基于自适应无迹卡尔曼滤波器的锂电池SOC估计

采用传统无迹卡尔曼滤波器(UKF)来估计锂电池荷电状态(SOC)的结果较为精确,但其应用前提是要精确获得系统过程噪声和观测噪声的统计特性。结合UKF与自适应滤波,提出一种自适应UKF(AUKF)算法,以二阶RC等效电路模型为基础,并以磷酸铁锂电池为测试对象,通过实验数据结合最小二乘法完成模型参数辨识,提出并详细给出基于无损交换(UT)自适应卡尔曼滤波器的算法步骤,测试实验结果表明:采用AUKF的算法估计锂电池SOC精度在恒流和美国城市循环工况(UDDS)动态工况下均能达到1.2%以内,相比传统的UKF算法具有更强的估计精度和自适应跟踪能力。     

电池 SOC 的自适应平方根无极卡尔曼滤波估计算法

针对利用平方根无极卡尔曼算法估算电池SOC时,因噪声协方差为常量带来的误差,在平方根无极卡尔曼滤波(SR-UKF)算法的基础,改进了算法,把每次测量的输出值残差的协方差作为噪声的协方差,得到自适应平方根无极卡尔曼滤波算法,使得噪声协方差随时间的更新而更新,解决了噪声协方差为常量带来的误差。实验表明,利用自适应平方根无极卡尔曼滤波算法对在常温下电池放电过程的SOC估计,精确度在总体上得到了提高,在电池工作区间0.2≤YSOC≤0.9内估计误差在1.5%以内。自适应平方根无极卡尔曼滤波算法对电池常温放电过程的SOC估计能满足电动汽车电池SOC估计的实际要求。     

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。     

基于自适应两步滤波的电池SOC估计算法

电池的荷电状态(SOC)是锂离子电池最重要的状态参数之一,是电池充放电控制和续航里程估计的依据,但现有研究中基于扩展卡尔曼滤波的SOC估计方法没有解决观测方程局部线性化带来的误差问题。为此,提出了一种基于自适应两步滤波的电池SOC估计算法,实现对电池SOC的精确估计,并提高其对测量噪声的鲁棒性。实验结果表明该方法可在不同工况和不同电池老化条件下将电池SOC估计的平均绝对误差减小至2%以内。     

基于改进Sage-Husa的自适应无迹卡尔曼滤波的锂离子电池SOC估计

扩展卡尔曼滤波(EKF)算法估计锂离子动力电池荷电状态(SOC)时,由于系统噪声的不确定,可能导致估计算法不精确,并且算法中的线性化处理受电池模型的影响很大。为了解决上述两个问题,本文采用改进Sage-Husa的自适应无迹卡尔曼滤波法(AUKF)来动态地估计多元复合锂离子电池的SOC。与EKF相比,改进Sage-Husa的自适应卡尔曼滤波法提高了SOC估计的精度,并能够实时修正微小的模型误差带来的SOC估计误差,实时的工况模拟证明了该算法更适用于多元复合锂离子电池的动态SOC估计。     

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。     

有色观测噪声下的自适应 UKF 在北斗多路径误差削弱中的研究

针对由环境复杂性而造成的北斗多路径误差不能有效削弱的问题, 提出了一种基于新的误差模型下的自适应无迹卡 尔曼滤波(UKF)方法。 该方法首先利用量测状态扩增法来解决量测噪声为有色噪声的问题,再用改进的 Sage-Husa 自适应 UKF 来动态估计系统噪声和量测噪声,从而解决噪声统计特性未定造成的误差削弱效果不明显的情况。 实验结果表明在有色 观测噪声下的改进 Sage-Husa 自适应 UKF 算法相比于传统 UKF,能够将多路径误差削弱近 60%,该方法在针对北斗定位中由于 多路径误差产生的噪声不可知的情况具有很强的适用性。     

