提高串联锂电池SOC在线估计快速性的简化二阶模型

锂离子电池最常用的等效电路模型为二阶RC等效电路模型。基于该模型的参数辨识存在所需辨识参数多、运算量大的缺点,同时荷电状态(state of charge, SOC)估计中状态方程存在复杂的指数运算等问题,这些都使得难以对多个串联电池进行SOC的在线估计。因此,提出了一种简化二阶电池模型。该模型忽略电池内部极化反应,只关注其外特性,使得参数辨识个数减少。该简化模型也使得状态空间方程中需要估计的状态变量个数减少,避免了复杂的指数运算,降低了计算复杂度和整体的运算量,有利于多个串联锂电池SOC的实时在线估计。通过对单体锂电池和串联锂电池进行参数辨识和SOC估计测试,验证了所提的简化模型在保证参数辨识及SOC估计精度的同时,大大提升了系统运算速度,进而提高了SOC估计的快速性。     

基于ABC-RFEKF算法的锂电池SOC估计

准确、可靠的荷电状态(SOC)估计可以为电池管理系统的安全高效使用提供保障.针对锂电池SOC估计精度不足的问题,提出人工蜂群算法(ABC)和随机森林优化EKF算法(RFEKF)分别实现电池模型的参数辨识和SOC估计.在建立双极化模型的基础上,为解决在线辨识初始误差累积的问题,采用ABC算法搜索最小模型电压误差下的全局最...     

基于FFRLS-AEKF的动力锂电池SOC在线估计

针对锂电池等效电路模型参数不准确以及复杂工况噪声不确定导致荷电状态（SOC）估计精确度较低的问题,提出一种自适应扩展卡尔曼滤波（AEKF）融合带遗忘因子最小二乘法（FFRLS）的算法来解决此问题。在每一步SOC估计过程中,首先使用FFRLS算法跟随试验工况环境变化,实时辨识出一阶RC等效电路模型参数,增加模型精确度,准确描述锂电池工作时的动态特性;再使用AEKF算法实时更新与修正系统噪声并在线估计SOC。设计搭建动力锂电池试验平台,在动力动态测试（DST）和北京公交动力动态测试（BBDST）工况下,该方法估计值最大绝对误差均低于0.15%,平均绝对误差在0.077以下,均方根误差在0.007以下,相较于扩展卡尔曼滤波(EKF)算法,所提算法的估计效果有较大提升。     

基于改进多种群遗传算法的锂电池参数辨识∗

使用一种改进多种群遗传算法对锂电池的等效电路模型参数进行辨识,该算法的特点是将DNA 编码方法与 粒子群遗传算法融入多种群遗传算法中,有效提高了算法的精度和局部搜索能力.结果表明,通过使用该算法得到的 锂电池参数,对锂电池电压进行预测,得到的预测电压和实测电压的平均绝对误差为４．３５×１０－４ V,精度比传统多种 群遗传算法有明显提高.该算法对准确辨识锂电池参数以及精确估计锂电池SOC等有重要意义.     

基于联合集合卡尔曼滤波的锂电池SOC估计

锂电池的SOC(荷电状态)准确估计是电池管理系统及其控制的基础。现有扩展卡尔曼滤波、无迹卡尔曼滤波等方法需计算高维雅克比矩阵或协方差矩阵,对计算能力要求较高。结合数据同化和集合预报的思想,提出基于联合EnKF(集合卡尔曼滤波)的锂电池SOC估计方法。该方法利用集合的统计特征来表征状态变量,避免了高维矩阵的运算,对SOC和模型参数进行联合估计,可提高算法速度和精度。建立了锂电池等效电路模型并辨识了模型初始参数,得到了开路电压曲线。在EnKF的基础上,针对充放电过程中模型参数的变化,提出了基于联合EnKF的SOC估计方法,可在计算过程中联合估计SOC和模型参数。实验结果表明,所提方法可准确高效地估计锂电池的SOC。     

