共查询到20条相似文献,搜索用时 15 毫秒
1.
为了更好地优化电池的能量管理,提高电池的利用效率,加强电池的安全性能,有必要对锂离子电池的荷电状态(SOC)和健康状态(SOH)进行精确估计。为解决噪声协方差取值和粒子采样分布问题,该文首先提出自适应扩展粒子滤波(AEPF)算法,根据状态向量预测的准确度自适应调整噪声协方差,并利用扩展卡尔曼滤波实现粒子分布函数的局部线性化。随后利用双自适应扩展粒子滤波(DAEPF)算法进一步实现电池SOC和SOH的联合估计,避免电池使用过程中模型参数变化对SOC估计的影响,并结合多时间尺度的方法节约所需的计算资源。最后在动态工况条件下对不同电池模型与算法进行对照实验,结果表明,改进后的算法收敛速度明显提升,且能够显著地提高电池的SOC与SOH的估计精度。 相似文献
2.
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. 相似文献
3.
基于多模型自适应卡尔曼滤波器的电动汽车电池荷电状态估计 总被引:2,自引:0,他引:2
基于电池的戴维宁(Thevenin)模型,设计了多模型自适应卡尔曼滤波器,并将多模型自适应卡尔曼滤波器应用于电动汽车电池荷电状态(state-of-charge,SOC)估计。由于老化电池是未知系统,利用传统的单一模型卡尔曼滤波器估计老化电池SOC时,因模型不准确而使估计误差增大。与单一模型滤波估计相比,多模型滤波估计融合了电池的各种老化信息,适合于未知系统的状态估计,从而提高了SOC的估计精度,并通过实验证明了上述结论的正确性。利用多模型自适应卡尔曼滤波器估计电池SOC,老化电池的模型与权值最大的单一模型较接近,根据单一模型权值可以近似估计出老化电池的健康状态(state of health,SOH),并通过电池容量测量,证明了SOH估计的正确性。 相似文献
4.
针对单一滤波算法对动力电池荷电状态(SOC)预测估计精度有限的问题,分析并建立了二阶RC网络等效电路模型,进行了离线参数辨识,并验证了辨识结果的准确性。以该模型为基础,运用无迹卡尔曼粒子滤波(UKPF)算法对动力电池SOC的动态模型状态进行预测估计,以带可变遗忘因子的递推最小二乘法(VFFRLS)对动态模型参数进行辨识,两者互为输入输出,实现UKPF-VFFRLS算法的联合估计。仿真实验结果表明:相比原有单一滤波算法,UKPF-VFFRLS联合估计算法使得SOC平均误差降低至0.74%,均方根误差(RMSE)低至0.009 9,提高了SOC的预测估计结果精度,从而提升了能源消耗预判能力和电池使用效率。 相似文献
5.
电池极化效应、随机干扰以及电池在整个寿命周期内高度非线性和动态特性,给电池荷电状态(SOC)在线精确估计带来了许多挑战。等效模型的精确表达与估计算法的优化设计是提高SOC估计精度的两大重要技术路线。对此,提出了基于分数阶模型自适应扩展卡尔曼粒子滤波(FOAEPF)的SOC估计方法。对分数阶模型(FOM)的二项式系数的求和项进行了适当的截断,从而得到了能够有效降低计算量的简化分数阶模型。然后运用AEPF算法估计电池的SOC。自适应扩展卡尔曼滤波被用作粒子滤波算法的建议分布函数,不但解决了粒子滤波算法的粒子退化问题,而且能够充分结合两类算法的优势实现二次滤波。多组实验的测试结果表明所提出的方法在削减计算负担的基础上,能够进一步提高电池SOC估计精度与鲁棒性。 相似文献
6.
传统的无迹卡尔曼滤波(UKF)和粒子滤波(PF)算法估计动力锂离子电池的荷电状态(SOC)时,常会出现电池模型参数不准确或粒子退化等问题导致估计精度差甚至系统发散等现象。为解决粒子匮乏和噪声干扰等问题,提出一种改进的估计算法——无迹粒子滤波算法(UPF)以实现SOC的精确估计。运用无迹卡尔曼算法为每个粒子计算均值和协方差,解决粒子滤波技术中粒子退化的问题。通过锂离子电池充放电实验,对等效模型进行辨识,最后在脉冲充放电和UDDS动态工况下对该算法进行测试验证。实验结果证明,基于二阶RC等效电路模型的UPF算法能显著提高SOC估计的实时性和精确性,其SOC估计精度在2%以内,收敛速度在250 s内。 相似文献
7.
针对锂离子电池的荷电状态(SOC)估算问题,给出一种综合型卡尔曼滤波算法。该算法采用递推最小二乘算法(RLS)对锂离子电池模型参数进行实时在线辨识和参数更改;采用综合型卡尔曼滤波器估计电池SOC,即针对模型状态空间方程中的线性部分和非线性部分,分别使用线性卡尔曼滤波器(KF)和平方根高阶容积卡尔曼滤波器(SHCKF)计算。两种卡尔曼滤波器结合的综合型策略能够有效减小计算复杂度。其中,SHCKF结合了五阶球面-径向容积法则和平方根滤波技术,比扩展卡尔曼滤波器(EKF)、无迹卡尔曼滤波器(UKF)和容积卡尔曼滤波器(CKF)等传统非线性滤波器的估计精度更高,数值稳定性更强。实验结果证明了该综合型算法的可行性和有效性。 相似文献
8.
