基于模糊卡尔曼滤波算法的动力电池SOC估计

为了改善传统卡尔曼滤波算法估计SOC时量测噪声的影响,提出了将传统卡尔曼滤波算法与模糊控制相结合的动力电池SOC的自适应估计方法。通过实时监控量测噪声实际方差与理论方差之间的差值,实现对量测噪声协方差矩阵的实时在线调整,提高算法在实际应用中的鲁棒性。通过基于联邦城市行驶工况(FUDS)验证混合算法的有效性。结果表明,基于模糊卡尔曼滤波算法的SOC估计最大误差仅为0.21%,高于传统卡尔曼滤波估计精度最大误差0.53%。仿真结果表明,该方法可以有效解决传统卡尔曼滤波算法估计不准和累计误差的问题。     

基于有限差分扩展卡尔曼滤波的锂离子电池SOC估计

锂离子电池荷电状态的快速准确估计是电池管理系统的关键技术。针对锂离子电池这一动态非线性系统,以二阶RC等效电路模型为基础,采用递推最小二乘法估算模型参数,运用有限差分扩展卡尔曼滤波算法对电池荷电状态进行估算。仿真结果表明,该模型能较好地体现电池的动态特性,有限差分扩展卡尔曼滤波算法在估算过程中能保持很好的精度,并可以有效地减小由模型误差引入的荷电状态估计误差。     

基于SOC-OCV曲线的卡尔曼滤波法SOC估计

由于开路电压(OCV)与电池荷电状态(SOC)存在一一对应的关系,OCV在电池SOC估计中被广泛运用。提出了如何通过卡尔曼滤波法(KMF)得到各种工作状态下PNGV电池模型中各状态量的值,从而得到PNGV电池模型的实时OCV,进而通过已经获得的SOC-OCV曲线得到电池SOC的预测值方法。给出了铅碳电池建模及参数辩识的方法及步骤,建立了参数随SOC可变的铅碳电池PNGV模型,并通过模型提出了用于OCV计算的KMF,该算法能快速并准确的收敛到真实的OCV,从而实时指示SOC,仿真和实验结果显示该方法具有较好的SOC估算效果及快速的动态响应。     

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...     

基于采样策略实时切换的SRUKF算法的SOC估计

针对混合动力汽车用氢镍电池SOC估算问题,根据氢镍电池的动态特性,建立了带有滞回特性的二阶RC等效电路模型.根据电池的化学反应特性,利用带遗忘因子的递推最小二乘法和最小二乘法进行参数辨识;采用采样策略实时切换的SRUKF算法进行SOC的估算.该方法可以比现阶段采用的SRUKF方法缩短将近一半的采样时间,在保证精度的前提...     

基于迭代扩展卡尔曼滤波算法的电池SOC估算

采用卡尔曼滤波算法估算动力电池的荷电状态(SOC),其估算精度与SOC初值无关,但与动力电池的等效模型有关。为进一步提高SOC估算精度,充分考虑温度对电池模型参数的影响,改进电池的二阶RC等效电路模型,建立电池的非线性状态空间模型;为保证SOC估算结果的收敛性,将迭代滤波理论引入到扩展卡尔曼滤波(EKF)算法中;采用Levenberg—Marquardt(LM)方法优化迭代过程,并将其应用于动力电池SOC的估计。实验结果表明,与EKF和迭代EKF(IEKF)算法相比,采用改进的电池等效模型和优化算法,具有较好的收敛性,且提高了估算SOC的精度。     

基于双无迹变换的锂离子电池SOC估计研究

电池的荷电状态(SOC)是电池管理系统(BMS)的重要指标,然而锂离子电池是一个具有复杂性噪声特点的非线性动态系统,精准估计SOC十分困难。针对无迹卡尔曼滤波(UKF)估计SOC时受模型精度和系统噪声预定变量影响较大问题,基于改进的PNGV模型提出一种两次非线性变换预测系统闭环端电压方法,采用动态函数提高卡尔曼增益,从而提高SOC估计精度和效果。通过充放电混合动力脉冲能力特性(HPPC)和混合放电比实验验证可得该方法具有良好的估计效果,在电压和电流变化剧烈的条件下,平均绝对误差为0.11%,精度相对提高了58%,均方根误差为0.15%,稳定性相对提高了63%。     

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。     

电动汽车电池管理系统的建立及SOC准确估计

以TMS320LF2407型数字信号处理器(DSP)为主控芯片,完成了电动汽车电池管理系统(BMS)平台的搭建。实现了参数检测、信息显示、安全报警和电池荷电状态(SOC)估计等主要功能。然后通过Matlab仿真研究了不同算法与不同模型的估计精度。最后通过搭建的试验平台,对磷酸铁锂电池组进行模拟工况试验,得到电池SOC估算值误差在5%以内。验证了试验平台与软件系统的可靠性、电池模型与估计算法的正确性。     

