基于UGOA-BP的锂电池SOC估算

电池荷电状态(SOC)的精确估算是储能设备安全运行的关键,本工作提出一种基于均匀分布策略改进的蝗虫优化算法和BP神经网络(UGOA-BP)的联合算法,在标准蝗虫优化算法(GOA)的基础上,引入了均匀分布函数,更新了非线性控制参数c,构建了新的随机调整机制,扩大了算法搜索范围,打破了局部开发受限的局面.同时,又受粒子群算...     

基于蒙特卡洛和SH-AUKF算法的锂电池SOC估计

针对锂离子电池荷电状态(State of charge,SOC)估计精度低的问题,将Sage-Husa自适应算法与无迹卡尔曼滤波算法相结合,提出了一种可以对系统噪声进行不断更新和修正的自适应滤波新算法——SH-AUKF算法。在动态应力测试(Dynamic stress test,DST)工况下,采用无迹卡尔曼滤波(Unscented Kalman filter,UKF)、自适应无迹卡尔曼滤波(Adaptive unscented Kalman filter,AUKF)和SH-AUKF三种算法分别对SOC进行估计。结果表明,SH-AUKF算法估计SOC的误差最小,估计精度最高。与UKF相比,SH-AUKF算法的估计精度提高了45.4%;与AUKF相比,SH-AUKF算法的估计精度提高了14.3%。为了进一步降低噪声干扰的偶然性和突发性对SOC估计的影响,在估计过程中加入了蒙特卡洛采样方法。结果表明,融合了蒙特卡洛方法的SH-AUKF算法估计SOC时,估计误差区间仅为±1×10^-3,有效提高了估计精度。     

基于自适应CKF的老化锂电池SOC估计CSCD

锂电池的荷电状态(SOC)估算是电动汽车的系统管理与能量控制的重要参数。在SOC估算过程中,电池参数变化和老化问题会对结果造成很大影响。针对这一问题,在递推最小二乘法算法(RLS)辨识锂电池模型的参数的基础上更新电池容量,通过容积卡尔曼滤波(CKF)估算电池SOC,结合RLS和CKF实现在电池参数发生变化时准确估计SOC。以锂离子电池作为对象,应用所提出的算法实现锂电池的SOC在线估计,验证算法的准确性。     

锂电池SOC估计的实现方法分析与性能对比

锂电池荷电状态(state of charge,SOC)估计技术是保证电力储能和电动汽车合理应用的核心技术,也是锂电池系统控制运营、监测维护的基础。在锂电池实际应用中,其表现出非线性、时变性、影响因素复杂性和不确定性的问题,造成了荷电状态估计难度大、精度不高和适应能力不足。为此,众多锂电池荷电状态估计算法及改进策略应运而生。与此同时,部分研究人员针对不同估计方法和改进策略的实现方式和优缺点开展了分析与对比,但相关综述对估计方法的技术特点和适用性方面的论述不足且缺乏系统性总结。本文首先分析了锂电池荷电状态估计的影响因素和测试标准;然后从基于实验计算的传统方法、基于电池模型的滤波类算法、基于数据驱动的机器学习技术以及数模混合估计方法四个方面开展对比分析,归纳总结各类方法的技术特点、实现过程、适用条件、难题痛点以及应用优势,系统全面地论述了现有锂电池荷电状态估计技术的研究重点和应用现状;最后,展望了锂电池荷电状态估计算法的未来研究方向。     

基于IACO-PF的锂电池SOC估算

本工作提出一种改进蚁群算法(IACO)优化粒子滤波(PF)来进行电池荷电状态(SOC)的估计,用来解决传统粒子滤波算法SOC估算时产生的粒子贫化问题.蚂蚁将替代粒子,在更新步骤前重新定位,通过提高粒子的多样性来解决粒子贫化问题;结合二阶Thevenin电池等效模型,得到算法所需的状态和观测方程,再根据脉冲放电试验进行参...     

基于扩展卡尔曼滤波法的锂电池荷电状态估计

锂离子电池在储能电站具有广阔的应用前景,它是储能电站的能量储存单元,精确地对锂离子电池荷电状态(SOC)进行预测是至关重要的,这可以在很大程度上提高电站系统的安全性能。通过多种等效电路模型的对比,选择二阶戴维南等效电路模型。选择三洋18650型动力锂电池作为电池充放电实验对象,设计测试实验步骤,得出电池的参考容量为3.4A·h,库伦效率为98.48%。对电池模型进行精确的参数辨识,通过曲线拟合得到UOC-SOC关系表达式。在仿真软件MATLAB/Simulink中运用扩展卡尔曼滤波法(EKF)对SOC进行仿真预测,通过SOC误差曲线对比可以发现,EKF估计器在起始状态略有误差,但1min内即快速收敛到SOC参考值附近,并且稳定状态下观测误差可维持在0.1%以内,能够满足工程实际应用的要求,证明了扩展卡尔曼滤波法对电池SOC预测的准确性。     

基于IGWO-PF算法的无人机锂电池SOC估计

无人机复杂飞行姿态下,其锂电池的放电电流大小会发生很大变化,难以准确估算无人机剩余电量等状态参数.针对这一问题,提出一种改进的灰狼算法优化粒子滤波算法(IGWO-PF),通过粒子分布进行SOC估计.该方法中用灰狼表征粒子,通过设置狼群位置更新机制,使粒子不断接近真实的概率分布.首先用二阶戴维南等效电路构建无人机锂电池模...     

