基于UKPF算法的锂离子电池SOC估算

电池在工作时电流变化剧烈,使用传统无迹卡尔曼算法(UKF)估算电池荷电状态(SOC)时有较大误差.为了提高SOC估算精度,基于锂离子电池混合噪声模型,利用粒子滤波算法对无迹卡尔曼的滤波进行修正,得到无迹卡尔曼粒子滤波算法(UKPF),并用该方法来估算锂离子电池的SOC.实验结果表明,UKPF算法SOC的估算误差小于2....     

基于ASSA-RBF联合算法的三元锂离子电池SOC估计

准确估计三元锂电池的荷电状态(SOC)是保障电动汽车安全稳定运行的基础。针对传统BP神经网络估计精度不高,而RBF神经网络也容易陷入局部最优的问题,提出一种基于自适应麻雀搜索算法与RBF神经网络联合的三元锂电池SOC估计方法。首先,对标准麻雀搜索算法进行改进,采用精英混沌反向机制初始化麻雀种群,采用柯西-高斯变异策略优化麻雀种群中跟随者位置更新公式;然后,使用改进后的麻雀搜索算法对RBF神经网络的初始权值和宽度参数进行寻优,以提升算法对SOC的估计精度;最后,基于三元锂电池的充放电实验数据进行模型验证。结果表明,动态应力测试工况下,所提联合算法模型SOC估计均方根误差为0.694%,平均百分比误差为3.15%,能很好的应用于三元锂电池SOC估计。     

纯电动汽车用锂离子电池SOC估算方案的研究

为了估算锂离子动力电池的荷电状态（SOC）。基于锂电池外特性的实验数据,建立电池等效电路模型,用分段线性回归的方法来辨识模型参数。在Matlab中搭建电池模型,并研究了扩展卡尔曼滤波（EKF）算法在估算SOC中的应用。结果表明,所选择的Thevinin模型能真实地模拟电池特性,该算法能有效地解决SOC初值估算不准和累积误差的问题。     

基于扩展卡尔曼滤波算法的锂离子电池的SOC估算

为了精确估算锂离子动力电池的电池荷电状态(State Of Charge,SOC),在分析影响SOC估算精度的主要因素以及传统SOC估算方法的优缺点的基础上,提出一种改进的安时积分法,对影响SOC估算的主要因素进行参数修正.该算法采用基于简单电化学模型的组合电池模型,结合扩展的卡尔曼滤波(Extended Karlman Filter,EKF)算法对SOC进行估算.对比结果表明,在SOC的估算过程中能够保持很好的精度.     

基于PSO-RBF混合算法锂离子电池SOC估算

为提高锂离子电池荷电状态的预测精度,将粒子群算法引入到径向基神经网络中,建立锂离子电池荷电状态混合估算算法。采用粒子群算法对径向基神经网络隐层节点中心和宽度及连接权值进行优化,降低径向基神经网络参数取值的繁杂度,提高荷电状态预测精度。利用Arbin BT2000多功能蓄电池测试平台,获取到锂离子电池放电数据,进行模拟训练和预测。实验表明:混合算法相对RBF网络具有更好的预测能力,满足荷电状态估算精度误差小于5%的要求,验证了该模型是有效、可行的。     

一种锂离子电池低温SOC估计算法

电动汽车在低温地区工作运行,电池组的性能会下降,低温对电池组充放电容量的影响比较大。为了使电动汽车在低温地区能够正常工作,低温下准确的SOC估计是必不可少的条件。本文提出了一种改进安时计量法适用于不同温度条件的电池SOC估计算法,该算法主要考虑了不同温度下电池实际可用容量的变化对SOC估计的影响,并且可以对不同温度下估算的SOC进行换算。通过平台实验验证,该算法在不同的温度环境下具有较高的精度。     

改进安时法结合神经网络估算锂离子电池SOC

采用BP神经网络对库仑效率进行训练并预测,将预测得到的库仑效率代入改进安时(AH)算法,再基于Moto Hawk进行设计,应用于地铁应急牵引电池组管理系统。以952国产A车为试验对象,结合实际运行情况对荷电状态(SOC)进行估算和分析。试验结果表明,所采用的方法比传统AH法估算精度误差提高4.9%。     

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。     

基于AIUKF的锂离子电池SOC估算

锂离子电池作为电动汽车的动力源,其荷电状态(SOC)的准确估算可以有效提高系统的工作效率,防止过充过放带来的安全隐患。首先建立了电池的二阶RC等效电路模型,采用递推最小二乘法对其进行参数辨识,然后在UKF的基础上引入自适应迭代,对SOC估计值重新进行UT变换,并再次利用观测值来改善状态估计,最后采用改进的Sage-Husa估计器对过程和量测噪声进行自适应修正。仿真结果表明,所提方法具有良好的估算精度及适用性。     

