带有色观测噪声AUKF的锂离子电池SOC估计

在实际工况中,电池测量参数易受相关性较强的有色噪声干扰。仅考虑有色观测噪声满足一阶自回归模型,提出一种带有色观测噪声的自适应无迹卡尔曼滤波算法(CM-AUKF)。算法对荷电状态(SOC)估计的平均绝对误差为0.000 4,均方根误差为0.000 3,估计精度和稳定性较高,可克服对系统噪声方差初值敏感的问题,提高SOC估计的自适应能力。     

基于多随机模型的老化锂离子电池SOC估计

老化现象显著影响锂离子电池荷电状态(SOC)的估计精度,提出一种对电池老化具有鲁棒性的SOC估计方法.离线辨识电池的参考模型,在参考模型的基础上生成多个随机模型,利用模型的输出预测电池电压的响应.根据随机模型与实测电压的匹配程度,对各随机模型赋予权重;将每个随机模型的SOC估计值带权累加,得到待估计的SOC.提出的方法...     

基于改进模型的锂离子电池SOC估计

为提升锂离子电池荷电状态(SOC)的估计精度,提出一种易于工程实现的二阶RC滞回等效电路模型.该模型采用差分进化(DE)算法对参数进行优化辨识,在城市道路循环工况(UDDS)、新标欧洲循环测试(NEDC)运行工况条件下对端电压和SOC进行估算.相比于传统二阶RC等效模型,二阶RC滞回等效电路模型估算的端电压误差小于10 mV,SOC误差减小至1％.此改进模型更符合锂离子电池的电化学特征,以此模型进行扩展卡尔曼滤波(EKF)算法的SOC估计具有更高的估计精度,为1％.     

基于自适应CKF的锂离子电池SOC估算

扩展卡尔曼滤波(EKF)和无迹卡尔曼滤波(UKF)算法估算电池荷电状态(SOC)依赖等效模型参数的准确性,估算精度低。容积卡尔曼滤波(CKF)算法的滤波性能良好。利用自适应CKF(ACKF)算法估算电池SOC,自适应调节过程噪声协方差和量测噪声协方差,提高估算SOC的精度。对锂离子电池建立二阶RC等效电路模型,在不同工况下进行充放电,用卡尔曼滤波算法在线辨识等效模型的参数,ACKF算法实时估算SOC。ACKF算法估算SOC的鲁棒性较强,精度在1.5%以内。     

无迹卡尔曼滤波法估计锂离子电池的SOC

通过电池脉冲放电实验,得到脉冲放电曲线,对曲线回弹段进行二阶指数拟合,结合电压零输入响应,离线辨识锂离子电池二阶RC等效电路模型的参数.为避免非线性函数线性化处理出现的误差,提高算法精度,采用无迹卡尔曼滤波(UKF)估计荷电状态(SOC).与扩展卡尔曼滤波(EKF)和安时积分法估计相比,UKF的估计误差在1％以内,精度...     

基于RNN的锂离子电池SOC估算研究进展

深度学习的日益流行和不断的突破,积极地推动了估算锂离子电池荷电状态(SOC)新方法的研发.常用于文本翻译、语音识别等领域的循环神经网络算法已开始应用在电池SOC估算领域.概述了几种常用于电池SOC估算的循环神经网络算法,并根据结构复杂度将其分为简单、深度以及扩展循环神经网络算法.此外,从模型输入变量、数据预处理、循环神...     

基于GA和PSO的电动客车锂离子电池SOC估计

以广州某巴士企业电动公交在实际运行和停车充电状态下的电压、电流和荷电状态(SOC)的数据,分别建立基于支持向量回归机(SVR)的锂离子电池放电和充电的SOC估计模型,并利用网格搜索法(GS)、遗传算法(GA)和粒子群算法(PSO)进行参数优化,对比估计精度和拟合优度.处理放电阶段数据时,基于PSO优化后的SOC估计模型...     

锂离子电池SOC与模型参数联合估算研究

电池荷电状态(SOC)的估算精度是影响新能源汽车性能的重要因素之一。针对电池参数动态变化影响SOC估算精度的问题,在确定二阶RC等效电路模型的基础上,采用渐衰记忆的递推最小二乘算法和扩展卡尔曼滤波算法对模型参数与SOC在线联合估算。经过实验与仿真验证,在模拟城市道路工况的放电条件下,与安时法和卡尔曼法相比,联合估算方法得到的SOC估算值与真实值的误差缩小到1.29%。该方法能够适应电池特性的动态变化,保证较高的SOC估算精度。     

锂离子电池荷电贮存性能的研究

将锂离子电池在不同荷电状态(SOC)下贮存,对贮存前后的电池性能进行了测试;对在不同SOC下贮存对电池性能的影响进行了研究,结果发现:电池进行长期贮存时,电池电压在3.80 V左右,电池的综合性能最好;当电池电压超过3.90 V时,对电池的容量、内阻、平台和循环寿命都会产生不利影响;而电池在完全放电态或过低SOC下贮存,电池的循环性能略有下降,电池不能立即使用,且容易出现过放电.     