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。     

SOC Estimation of HEV/EV Battery Using Series Kalman Filter

This paper proposes a method of accurately estimating the state of charge (SOC) of rechargeable batteries in high fuel efficiency vehicles, such as hybrid electric vehicles (HEVs) and electric vehicles (EVs). Despite the importance of accurately estimating the SOC of batteries to achieve maximum efficiency and safety, no method thus far has been able to do so. This paper focuses on the simplification of a battery model, estimation of time‐varying battery parameters, and estimation of SOC in the presence of measurement noise. To address these three issues, a model‐based approach that uses a cascaded combination of two Kalman filters, “series Kalman filters,” is proposed and implemented. This approach is verified by performing a series of simulations in an HEV operating environment. The ultimate goal is to design a state estimator capable of accurately estimating the state of any kind of batteries under every possible user condition. © 2014 Wiley Periodicals, Inc. Electr Eng Jpn, 187(2): 53–62, 2014; Published online in Wiley Online Library ( wileyonlinelibrary.com ). DOI 10.1002/eej.22511     

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...     

混合动力轿车用MH-Ni蓄电池组的开发

介绍了HEV用动力MH—Ni蓄电池组的结构及单体蓄电池的性能;报导了单体电池模拟工况测试和模拟电池寿命测试;测试结果表明：单体电池的能量密度可以达到55．24Wh／kg,150A连续放电到SOC50％,最低输出功率密度可以达到726W／kg,预计电池组的工作寿命可以满足混合电动轿车运行10万公里以上。     

基于滑动窗自适应滤波的锂电池SOC/SOH联合估计

以锂电池电化学-电路等效组合模型为基础,研究电池荷电状态(SOC)和健康状况(SOH)联合估计算法。电池组合模型包含电化学等效模型和电路等效模型两部分,两个RC并联电路分别表示电池工作过程中的瞬态响应和稳态响应。针对电池模型参数和性能参数的非线性特征,提出基于滑动窗滤波模型的非线性参数估计方法,该方法适用于锂电池的管理系统。同时,在模型参数和性能参数估计值的基础上,提出基于Kalman算法的电池SOC/SOH自适应在线联合估计方法。实验结果显示,新算法较好地解决了锂电池非线性模型引起的计算误差,保证电池SOC/SOH估计结果的实时性和有效性。     

基于自适应卡尔曼滤波的矿用救生舱动力电池SOC估计

磷酸铁锂动力电池是矿用救生舱的重要组成部分,其电荷状态(SOC)估计的准确性直接影响避难人员的安危。针对电池SOC常用估算方法的不足,提出一种基于自适应卡尔曼滤波的矿用救生舱动力电池SOC估算方法。在电池特性分析的基础上,建立了更符合实际的改进二阶RC等效电池模型和电池的状态空间模型。通过脉冲放电实验和改进的带遗忘因子递推最小二乘算法,对模型参数进行在线辨识,并将自适应卡尔曼滤波算法(AKF)用于此模型,在线估计电池的SOC。实验结果表明:AKF可以实时修正模型误差,实时估计SOC的动态变化,估算精度高,能够满足矿用救生舱电池管理系统的要求。     

电动车用MH-Ni电池SOC模型的研究

通过对电动车用MH-Ni电池的开路电压、充放电电流、温度、自放电等因素的研究,建立了一种适用于MH-Ni电池的荷电量状态的数学模型。在初始状态,采用开路电压以及系统存储值,来估算初始电量;在充放电过程中采用电流积分法,并结合各种修正系数来估算过程电量。该方法成功地应用于纯电动车和混合电动车镍氢电池的管理系统中,电量估算误差小于7%。     

铅酸蓄电池充电状态的模糊模型辨识

应用模糊建模方法,基于三角形隶属函数和静态卡尔曼滤波器,辨识出铅酸蓄电池充放电过程的动态模型。并把辨识模型的仿真结果与系统实验测量数据相对比,以检验模糊模型的可靠性。实验结果表明,这种新的蓄电池建模方法具有很高的精度,为高度复杂的非线性电化学过程的模型化提供了一条新途径。     

一种基于指数渐消因子的自适应卡尔曼滤波算法

本文应用自适应估计理论,提出了一种指数渐消因子自适应算法。该算法通过实测残差与理论残差的比值来确定指数方程的系数,调节自适应渐消因子,保证了滤波的稳定性,提高了滤波精度,并且冲破了经验储备系数的限制。最后对比其他三种自适应滤波算法进行了仿真比较,仿真结果表明,指数渐消因子自适应滤波算法是一种实用而有效的算法。