基于EKF的船舶动力锂电池剩余容量估算

在船舶锂电池储能系统(RESS)应用中,准确估计剩余容量(SOC)是储能系统安全充放电的基础,SOC无法直接测量,只能通过测量电池外电压电流,根据电池特性进行计算得到。目前,传统SOC估计算法精度低,现流行的算法存在计算复杂的问题,并对依赖于SOC初始值精度,在运用中问题重重,难以保证船舶RESS的安全、寿命和容量利用率。为提高SOC估算精度,对锂电池的等效电路PNGV模型进行试验及参数辨识,并结合拓展卡尔曼滤波(EKF)算法,测量锂电池电压及电流,综合进行SOC的估算,经试验,SOC估算精度相比传统算法得到了提高,并解决了SOC估计对初值的要求高的问题,由此证明了PNGV模型结合扩展卡尔曼滤波算法精确估计SOC的可行性。     

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。     

基于改进扩展卡尔曼滤波的锂电池SOC估计

为了减小模型参数发生变化带来的影响,提高锂电池荷电状态(SOC)的估计精度,提出了一种改进的扩展卡尔曼滤波算法(I-EKF)。建立Thevenin等效电路模型,采用遗忘因子最小二乘法进行参数辨识,将辨识的参数用局部加权回归(Lowess)算法与电池电压、电流进行拟合,利用拟合函数求出每一时刻对应的模型参数,再采用I-EKF算法进行SOC估计。实验分析表明,与传统的扩展卡尔曼滤波算法(EKF)相比,当模型参数发生变化时,I-EKF算法的估计精度更高,收敛后的估计误差基本在0.5%以内。     

基于离散滑模观测器的锂电池荷电状态估计

锂电池的荷电状态(state of charge,SOC)估计是电池管理系统的重要组成部分,针对锂电池非线性的特性,提出了采用离散滑模观测器估计锂电池荷电状态的方法,给出了离散滑模观测器的设计方法及其稳定性证明。基于锂电池的戴维南等效电路模型,给出了该方法的设计过程,在不同的充放电电流倍率和环境温度下,进行了锂电池模型的参数辨识,通过与常用的扩展卡尔曼滤波法相比较,分析了离散滑模观测器对锂电池SOC估计的精度、鲁棒性和算法复杂度等方面的性能。实验结果表明,采用该算法可实现锂电池SOC快速精确地估计,误差可控制在约3%,验证了该方法的可行性。     

大容量锂电池在线参数辨识及SOC联合估计

为了提高对大容量磷酸铁锂电池的在线联合精度,分别对在线参数辨识、及SOC估计两部分做了研究。对电池建立了二阶RC等效电路模型,求出了状态表达方程式;使用变遗忘因子的递推最小二乘法来进行在线参数辨识。在多脉冲放电实验工况下,离线参数辨识的最大误差为4.86%(0.18V);而采用变遗忘因子递推最小二乘法,在线辨识的最大误差为1.89%(0.07V)。在线参数辨识不仅实现了实时性,也提高了精度。在参数辨识的基础上,分别采用扩展卡尔曼滤波算法(EKF)、无迹卡尔曼滤波算法(UKF)对电池SOC进行联合估计。在多脉冲放电实验工况中,当SOC的初始误差在30%以内时,UKF算法收敛到误差允许范围内的最大时间为400s;EKF算法收敛到误差允许范围内的最大时间为1100s(实验中电池的总运行时间为18000s)。且当SOC初值正确时,UKF的最大误差为3.2%,而EKF的误差约为7.8%。因此,UKF的鲁棒性、精确度明显优于EKF。     

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。     

模型参数优化的卡尔曼滤波SOC估计

荷电状态(SOC)表征电动汽车动力电池剩余电量。以精确在线估计电动汽车动力电池SOC为目的,基于Thevenin等效电路模型,结合电路原理对模型参数进行辨识,对辨识后的模型参数进行合理优化。利用基于优化后模型参数的扩展卡尔曼滤波对SOC进行在线估计,对比基于优化前模型参数的扩展卡尔曼滤波SOC在线估计结果,仿真结果表明,利用优化后的模型参数,在不影响扩展卡尔曼滤波初值误差收敛性的前提下,估算误差比优化前减小了43%左右,具有更高的SOC在线估计精度。     

