基于UKF-AUKF锂电池在线参数辨识和SOC联合估计

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。     

基于卡尔曼滤波修正算法的电池SOC估算

电池荷电状态(SOC)的估算是电池管理系统的核心内容,SOC估算准确与否,将直接影响到电池管理系统的决策和控制。在结合开路电压法、安时法的基础上,充分利用扩展卡尔曼滤波法的修正功能,综合考虑电池充放电倍率、温度和充放电循环次数等因素对SOC估算的影响,提出了卡尔曼滤波修正算法,并将其应用在插电式混合动力汽车电池管理系统中。研究结果表明,卡尔曼滤波修正算法有效地解决了传统安时法无法估计SOC初值和误差累积,以及开路电压法需要电池静置无法做到在线估算SOC等问题,获得了更高的估算精度,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。     

混合电动汽车锂离子电池状态融合估计策略

锂电池荷电状态及健康状态是电池管理系统的核心参数。以三元锂电池为研究对象，利用二阶RC等效电路实现对电池性能表征，改进扩展卡尔曼滤波算法，提出一种新型双自适应卡尔曼滤波算法，实现三种工况下荷电状态与健康状态联合估算。以安时积分估算结果作为参考，提出的荷电状态估算方法较扩展卡尔曼滤波算法，精度有显著提高。在HPPC工况下，平均误差减少1.529%，最大误差减少2.162%;在BBDST工况下，平均误差减少0.228%，最大误差减少3.580%;在DST工况下，平均误差减少0.436%，最大误差减少5.997%。以遗忘因子最小二乘法估算结果作为参照，健康状态的估算结果有效模拟了实际情况，HPPC工况下偏差在4%以内，BBDST工况下偏差在3%以内，DST工况下偏差在6%以内，能有效追踪电池状态变化。     

基于UKF的动力电池SOC估算算法研究

动力电池荷电状态(SOC)在线估算对于混合电动汽车蓄电池管理系统有着举足轻重的意义。针对动力电池SOC估算算法中应用广泛的扩展卡尔曼滤波法(EKF)在非线性系统应用时存在的精度损失问题,采用无迹卡尔曼滤波法(UKF)以提高估算精度。研究了一种改进的电动势(EMF)电池等效模型,讨论了该模型的参数和空间状态方程,并将UKF应用于该模型估算SOC。由实验分析可知,对比采用开路电压法得出的SOC真实值,UKF结合EMF电池等效模型在估算算法中有较高的精度,其估算误差小于5%,且SOC估计结果明显优于EKF,具有较高的实用价值。     

基于无迹卡尔曼滤波的动力电池健康状态估计

准确估计动力电池的荷电状态(SOC)及健康状态(SOH)是电池领域的关键性技术,对正在服役的动力电池进行全面安全精确的管理是保障电动汽车安全高效运行的前提。以二阶RC等效电路模型为基础,运用无迹卡尔曼滤波算法(UKF)对电池SOC和欧姆内阻进行实时估计,再利用电池欧姆内阻与SOH的关系,实现了对SOH的实时估计。与传统的扩展卡尔曼滤波算法相比,无迹卡尔曼滤波算法无需对状态方程进行线性化处理,不存在截断误差,具有更高的估算精度与稳定性。     

基于自适应CKF的锂离子电池SOC估算

扩展卡尔曼滤波(EKF)和无迹卡尔曼滤波(UKF)算法估算电池荷电状态(SOC)依赖等效模型参数的准确性,估算精度低。容积卡尔曼滤波(CKF)算法的滤波性能良好。利用自适应CKF(ACKF)算法估算电池SOC,自适应调节过程噪声协方差和量测噪声协方差,提高估算SOC的精度。对锂离子电池建立二阶RC等效电路模型,在不同工况下进行充放电,用卡尔曼滤波算法在线辨识等效模型的参数,ACKF算法实时估算SOC。ACKF算法估算SOC的鲁棒性较强,精度在1. 5%以内。     

锂离子电池模型参数辨识与荷电状态估算

锂离子动力电池是巡检机器人常用动力源,机器人控制系统需根据电池的荷电状态(SOC)决策工作状态.建立了锂离子电池的二阶Thevenin等效电路模型,用遗忘因子递推最小二乘算法(FFRLS)完成模型在线参数辨识,并用扩展卡尔曼滤波算法(EKF)实现SOC值的估算仿真.在此基础上,设计开发了一套基于STM32微控制器的SOC估算系统,实现了机器人应用中的电池参数采集及SOC估算.     

基于推广卡尔曼滤波算法的SOC估算策略

为了估算锂离子动力电池的荷电状态,以Thevenin模型为基础,建立了数学关系简单,易于工程实现的状态空间模型.在此基础上,对模型进行了线性化处理,采用推广卡尔曼滤波算法实现了对电池荷电状态的估算.仿真结果表明,该模型能较好地体现电池的动静态特性,推广卡尔曼滤波算法在估算过程中能保持很好的精度,并对初始值的误差有很强的修正作用,对噪声有很强的抑制作用.     