9.
储能系统运行工况及电池性能是储能技术研究的重点。基于风电场跟踪计划出力模式下储能电池的实际运行曲线,提出一种基于因子分析法和聚类分析法的储能电池工况重构方法。深入研究储能电池的荷电状态(state of charge,SOC),提出将扩展卡尔曼粒子滤波(extended kalman particle filter,EKPF)算法用于电池性能检测。实验结果表明:采用因子分析法和聚类分析法可有效辨识出特征参数向量并构建储能电池工况,提出的EKPF算法能正确估算储能电池SOC,为储能电池运行工况的构建和储能电池的性能测试提供参考依据。 相似文献
10.
11.
电池荷电状态(SOC)的估算精度是电动汽车电池组的重要指标。为提升SOC估算精度,在融合Sage-Husa扩展卡尔曼滤波(SHEKF)算法与自适应扩展卡尔曼滤波(AEKF)算法的基础上,增加比例积分微分(PID)反馈环节,形成改进算法。采用粒子群优化(PSO)算法对二阶RC等效电路模型进行参数辨识;用开源电池数据集对模型和算法进行实验和分析。改进的SHAEKF算法在电池动态应力测试(DST)、北京动态应力测试(BJDST)和美国联邦城市驾驶(FUDS)等工况下的平均估计误差都在1%以内,与单纯的融合算法SHAEKF算法相比,最大误差可减小5%。 相似文献
12.
13.
选用戴维南等效电路模型作为基础电池模型,标定荷电状态(SOC)-开路电压(OCV)曲线,利用指数拟合法拟合等效电路模型中的电阻-电容电路(RC)参数,提出基于安时积分法使用拓展卡尔曼滤波法估计SOC,以及基于容量法使用卡尔曼滤波估计电池健康状态(SOH),建立双卡尔曼滤波SOH估算方法。随机电流激励仿真结果表明:该方法的估计值与真实值变化趋势一致,且估计误差控制在1%以内。SOH估算实验结果表明:在开始阶段,SOH估计值与真实值有一定的偏差,之后变化趋势一致,误差可控制在1%以内。 相似文献
14.
基于锂电池荷电状态(SOC)和健康状态(SOH)的耦合关系,设计了SOC-SOH联合估计系统。首先,构建锂电池等效电路模型和自适应扩展卡尔曼滤波(AEKF)算法,进行锂电池SOC估计;其次,建立锂电池分数阶模型,设计模糊控制器辨识分数阶模型参数,基于分数阶模型参数和电池充电工况确立健康因子,引入麻雀搜索算法(SSA)改进反向传播神经网络(BPNN),进行锂电池SOH估计;然后,集成SOC与SOH估计方法,设计联合估计系统;最后,设计锂电池老化实验、动态应力测试(DST)和US06动态实验方案,对比分析不同工况下不同算法的SOC-SOH联合估计效果。结果表明,基于提出的SOC-SOH联合估计方法,估计误差小于1%,具有良好的估计特性。 相似文献
15.
提高参数辨识的精度和SOC算法的精度是提高SOC估计的关键,该文提出了基于联合参数辨识的粒子群优化扩展粒子滤波的荷电状态(SOC)估计方法。在参数辨识阶段,结合遗忘因子递推最小二乘法在线辨识的优势,弥补粒子群辨识精度高但前期缺乏数据无法实时辨识的劣势,联合进行参数辨识;在SOC估计阶段,利用扩展卡尔曼滤波生成重要性密度函数,去克服粒子退化,同时采用粒子群优化算法优化重采样策略改进采样过程缓解粒子贫化。最后在联邦城市运行(FUDS)和US06高速公路运行(US06)工况下将所提算法与F-PF、F-PSO-PF、FPSO-PSO-PF进行了对比,结果表明,在FUDS工况下,方均根误差分别提高了65.4%、56.3%和43.5%;在US06工况下,方均根误差分别提高了45.8%、35.9%和35.1%,验证了所提算法具有较好的适应性和鲁棒性。 相似文献
16.
17.
18.
文中提出一种联合扩展卡尔曼滤波的滑模观测器算法用于电动汽车电池的荷电状态(state of charge,SOC)估计。电池模型采用二阶Thevenin等效电路模型,辨识不同温度下的模型参数,分析温度对电池模型参数及精度的影响。针对扩展卡尔曼滤波对模型精度依赖性高及滑模观测器对噪声敏感导致估计结果存在较严重抖振现象的缺陷,提出在扩展卡尔曼滤波算法的状态修正方程中加入防抖函数,依据滑模观测器稳定性约束条件获取函数相关参数,得到一种新的联合扩展卡尔曼滤波的滑模观测器算法。所提算法能够同时综合扩展卡尔曼滤波器和滑模观测器优点,在滤除噪声的同时对建模误差也具有较强的鲁棒性。最后,设计相应的模拟工况进行实验,实验结果证明,所提算法在复杂的车载环境下拥有比扩展卡尔曼滤波和滑模观测器更高的电池SOC估计精度。 相似文献
19.
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。 相似文献