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。     

基于改进概率神经网络的储能电池荷电状态估计

锂离子电池荷电状态（SOC）估计技术是储能电站电池管理系统重要组成部分。为了实现对SOC的准确估算,提出一种改进概率神经网络（MPNN）用于储能电池荷电状态估计。相较于传统神经网络,结合概率函数和补偿机制的MPNN,不仅可避免陷入局部最优,而且具有更优秀的拟合能力,可进一步提高SOC估计精度。仿真实验表明,所提MPNN方法的SOC估计值平均绝对误差和均方误差均低于1%,获得了满意的性能。     

不同荷电状态钛酸锂电池高温日历老化研究北大核心CSCD

钛酸锂电池因循环稳定性和安全性好等优点在能源存储领域具有潜在应用前景,然而目前关于其在高温条件下的日历老化研究报道较少。荷电状态和环境温度通常被认为是影响钛酸锂电池在日历老化过程中性能演化的关键参量。本工作以某商用圆柱形钛酸锂电池为研究对象,通过高温加速老化模拟实验,探究在不同荷电状态下(0%、50%、100%SOC)钛酸锂电池电化学性能演化规律及机理。实验结果表明,钛酸锂电池在高温日历老化过程中的健康状态与荷电状态存在强相关性,以不同荷电状态储存的电池,其容量呈现出随时间不同的变化趋势,其内在机理也有所不同。本工作主要揭示了荷电状态对高温储存下钛酸锂电池性能的影响规律和作用机理,对于钛酸锂电池未来在大规模储能应用中的运行维护具有一定科学指导意义。     

基于BCRLS-ACKF的锂离子电池荷电状态估计

精确的锂离子电池荷电状态(state of charge,SOC)估计对于电池管理系统至关重要.模型参数辨识是SOC估计的前提,也是影响其估计精度的关键因素.为了有效避免噪声对参数辨识的影响,采用偏差补偿递推最小二乘法(BCRLS)进行在线参数辨识.在此基础上,采用自适应容积卡尔曼滤波(ACKF)算法估计电池SOC,对系统噪声进行实时更新以提高估计精度.此外,对于计算过程中由于协方差矩阵失去正定性而出现平方根无法分解的问题,利用奇异值分解的方法代替Cholesky分解,以提高数值计算的稳定性.最后将BCRLS与ACKF相结合以实现模型参数和SOC的联合估计,并在不同工况和初始值不精确的情况下进行算法验证,结果表明本文所提算法具有较高的精度,平均绝对误差在2％以内.     

基于自适应滑模观测器的荷电状态估算方法

锂电池荷电状态(State of Charge, SOC)的精确估算是电池管理系统的必要基础,但锂电池受充放电倍率大小、老化速度等影响,存在强非线性、时变性等特性,SOC难以直接测量,只能结合海量电压和电流数据通过算法估算。本文提出一种自适应滑模观测器算法(Attitude Sliding Mode Observer, ASMO)对SOC估算,通过梯度下降的算法实时更新滑模观测器矩阵增益,以提高算法的精度和鲁棒性。在测试工况下将拓展卡尔曼滤波算法、滑模观测器算法与改进算法比较,结果表明,相较于传统拓展卡尔曼滤波算法和滑模观测器算法,改进过的算法具有更高的精度和鲁棒性,误差可控制在1%以内,验证改进算法有效性。     

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...     

基于递推门控循环单元神经网络的锂离子电池荷电状态实时估计方法北大核心CSCD

锂离子电池荷电状态(state of charge,SOC)的准确估计对于保证电池系统安全运行至关重要。目前基于门控循环单元(gated recurrent unit,GRU)等循环神经网络的SOC估计方法得到了广泛关注,其无需预设电池模型即可实现SOC准确估计。然而,这类估计方法存在计算复杂度过高而难以在工程中实际应用的问题。针对传统GRU神经网络估计SOC时需要进行大量隐状态迭代而导致计算复杂度过高的问题,提出了网络隐状态时序继承的递推更新方式,通过改进GRU网络的输出结构,从而实现了仅需对当前时刻采样数据进行一次网络计算即可准确获取当前时刻SOC估计值。与文献中报道传统GRU方法相比,该递推GRU方法在保证SOC估计准确度不降低的情况下,能减少99%以上的计算量,具有较好的应用前景。此外,针对部分应用场景中电池训练数据缺乏的问题,方法能够结合迁移学习来快速完成网络训练。通过实验室测试数据集以及公开数据集进行验证,该方法能对不同温度环境、不同老化状态以及不同型号的锂离子电池进行准确SOC估计,其最大估计误差均不高于3%。     

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。     

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...     