基于二阶RC网络模型的UKPF-VFFRLS电池SOC预测估计

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。     

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。     

一种多采样率EKF的锂电池SOC估计

为了准确估算出锂离子电池的荷电状态(SOC),采用多采样率的扩展卡尔曼滤波算法(MREKF),建立了二阶RC的电池的等效电路模型,对磷酸铁锂电池进行充放电实验,并根据实验数据进行参数辨识,获得等效电路模型的参数。根据电路模型建立电池的状态方程,分别使用安时法,单采样率的扩展卡尔曼算法和多采样率的扩展卡尔曼算法对电池的SOC进行估计,并用Matlab仿真,对比了三种算法,实验和仿真结果表明MREKF能更精确地估算出SOC。     

基于天牛须搜索算法的电池模型参数辨识

为实现高精度的动力电池SOC估计,需要建立准确的电池模型.针对磷酸铁锂电池平台特性,采用二阶RC等效电路建立电池的等效电路模型;用双指数函数拟合OCV与SOC的函数关系;采用双线性变换法将电池的数学模型离散化,得到可辨识的电池数学模型.为保证电池模型的精度,要对电池模型的参数进行辨识.首次提出一种基于天牛须搜索算法的电池模型参数辨识方法.用该方法对建立的电池模型进行辨识后,用Simulink对模型进行了脉冲放电与恒流放电仿真测试,并与离线测量数据进行对比,结果表明模型的最大动态误差不超过30 mV,说明该辨识方法有较高的辨识精度,建立的模型能够准确模拟磷酸铁锂电池的动静态特性.     

基于改进卡尔曼滤波算法的磷酸铁锂电池SOC动态估计

对锂电池荷电状态(SOC)进行快速精确地动态估计能有效提高其使用寿命。针对传统磷酸铁锂电池等效电路模型无法反映其对应的电气动态特性问题,提出了一种改进的戴维南电池模型。考虑到传统卡尔曼滤波算法在磷酸铁锂电池SOC动态估计过程中对模型依赖性较强的局限性,引进算法增益因子及修正观测噪声协方差,提出一种改进的卡尔曼滤波算法对磷酸铁锂电池SOC进行动态估计。仿真结果表明所提算法在锂电池SOC估计上具有很好的精度。     

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AEKF滤波与H∞滤波的锂离子电池SOC联合估计

锂电池荷电状态（SOC）的准确估计对提高电池的动态性能和能量利用率至关重要。针对现有卡尔曼滤波SOC估计方法存在估计精度低、鲁棒性差等问题,采用锂离子电池的二阶电阻-电容等效电路模型,通过HPPC循环脉冲实验和动态应力测试工况放电实验,结合带可变遗忘因子的递推最小二乘法（VFFRLS）及开窗理论,对等效电路模型参数进行在线辨识,提出利用自适应扩展卡尔曼滤波（AEKF）算法和H_∞滤波算法联合估计SOC的方法。结果表明：与AEKF算法相比,在DST工况下该算法可以使电池荷电状态估计的最大绝对误差减小3.902 9%,平均绝对误差减小0.962 2%,均方根误差减小0.551 5%。与H_∞滤波算法相比,在DST工况下该算法可以使电池荷电状态估计最大绝对误差减小1.309%,平均绝对误差减小2.893 4%,均方根误差减小2.613 6%。     

基于三次样条插值法的储能锂电池建模与参数辨识

针对锂电池低荷电状态时输出变化大和模型参数辨识困难问题,提出一种基于三次样条插值法的建模与参数辨识方法。首先建立了含SOC动态的三阶3RC-3D等效电路模型,分析了低SOC时应用最小二乘法对不同模型参数进行辨识产生的误差。在此基础上,结合三次样条插值法的拟合特性和合适的边界条件,构造了三次样条插值函数,在SOC≤10%区间进行了模型各参数辨识,并拟合出了模型参数变化曲线。最后,将辨识后的模型参数曲线与混合脉冲功率特性HPPC(Hybrid Pulse Power Characterization)试验的实际测量值进行了对比。从比较结果看,本文所提的辨识方法减小了参数辨识误差,提高了模型精度,验证了在SOC≤10%区间应用三次样条插值法进行锂电池模型参数辨识的有效性。仿真结果表明,基于三次样条插值辨识方法建立的三阶3RC-3D等效电路模型能够高精度地跟踪锂电池输出外特性。