基于双无迹卡尔曼滤波的锂电池SOC估算

锂电池荷电状态(SOC)估算是电池管理系统的重要内容之一.为了提高SOC估算精度,以二阶RC等效电路为模型,采用双无迹卡尔曼滤波(DUKF)算法对电池模型参数和SOC进行在线联合估算.通过恒流放电测试、动态应力测试(DST)和不同初始SOC值的鲁棒性测试,验证了所提方法的准确性和稳定性.     

基于改进无迹卡尔曼滤波锂电池SOC估计*

锂电池的荷电状态(SOC)估计一直是电动汽车技术的重要研究方向。在实际应用中,准确估计电池SOC不仅可延长电池寿命,提高能源利用效率,还可避免过充和过放等安全问题。基于二阶RC等效电路模型,通过遗忘因子递推最小二乘法(FFRLS)对模型进行参数辨识,在UDDS工况下阐述了四种卡尔曼滤波衍生算法,经过实验对比得到最优SOC估计算法。实验结果表明,多新息无迹卡尔曼滤波算法将系统状态单新息转换为历史状态估计矩阵,SOC估计过程中平均误差控制在073%左右,在复杂系统工况下具有较高的估计精度和鲁棒性能。     

基于双卡尔曼滤波的锂电池SOC估算

以锂电池的荷电状态估算为目的,对传统锂电池等效电路模型进行改进,提高了模型的准确性,使之能更好地反应锂电池内部状态。以标称容量为2 000 m Ah,额定电压为3.7 V的18650锂电池作为研究对象,采用最小二乘法分别对该锂电池模型进行充放电方向的参数辨识。运用双卡尔曼滤波算法估算锂电池的SOC,并设计了基于安时计量法的相关测试实验。研究结果表明,双卡尔曼滤波算法估算18650锂电池SOC的绝对误差值小于0.019,具有较高的估算精度,在锂电池SOC估算领域内具有很高的实用价值。     

基于模糊无迹卡尔曼滤波算法的锂电池SOC估计

针对未知噪声条件下在线估计锂电池荷电状态精度低的问题,提出了将无迹卡尔曼滤波算法与模糊推理相结合的模糊无迹卡尔曼滤波算法。为了验证算法的有效性,首先建立了适应于FUKF估计SOC的二阶电池模型,在此基础上,采用离线的参数辨识方法辨识模型中相应的参数并进行模型精确度验证,其次设计实验对比模糊无迹卡尔曼滤波方法与传统EKF、UKF方法的估算精度,实现FUKF方法精确度验证。实验结果表明在未知噪声条件下估算SOC,FUKF方法误差小于0.5%,EKF、UKF方法误差在0.5%～1%之间波动,FUKF方法较UKF方法具有收敛速度快、估算精度高的优点。     

基于锂电池SOC估算方法

电池的荷电状态(State of charge,SOC)是锂电池组电池管理系统的重要参数,而电池的SOC估算受到很多因素的综合影响,难以保证其估算精度。准确的电池模型是精确估算SOC的基础,通过对电池模型的改进、模型参数的实时更新,提高了模型参数的精确度;修正的扩展卡尔曼滤波并结合修正的安时积分法,减小了温度、充放电倍率等因素的影响,从而提高了SOC估算的精度。     

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。     

锂电池SOC估算方法的研究

安时积分法是电池管理系统比较常用的一种方法,但是电池受初始荷电状态(SOC)、使用环境温度、充放电循环次数等影响较大。通过实验方法确定各种因素对电池SOC的影响,建立影响电池SOC的数学模型;经过与实际的充放电数据比较得到实际SOC误差低于5%,满足煤矿井下对大容量锂电池管理系统SOC估算的要求。     

基于修正卡尔曼滤波SOC估算的锂电池变参数模型

现有电网侧储能系统在参与区域互联电网二次调频任务的过程中,由于其响应速率快、运行时间长,故需要建立一种能反映短时储能极化且长时运行下电池电荷状态（SOC）估算准确的电池模型。为此,本文利用自变量SOC与锂电池内部各项应变量参数的关系,提出了一种动态变参数锂电池的建模方法。首先对单体锂电池状态方程进行离散化得到参数可变的动力电池（PNGV）模型;然后采用典型储能单元级联方案对单体电池进行扩容,最后利用修正卡尔曼滤波法对模型中的SOC估算方法进行改进;最后利用MATLAB/ Simulink软件设计电池储能系统间歇性充放电实验,并在二次调频工况下对比了不同储能单元模型的差异。结果表明:本文可变参数模型在拟合实验中误差不超过1.4%,SOC估算在长时间运行工况仿真中精度比传统估算提高9.7%。本文为研究储能参与二次调频相关控制策略提供了更为精确的锂电池模型。     

磷酸铁锂电池SOC估算方法研究

磷酸铁锂电池宽的电压平台和严重的两端极化不利于SOC的估算,但电池的SOC对电池组不一致性和寿命有着重要的影响,因此本文在磷酸铁锂电池的现有SOC估算分析基础上,研究了反应电池电化学特征的伏安特性曲线,提出了不同充电倍率、不同老化程度下可靠和准确的△Q/△V分析方法,利用电池在充电过程中的峰值△Q修正电池SOC值。为电动汽车电池组在线均衡和智能电池系统的管理策略提供依据。     

基于电化学模型估算锂电池SOC的方法研究

针对锂电池SOC估算的精度,采用电化学模型作为电路模型,结合卡尔曼滤波算法估算SOC。利用Matlab最小二乘法对模型参数进行在线辨识,并通过Matlab/Simulink仿真验证模型的可行性与精度。结果表明,该方法能有效估算锂电池的SOC值,并能有效控制在3%的误差精度范围之内。     

基于无迹卡尔曼滤波的超级电容SOC估计

超级电容是电动车辆常用车载电源之一,其荷电状态(state of charge,SOC)估计是车载电源领域的研究重点.以超级电容为研究对象,首先,完成超级电容混合动力脉冲测试,基于遗传算法进行Thevenin等效电路模型参数辨识;其次,依托无迹卡尔曼滤波(unscented Kalman filter,UKF)实现超级电容SOC估算;最后,基于城市道路循环工况下验证UKF算法的效果和准确性.结果表明,基于UKF算法的超级电容单体SOC估计误差仅为0.71％,超级电容组的误差为1.5％.     

