基于EKF算法的神经网络估算锂电池SOC

荷电状态是电池的一个重要参数,为了精确地估计电池的SOC值,建立了Thevenin等效电路模型,将EKF与神经网络结合,利用EKF算法实时更新神经网络模型的权值和阈值.Matlab仿真结果证明,EKF神经网络比BP神经网络精度高,拟合效果好,可以更精确地估算锂电池SOC.最后通过实验验证,在HPPC工况下,二阶RC锂电池模型仿真结果和实验结果的误差在2％以内,在UDDS工况下仿真结果和实验结果的误差在4％以内,模型在两种工况下的精度均符合要求.     

基于EKF的锂电池状态估算策略

在研究与分析电池极化现象对电池状态(SOC)估算影响的基础上,提出一种扩展Kalman滤波(EKF)的算法对SOC进行估算,在Thevenin改进模型的基础上建立了电池的非线性状态空间方程,通过比较电池实际端电压和估算端电压的差值,修正安时积分法得到的SOC值,使得极化效应对SOC估算精度的影响大大减弱。仿真分析结果表明,此方法提高了电池SOC计算的精度。     

基于改进PNGV模型的动力锂电池SOC精确估计

作为动力锂电池的核心参数,锂电池的荷电状态(SOC)的精度估算决定了储能系统控制的精度和管理的可靠性,目前业内对于SOC估计算法的研究不够深入,导致精度低,计算量大,并且依赖于初始值精度,工程应用难度大,以至于动力锂电池管理系统的精确控制和管理难以实现。对电池等效电路PNGV模型进行改进,提高了模型精度,并结合拓展卡尔曼滤波算法(EKF)实现了高精度的SOC估计,通过电池实测和仿真验证,该算法提高了SOC估算精度,解决了SOC估计依赖初值精度问题,具有较高的工程应用价值。     

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。     

基于EKF的钛酸锂电池SOC估计

精确的荷电状态(SOC)估计可以保障电池系统安全可靠地工作。钛酸锂电池优良的大倍率充放电特性使其近年来在需要大功率充放电的特种车辆上得到应用。针对使用扩展卡尔曼滤波算法估计SOC在不同模型上产生不同误差的问题,以钛酸锂电池为实验对象,针对最常用的一阶RC和二阶RC模型,利用实验数据进行了参数辨识,开展了三种不同工况下的SOC仿真研究,结果表明：两种模型的扩展卡尔曼滤波算法精度都较高,平均相对误差都在2%以内。在恒定工况下,一阶RC模型的扩展卡尔曼滤波算法有更高的精度,而在变工况下,一阶RC模型的扩展卡尔曼滤波算法比二阶RC模型精度略低,表明二阶RC模型具有更好的动态性能。     

一种基于EKF和Thevenin的锂电池SOC估算新方法

估算锂电池的剩余电量一直是当前研究的热点,由于锂电池充放电过程中复杂的电化学反应,电池荷电状态(SOC)与其影响因素呈现非线性动态关系,导致难以实时精确估算SOC。本文提出了一种基于扩展卡尔曼滤波(EKF)算法,并选用戴维南(Thevenin)模型来对锂电池的剩余电量进行估算。本文在戴维南模型的基础上建立了电池的非线性状态空间方程,通过实验和仿真的结果表明,该算法的误差小于3.00%,精度达到了应用的要求。     

基于温度影响的锂电池SOC估算分析

在分析目前常用的锂电池SOC估算方法的基础上,按照不同温度条件下的在线辨识模型,借助改进扩展卡尔曼滤波法,对不同温度下的SOC进行估算分析。将持续变化的方差代入原扩展卡尔曼滤波算法中,完成循环工况下SOC的在线估算工作。     

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。     

基于改进EKF的飞机蓄电池在线SOC估计方法

蓄电池荷电状态(state of charge,SOC)是电池管理系统最为重要的参数之一,由于飞机蓄电池工作环境恶劣复杂,具有较强的非线性,给蓄电池的在线 SOC估计带来较大的困难。以提高复杂应力条件下飞机蓄电池在线 SOC估计精度为目的,采用性能测试实验对蓄电池性能参数的温度、放电率特性进行研究,并提出递推最小二乘法与扩展卡尔曼滤波算法结合的改进 EKF方法,实现蓄电池等效电路模型参数的在线辨识以及蓄电池在线 SOC 的估计。上述方法通过物理实验进行了验证,实验结果表明,改进后 EKF方法的 SOC 估计误差小于0.5%,估计精度获得明显提高。     