基于分数阶模型的锂离子电池SOC与SOH协同估计

锂离子电池荷电状态(SOC)和健康状态(SOH)的精确估计对电动汽车稳定运行十分重要.以精确估计电池SOC和SOH为目标,提出了一种基于分数阶模型的协同估计算法.建立基于二阶RC电路模型的分数阶电池模型,采用自适应遗传算法(AGA)辨识模型参数,利用分数阶扩展卡尔曼滤波(FOEKF)算法估计SOC,并结合自适应无迹卡尔曼滤波(AUKF)算法估计SOH,迭代更新内阻与SOC进而实现SOC与SOH精确的协同估计.在城市道路循环工况(UDDS)下使用Matlab工具验证和对比了算法精度,平均误差均控制在2％以内.结果表明,该协同估计算法能够精确估计电池SOC和SOH,为电池状态估计提供了一种方法.     

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。     

基于神经网络和MS-AUKF算法的蓄电池荷电状态估计

蓄电池的荷电状态(state of charge,SOC)是表征电池当前剩余电量的重要参数。提出一种基于神经网络和主从式自适应无迹卡尔曼滤波(masterslaveadaptiveunscented Kalmanfilter,MS-UKF)算法的SOC估计方法。首先,建立蓄电池的戴维南(Thevenin)二阶模型,针对开路电压与电池SOC之间的非线性关系,采用神经网络模型代替多项式模型,以提高拟合精度。根据实时测量数据,基于最小二乘法在线确定电池模型的参数。针对传统的扩展卡尔曼滤波(extendedKalmanfilter,EKF)和无迹卡尔曼滤波(unscented Kalman filter,UKF)方法存在噪声方差固定,会产生误差造成估计精度不高的问题,采用MS-AUKF算法。该算法的主滤波器用来估计系统状态,辅助滤波器用来估计噪声方差矩阵。算法每次迭代时更新系统模型的噪声方差,克服了传统卡尔曼滤波算法中,噪声方差初值人为设定可能导致滤波发散的缺点。仿真结果表明,相比于EKF、UKF算法,MSAUKF在估计电池SOC时具有更高的精确度和收敛速度。     

基于TVFFRLS-ACKF的锂离子电池SOC估算

实现电池荷电状态(SOC)的估算预测是电池管理系统(BMS)的重要任务之一。电池模型参数的辨识是实现锂离子电池SOC估算的前提,也是决定其估算精度的关键因素。本文以18650型锂离子单体电池为研究对象,采用带时变遗忘因子的递推最小二乘法(TVFFRLS)对电池参数进行在线辨识,实现遗忘因子自适应的自动寻优,提高参数在线辨识的稳定性。在此基础上,采用自适应容积卡尔曼滤波(ACKF)对锂离子电池SOC进行估算,对过程噪声、量测噪声的协方差实时更新,并在不同工况下进行算法验证。结果表明,该算法噪声抑制性能良好,可以提高SOC的估算精度,最大估算误差不超过1.5%,且ACKF算法具有较强的鲁棒性。     

基于增量误差的卡尔曼滤波算法全区间荷电状态估计

在电池管理系统领域，精确的荷电状态SOC（state-of-charge）估计是众多状态估计中最基础的技术之一。但在一些特定的SOC区间段内，便于实际应用的等效电路模型并不能很好地等效电池的特性，故基于传统卡尔曼滤波算法的SOC估计会出现精度下降的问题。提出一种基于增量误差的卡尔曼滤波算法，通过离线分析等效电路模型在各个SOC区间段内的性能优劣，得到各个SOC区间的噪声协方差控制表；将噪声协方差应用于对应的SOC区间段内，从而实现对全区间SOC的精确估计。实验表明在SOC低于20%的区间内，采用基于增量误差的卡尔曼滤波算法可以大大提高SOC估计精度。     