基于自适应无迹卡尔曼滤波的动力电池SOC估计

针对传统无迹卡尔曼滤波(unscented Kalman filter,UKF)算法估计电池SOC时,在未知的干扰噪声条件下滤波精度较低和稳定性较差等问题,基于等效的二阶RC电路模型,提出自适应无迹卡尔曼滤波(adaptive unscented Kalman filter,AUKF)算法.在模型参数辨识的基础上,构建...     

电动汽车用锂电池SOC估算方法研究

电动汽车用锂电池具备宽电压以及显著的两极化特点,会对电池荷电状态(SOC)造成一定的干扰,另外在电池组的差异性以及使用时间方面,SOC也存在较大的干扰。所以,SOC是电动汽车运转进程中相当关键的因素,是预防电池过度充放电的关键性参照,只有正确估算电池组SOC才可以更好地提升电动汽车的利用率,延长电池的使用年限,对汽车运转进行进一步的优化。研究了多种SOC估算方法,为电动汽车电池组的优化以及相应的管控提供了基础性的参照信息。     

基于平方根无迹卡尔曼滤波的锂电池状态估计

在充电式混合动力电动汽车(plug-in hybrid electric vehicle,PHEV)和电动汽车(electric vehicle,EV)中,对电池进行精确、可靠的荷电状态估计(state of charge,SOC)非常重要。传统估计方法存在计算量大、估计不精确等缺点,提出一种平方根无迹卡尔曼滤波(square root unscented Kalman filter,SRUKF)算法对SOC进行实时估计及更新。利用无迹变换(unscented transformation,UT)精确估计系统方程的均值和协方差,使估算值达到二阶精度。利用平方根算法保证状态协方差的半正定性,提高数字计算的稳定性。通过实验对比,验证了该算法的有效性。结果表明,该方法可使状态估计值具有较小的误差和快速跟随性,满足了SOC估计的实际需求。     

基于自适应卡尔曼滤波的锂电池SOC估计

考虑到传统的卡尔曼滤波策略在未知干扰噪声环境下不能对锂离子电池的荷电状态(SOC)进行准确的估计,简要论述了锂离子电池的等效电路模型,提出了自适应卡尔曼滤波方法,利用Matlab/Simulink建立了基于自适应和常规的卡尔曼滤波法的锂离子电池SOC估计的仿真模型,分析研究了在未知干扰噪声下两种滤波法的SOC估计值变化曲线以及误差关系。仿真结果表明,采用自适应卡尔曼滤波方法估计的SOC误差较传统的要小,从而有效降低了未知干扰噪声对电池管理系统所受到的影响,且具有较好的鲁棒性,为今后深入研究动力电池SOC估计方法提供了一定的参考。     

基于SVM的锂电池SOC估算

以锂电池SOC作为研究对象,将基于VC维和结构最小化理论为基础的支持向量机(SVM)的方法引入到锂电池SOC的估算中。充分利用支持向量机的对锂电池非线性独特的功能,综合考虑锂电池的电压、温度及电流等因素对SOC的影响,提出了支持向量机估算电池SOC的算法,并将其在锂电池充放电实验中验证。结果表明,支持向量机在估算锂电池SOC时,可以获得更高的估算精度,为电池管理系统提供一种实用的SOC估算方案。     

基于神经网络的老化锂电池SOC估算方法的研究

针对锂离子电池循环次数的增加出现的老化现象以及锂离子电池性能的下降的问题,本文分析了锂离子电池老化相关参数的变化情况,建立了对应的锂离子电池等效模型并根据实际的电池数据拟合了参数的衰减曲线。同时,基于神经网络自学习的方法设计了针对老化后锂离子电池SOC估算方法。最后,通过数据证明了所提方法能够实现对老化锂离子电池的较为准确的预测。     

基于改进Thevenin模型锂电池SOC估算方法

针对纯电动汽车锂离子电池荷电状态(SOC)在环境温度和放电电流变化较大的情况下估算精度较低的问题,采用了一种基于改进Thevenin模型的扩展卡尔曼滤波算法(EKF)。根据电池性能模型,把电池容量作为状态变量,把影响SOC估算精度的环境温度和放电电流作为修正量,采用扩展卡尔曼滤波算法提高SOC估算精度。实验结果表明,该方法提高了SOC估算精度,可用于电动汽车电池管理系统。     

基于卡尔曼滤波的锂离子蓄电池组SOC估算方法研究

针对电动汽车锂离子蓄电池组SOC估算精度问题,采用卡尔曼滤波算法进行估算。建立电池组的状态空间模型,根据实际工况进行模型参数辨识,并实时校正电池组实际容量和库伦效率,通过仿真验证此模型的可行性和精度。仿真结果表明,该方法能够实时估算电池组SOC,最大误差仅为1.8%。卡尔曼滤波算法能够大大提高电池组SOC估算精度,通过改进此算法将能够适应电动汽车复杂行驶工况的安全保障要求。