。试验结果表明,该联合估计方法可以实现电池SOC与SOH的准确估计,并且对不同种类的电池也有较好的适用能力。     

基于电热耦合效应的锂电池荷电状态与温度状态联合估计

准确估计电池的荷电状态(SOC)和内部温度可以提高电池的性能和安全性。其中,电池模型的准确性和估计算法的适用性是关键。为了解决这两个问题,本文建立了圆柱形锂离子电池的多参数电热耦合模型。模型考虑电池SOC与温度变化之间的耦合关系,并且利用改进的熵热系数实验获得电池运行中产生的可逆热与不可逆热,通过可变遗忘因子最小二乘算法(VFFRLS)进行参数辨识,并对比独立的电模型与热模型的SOC与内部温度估计结果,验证了多参数电热耦合模型的准确性,结果证明所提模型相比较于单独的电热模型,估计精度提高了70%以上。最后,设计了一种基于奇异值分解的卡尔曼滤波(SVD-AUKF)算法来同时在线估计SOC和内部温度,并在改进的动态测试(DST)工况下对所提方法进行实验验证。结果表明：所提方法相较于扩展卡尔曼滤波(EKF)与无迹卡尔曼滤波(UKF)算法,能实现更高精度的SOC和温度估计,SOC与内部温度的平均误差分别是5%和0.2℃。     

基于PNGV模型与自适应卡尔曼滤波的铅炭电池荷电状态评估

储能电池应用广泛,准确估计储能电池的荷电状态(state of charge,SOC)对提高电池健康状态有重要意义。铅炭电池作为一种高性能、低成本、高安全性的新型储能电池,在储能电站等场景受到广泛关注,而目前尚缺少铅炭电池SOC估计相关研究。本工作首先通过静流间歇滴定技术探究铅炭电池的荷电状态与开路电压关系,后通过混合脉冲功率性能试验得到铅炭电池的伏安特征数据,建立一阶Thevenin和一阶PNGV等效电路模型,利用基于代理模型和灵敏度分析的随机算法(surrogate optimization algorithm,SOA)对两种等效电路模型进行参数辨识。在此基础上,利用扩展卡尔曼滤波算法(extended Kalman filter,EKF)估计铅炭电池SOC,估算过程考虑噪声干扰。另外,在铅炭电池SOC初值未知的情况下,EKF算法不能准确估计铅炭电池SOC。因此,本工作提出采用自适应扩展卡尔曼滤波算法(adaptive extended Kalman filter,AEKF)对铅炭电池进行状态估计,来弥补EKF的不足。结果表明,在存在噪声且SOC初值未知的情况下,AEKF算法较EK...     

基于Bi-LSTM/Bi-GRU循环神经网络的锂电池SOC估计

锂电池的荷电状态(state-of-charge,SOC)涉及的物理特性或电化学特性高度复杂,其值一般难以直接测量,基于深度神经网络等新方法的SOC估计近期为相关研究者所关注.为进一步提升SOC估计性能,有效捕获锂电池SOC的动态物理特性,缓解深度神经网络模型容易发生的梯度消失与梯度爆炸等问题,本文引入双向学习策略,基于双向长短期记忆循环神经网络(bidirectional long short-term memory,Bi-LSTM)以及双向门控循环单元网络(bidirectional gated recurrent unit,Bi-GRU)估计锂电池的SOC取值.双向循环神经网络SOC估计模型由输入层、隐藏层和输出层组成.输入层输入电池电压、电流与温度序列;隐藏层在正向LSTM/GRU层的基础上增加反向LSTM/GRU层,引入逆序信息,基于输入序列上下文所含信息整体上学习、表征电池特性序列与SOC序列之间的内在关联;输出层输出模型的估计值.所拟模型使用Python语言结合TensorFlow后端在Keras框架中实现,并基于基准数据集在3种温度条件下结合多种工况进行性能分析.结果表明,双向学习策略能有效提升锂电池SOC的估计性能,较之单向学习模型具有更高的估计精度与鲁棒性.与构造电池等效模型等方法的思路不同,所拟方法基于数据驱动学习锂电池SOC的非线性特性,将易于观测的锂电池特性序列数据映射为待估计的SOC取值,为锂电池SOC估计提供了可能的新思路.     

基于BCRLS-ACKF的锂离子电池荷电状态估计

精确的锂离子电池荷电状态(state of charge,SOC)估计对于电池管理系统至关重要.模型参数辨识是SOC估计的前提,也是影响其估计精度的关键因素.为了有效避免噪声对参数辨识的影响,采用偏差补偿递推最小二乘法(BCRLS)进行在线参数辨识.在此基础上,采用自适应容积卡尔曼滤波(ACKF)算法估计电池SOC,对系统噪声进行实时更新以提高估计精度.此外,对于计算过程中由于协方差矩阵失去正定性而出现平方根无法分解的问题,利用奇异值分解的方法代替Cholesky分解,以提高数值计算的稳定性.最后将BCRLS与ACKF相结合以实现模型参数和SOC的联合估计,并在不同工况和初始值不精确的情况下进行算法验证,结果表明本文所提算法具有较高的精度,平均绝对误差在2％以内.     