基于电动汽车锂电池的SOC动态估算策略

针对实际运行中电池参数的变化,建立了基于Thevenin模型的锂离子动力电池状态空间模型,采用递推最小二乘法进行模型参数在线辨识,对参数做出实时修正,同时克服广义卡尔曼滤波(EKF)估算的不足,提出了基于无色卡尔曼滤波(UKF)估算锂电池SOC估算的新方法。实验结果验证了在同等条件下,UKF比EKF具有更好的滤波估算精度,提高了系统的适应性。     

基于卡尔曼增益动态修正的动力电池SOC估算

扩展卡尔曼滤波法(EKF)被认为是一种精度较高的电动汽车动力电池荷电状态(SOC)估算法,但是观测方程误差会对SOC估算结果带来影响。对EKF滤波过程进行改进,根据观测方程的误差对原EKF滤波过程增设动态卡尔曼增益修正系数,提出基于卡尔曼增益动态修正的动力电池SOC估算法。仿真结果表明EKF法可以有效克服SOC初始值不准确所造成的估算误差,动态卡尔曼增益修正系数可以进一步减小由于观测方程误差造成的SOC估算误差,使估算误差保持在5%之内。     

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。     

基于改进的AEKF铅酸电池SOC在线估计

为了提高铅酸电池在随机工况下荷电状态(SOC)估计精度,减小误差变化对估计精度的影响。针对自适应扩展卡尔曼滤波中误差新息序列长度固定选取的局限性,本文提出一种改进的自适应扩展卡尔曼滤波算法估计SOC。通过似然估计来监测协方差匹配算法中的误差新息序列分布变化时刻,根据误差新息的分布变化来自适应调整新息序列长度,进而降低估计SOC时的误差。首先通过带遗忘因子的递推最小二乘法(FFRLS)辨识获得等效模型参数,其模型平均误差电压为13.63 mV,然后在随机工况实验下发现,改进后的算法在估计SOC时的RMSE和MAE性能上精度分别提高了14.44%和17.26%,结果表明改进后的算法拥有更好的稳定性和精度。     

纯电动汽车电池管理系统及SOC精确估计

基于阀控式密闭铅酸蓄电池,设计了一套纯电动汽车电池管理系统。依据Randles二阶等效电池模型,应用扩展卡尔曼滤波算法,对电池荷电状态(SOC)进行估计,并将估算结果与传统的安时积分和开路电压结合算法进行比较分析,经实验与仿真验证,此法对预测SOC值有较高的精确度和可靠性。     

基于ARWLS-AEKF的锂电池SOC估计

根据SOC在电池管理系统中的应用需求,针对锂离子电池的模型准确度低、SOC估算精度差的问题,提出了一种ARWLS-AEKF联合算法。该方法以二阶R-C网络模型为基础,通过加权自适应算法引入自适应遗传因子,优化参数辨识精度,并搭建MATLAB仿真平台联合自适应扩展卡尔曼滤波算法(AEKF)算法对SOC进行在线估算。将三种测试工况下的算法仿真结果与电池实验平台所得测量数据进行对比,结果表明:ARWLS-AEKF算法相对于离线EKF算法有更高的准确度与适应性,能适应随机变化的噪声环境。在LA_92、UDDS、HWFET工况下,ARWLS-AEKF算法的误差在2%以内,MAE分别为0.45%、0.74%、0.87%,RMSE值分别为0.54%、0.71%、0.42%。     

基于LabVIEW的动力电池SOC实时估算系统研发

在电动汽车能量管理控制策略和电池管理系统研究中,电池荷电状态(State of charge,SOC)的准确估算一直是重点和难点。基于磷酸铁锂动力电池的工作原理和充放电特性试验,利用MATLAB软件拟合获得不同放电电流下的库仑效率和开路电压与SOC的关系。并采用虚拟仪器LabVIEW与相关硬件,实时采集动力电池相关数据,将SOC估算的安时法与开路电压法相结合,实现了对动力电池SOC的实时估算与高精度显示,提高了电池SOC研发系统的实用性与准确性。     

一种简化的锂离子电池SOC估计方法

为了克服安时积分法和开路电压法估计电池SOC的缺点,使用扩展卡尔曼滤波法将安时积分法与开路电压法结合起来。使用Thevenin等效电路电池模型作为扩展卡尔曼滤波法的模型基础,提出简化扩展卡尔曼滤波器过程噪声协方差和测量噪声协方差的方法,使电池SOC估计误差接近开路电压法的水平。最后,通过DST实验验证提出的电池SOC估计方法。