基于复合EKF算法的锂电池组的SOC估计

动力锂电池组的荷电状态SOC估计是电动汽车能量控制的重要参数。针对串联锂电池组的SOC估计问题,利用扩展卡尔曼滤波法(EKF)和传统的安时积分法相结合(复合EKF算法)优势互补,并运用对于扩展卡尔滤波法较准确地估计电池的Thevenin模型,以电池组的最小单体电池的电压作为参考电压值,用提出的算法结合所选用的电池模型,对模拟电动车的实际工况进行电池组放电实验,证明这种复合算法不但比EKF法估计SOC准确,对误差还有一定的修正能力,而且还能满足电动车SOC准确度的需要。     

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。     

基于电池组模型的EKF-UKF电池参数和

在电池的使用过程中,电池组荷电状态(SOC)的准确估计对电动汽车的使用起到非常重要的作用,直接关系到车辆的续航里程。同时组成电池组的电池单体SOC的一致性会直接影响电池组的充、放电效率。在电池的使用过程中,组成电池组的电池单体会存在一定的不一致性,这使得电池组的SOC估计相当困难。在分析电池单体模型的基础上,对电池组进行建模,并使用重组状态空间方程的方法降低电池组状态空间方程的维数,同时使用EKF-UKF对电池组的内部参数和电池组的SOC进行观测和估计。最后通过恒流工况和DST工况验证算法的准确性和正确性,并分析了电池单体间的不一致性对电池组容量的影响。     

基于STF&LM算法的串联锂离子电池组不一致性辨识与状态估计

电池组中单体间存在的不一致性是电池状态估计问题中的一大难点。针对串联锂离子电池组,提出了一种基于强跟踪滤波器(strong tracking filter,STF)与LevenbergMarquardt(LM)算法相结合的电池组不一致性辨识与状态估计的新方法。首先针对"参考单体"给出了一阶等效电路模型与开路电压–荷电状态(state of charge,SOC)特性关系曲线,通过STF算法得到其状态估计与参数估计;其次建立不同单体的"电压相似函数",并引入LM算法对SOC、极化电压、欧姆内阻3种不一致因素进行辨识;最后对2组5个LiFePO_4单体串联的电池组在不同的工况下进行了实验验证。结果表明,所提方法对各单体的状态与内阻估计误差在合理的范围内,对电池组不一致性辨识与状态估计具有良好的效果。     

基于Buck-Boost电路的能量转移型均衡方案

提出了一种基于Buck-Boost电路的新型均衡电路,实现了锂离子串联电池组充放电均衡。根据均衡能量流向,采取两种不同的均衡策略:电池组放电时,均衡能量由电池组向组内荷电状态(state of charge,SOC)较低的单体电池转移;电池组充电时,均衡能量由电池组中SOC较高的单体电池向电池组转移。以单体电池开路电压在线估计为基础,运用开路电压法估算SOC,选取SOC值在一定阈值范围之外的单体电池作为均衡对象,对6节串联的磷酸铁锂电池进行了充放电均衡实验。实验结果表明,该方案可以有效减小单体电池间的不一致性,提升电池组的整体性,同时提高了电池组充放电容量。     

平方根采样点卡尔曼滤波在磷酸铁锂电池组荷电状态估算中的应用

荷电状态(state of charge,SOC)估算技术是锂电池管理系统中最重要的功能之一。针对磷酸铁锂电池组展开研究,以准确估计电池组中各单体荷电状态为目的,首先采用一阶戴维南(Thevenin)模型结合安时法建立综合电池模型;采用一种平方根采样点卡尔曼滤波(square root sigma point Kalman filter,SRSPKF)方法,配合在线递推最小二乘(recursive least square,RLS)算法,同时实现对电池等效模型参数的辨识以及对电池荷电状态的估算。理论上讲,SRSPKF算法使系统状态直接以其方差的平方根形式传播,可显著降低常规Sigma点卡尔曼滤波器(sigma points Kalman filter,SPKF)算法的复杂性。实验结果表明,相对SPKF而言,SRSPKF具有更强的状态估计误差抑制能力,采用SRSPKF可以获得比SPKF更准确的SOC估计结果。     

锂电池的电量估计仿真研究

锂电池的荷电状态(SOC,State-of-Charge)直接反映电池的剩余电量,是电池组管理的核心参数。然而,电池循环次数的增加、瞬间大电流、温度等因素将导致电池特性发生变化,因此使用扩展卡尔曼滤波(EKF,extended kalman filtering)对锂电池的荷电状态进行估计会引入较大的误差甚至算法发散。为了有效抑制参数扰动和系统的非线性,基于一种改进的二阶RC等效电路模型,应用粒子滤波算法(PF,particle filtering)实现了锂电池荷电状态的估计。最后,根据锂电池放电实验所得数据进行仿真,结果显示了该算法的优越性。     