基于粒子群算法的最小二乘支持向量机电池状态估计CSCD

电池荷电状态(SOC)作为电池管理系统(BMS)重要参数之一,准确估计SOC尤为重要。由于SOC在估计过程中常会受到电压、电流、充放电效率等众多因素的影响,因此很难准确估计SOC。为了提高SOC的估计精度,本工作提出了基于最小二乘支持向量机(LSSVM)机器学习的锂离子电池SOC估计模型。将该电池的电流、电压和温度作为模型的输入向量,SOC作为模型的输出向量,为了更好的获得LSSVM模型的参数,提出了利用自适应粒子群算法来进行参数优化,从而获得高精度SOC估计模型。通过恒流充放电实验采集的数据,并和未优化的粒子群优化的LSSVM、支持向量机(SVM)神经网络(NN)相比,所提模型的SOC估计精度误差为1.63%,验证了算法的有效性。     

RTG用高功率磷酸铁锂电池SOC分析

磷酸铁锂电池SOC估算的一般方法是电流线性积分加端电压矫正测算,由于电池组应用于RTG后,其运行工况区间受到限制,传统的电流线性积分加端电压矫正测算易发生测试错误,导致电池组各支路间SOC不平衡故障。通过对电流线性积分、端电压矫正模型的优化和引入电池静置模型,神经网络算法实现了对高功率磷酸铁锂电池SOC的精确估算,将高功率磷酸铁锂电池成功应用于RTG混合动力改造中。     

基于自适应滑模观测器的荷电状态估算方法

锂电池荷电状态(State of Charge, SOC)的精确估算是电池管理系统的必要基础,但锂电池受充放电倍率大小、老化速度等影响,存在强非线性、时变性等特性,SOC难以直接测量,只能结合海量电压和电流数据通过算法估算。本文提出一种自适应滑模观测器算法(Attitude Sliding Mode Observer, ASMO)对SOC估算,通过梯度下降的算法实时更新滑模观测器矩阵增益,以提高算法的精度和鲁棒性。在测试工况下将拓展卡尔曼滤波算法、滑模观测器算法与改进算法比较,结果表明,相较于传统拓展卡尔曼滤波算法和滑模观测器算法,改进过的算法具有更高的精度和鲁棒性,误差可控制在1%以内,验证改进算法有效性。     

基于LabVIEW的锂电池SOC估计与参数监测系统

文中介绍了一种采用LabVIEW设计和实现的锂电池参数监测与剩余电量(SOC)在线估计的硬件系统。该锂电池监测系统主要功能包括:采集锂电池处于工作状态下的电流、电压参数,显示并存储该参数信息,通过已经求得的精确锂电池模型对SOC进行在线估计并实时显示。将锂电池恒流放电与变流放电时的实验结果与真实值进行比较,验证了该系统参数采集与SOC估计的有效性与精确性。     

基于自适应扩展卡尔曼滤波的锂离子电池荷电状态估计CSCD

锂离子电池荷电状态(SOC)是电池管理系统(BMS)重要的参数之一,准确估计可以提高电池的使用寿命。然而在SOC估计过程中,会受到如测量设备的精度、噪声等外界因素的干扰,降低SOC的估计精度。为了提高SOC的估计精度,针对扩展卡尔曼滤波(EKF)算法易受噪声干扰,提出了以新息自适应扩展卡尔曼滤波来提高SOC的估计精度和稳定性。通过实验工况采集的数据,并与传统的EKF进行对比,估计误差可以控制在3%以内,验证了该模型的有效性。     

基于BP-UKF算法的锂离子电池SOC估计北大核心CSCD

电池的荷电状态(state of charge,SOC)是电池管理的重要指标之一,准确的SOC估计是保证锂离子电池安全有效运行的必要条件。为提高锂离子电池SOC估计的准确性,本文基于二阶Thevenin等效模型,提出一种将无迹卡尔曼滤波(unscented Kalman filter,UKF)与BP(back propagation)神经网络相结合的SOC估计方法。在通过混合功率脉冲特性测试获取模型参数的基础上,首先利用UKF算法对电池SOC进行初步估计,通过非线性点变换的方法避免了扩展卡尔曼滤波(extended Kalman filter,EKF)在线性化过程中对系统造成的精度损失;其次,构建三层BP神经网络,综合考虑锂离子电池的充放电电压、电流等参数,对估计结果进行修正,将估计误差从初始估计结果中排除,以达到更加准确的估计结果。通过电池充放电测试仪采集锂离子电池在动态应力测试下的充放电数据,并在不同的噪声环境下将本文提出的BP-UKF算法与EFK算法和UKF算法进行对比实验分析。实验结果表明,本文提出的BP-UKF算法的最大误差在2.18%以内,平均误差在0.54%以内,均方根误差在0.0044以内,较EKF算法和UKF算法有较大程度地提升;并且在较大的环境噪声条件下,BP-UKF算法的准确性提升更为明显。     

SOC estimation of lithium battery based online parameter identification and AEKF

SOC的准确估计对提高电池的动态性能和能量利用效率至关重要,估计过程中,模型参数不准确以及系统噪声的不确定性都会对结果产生较大影响。为减小模型参数辨识和系统噪声对SOC估计精度的影响,本文采用二阶RC等效电路模型,结合自适应扩展卡尔曼滤波算法（AEKF）进行锂电池的SOC估计。用带有遗忘因子的最小二乘法对模型参数进行在线辨识,以减小由参数辨识引起的估计误差,AEKF可以对系统和过程噪声进行修正,从而减小噪声对SOC估计的影响。最后分别用EKF和AEKF进行SOC估计并比较其误差,结果表明,AEKF联合最小二乘法参数在线辨识具有更高的精度和更好的适应性。