基于RFMRA和改进PNGV模型的锂离子电池SOC估算

提出基于渐消记忆的递推算法(RFMRA)和改进的新一代汽车合作伙伴(PNGV)等效电路模型的锂离子电池荷电状态(SOC)在线估算方法.RFMRA在传统递推最小二乘算法的基础上加入遗忘因子,使在线参数辨识能更实时地反映模型参数;在PNGV模型上串联RC回路,可更精确地体现电池特性.与离线SOC估算相比,算法的最大误差降低35.106％,平均绝对误差(MAE)降低7.21％,平均绝对值百分比误差(MAPE)降低22.42％,均方根误差(RMSE)降低25.38％.     

基于ANN的锂离子电池SOC估算方法研究

锂离子电池的荷电状态(SOC)是电池管理系统中的一个重要参数,准确的荷电状态估计对于确保锂离子电池安全可靠的运行十分重要。从估算原理和优缺点等方面出发,综述了国内外各种基于人工神经网络的SOC估算方法的研究进展,并提出了今后的研究展望。     

基于推广卡尔曼滤波算法的SOC估算策略

为了估算锂离子动力电池的荷电状态,以Thevenin模型为基础,建立了数学关系简单,易于工程实现的状态空间模型.在此基础上,对模型进行了线性化处理,采用推广卡尔曼滤波算法实现了对电池荷电状态的估算.仿真结果表明,该模型能较好地体现电池的动静态特性,推广卡尔曼滤波算法在估算过程中能保持很好的精度,并对初始值的误差有很强的修正作用,对噪声有很强的抑制作用.     

LiNixCoyAlzO2锂离子电池SOC估算及衰减特性

以LiNixCoyAlzO2(NCA)体系锂离子电池为研究对象,建立具有多工况下普适性的开路电压(OCV)-荷电状态(SOC)曲线,估算电池在不同工况下的SOC.研究电池在变工况(1.00 C倍率循环、1.50 C转1.00 C倍率循环、2.00 C转1.00 C倍率循环等)下,正极活性材料容量(Qp)、负极活性材料容...     

锂离子电池的长期荷电贮存性能

将锂离子电池在常温下以不同的荷电态(SOC)长期(5-10 a)贮存,对贮存前后的电池性能进行测试.长期贮存后,电池的内阻增加,10 a贮存后的内阻平均增加率高达79.95%,聚合物锂离子电池的内阻增加稍低.锂离子电池长期贮存后,容量恢复性能较好,10 a贮存容量平均恢复率可迭88%.长期贮存对电池的容量、平台和循环寿...     

利用人工神经网络预测电池SOC的研究

能源和环境与人类社会的生存和发展密切相关,能源短缺和环保的要求推动了混合动力车的发展。电池是混合动力车的动力源之一,准确和可靠地获得电池荷电状态(Stateofcharge,SOC)是电池管理系统的主要任务之一。在总结现有SOC预测方法的基础上,尝试使用人工神经网络的方法预测动力电池SOC。结果表明人工神经网络对多变量的非线性系统非常有效。另外,不同的数据样本对训练效果存在影响,试验表明用处理后的数据进行预测的结果明显较好。     

基于Transformer的锂离子电池SOC估计方法

此处提出了基于Transformer的荷电状态(SOC)预测模型以提高对锂离子电池的SOC预测精度及效率。首先将易于测量的电压电流等数据作为编码器的输入,利用编码器端的多头注意力机制来提取深层特征,充分地利用输入数据的特征信息,同时将目标SOC作为解码器端的输入,将编码器的输出输入至解码器端,最后输出时移后的SOC得到预测结果。为了防止标签泄露,在解码器端的输入采用了掩码机制,同时实现了卷积神经网络提取特征和循环神经网络利用数据变化的时序性。利用锂电池的工况放电实验数据进行训练,以均方误差(MSE)作为评价标准。实验结果表明,所提出的基于Transformer模型具有较高的预测精度。     

基于加权多新息H∞滤波的锂离子电池SOC估计

采用具有自适应遗忘因子的递归最小二乘法辨识二阶RC模型,改进的H_∞滤波(HIF)提高锂离子电池荷电状态(SOC)的估计精度。提出具有加权的H_∞滤波(WI-HIF)算法,考虑当前新息及历史信息,通过粒子滤波的权重计算思想,根据重要性对每个新息点加权。相对于HIF,WI-HIF估计SOC的误差在放电测试中降低71%,在动态应力测试中降低19%。