基于等效电路模型的动力电池SOC估计方法综述

动力电池的准确建模及荷电状态(State of charge,SOC)的精准估计对提高电池的利用效率、延长使用寿命具有重要意义.各类SOC估计方法中,基于电池等效电路模型估计法的精准性和鲁棒性好,且电池模型结构简单、计算量小,在电池管理系统(Batter management system,BMS)中具有较好应用前景....     

基于改进的高斯过程回归的SOC估计算法

为了提高锂离子电池荷电状态(SOC)的估计精度,文中采用基于高斯过程回归(GPR)机器学习的锂离子电池数据驱动方法,首先选取数据集,将电池测量参数电流和电压作为模型的输入向量,SOC作为模型的输出向量来训练模型,为了提高模型精度,文中改进了高斯过程回归模型.将上一时刻估计的SOC值加入到移动窗口中,并与电流和电压一起作...     

LiTFSI-BEPyTFSI as an improved ionic liquid electrolyte for rechargeable lithium batteries

We report an electrochemical study of solutions of lithium bis(trifluoromethanesulfonyl)imide, LiTFSI, in a N-n-butyl-N-ethylpyrrolidinium bis(trifluoromethanesulfonyl)imide, BEPyTFSI. We show that these ionic liquid solutions have stability towards lithium metal electrode which allows various electrochemical tests, including impedance spectroscopy and voltammetry. The ionic conductivity and lithium transference number, of the order of 10⁻³ S cm⁻¹ and 0.4, respectively, make these solutions suitable for application as electrolytes in advanced lithium batteries. A prototype of these batteries, having lithium iron phosphate as the cathode, showed good performance in terms of charge–discharge efficiency and rate capability. The results reported in this work, although preliminary, are encouraging in supporting the practical interest of this LiTFSI-BEPyTFSI class of lithium conducting ionic liquids.     

基于Bi-LSTM/Bi-GRU循环神经网络的锂电池SOC估计

锂电池的荷电状态(state-of-charge,SOC)涉及的物理特性或电化学特性高度复杂,其值一般难以直接测量,基于深度神经网络等新方法的SOC估计近期为相关研究者所关注.为进一步提升SOC估计性能,有效捕获锂电池SOC的动态物理特性,缓解深度神经网络模型容易发生的梯度消失与梯度爆炸等问题,本文引入双向学习策略,基...     

基于IBAS-NARX神经网络的锂电池荷电状态估计

在使用神经网络方法估计锂电池荷电状态时,传统荷电状态适应度评价函数存在仅考虑均方误差等网络权值参数的缺点,忽略了拓扑参数对模型的影响.故本文提出在适应度评价函数设计中综合考虑输入/输出时序相关性、隐层神经元数量等模型拓扑参数和网络权值参数的加权影响,并将其引入带外部输入非线性自回归神经网络建模方法的锂电池荷电状态估计中,进而基于改进天牛须搜索算法实现了上述模型拓扑参数与网络权值参数的协同辨识优化.仿真结果表明,本文所提出方法能够提高多种复杂工况下的锂电池荷电状态估计精度,在DST标准工况和WLTC标准工况下锂电池荷电状态的均方根误差分别达到3.38×10?3和8.75×10?4,相比于未经改进的天牛须搜索算法优化NARX神经网络在均方根误差上估计精度分别提升了42.4％和20.5％.     

SOC estimation of lithium battery based on adaptive untracked Kalman filter

电池荷电状态（SOC）的准确估计是电池管理系统的关键问题,对电池的可靠性和安全性至关重要。由于多数情况下建立的电池模型精度不够高、电池系统的噪声统计是未知的或不准确的,这都会对锂离子电池系统的SOC估计会产生较大影响。本文采用二阶RC等效模型,可减小电池模型带来的误差;同时结合SageHusa滤波算法与无迹卡尔曼滤波（UKF）算法提出了一种新的SOC估计方法,基于噪声统计估计器的自适应无迹卡尔曼（AUKF）滤波算法,它可以对系统噪声进行实时修正以提高SOC的估算精度。并通过比较AUKF和UKF来验证SOC估计方法的准确性和有效性。实验结果表明,AUKF具有更高的SOC估计精度和自适应能力,在脉冲放电工况和动态工况下的估计精度均能保持在4.68%以内,可以有效地估计电池的SOC值。     

Estimation of power battery SOC based on firefly BP neural network

针对BP神经网络算法对电动汽车电池荷电状态（state of charge,SOC）估算的缺陷,提出一种基于萤火虫（firefly algorithm,FA）神经网络的SOC估算方法。以磷酸铁锂电池为测试对象,在ARBIN公司生产的EVTS电动车动力电池测试系统装置上进行测试,收集锂电池的各项性能参数。采用端电压和放电电流作为输入参数,SOC作为输出参数,建立FA-BP神经网络模型,用于估算锂离子电池充放电过程中的任一状态下的SOC。仿真实验结果表明,与现有的BP神经网络估算方法相比,基于FA-BP神经网络的锂电池SOC估算方法准确度高,具备很好的实用性。     

基于RLS-DLUKF算法的锂电池SOC预测方法研究

本工作以钴酸电池为研究对象,针对锂电池在复杂工况下电流的剧烈变化导致荷电状态(SOC)无法有效预测的问题,建立了以精确参数为基础的双层无迹卡尔曼滤波算法(DLUKF)架构来更精准的估算SOC.首先,以脉冲功率特性实验数据获取二阶电路模型中电池开路电压与荷电状态的函数关系及特性曲线;其次,为增强模型辨识过程中的自适应学习...