SOC estimation method of power battery based on BP artificial neural network

电池剩余电量（SOC）的估算是电池管理系统中的关键技术之一,在众多估算方法中,神经网络在估算的准确性及鲁棒性上具有明显优势。庞大的数据量是获得SOC精确值的重要因素。针对以上问题,研究提出了基于BP人工神经网络的动力电池SOC估算方法,以某型号整包电池作为实验对象,通过对电池电压、电流、内阻及温度的数据采集,获得海量数据。建立电池的等效电路模型,考虑电池极化、充放电倍率及温度的影响对初始数据进行修正。基于MATLAB平台建立BP人工神经网络模型,数据修正后用于网络模型的训练,并验证了模型的可行性。将模型用于实验数据的预测,通过函数拟合实现了SOC的估算。最后,通过对比SOC的预测值与实际测量值,最终证明建立的人工神经网络模型对SOC估算的有效性。     

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...     

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。     

SOC estimation of lithium battery based online parameter identification and AEKF

SOC的准确估计对提高电池的动态性能和能量利用效率至关重要,估计过程中,模型参数不准确以及系统噪声的不确定性都会对结果产生较大影响。为减小模型参数辨识和系统噪声对SOC估计精度的影响,本文采用二阶RC等效电路模型,结合自适应扩展卡尔曼滤波算法（AEKF）进行锂电池的SOC估计。用带有遗忘因子的最小二乘法对模型参数进行在线辨识,以减小由参数辨识引起的估计误差,AEKF可以对系统和过程噪声进行修正,从而减小噪声对SOC估计的影响。最后分别用EKF和AEKF进行SOC估计并比较其误差,结果表明,AEKF联合最小二乘法参数在线辨识具有更高的精度和更好的适应性。     

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。     

基于在线参数辨识和改进2RC-PNGV模型的锂离子电池建模与SOC估算研究

锂电池荷电状态(state of charge,SOC)的准确估计对电池安全监测与能量的高效利用具有重要意义.提出一种新的验证模型,首先对电池新一代汽车合作伙伴(PNGV)模型进行改进,考虑电池充放电的差异,加入了二极管电阻的并联网络来代替传统PNGV模型的内阻,在此基础上,增加了一个RC的并联网络来表征电池的动静态特性.以三元锂电池为研究对象,通过遗忘因子最小二乘法(forgetting factor recursive least square,FFRLS)对改进模型进行在线参数辨识,并提出了主充电、放电实验对锂电池工作特性进行仿真分析,通过FFRLS-EKF算法在DST工况下对SOC进行估算.实验结果表明,改进的2RC-PNGV模型能够较好地反映锂电池工作特性,HPPC实验的平均电压误差为0.17％,模型具有较高的精度.主充电过程SOC平均估算误差为0.957％,最大估算误差为5.03％;主放电过程SOC平均估算误差为0.807％,最大估算误差为3.38％,表明改进的2RC-PNGV模型与联合估计算法均可用于SOC实际估算.     

Li-ion battery SOC estimation method based on the reduced order extended Kalman filtering

The extended Kalman filter (EKF) method for SOC estimation has some problems such as the lack of an accurate model, and model errors due to the variation in the parameters of the model due to the nonlinear behavior of a battery. To solve the aforementioned issues, this paper proposes a reduced order EKF including the measurement noise model and data rejection. In order to do so, the model of a battery in the EKF is simplified into the type of reduced order to decrease the calculation time. Additionally, to compensate the model errors caused by the reduced order model and variation in parameters, a measurement noise model and data rejection are implemented because the model accuracy is critical in the EKF algorithm in order to obtain a good estimation. Finally, the proposed algorithm is verified by short and long term experiments.     

Lithium-ion battery SOC/SOH adaptive estimation via simplified single particle model

Compared with battery Equivalent Circuit Models (ECM), Single Particle Model (SPM) has more appropriate physics representation and higher accuracy theoretically. However, SPM-based parameter estimation performance is restricted by the SPM model complexities. In this paper, a simplified SPM and its corresponding adaptive State of Charge (SOC)/State of Health (SOH) estimation scheme are studied. First, the SPM is simplified from Partial Differential Equation (PDE) to Ordinary Differential Equation (ODE) for a trade-off between model complexity and consistency. Second, an adaptive model observer is proposed to estimate battery parameters, which include a SOC state implying normalized lithium-ion concentration, and a SOH parameter implying the maximum lithium-ion surface concentration, both in the solid surface phase. Because the ODE-based adaptive parameter estimation is capable of avoiding complex identification procedures, this new approach can be implemented in practical applications with high accuracy. Through massive simulation scenarios, the proposed SPM model is validated based on comparison between ODE SPM and PDE SPM, as well as Benchmark Validation. Finally, both simulation and experiment demonstrate the effectiveness of the simplified SPM and the superiority of the proposed SOC/SOH estimation scheme.