磷酸铁锂电池组均衡控制策略及荷电状态估计算法

电池组在使用的过程中,由于温度场分布不均匀以及库伦效率的差异,各单体间的剩余容量将会出现不一致性,这将会降低电池组的容量。为了提高电池组的性能,本文提出了以热力学荷电状态(thermodynamic-SOC,t-SOC)作为均衡判断依据,动力学荷电状态(kinetic-SOC,k-SOC)作为均衡控制依据的均衡控制策略。针对电池组在均衡前/后处于不同的状态提出电池组不均衡/均衡状态SOC估计算法。最终通过实验验证了电池组在不同状态下SOC估计的精度,并且根据所提出的均衡控制策略对电池组进行均衡,实现了较好的均衡效果。     

无人直升机发动机启动电源均衡设计

启动电源系统可在无人直升机发动机启动时提供电源,是无人直升机可靠运行的基础。将六节磷酸铁锂电池串联组成锂电池组,针对锂电池组放电不均衡的缺陷,设计了基于荷电状态(SOC)均值的均衡算法。通过采集电池组参数,计算出SOC,对高于SOC均值的电池单体进行耗散均衡,最终SOC标准差为0.047 8%,95%置信区间为[0.029 8%,0.117 3%]。该算法提高了电池单体在放电过程中的均衡性、均衡效率,而且没有过度均衡,避免了能源浪费,对提高无人直升机运行的可靠性具有重要意义。     

基于UKF-AUKF锂电池在线参数辨识和SOC联合估计

锂电池荷电状态(SOC)的精确估计是电动汽车安全行驶的保障。为了降低实际复杂工况下电池模型不契合实际电池参数时变特性造成的误差,采用无迹卡尔曼滤波算法(UKF)对电池模型进行在线参数辨识,再联合自适应无迹卡尔曼滤波算法(AUKF)估计锂电池SOC,将时变参数反馈到SOC估计的模型中,提高SOC估计精度和对各工况适应性,UDDS工况下通过与离线扩展卡尔曼滤波算法(EKF)、在线双扩展卡尔曼滤波算法(DEKF)进行比较分析,实验结果验证了UKF-AUKF的精确性和鲁棒性。     

电动汽车电池管理系统的建立及SOC准确估计

以TMS320LF2407型数字信号处理器(DSP)为主控芯片,完成了电动汽车电池管理系统(BMS)平台的搭建。实现了参数检测、信息显示、安全报警和电池荷电状态(SOC)估计等主要功能。然后通过Matlab仿真研究了不同算法与不同模型的估计精度。最后通过搭建的试验平台,对磷酸铁锂电池组进行模拟工况试验,得到电池SOC估算值误差在5%以内。验证了试验平台与软件系统的可靠性、电池模型与估计算法的正确性。     

一种全钒液流电池组的SOC均衡控制方案

针对全钒液流电池组因单体电池性能差异导致的在充放电过程中出现的过充过放等不良现象,提出了一种简单高效的全钒液流电池组均衡控制方案。采用卡尔曼滤波法对电池荷电状态(SOC)进行在线估计,以此为依据对钒电池组进行均衡。通过能量转移均衡电路,用超级电容进行四个电池的均衡。能量转移均衡电路通过调节MOS管的开关状态和频率,使得单个电池值与四个电池的PSOC值靠近。仿真实验数据证明该方法改善了钒电池电性能差异问题。     

基于在线LS-SVM的动力电池SOC估算方法研究

荷电状态(SOC)是描述动力电池状态的重要参数之一,提高SOC估计的准确性对电动汽车电池管理系统的研究至关重要。提出一种改进的最小二乘支持向量机(LS-SVM),动态地调整模型参数,对电池的开路电压(OCV)进行在线实时估计;通过SOC与OCV的关系确定初值,采用安时积分法估算SOC;并利用OCV的偏差信息对电池SOC进行修正,有效地补偿拟合误差和安时积分法产生的累计误差。仿真实验结果表明,在线LS-SVM算法能准确地逼近实际SOC值,平均绝对误差为1.279 3%。     

基于改进Sage-Husa的自适应无迹卡尔曼滤波的锂离子电池SOC估计

扩展卡尔曼滤波(EKF)算法估计锂离子动力电池荷电状态(SOC)时,由于系统噪声的不确定,可能导致估计算法不精确,并且算法中的线性化处理受电池模型的影响很大。为了解决上述两个问题,本文采用改进Sage-Husa的自适应无迹卡尔曼滤波法(AUKF)来动态地估计多元复合锂离子电池的SOC。与EKF相比,改进Sage-Husa的自适应卡尔曼滤波法提高了SOC估计的精度,并能够实时修正微小的模型误差带来的SOC估计误差,实时的工况模拟证明了该算法更适用于多元复合锂离子电池的动态SOC估计。     