基于改进PNGV模型的电池SOC估计算法研究

针对储能磷酸铁锂电池并根据磷酸铁锂电池电化学阻抗谱研究,提出一种双RC并联环节的改进PNGV模型,在HPPC实验下辨识模型参数。针对扩展卡尔曼滤波(EKF)算法在估计电池荷电状态(SOC)时不能实时估测噪声的缺点,将Sage-Husa自适应算法引入EKF算法得到自适应扩展卡尔曼滤波算法,并通过对噪声实时预测和修正来提高电池SOC估计精度。在Matlab/Simulink中搭建电池及SOC估计仿真模型并在模拟动态工况下进行仿真。仿真结果表明改进PNGV模型精度优于PNGV模型;自适应扩展卡尔曼滤波算法估计电池SOC时较EKF算法收敛速度更快,估计精度更高。模型及算法的改进取得较好的效果。     

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TargetLink的电池SOC估算软件开发方法

以电池管理系统中的电池荷电状态估算策略为研究对象,采用扩展卡尔曼滤波算法,在Matlab SimuLink/Stateflow中搭建了仿真模型,并验证了模型的正确性;使用dSPACE公司的TargetLink自动代码生成工具,完成了模型转换、在环仿真、代码生成。生成的代码下载到CPU为Freescale的EVB9S12XEP100系列芯片的电路板调试。测试结果与理论结果的误差在可接受范围内,生成的代码尺寸和堆栈使用情况满足芯片的处理能力要求,软件能够稳定运行。     

基于改进麻雀搜索算法优化RBF神经网络的光伏阵列故障诊断

针对传统BP神经网络在光伏阵列故障诊断时受初始权值阈值的影响,易导致全局搜索过程陷入局部最优这一问题,提出了一种基于改进麻雀搜索算法优化RBF神经网络（ISSA-RBF）的光伏故障诊断方法。首先,利用Matlab建立光伏阵列故障仿真模型,提取出故障诊断模型的特征参数;其次,融入Levy飞行和自适应权重φ对麻雀搜索算法进行改进,用优化后的算法建立ISSA-RBF故障诊断模型;最后,与传统BP和SSA-RBF模型进行对比验证,实验结果表明,ISSA-RBF模型在故障诊断精度上达到94.8%,可以有效诊断光伏阵列的故障类型。     

基于AdaBoost-Elman算法的锂离子电池荷电状态估计方法

工作状态下的电池是一个动态的非线性系统,基于数据驱动的机器学习是锂离子电池SOC估计建模的一类重要方法,其中基于神经网络的学习方法是典型代表.针对单一前馈型神经网络(如BP神经网络)预测过程中存在泛化能力低、局部极小化、预测精度低及动态性不足等问题,提出基于AdaBoost-Elman算法的锂离子电池SOC估计方法.该...     

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。     

Lithium-ion Battery Modeling and State of Charge Estimation

Abstract

State of charge (SOC) is an important indicator for guiding the charging-discharging operation of lithium-ion batteries. In this article, the equivalent circuit model of lithium-ion battery and the variable forgetting factor (VFF) least squares model identification method are proposed. This parameter identification method can improve the accuracy of the lithium-ion battery model, thereby ensuring the accuracy of the SOC estimation. Furthermore, based on the lithium-ion battery model, the adaptive unscented Kalman filter (AUKF) algorithm is proposed to estimate SOC of lithium-ion batteries. Experimental results show that the AUKF algorithm is good robustness, fast convergence, practicality and small error in SOC estimation of lithium-ion batteries. In conclusion, the VFF least squares model identification method and the AUKF algorithm are promising engineering application method.     

改进的WNN在蓄电池SOC估算中的应用

蓄电池的荷电状态SOC是影响电动汽车行驶安全的一项重要指标,针对此,提出一种改进的小波神经网络模型对SOC进行估算,根据历史实验数据,对影响电池荷电状态的相关参数采用主成分分析处理,再用遗传算法优化小波神经网络模型的权值、阈值,进而对蓄电池进行SOC估算。结果表明,基于主成分分析与遗传算法优化后的小波神经网络可更加精确的对电动汽车蓄电池进行SOC估算,且收敛性好。     

融合算法在蓄电池SOC估算中的研究综述

蓄电池的荷电状态(SOC)是电池管理系统中的重要参数之一,准确估算电池SOC对生产运行具有重要意义。首先,阐释了SOC的定义;其次,分析了传统单一SOC估算法的不足;然后,论述了近几年蓄电池SOC融合估算方法如神经网络、卡尔曼滤波法和综合法的研究进展,并分析了各种方法存在的优缺点;最后,给出总结与展望。提出充分利用数据挖掘和深度学习技术,将BMS记录的历史数据用于蓄电池SOC的估算,有助于提高计算精度和应用范围。     

基于相似搜索和RBF神经网络的短期电价预测

为了提高电价预测的准确性,提出一种基于相似搜索和RBF神经网络的短期电价预测的方法。采用相似搜索原理来生成神经网络的训练集和输入矩阵,并运用MATLAB7.0中的神经网络工具来实现该模型。采用澳大利亚维多利亚电力市场2002年1月1日至3月17日共75天数据进行了实验分析,对3月11日～17日的各时段电价进行了预测,通过比较验证了本文方法的有效性。