基于灰色扩展卡尔曼滤波的锂离子电池荷电状态估算

准确估算电池荷电状态(SOC)是电池管理系统的核心技术之一。为提高扩展卡尔曼滤波(EKF)估算电池SOC精度,将灰色预测模型(GM)和EKF融合,构建灰色扩展卡尔曼滤波(GM-EKF)算法用于电池SOC估算。该算法首先用GM(1,1)替代EKF算法中Jacobian矩阵,对当前时刻电池系统状态预测,即实现系统状态先验估算;再通过观测值对系统状态进行更新和修正,获得后验估算值,实现对电池SOC的估算;最后在自主搭建的电池实验平台上对电池进行模拟工况放电实验。实验结果表明,GM-EKF算法相比EKF算法,估算电池SOC具有更高的精度,估算误差不超过±0.005。研究结果对电池管理系统估算电池SOC具有现实指导意义。     

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.     

基于等效建模和参数辩识的锂电池荷电状态估算研究

锂电池是近年来大量用于新能源汽车、智能电网等的储能元件,其荷电状态的准确估算是锂电池研究的关键技术之一。通过对锂电池进行脉冲电流实验,建立Thevenin等效电路模型并进行参数辨识。基于所建立的模型运用扩展卡尔曼滤波算法进行荷电状态估算,其结果表明在复杂工况下扩展卡尔曼滤波算法能修正荷电状态初始误差,且估算过程中最大误差低1.5%,全过程平均误差为0.36%,该方法能够准确估算荷电状态。     

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2.1％,明显优于UKF和PF算法.     

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。     

集中式电动汽车电池管理系统设计

电动汽车作为新能源汽车的一种,其动力电池的性能是关系到电动汽车推广应用的重要因素。在电动汽车的实际运行中,需要对电池电压、电流、温度等信号实时采集以及对电池内部参数在线估算。为了实现电池组的在线监测和管理,设计了一种采用微处理器做主控制模块的电池管理系统。该系统采用集中式的管理模式对汽车电池组进行测试和分析,设计完成系统控制、信息采集和数据通讯,工作环境抗干扰措施等功能,实现了一种基于双卡尔曼滤波算法的电池荷电状态(SOC)的估算,并利用Lab VIEW实现上位机系统的界面设计。在实际测试中,采用该系统同时对192节锂电池进行监控,实现了电压、环境温度等信息的在线测量,电池荷电状态(SOC)的估算误差不超过1%。     

机场摆渡车动力电池荷电状态估算算法研究

车载动力电池的荷电状态(state of charge,SOC)不仅影响电池的循环寿命,而且影响整车的安全性。快速而准确的荷电状态估算是电源管理系统的重要组成部分。通过对实验数据进行曲线拟合,分析了荷电状态的影响因素。将扩展卡尔曼滤波算法(extended kalman filter,EKF)和无迹卡尔曼滤波算法((unscented kalman filter,UKF)应用到动力电池SOC估算中,针对机场电动摆渡车特殊的运行特点,设计合理的SOC估算算法,用MATLAB进行仿真并分析算法的快速性和准确性。     

提升低温下电池SOC估算精度的算法

针对低温环境下电池荷电状态(SOC)估算精度不高的问题,提出一种相应的电池SOC估算方法.在充分考虑模型适配与算法融合的前提下,在低温下对锂离子电池进行充放电测试,采用三阶RC等效电路模型进行参数辨识.利用自适应扩展卡尔曼滤波(AEKF)估算模型进行仿真分析,提升SOC估算精度,并与扩展卡尔曼滤波(EKF)算法进行对比...     

储能电池实时荷电状态联合估计方法

准确估计储能电池的SOC（荷电状态）,对于实现电池的均衡充放电,减少因电池过充过放引起的容量下降具有重要意义。针对储能电池的复杂化学状态和SOC非线性时变特性,提出一种基于VFFRLS（变遗忘因子递归最小二乘）和UKF（无迹卡尔曼滤波）算法的锂离子电池SOC联合估计方法。采用VFFRLS在线辨识电池模型的电阻、电容参数,根据辨识结果,利用UKF算法实时估计电池SOC。实验结果表明,该联合算法具有较高的准确性和稳定性。     

城轨车用超级电容器SOC的估算方法

针对城轨车辆储能用超级电容器的特点,建立等效电路模型。通过遗忘因子最小二乘算法识别模型参数,采用自适应无迹卡尔曼滤波(AUKF)算法估计超级电容器的荷电状态(SOC)。相比传统的卡尔曼滤波(KF)算法,AUKF算法循环迭代运算超级电容器的参数和SOC,可提高估算的准确度。利用混合脉冲功率特性(HPPC)实验,验证算法的可行性与准确性。KF算法的误差较大,最大误差为6%,平均误差为3%;AUKF算法的结果精度较高,平均误差约为1.5%。     

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...