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ICA的含噪电力系统信号的频率测量

为提高在噪声环境下频率测量的准确性,提出一种结合独立分量分析(ICA)和加汉宁窗插值算法的含噪电力系统信号的频率测量方法.该方法使用ICA对混有噪声的信号进行分离获得电力系统信号后,使用加汉宁窗插值的傅里叶算法获得电力系统频率.由于ICA对噪声和有用信号进行了很好的分离,因此频率测量的精确度得到了显著提高.仿真分析了含有白噪声和脉冲噪声的情况.即使噪声的幅值大于信号幅值数百倍时,使用所提出算法后频率误差绝对值的最大值从2.4 Hz左右分别减少到了0.0028 Hz和0.0005 Hz,表明所提出算法在极低信噪比时仍具有较高的精确度.     

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...     

一种锂离子电池荷电状态估计与功率预测方法

为了能够准确估计锂离子电池的荷电状态(SOC),同时对电池实际可用的最大充、放电功率进行预测,在研究电池充、放电过程中的滞回现象的基础上,建立基于电压滞回特性的二阶RC等效电路模型。为了避免因噪声统计特性造成的误差,将H∞滤波算法应用到锂离子电池的SOC估计中,减少了估计过程中的模型误差和算法误差,提高了估计的鲁棒性。将电池电压、电流和SOC的估计值作为联合约束条件预测锂离子电池实际可用的最大充、放电功率,对电池做脉冲充、放电实验,实验分析表明,与混合脉冲功率特性(HPPC)测试方法相比,联合约束算法提高了预测电池功率的准确性。     

基于优化变分模态分解的海杂波去噪方法

文章分析了确定变分模态分解(VMD)参数存在的问题,提出了一种基于优化变分模态分解的海杂波去噪方法。利用鲸鱼优化算法(WOA)对模态个数K和惩罚参数α进行寻优,对海杂波原信号自适应分解,去除方差贡献率(VCR)较低模态分量,结合模糊熵筛选出噪声占主导的模态分量,将其进行Savitzky-Golay(SG)滤波处理。对滤波后的分量和有用分量叠加重构去噪后的信号,通过最小二乘支持向量机(LSSVM)对海杂波信号进行预测并验证去噪效果。仿真结果表明,本文所提算法能够有效抑制噪声干扰,去噪后的均方根误差(RMSE)为0.000 29,比去噪前的均方根误差0.012 3降低了两个数量级。     

基于模糊卡尔曼滤波的HEV氢镍电池SOC估计

混合动力汽车(HEV)电池管理系统工作于恶劣工况环境中,采用常规卡尔曼滤波算法估计电池荷电状态(SOC)时,量测噪声统计特性随实际工况条件剧烈变化,会导致估测不准,甚至滤波发散.采用基于模糊自适应卡尔曼滤波的氢镍动力电池SOC估算算法,通过监视理论残差与实际残差的比值,对量测噪声协方差阵进行递推在线修正,使其逐渐逼近真实噪声水平,从而使滤波器执行最优估计,提高估算精度.仿真结果表明,这种算法对随机的量测噪声具有较强的抑制能力.     

基于ARWLS-AEKF的锂电池SOC估计

根据SOC在电池管理系统中的应用需求,针对锂离子电池的模型准确度低、SOC估算精度差的问题,提出了一种ARWLS-AEKF联合算法。该方法以二阶R-C网络模型为基础,通过加权自适应算法引入自适应遗传因子,优化参数辨识精度,并搭建MATLAB仿真平台联合自适应扩展卡尔曼滤波算法(AEKF)算法对SOC进行在线估算。将三种测试工况下的算法仿真结果与电池实验平台所得测量数据进行对比,结果表明:ARWLS-AEKF算法相对于离线EKF算法有更高的准确度与适应性,能适应随机变化的噪声环境。在LA_92、UDDS、HWFET工况下,ARWLS-AEKF算法的误差在2%以内,MAE分别为0.45%、0.74%、0.87%,RMSE值分别为0.54%、0.71%、0.42%。