基于ICDKF的锂电池SOC在线估计

动态的实时估计锂离子电池荷电状态(state of charge,SOC)是锂离子电池管理系统研究的关键技术。针对扩展卡尔曼滤波(EKF)估计SOC误差大的不足,基于二阶RC等效电路模型,提出了一种基于迭代中心差分卡尔曼滤波(ICDKF)算法的磷酸铁锂电池SOC估计方法。利用Matlab进行了仿真,并与扩展卡尔曼滤波和中心差分卡尔曼滤波(CDKF)算法进行了效果对比,从仿真结果可以看出,该SOC算法有效地降低了估计误差,与EKF相比,具有更好的滤波估计精度。     

大功率动力电池组BMS的主动均衡混合策略

由于电池的不一致性,电动汽车、叉车以及其他大功率动力电池组的电池管理系统(battery management system,BMS)至关重要,精确的荷电状态(state of charge,SOC)估计和高效的均衡策略是BMS的技术核心.基于同步双向反激式变压器的均衡电路拓扑,提出一种以电池SOC、电压为均衡变量的分段式主动均衡混合策略.通过搭建BMS电池组实验平台,开展了充放电阶段的均衡实验,结果显示充电阶段均衡后电池组总容量提升了2.3％,单电池电压极差由74 mV减小至9 mV;放电阶段均衡后单体SOC误差不大于0.5％.实验验证了所提主动均衡混合策略的有效性与可行性,能较好地改善电池组的不一致性.     

一种分阶段锂离子电池荷电状态估计算法

为了解决安时积分法无法估计电池荷电状态(SOC)初值以及在电池充放电后期估计误差明显增大的问题,基于纯电动物流车平台提出了分阶段处理思想。根据电池系统的工作状态,将估计过程分为启动初期、充放电中期和充放电后期。在启动初期和充放电中期,结合开路电压法与安时积分法来估计电池组SOC,并对安时积分公式中的相关参数进行修正。在充放电后期,应用充放电曲线修正充放电后期SOC,对安时积分法估计SOC的不足进行补偿。搭建了锂离子电池组充放电测试平台,并进行了电池组放电实验。结果表明,SOC估计误差在4%以内,并能够满足电池管理系统优化控制的应用需求。     

基于联合扩展卡尔曼滤波法的锂电池SOC估算

锂电池荷电状态(SOC)的精确估计一直是电池管理系统的核心任务之一。电流传感器中存在非零均值的电流漂移噪声,这些噪声会造成不可避免的估计误差。为减少电流漂移噪声对估算造成的不利影响,提出了联合扩展卡尔曼滤波法,以Thevenin模型为锂电池等效电路模型,将电流漂移值作为状态变量与电池SOC进行同步预测。实验和仿真结果表明,该方法能有效抑制电流漂移噪声,提高估算精度。     

基于分数阶模型的锂离子电池SOC与SOH协同估计

锂离子电池荷电状态(SOC)和健康状态(SOH)的精确估计对电动汽车稳定运行十分重要.以精确估计电池SOC和SOH为目标,提出了一种基于分数阶模型的协同估计算法.建立基于二阶RC电路模型的分数阶电池模型,采用自适应遗传算法(AGA)辨识模型参数,利用分数阶扩展卡尔曼滤波(FOEKF)算法估计SOC,并结合自适应无迹卡尔曼滤波(AUKF)算法估计SOH,迭代更新内阻与SOC进而实现SOC与SOH精确的协同估计.在城市道路循环工况(UDDS)下使用Matlab工具验证和对比了算法精度,平均误差均控制在2％以内.结果表明,该协同估计算法能够精确估计电池SOC和SOH,为电池状态估计提供了一种方法.     

基于子种群自适应思维进化-BP神经网络的锂离子电池SOC估计

荷电状态SOC(state of charge)是锂离子电池的重要参数之一,SOC的精准估计对电池组安全可靠运行具有重要意义。针对误差反向传播BP(back propagation)神经网络易收敛至局部最优,导致基于BP网络的SOC估计精度不高的问题,提出子种群自适应趋同策略改进思维进化算法,用其优化BP神经网络的初始权值及阈值,优化后的BP网络简称SAMEA-BP神经网络。结合充放电实验数据,将SAMEA-BP神经网络与标准BP神经网络、思维进化算法优化的BP(MEA-BP)神经网络用于锂离子电池的SOC估计,并对3种方法做了对比分析。结果表明：标准BP神经网络的预测误差保持在9%以内,MEA-BP及SAMEA-BP神经网络分别将误差降低至5%及3%以内,在不同工况下和不同温度下,SAMEA-BP有良好适应性,且估计精度高于BP和MEA-BP。